Un <em>η</em>² de .14 es una <em>f</em> de Cohen de <strong>.40</strong>, y la casilla de G*Power quiere la segunda. Si tecleas ahí el .14, te pedirá 495 participantes para lo que se hace con 66. La conversión es una raíz cuadrada; lo que hay que mirar de verdad es qué eta estás metiendo.
f = √( η² / (1 − η²) ) · vuelta atrás: η² = f² / (1 + f²)
La f de Cohen se define como la desviación típica de las medias de los grupos partida por la desviación típica dentro de los grupos. El eta cuadrado es la varianza entre grupos partida por la varianza total, que es la de entre más la de dentro. Escribe la segunda, despeja y aparece la primera: f² = η²/(1 − η²). No sobra ningún término, no se añade ningún supuesto distribucional, y la vuelta atrás es igual de exacta.
Lo delicado no está en el álgebra, está en la primera casilla. La identidad describe la relación entre la varianza del efecto y la varianza que queda fuera de él. Si el eta que metes es el simple, «lo que queda fuera» es todo lo demás y la f resultante es exactamente la que G*Power espera. Si es un parcial de un diseño con más de un factor, del denominador ya se han descontado los otros efectos, y la f hereda ese descuento sin decírtelo.
Ése es el supuesto que aceptas al convertir un parcial: que en el estudio que planificas vas a tener controlados esos mismos factores, con la misma medición y la misma limpieza. A veces es cierto, porque replicas el diseño entero. Cuando lo que planificas es un experimento de una vía usando el parcial de un factorial ajeno, no lo es, y la muestra sale corta de forma sistemática.
El simple (η²) divide la varianza del efecto entre la varianza total. El parcial (η²p) la divide entre la del efecto más la de su error, con la de los demás factores ya fuera del denominador. El generalizado (η²G) usa un denominador que cambia según qué variables se manipularon y cuáles solo se midieron; con esta fórmula no se convierte.
Y aquí está la trampa que más cuesta: SPSS etiqueta «parcial» hasta en un ANOVA de una vía, donde los dos coinciden. En cuanto hay dos factores dejan de coincidir, y el parcial es siempre el mayor. Convertir un η²p de .14 cuyo eta simple sobre el total es .05 planifica 66 participantes donde hacían falta 189.
Si el artículo del que sacas la cifra no dice cuál es, mira si el diseño tenía más de un factor. Con uno solo da igual; con dos o más, no.
Cohen dio .10, .25 y .40 para la f, y .01, .06 y .14 para el eta cuadrado. Parecen dos convenciones distintas y son la misma pasada por esta fórmula: f = .10 corresponde a η² = .0099; f = .25, a η² = .0588; f = .40, a η² = .1379. Redondeados: .01, .06 y .14. La conversión no puede moverte de tramo, porque la función es creciente y los cortes están en los mismos sitios.
Lo que sí cambia con la escala es el tamaño de muestra, que se calcula sobre la f. En un ANOVA de tres grupos con α = .05 y potencia .80, una f de .10 pide 969 participantes, una de .25 pide 159 y una de .40 pide 66. Entre el efecto pequeño y el grande hay un factor de quince en coste de campo.
El fallo que sí desplaza el tramo es aplicar los umbrales del eta simple a un parcial. Un η²p de .14 en un diseño con tres factores puede corresponder a un eta simple de .04 sobre la varianza total, y llamarlo «grande» en la discusión es una decisión de redacción, no un dato.
En diseños intrasujeto, la pantalla «Repeated measures, within factors» pide tres cosas más aparte de la f: el número de medidas, la correlación media entre ellas y el épsilon de no esfericidad. La correlación empuja mucho: con las mismas personas medidas varias veces, la varianza entre individuos sale del error y el mismo efecto se detecta con bastantes menos sujetos.
Y ahí está el problema. Por defecto G*Power entiende que tu f está calculada sobre la desviación típica total y aplica él la corrección por la correlación. El η²p que imprime SPSS en un ANOVA de medidas repetidas ya está calculado sobre el término de error de ese análisis, o sea con la corrección dentro. Si conviertes ese η²p y no marcas «as in SPSS» en Options, la corrección entra dos veces y la N que te devuelve es optimista.
El épsilon también cuenta y casi nadie lo mueve de 1. Si tu Greenhouse-Geisser va a rondar .70, dejarlo en 1 planifica un estudio con más potencia de la que vas a tener. Es el hábito de siempre —quedarse con la cifra amable del artículo previo— y en medidas repetidas se paga dos veces.
Las trece conversiones entre tamaños del efecto, agrupadas por para qué sirve cada una, están en el índice.
Si la usas en tu tesis o en un artículo, cítala: así quien lea tu Método sabe con qué se hizo el cálculo.
Ciudad-Fernández, V. (2026). Conversor de eta cuadrado a f de Cohen [Aplicación web]. Ciudad Science. Recuperado el 14 de octubre de 2026, de https://analisisdedatospsicologia.com/convierte/eta-cuadrado-a-f-de-cohen
Para tu apartado de Método: La eta cuadrado se convirtió en la f de Cohen, con el Conversor de eta cuadrado a f de Cohen de Ciudad Science (Ciudad-Fernández, 2026).
@misc{ciudadfernandez2026convetacuadradoafdecohen,
author = {Ciudad-Fern{\'a}ndez, V{\'i}ctor},
title = {{Conversor de eta cuadrado a f de Cohen}},
year = {2026},
publisher = {Ciudad Science},
howpublished = {Aplicación web},
url = {https://analisisdedatospsicologia.com/convierte/eta-cuadrado-a-f-de-cohen},
urldate = {2026-10-14},
note = {Consultado el 2026-10-14},
}La aritmética es la misma y el número sale. Lo que cambia es qué significa: la f resultante compara el efecto contra un error del que ya se han quitado los demás factores. Si vas a replicar ese mismo diseño, sirve tal cual. Si planificas uno más simple, sobrestima la potencia y te quedas corto de muestra.
Se convierte igual, f = √(ω²/(1 − ω²)), y suele ser mejor idea. El eta cuadrado está sesgado al alza en muestras pequeñas y el omega corrige ese sesgo, así que la f que sale es algo menor y el estudio que planificas, algo más grande. Para potencia, pasarse por arriba es el error barato.
Con esta fórmula no. El η²G cambia el denominador según qué variables se manipularon y cuáles solo se midieron, así que la relación con la f de Cohen ya no es la de arriba. Si tu fuente da un η²G, o buscas el simple en el mismo artículo o planificas con otra vía.
η² = f²/(1 + f²). Sirve para leer en escala de varianza explicada un efecto que un artículo de potencia dio en f, que es lo habitual en las secciones de cálculo de muestra.