SPSS en tu navegador, sin instalar nada y sin subir datos

Cómo funciona esta herramienta

El corazón es un motor estadístico client-side implementado en JavaScript puro, sin librerías externas. Esto significa que ningún dato llega a un servidor: ni tus CSV, ni los resultados, ni siquiera el nombre de tus variables. El cálculo se hace en tu máquina con algoritmos publicados y revisados hace décadas (Numerical Recipes 3ª edición, Press et al. 2007), y la única dependencia externa de la página es el bloque AdSense / Funding Choices, que se gestiona a nivel de dominio y no toca el contenido.

Para detectar el tipo de cada variable de tu CSV aplicamos un criterio directo: si más del 80 % de los valores no vacíos son parseables como números (aceptando coma decimal estilo español y punto decimal estilo inglés), la columna es numérica. Si no, se trata como categórica. El separador se autodetecta contando ocurrencias en la primera línea: admitimos coma, punto-y-coma, tabulador y barra vertical. Esto evita que tengas que preformatear el archivo antes de cargarlo.

El motor numérico

Hay tres distribuciones estadísticas implicadas en los contrastes que ejecuta la herramienta: t-Student, F de Snedecor y Chi-cuadrado. Para cada una calculamos la CDF (función de distribución acumulada) y derivamos los p-valores. Las tres se reducen a un único ladrillo: la función beta incompleta regularizada I_x(a, b).

Para la t-Student usamos la identidad exacta CDF(t, gl) = 1 − ½ · I_gl/(gl+t²)(gl/2, ½). Para la F, F-valor = 1 − I_{df2/(df2+df1·F)}(df2/2, df1/2). Para Chi², usamos la función gamma incompleta regularizada P(a, x) = γ(a,x)/Γ(a), también implementada in-line por series para x < a+1 y por continued-fraction (algoritmo de Lentz) para x ≥ a+1. El cálculo de la beta incompleta se hace por continued-fraction con tolerancia 10⁻¹² — más que suficiente para tests estadísticos donde lo que importa es la cuarta cifra significativa.

¿Por qué no usamos jStat, simple-statistics u otra librería popular? Porque pesan entre 30 y 100 KB comprimidas, y porque disponer del código a la vista (este repositorio es público) hace que la herramienta sea auditable. Cualquiera puede abrir app.js, copiar el módulo de estadística y compararlo con R, Stata o SPSS. La equivalencia numérica se mantiene en todos los casos prácticos (típicamente difieren en menos de 0.001 en p-valor).

Cómo usar la herramienta paso a paso

1. Prepara tu CSV. Una columna por variable, una fila por observación. La primera fila son los nombres. Codifica los grupos como «Control», «Tratamiento» o con números (1, 2). Comas, punto-y-comas y tabuladores son aceptados. Para abrir uno desde Excel: Archivo → Guardar como → CSV (separado por comas).
2. Arrastra el archivo a la zona superior o haz clic para seleccionarlo. También puedes pulsar «probar con dataset de ejemplo» — carga 60 observaciones simuladas con tres grupos y notas pre/post tratamiento, pensado para recorrer toda la GUI sin necesidad de datos propios.
3. Revisa la columna izquierda. Verás cuántas variables se detectaron, cuántas son numéricas y cuántas categóricas. Esto es importante: si una variable que debería ser numérica aparece como CAT, casi siempre es porque tiene celdas vacías o caracteres no numéricos (euros, porcentajes, comas decimales sin comillas).
4. Elige el contraste en la fila de pestañas. Para descriptivos basta con elegir la variable. Para ANOVA, marca la variable dependiente y el factor; opcionalmente elige post-hoc (Tukey HSD por aproximación F, o Bonferroni exacto). Para regresión, X (independiente) e Y (dependiente).
5. Ejecuta. El resultado aparece abajo, en el output viewer, con una pestaña nueva por análisis. Sobre cada tabla verás la decisión («significativo al 95%» o «no significativo») y, según el test, una interpretación contextualizada: η² para ANOVA, V de Cramér para chi², R² para regresión, IC95% para la pendiente en regresión lineal.
6. Exporta. Cada pestaña del output viewer tiene botones «Copiar», «Exportar CSV» y «Exportar JSON» que vuelcan la tabla a un archivo descargable. Si solo quieres mover el resultado a un informe, «Copiar» lo pone en el portapapeles con formato plano. La exportación es individual por análisis: cada pestaña es un documento separado.

Casos de uso prácticos, a fondo

Comparar dos métodos de medición. Tienes 50 pacientes. Para cada uno registraste la presión arterial sistólica medida con dos esfigmógrafos (viejo / nuevo). Quieres saber si el nuevo da lecturas sistemáticamente más altas o más bajas. Cargas el CSV (columnas: paciente, esfigmo_viejo, esfigmo_nuevo), vas a la pestaña t-test → «Pareadas», metes las dos variables y ejecutas. p < 0.05 → diferencia sistemática. La diferencia media y su IC95% te dicen cuánto. Si la distribución de las diferencias parece muy asimétrica, repite con Wilcoxon signed-rank (pestaña «No param.» → «Wilcoxon (pareadas)»).

¿Influye el programa educativo en el rendimiento? Tres grupos (A, B, C), notas finales de 90 alumnos. Pestaña ANOVA, variable dependiente = nota, factor = programa. Obtienes F, p y η² (proporción de varianza explicada por el programa). Si p < 0.05, hay diferencia entre al menos dos programas; elige post-hoc Tukey HSD o Bonferroni para saber entre cuáles. Tukey es ligeramente más potente cuando k es pequeño; Bonferroni es más robusto cuando k ≥ 5.

Asociación entre hábito y enfermedad. Fumas sí/no × enfermedad sí/no, en 200 sujetos. Pestaña Chi² → «Independencia», fila = fumador, columna = enfermedad. χ², gl, p y V de Cramér (medida del tamaño de efecto). Si p < 0.05 y V ≥ 0.3 → asociación moderada; ≥ 0.5 → fuerte. Antes de chi² verifica que ninguna frecuencia esperada es menor que 5 (la tabla lo muestra en detalle); si lo es, considera fusionar categorías.

Normalidad de los residuos. Vas a hacer una regresión lineal pero los residuos podrían no ser normales. Pestaña «Normalidad» → Shapiro-Wilk sobre la variable. Si p < 0.05, rechazas normalidad; el Q-Q plot («Visualizar») te ayuda a ver cuánto se desvía. Para tamaños muestrales grandes (N > 5000) Shapiro-Wilk se vuelve muy conservador: una alternativa informal es inspeccionar el histograma y el Q-Q plot.

Para ventas en función de inversión publicitaria. 50 meses con X = inversión en miles de euros, Y = ventas en miles. Pestaña Regresión: la herramienta dibuja además el scatter con la recta superpuesta, devolviendo la ecuación y = a + b·x, R², IC95% de la pendiente, F del modelo y p-valor. Con el IC95% decides si la pendiente es positiva con confianza o no.

Consejos y trucos

• CSV con BOM UTF-8: si tu CSV se exportó desde Excel con caracteres especiales (tildes, eñes) y la primera columna aparece como «\ufeffid», ábrelo en el Bloc de notas, «Guardar como» → Codificación UTF-8 sin BOM, y vuelve a importarlo. Alternativamente, nuestro parser ignora el BOM en la primera fila, así que debería funcionar directamente.
• Coma decimal español: si tu CSV tiene números como «12,5» en lugar de «12.5», el parser los convierte automáticamente. La detección funciona fila a fila.
• Variables ordinales: si tienes una variable con jerarquía explícita (p. ej. «Bajo», «Medio», «Alto») y quieres mantener ese orden, ordénala en el CSV con el orden deseado. La herramienta la trata como categórica pero respeta el orden lexicográfico al mostrar.
• Welch vs Student: para muestras independientes usa Welch siempre que tengas varianzas desiguales o tamaños muy desbalanceados. La diferencia con Student es notable sobre todo con n < 30 por grupo. Welch mantiene el error de tipo I cerca del 5% nominal (Ruxton 2006).
• Bonferroni vs Tukey: Bonferroni corrige multiplicando p × m (m = k(k−1)/2 comparaciones) y es exacto pero conservador. Tukey HSD controla mejor la FWER (tasa de error familiar) en diseños balanceados; aquí usamos una aproximación F conservadora. Para máxima precisión exacta usa R con TukeyHSD().
• Output viewer persistente: ejecuta varios análisis en paralelo y compáralos tab a tab sin perder la sesión. El botón «Resumen sesión» abre una pestaña con todos los títulos y p-valores en una sola tabla.
• Export JSON: si quieres conectar el resultado con otra herramienta o procesarlo en Python/R, exporta JSON — incluye los valores numéricos sin redondear.

Limitaciones y consideraciones

• Tests incluidos: descriptivos, t-test (1 muestra, independientes Welch, pareadas), ANOVA one-way con post-hoc Tukey (aproximación F) y Bonferroni, chi² (independencia, bondad de ajuste), correlación Pearson y Spearman, regresión lineal simple, Mann-Whitney U, Wilcoxon signed-rank, Shapiro-Wilk. No incluidos: ANOVA de medidas repetidas, ANOVA factorial 2-way, ANCOVA, MANOVA, modelos lineales generalizados, regresión logística o múltiple, análisis factorial, componentes principales (PCA), análisis de supervivencia (Kaplan-Meier, Cox), Kruskal-Wallis, Friedman, tamaños muestrales ni meta-análisis. Si los necesitas, mira JASP desktop, jamovi desktop o R.
• Tamaño máximo CSV: 50.000 filas × 50 columnas (target). Si superas eso, la herramienta sigue funcionando pero puede tardar > 2s en algunos análisis. Por encima de 500.000 filas conviene pre-filtrar el CSV.
• Tipos de variable soportados: numérica (enteros, decimales con . o ,), categórica (strings, números discretos con cardinalidad ≤ 20). Las fechas NO se soportan: aparecen como categóricas o no parseables.
• Asumimos independencia de observaciones en cada fila. Datos jerárquicos, longitudinales o con medidas repetidas requieren técnicas específicas (mixed models) que esta versión no cubre.
• Tamaño de efecto incluido: η² para ANOVA, V de Cramér para chi², r y R² para regresión, ρ para Spearman. No calculamos d de Cohen, g de Hedges ni AUC — derivables trivialmente desde medias y sd si los necesitas.
• Tukey HSD usa aproximación F: la implementación exacta de la distribución studentized range requiere doble integración numérica costosa. Usamos la aproximación F = q²/2 con df = (k-1, df_within), que es conservadora (p-valores ligeramente más altos que el Tukey exacto). Para el Tukey exacto usa R con TukeyHSD(aov(...)) o scipy.stats.tukey_hsd.
• Shapiro-Wilk solo N=3..5000: por debajo de 3 no hay varianza; por encima de 5000 Shapiro-Wilk se vuelve demasiado conservador y rechaza casi cualquier desviación menor. Para muestras grandes, evalúa normalidad con Q-Q plot + histograma en lugar del test formal.
• Mann-Whitney / Wilcoxon con aproximación normal: para muestras pequeñas (< 8 por grupo) la aproximación puede ser inexacta; el p-valor exacto requiere tablas de distribución U, no implementadas en esta versión. Para n grande, la aproximación es exacta.
• Cramér V sin corrección de Bergsma: la versión sesgada hacia arriba (sin corrección) es la reportada por defecto. Para tablas 2×2 con N pequeño la corrección marca la diferencia; en general 2×2 suele usar phi directamente.
• Sin manejo de pesos muestrales, datos censurados ni surveys complejos. Para eso sigue mandando Stata, R o SPSS.
• Idioma de la UI: español de España. El contenido largo tiene glosario bilingüe ES/EN para SEO. No hay toggle de idioma en la UI en esta versión (mismo idioma que la home).

Glosario bilingüe ES/EN

p-valor / p-value: probabilidad de obtener un resultado igual o más extremo que el observado, asumiendo que la hipótesis nula es cierta. Por debajo de 0.05 se considera evidencia para rechazar la hipótesis nula al 95% de confianza.

gl (grados de libertad) / df (degrees of freedom): cuántos valores de tu muestra son libres de variar una vez que conoces los estadísticos agregados. Cada test tiene una fórmula concreta (n−1, n−2, df1, df2…).

η² (eta cuadrado) / eta squared: proporción de varianza total explicada por el factor en un ANOVA. 0.01 pequeño, 0.06 medio, 0.14 grande (regla de Cohen).

V de Cramér / Cramér's V: tamaño de efecto para chi², análogo al coeficiente de correlación. 0 a 0.1 trivial, 0.1 a 0.3 pequeño, 0.3 a 0.5 medio, ≥ 0.5 grande.

R² / R-squared: proporción de varianza de Y explicada por X en regresión lineal. 0 a 1. R² ajustado penaliza por añadir predictores irrelevantes.

Welch / Welch's t-test: variante del t-test que no asume varianzas iguales en los dos grupos. Es la elección por defecto en literatura reciente y la que usa esta herramienta para t-test independientes.

Bonferroni / Bonferroni correction: corrección conservadora para comparaciones múltiples: p_adj = min(1, p × m) donde m = número de contrastes. Simple y robusta.

Tukey HSD / Tukey's Honestly Significant Difference: procedimiento post-hoc tras ANOVA que controla la tasa de error familiar (FWER). Conservador para k grande, más potente que Bonferroni en diseños balanceados.

Mann-Whitney U / Mann-Whitney U test: alternativa no paramétrica al t-test para dos grupos independientes. Compara rangos, no medias.

Wilcoxon signed-rank / Wilcoxon signed-rank test: alternativa no paramétrica al t-test pareado. Compara rangos de las diferencias.

Shapiro-Wilk / Shapiro-Wilk test: test de normalidad con buen poder estadístico para N entre 3 y 5000. H₀: la muestra proviene de una distribución normal.

Si necesitas un test que esta herramienta no cubre, o quieres extenderla a regresión múltiple, modelos no paramétricos o modelos mixtos, mira JASP desktop (gratis, GUI moderna, SPSS-like) o R + RStudio (gratis, máxima flexibilidad).