Esta calculadora ANOVA analiza un factor o dos factores con interacción y devuelve la tabla de análisis de varianza: sumas de cuadrados, grados de libertad, medias cuadráticas, estadístico F, p y η², además de gráficos de medias y perfiles. Sirve para comprobar si los grupos difieren en una variable cuantitativa, pero no sustituye la revisión de supuestos ni las comparaciones post hoc si necesitas detalles por pares.
📊 Calculadora ANOVA (One‑Way / Two‑Way)
Elige el diseño y obtén el análisis completo
📌 Diseño de dos factores (con interacción)
Qué es el ANOVA y cuándo usarlo frente a la prueba t
ANOVA significa análisis de varianza. El procedimiento parte de una idea sencilla: si las medias de varios grupos son iguales en la población, la variación entre esas medias debería ser parecida a la variación que existe dentro de cada grupo. Cuando la variación entre grupos es mucho mayor que la variación dentro de los grupos, el estadístico F se aleja de 1 y la hipótesis de igualdad de medias pierde fuerza.
La prueba t compara dos medias. Si tienes tres o más grupos y haces varias t, la probabilidad de encontrar una diferencia significativa por azar aumenta. El ANOVA hace una comparación global antes de mirar los pares. Por eso, con tres o más grupos independientes se usa ANOVA de un factor; con dos grupos, una t es suficiente.
Un ANOVA de dos factores permite examinar dos variables independientes al mismo tiempo. Por ejemplo, método de estudio y nivel de ansiedad. Además de los efectos de cada factor, puede incluir la interacción: si el efecto de un factor cambia según el nivel del otro. En un diseño entre sujetos, el ANOVA de dos factores examina factores fijos con datos agrupados por celdas.
Conviene usar ANOVA cuando la variable dependiente es cuantitativa, los grupos son independientes, el tamaño muestral no es extremadamente pequeño y los supuestos se revisan. No sirve para comparar proporciones, variables ordinales o diseños con múltiples observaciones por persona sin un modelo adecuado.
Cómo usar la calculadora sin perderse en la tabla
Para usar la calculadora, coloca los datos en el formato que pide la herramienta: grupos para un factor y celdas para dos factores. Si la interfaz ofrece opción de interacción, actívala cuando quieras comprobar si el efecto de un factor cambia según el otro.
Después de calcular, lee primero la fuente de interés: entre grupos en un factor; Factor A, Factor B e interacción en dos factores. Luego mira el p-valor, el estadístico F y η². Si el resultado es significativo, revisa los gráficos de medias o perfiles antes de sacar conclusiones. El p-valor no dice si el supuesto se cumple; eso se comprueba con residuos, gráficos de varianzas y el diseño de la muestra.
Supuestos del ANOVA y alternativas si no se cumplen
El ANOVA no exige que las variables independientes sean normales, sino que los residuos del modelo se comporten de forma razonable. Los tres supuestos habituales son independencia, normalidad de los residuos y homogeneidad de varianzas.
La independencia depende del diseño. Cada observación debe provenir de una unidad experimental distinta y no estar relacionada con otras. Si una misma persona aparece en varios grupos o en varias mediciones, conviene usar software que soporte medidas repetidas o modelos mixtos.
La normalidad se revisa con gráficos de residuos, histogramas o pruebas como Shapiro-Wilk. Con muestras grandes, el ANOVA suele ser robusto a desviaciones leves porque el estadístico F se apoya en una distribución que se aproxima a la normal. Con muestras pequeñas, una desviación fuerte puede alterar el p-valor. Si el tamaño de muestra es reducido y la distribución se aleja mucho de la normal, una alternativa no paramétrica para un factor es la prueba de Kruskal-Wallis.
La homogeneidad de varianzas se puede comprobar con Levene, Bartlett o comparando desviaciones típicas. Si un grupo tiene una varianza mucho mayor que los demás, el F clásico puede ser poco fiable. Para un ANOVA de un factor, Welch ajusta los grados de libertad y suele ser una opción más estable. Para ese análisis, revisa ANOVA en jamovi.
En dos factores, la heterogeneidad de varianzas puede afectar sobre todo a la interacción. Antes de correr la calculadora, conviene transformar la variable, revisar valores atípicos o plantear un modelo robusto. Si la variable dependiente es ordinal o los datos son muy asimétricos, el ANOVA pierde sentido como resumen de medias.
Cómo leer la tabla ANOVA
La tabla ANOVA descompone la variabilidad de los datos en partes. En un factor, hay variación entre grupos y variación dentro de los grupos. En dos factores, aparecen dos efectos principales, una interacción y el error residual.
- SC (suma de cuadrados): mide la variabilidad asociada a cada fuente. En un factor, SC entre + SC dentro = SC total. En dos factores, SC A + SC B + SC AB + SC error = SC total.
- gl (grados de libertad): indican cuánta información aporta cada fuente. Para k grupos, gl entre = k – 1. Para dos factores con a y b niveles, gl A = a – 1, gl B = b – 1, gl AB = (a – 1)(b – 1).
- MC (media cuadrática): es la suma de cuadrados dividida por sus grados de libertad. Sirve para comparar fuentes con distinta cantidad de información.
- F: es el cociente entre la media cuadrática del efecto y la media cuadrática del error. Un F cercano a 1 sugiere que la variación explicada por el efecto no es mayor que la variación residual. Un F grande indica una señal más fuerte.
- p: es la probabilidad de obtener un F igual o más extremo si todas las medias fueran iguales. No es la probabilidad de que la hipótesis nula sea cierta.
La decisión se toma con un nivel de significación, normalmente α = .05. Si p es menor que α, se rechaza la igualdad de medias para esa fuente. Si p es mayor, no hay evidencia suficiente para rechazarla; eso no demuestra igualdad.
Tamaño del efecto: eta cuadrado
El p-valor responde a si hay evidencia de diferencia, pero no dice cuánta variación explican los grupos. Para eso se usa el tamaño del efecto. El eta cuadrado indica la proporción de la variación total que se asocia a un efecto.
En un ANOVA de un factor, η² = SC entre / SC total. En dos factores, cada efecto puede expresarse como η² = SC efecto / SC total. También se usa η² parcial, que divide la suma de cuadrados del efecto entre la suma de cuadrados del efecto más el error. En diseños con varios factores, los valores pueden cambiar según la fórmula, así que conviene indicar cuál se reporta.
Como referencia orientativa, .01 puede considerarse pequeño, .06 medio y .14 grande en muchos contextos sociales. Esos umbrales no son leyes: en psicología, educación o salud, un efecto pequeño puede ser relevante si el costo de la intervención es bajo o si la variable tiene consecuencias graves.
Pruebas post hoc
Un ANOVA significativo responde a una pregunta global: al menos una media no coincide con las demás. No dice cuáles difieren. Para eso se usan pruebas post hoc, que comparan pares de grupos controlando el error por múltiples contrastes.
Las opciones más frecuentes son Tukey HSD, Bonferroni, Holm y Games-Howell. Tukey es útil cuando los tamaños de grupo son parecidos y las varianzas son homogéneas. Bonferroni es conservadora y sirve para pocos contrastes planificados. Games-Howell se emplea cuando las varianzas son desiguales. Si la alternativa es Kruskal-Wallis, las comparaciones por pares suelen hacerse con Dunn más ajuste de p.
Esta calculadora se centra en la tabla ANOVA y en los gráficos de medias y perfiles. Si necesitas una tabla de pares con p ajustado, intervalos de confianza o letras de agrupamiento, conviene continuar en ANOVA en jamovi.
Ejemplo resuelto con un factor
Supón tres grupos de cuatro observaciones cada uno. Los datos de ejemplo son:
| Grupo | Valores | Media |
|---|---|---|
| Grupo 1 | 20, 22, 24, 26 | 23 |
| Grupo 2 | 24, 26, 28, 30 | 27 |
| Grupo 3 | 28, 30, 32, 34 | 31 |
La media total es 27. La variación entre grupos es 128 y la variación dentro de los grupos es 60. El resultado del análisis es:
| Fuente | SC | gl | MC | F | p | η² |
|---|---|---|---|---|---|---|
| Entre grupos | 128 | 2 | 64.00 | 9.60 | .006 | .68 |
| Dentro de grupos | 60 | 9 | 6.67 | – | – | – |
| Total | 188 | 11 | – | – | – | – |
El estadístico F es 9.60 con 2 y 9 grados de libertad. El p-valor es .006. Como p es menor que .05, se rechaza la hipótesis de que las tres medias son iguales. El eta cuadrado es 128 / 188 = .68, lo que indica que el factor explica una proporción grande de la variación total en estos datos. Con tan pocas observaciones, el resultado es ilustrativo; en un estudio real habría que revisar residuos, varianzas y hacer comparaciones por pares.
Ejemplo resuelto con dos factores
Un diseño 2×2 con dos observaciones por celda puede mostrar efectos principales y ausencia de interacción. Los datos de ejemplo son:
| Factor A | Factor B | Observaciones | Media de celda |
|---|---|---|---|
| A1 | B1 | 10, 12 | 11 |
| A1 | B2 | 14, 16 | 15 |
| A2 | B1 | 12, 14 | 13 |
| A2 | B2 | 16, 18 | 17 |
El factor A tiene dos niveles, el factor B tiene dos niveles y la interacción se calcula a partir de las diferencias entre las medias de celda y las medias aditivas. El resultado del análisis es:
| Fuente | SC | gl | MC | F | p | η² |
|---|---|---|---|---|---|---|
| Factor A | 8 | 1 | 8.00 | 4.00 | .111 | .17 |
| Factor B | 32 | 1 | 32.00 | 16.00 | .019 | .67 |
| Interacción A x B | 0 | 1 | 0.00 | 0.00 | 1.000 | .00 |
| Error | 8 | 4 | 2.00 | – | – | – |
| Total | 48 | 7 | – | – | – | – |
El factor B es significativo: F(1, 4) = 16.00, p = .019. El factor A no alcanza significación con α = .05: F(1, 4) = 4.00, p = .111. La interacción es nula en estos datos: F(1, 4) = 0.00, p = 1.000. Los perfiles de medias son paralelos, así que la interpretación de los efectos principales es más directa.
Si la interacción fuera significativa, los efectos principales no deberían leerse por separado. Habría que examinar el efecto de un factor dentro de cada nivel del otro, algo que suele requerir contrastes simples en software estadístico.
Redacción APA
En APA, el resultado del ANOVA se reporta con el estadístico, los grados de libertad, el p-valor y el tamaño del efecto. Para el ejemplo de un factor, una frase posible es: «Un ANOVA de un factor mostró diferencias significativas entre los grupos, F(2, 9) = 9.60, p = .006, η² = .68.»
Para el ejemplo de dos factores: «El factor B fue significativo, F(1, 4) = 16.00, p = .019, η² = .67; el factor A no alcanzó significación, F(1, 4) = 4.00, p = .111, η² = .17; la interacción no fue significativa, F(1, 4) = 0.00, p = 1.000, η² = .00.»
Si se incluyen pruebas post hoc, se indica la prueba usada, las comparaciones relevantes y el p ajustado. Si se usa η² parcial, conviene escribirlo explícitamente para que el lector no confunda el tamaño del efecto.
Errores frecuentes al usar la calculadora
Un error común es mirar solo el p-valor. En muestras grandes, una diferencia mínima puede ser significativa; en muestras pequeñas, una diferencia grande puede no alcanzar significación. Por eso conviene acompañar el p con η² y con las medias de los grupos.
Otro error es usar la calculadora con datos de medidas repetidas como si fueran independientes. Si cada persona aparece varias veces, la tabla ANOVA puede subestimar el error y dar p-valores demasiado bajos.
También es frecuente comparar dos grupos con ANOVA cuando una t es más directa. El resultado suele coincidir en diseños simples, pero la t es más fácil de reportar y de interpretar.
Por último, no conviene saltar a conclusiones causales si el diseño es observacional. El ANOVA detecta diferencias entre grupos, no demuestra que una variable produzca otra.
Otras herramientas de Inferencia Estadística
Preguntas frecuentes
¿La calculadora ANOVA sirve para comparar dos grupos?
Sí puede aplicarse, pero una prueba t es más directa. En un diseño simple, F(1, gl) equivale al cuadrado de t con los mismos grados de libertad. Si el objetivo es comparar dos medias, la t suele ser suficiente.
¿Qué hago si el ANOVA es significativo?
Revisa los gráficos de medias y, si necesitas saber qué pares difieren, usa una prueba post hoc. Esta calculadora no está orientada a ese detalle, así que puedes continuar con ANOVA en jamovi para obtener comparaciones por pares ajustadas.
¿Cuándo usar Kruskal-Wallis en lugar de ANOVA?
Si la variable dependiente es ordinal o si la muestra es pequeña y los residuos no se ajustan a la normalidad, la prueba de Kruskal-Wallis es una alternativa para comparar varios grupos independientes. No evalúa interacciones de dos factores.
¿Qué significa una interacción significativa?
Significa que el efecto de un factor depende del nivel del otro. En ese caso, los efectos principales pueden ser engañosos. La lectura útil se hace por celdas o mediante contrastes simples.
¿El eta cuadrado depende del tamaño de la muestra?
No depende del tamaño de la muestra de la misma forma que el p-valor, porque se calcula a partir de sumas de cuadrados. Aun así, en muestras pequeñas puede ser inestable y conviene reportar intervalos de confianza cuando el software lo permita.



