Los gráficos de barras con barras de error son el tipo de visualización más frecuente en los artículos de psicología, y también uno de los menos informativos. Un gráfico de barras que muestra la media de dos grupos con una barra de error estándar oculta prácticamente toda la información relevante sobre los datos: no puedes ver la distribución, no sabes si hay outliers, no tienes idea de la variabilidad individual, y el eje Y que empieza en cero puede hacer que diferencias reales parezcan triviales o que diferencias triviales parezcan enormes. Es un formato que se ha mantenido por tradición más que por utilidad, y la buena noticia es que hay alternativas mucho mejores disponibles con muy poco esfuerzo adicional.
El problema fundamental del gráfico de barras es que resume toda una distribución en dos números: la media y una medida de dispersión. Dos distribuciones completamente diferentes pueden producir exactamente la misma media y la misma desviación típica. Anscombe demostró esto de forma brillante con su famoso cuarteto, y más recientemente el datasaurio (Matejka y Fitzmaurice, 2017) lo ilustró de forma aún más impactante: datasets con forma de dinosaurio, de estrella o de líneas paralelas que comparten las mismas estadísticas descriptivas. Si tu gráfico solo muestra esas estadísticas, estás tirando toda la información que hace únicos a tus datos.
Alternativas que muestran los datos reales
La alternativa más sencilla al gráfico de barras es el gráfico de puntos (strip plot o jitter plot), donde cada observación individual se representa como un punto. Esto permite ver inmediatamente cuántas observaciones hay, cómo se distribuyen, si hay agrupamientos o outliers, y si la distribución es simétrica o sesgada. Cuando tienes varios grupos, puedes añadir un indicador de la media o la mediana (una línea horizontal, un diamante, un punto más grande) para facilitar la comparación entre grupos sin sacrificar la información individual.
Los gráficos de violín (violin plots) son otra opción excelente que combina lo mejor de los gráficos de densidad y los boxplots. La forma del violín muestra la distribución estimada de los datos en cada grupo, lo que permite detectar bimodalidad, asimetrías y otras características que quedarían completamente ocultas en un gráfico de barras. Si además superpones los puntos individuales dentro de cada violín (lo que a veces se llama raincloud plot cuando se combina con un medio violín y un boxplot), obtienes una visualización extraordinariamente informativa que muestra simultáneamente la distribución, los estadísticos resumen y los datos individuales.
Los raincloud plots, propuestos por Allen et al. (2019), merecen una mención especial porque son probablemente la forma más completa de visualizar datos de grupos. Combinan tres elementos: un medio gráfico de violín (que muestra la distribución), un boxplot reducido (que muestra la mediana, los cuartiles y los outliers) y los puntos individuales desplazados lateralmente. El resultado es un gráfico que transmite toda la información relevante de forma clara y atractiva. El paquete ggrain en R facilita su creación, aunque también se pueden construir manualmente con ggplot2. Para metaanálisis, otro gráfico especializado igualmente importante es el forest plot; si te interesa, consulta nuestra guía sobre la anatomía de un forest plot.
Visualización de relaciones y efectos longitudinales
Para datos longitudinales o de medidas repetidas, los gráficos de espagueti (spaghetti plots) son especialmente reveladores. En estos gráficos, cada participante se representa como una línea que conecta sus puntos de datos a lo largo del tiempo. Esto permite ver no solo la tendencia media del grupo, sino también la variabilidad entre participantes en la forma y la dirección del cambio. Es común descubrir en un gráfico de espagueti que la media del grupo oculta patrones individuales muy diferentes: algunos participantes mejoran, otros empeoran, y otros se mantienen estables, pero la media sugiere un cambio moderado uniforme.
Para relaciones entre variables continuas, los gráficos de dispersión siguen siendo la mejor opción, pero se pueden enriquecer considerablemente. Añadir una línea de regresión con su banda de confianza permite visualizar la relación lineal y la incertidumbre asociada. Usar curvas suavizadas (LOESS o GAM) en lugar de líneas rectas permite detectar relaciones no lineales que un modelo lineal no capturaría. Y si tienes una variable categórica moderadora, colorear los puntos por grupo y ajustar líneas separadas permite visualizar interacciones de forma intuitiva.
Herramientas y recomendaciones prácticas
En cuanto a herramientas, ggplot2 en R es sin duda el estándar de referencia para la visualización de datos en investigación. Su lógica de gramática de gráficos (capas que se añaden con el operador +) es inicialmente poco intuitiva si vienes de Excel o SPSS, pero una vez que la entiendes, la flexibilidad que ofrece es incomparable. Para quienes prefieren una interfaz gráfica, JASP produce gráficos razonablemente buenos de forma automática, y jamovi tiene un módulo de visualización que genera gráficos de violín y raincloud sin necesidad de código.
Independientemente de la herramienta que uses, el principio fundamental es mostrar los datos, no solo los resúmenes. Cada vez más revistas y revisores esperan ver los datos individuales en los gráficos y que los resultados se presenten siguiendo las directrices de reportar resultados en formato APA 7, y algunas revistas ya exigen explícitamente que los gráficos de barras se acompañen de los puntos de datos o se sustituyan por alternativas más informativas. Para asegurarte de que tus estadísticos cumplen el formato, prueba nuestro formateador de resultados APA. Adoptar estas prácticas no solo mejora la comunicación de tus resultados, sino que también te obliga a mirar tus datos con más atención, lo que a menudo revela patrones que los análisis numéricos por sí solos no detectan.