| Marco unificado de estrategias para justificar tamaños de muestra | ||||
|---|---|---|---|---|
| Resumen práctico para estudios cuantitativos, cualitativos y mixtos | ||||
| Estrategia | Descripción | Cuándo usarla | Cómo justificar | Referencia / Fuente |
| Cuantitativo | ||||
| Poder estadístico (análisis a priori) | Determinar el tamaño necesario para alcanzar un poder (p. ej., 80%) dado un tamaño de efecto esperado y α. | Estudios confirmatorios; pruebas de hipótesis clásicas. | Reportar cálculo con parámetros (α, poder, tamaño de efecto) y el software utilizado. | (Cohen, 1992; Lakens, 2022; Leongómez, 2020a, 2020b) |
| Precisión de estimaciones | Elegir el tamaño que logra un margen de error e intervalo de confianza deseados para el parámetro. | Encuestas y estudios descriptivos; estimación de medias/proporciones. | Justificar el ancho del intervalo de confianza objetivo y mostrar el tamaño que lo alcanza. | (Lakens, 2022) |
| Pruebas secuenciales / diseños adaptativos | Planificar reglas de detención (futility/eficacia) para evitar tamaños fijos cuando la evidencia sea suficiente. | Datos costosos o difíciles de obtener; interés en eficiencia. | Describir el plan secuencial y los límites de detención preespecificados. | (Lakens, 2022; Pocock, 1977) |
| Coste–beneficio y recursos disponibles | Ajustar el tamaño a restricciones prácticas (tiempo, presupuesto, acceso a participantes) manteniendo la validez. | Pilotos; investigación aplicada con recursos limitados. | Explicar restricciones y cómo se optimizó el tamaño sin comprometer el objetivo principal. | (Bacchetti et al., 2005; Lakens, 2022) |
| Mínimo Tamaño de Efecto de Interés (SESOI) | Definir el efecto más pequeño de interés y dimensionar para detectarlo con poder suficiente. | Ensayos clínicos; estudios aplicados con implicaciones prácticas. | Declarar y justificar el SESOI; dimensionar para detectarlo (o probar equivalencia). | (Lakens et al., 2018) |
| Evidencia previa y comparabilidad | Elegir tamaños comparables a estudios previos para facilitar síntesis e interpretación conjunta. | Replicaciones; series de estudios comparativos. | Citar trabajos previos y justificar la comparabilidad del tamaño. | (Button et al., 2013; Lakens, 2022) |
| Cualitativo / Mixto | ||||
| Saturación teórica o de datos | Continuar hasta que no emerjan nuevos temas/códigos/categorías relevantes. | Exploratorios; teoría fundamentada; análisis temático. | Describir evaluación iterativa de saturación y criterios de cierre. | (Guest et al., 2006; Hennink & Kaiser, 2021; Saunders et al., 2018; Wutich et al., 2024) |
| Diversidad y representatividad de perspectivas | Incluir voces/experiencias diversas (género, edad, rol, territorio, etc.). | Múltiples subgrupos o actores clave. | Especificar cuotas por subgrupo y cómo garantizan diversidad suficiente. | (Patton, 2015; Zabala & Pascual, 2016) |
| Muestreo intencional guiado por la comunidad | Selección deliberada basada en acuerdos y criterios de relevancia local. | Investigación participativa; estudios comunitarios. | Explicar cómo los casos críticos fueron identificados por la comunidad. | (Hearn et al., 2022; Israel et al., 2013; Pelletier et al., 2020) |
| Viabilidad y compromisos éticos | Dimensionar evitando sobrecarga y protegiendo bienestar/privacidad, según acuerdos locales. | Contextos con comunidades vulnerables o recursos limitados. | Indicar límites consensuados y principios éticos que los sustentan. | (Farrugia, 2019; Robinson, 2014; Taquette & Matta Souza, 2022; World Health Organization, 2021) |
| Complementariedad en diseños mixtos | Integrar criterios cuanti y cuali para responder la misma pregunta desde lógicas distintas. | Diseños mixtos (cuanti–cuali). | Mostrar cómo cada parte sigue criterios adecuados (poder/saturación/diversidad). | (Creswell & Plano Clark, 2018; Javdani et al., 2023; Teddlie & Yu, 2016) |
| Justificación narrativa basada en propósito | Dimensionar según la profundidad y el propósito analítico más que por un número fijo. | Casos únicos; análisis narrativo; etnografía. | Explicar cómo el número permite comprensión rica y suficiente del fenómeno. | (Flowerree, 2023; Imaz-Sheinbaum, 2021; Maxwell, 2013) |
Just-N Framework: Marco unificado para justificar tamaños de muestra en estudios cuantitativos, cualitativos, o mixtos
Última actualización: 24 de agosto de 2025 — Versión v1.2
Introducción
Este documento resume y unifica estrategias cuantitativas y cualitativas/mixtas para justificar tamaños de muestra, integrando el marco de Lakens (2022) para la parte cuantitativa con criterios ampliamente usados en investigación cualitativa y trabajo comunitario.
No pretende ser una revisión exhaustiva de todas las fuentes disponibles, sino destacar referencias de particular relevancia que puedan orientar a las y los investigadores a decidir, aplicar y justificar la estrategia más adecuada según el tipo de estudio y sus objetivos.
En todos los casos, este marco enfatiza que lo fundamental es la transparencia metodológica: incluso cuando no sea posible aplicar una justificación sólida, declarar cómo se decidió el tamaño de muestra sigue siendo esencial.
Tabla Unificada
Otras justificaciones posibles
Lakens (2022) también describe justificaciones menos comunes, como medir a la población entera, o menos deseables, como limitarse por recursos (lo que suele ser comprensible en muchos contextos), o incluso usar reglas heurísticas o no contar con una justificación formal.
Aunque no se recomiendan como prácticas estándar, es importante promover la transparencia: incluso cuando un tamaño de muestra se define solo por reglas generales o carece de justificación, hacerlo explícito ayuda a que lectores y revisores comprendan las decisiones tomadas y sus implicaciones. Como enfatiza Lakens (2022): “It should not be surprising that the ‘heuristics’ and ‘no justification’ approaches are often unlikely to impress peers” —[“No debería sorprender que los enfoques de ‘heurísticas’ y ‘sin justificación’ difícilmente impresionen a sus pares académicos”].
Ninguna opción sustituye la necesidad de argumentar de forma transparente cómo se tomó la decisión sobre el tamaño de muestra.
Uso sugerido en proyectos
La decisión sobre el tamaño de muestra o la estrategia de selección debe tomarse a priori, antes de recolectar datos, y basarse en consideraciones teóricas o metodológicas claras. Dependiendo del tipo de investigación, puede justificarse mediante distintas estrategias:
En estudios cuantitativos, lo más recomendable, por lo general, es justificar el tamaño de muestra a partir del poder estadístico y/o de la precisión de las estimaciones (Lakens, 2022; Bacchetti et al., 2005; Bonett, 2002; Button et al., 2013; ver también Cohen, 1992; Lakens et al., 2018; Pocock, 1977). En el caso del poder estadístico, esto requiere estimar un tamaño de efecto esperado (Leongómez, 2020a, 2020b). Algunas estrategias habituales son problemáticas: por ejemplo, basarse en los estándares genéricos de Cohen (efectos “pequeños”, “medios” o “grandes”) (Correll et al., 2020) o usar el tamaño de efecto de un único estudio previo o de un estudio piloto (Albers & Lakens, 2018). Una alternativa más sólida es considerar la distribución de tamaños de efecto en un campo (Quintana, 2017), aunque lo ideal es definir explícitamente un Mínimo Tamaño de Efecto de Interés (SESOI) (Lakens et al., 2018), o, en su defecto, justificar un efecto hipotetizado a partir de la teoría.
En estudios cualitativos, la muestra se justifica principalmente mediante la saturación teórica o de datos, la diversidad de perspectivas y el muestreo intencional guiado por la comunidad (Flowerree, 2023; Guest et al., 2006; Hearn et al., 2022; Hennink & Kaiser, 2021; Imaz-Sheinbaum, 2021; Israel et al., 2013; Maxwell, 2013; Patton, 2015; Pelletier et al., 2020; Saunders et al., 2018; Wutich et al., 2024; Zabala & Pascual, 2016), con límites definidos por la viabilidad y los compromisos éticos acordados localmente (Farrugia, 2019; Robinson, 2014; Taquette & Matta Souza, 2022; World Health Organization, 2021).
En diseños mixtos, se integran criterios complementarios para garantizar tanto validez estadística como profundidad contextual, articulando poder y precisión con saturación, diversidad y justificación narrativa basada en propósito (Creswell & Plano Clark, 2018; Javdani et al., 2023; Teddlie & Yu, 2016).
Finalmente, si el tamaño de muestra se determinó por limitaciones prácticas o carece de una justificación clara, es fundamental comunicarlo de forma honesta. La transparencia, incluso en estas circunstancias, permite evaluar con realismo el alcance y las limitaciones del estudio (Lakens, 2022).
Documento vivo
Este es un documento vivo que puede ser actualizado o refinado con el tiempo.
Si encuentras errores, tienes bibliografía pertinente o cualquier sugerencia de mejora, por favor escríbeme a jleongomez@unbosque.edu.co.
Cómo citar
Si utilizas Just-N Framework en tu trabajo, por favor cítalo así:
Leongómez, J. D. (2025). Just-N Framework: Marco unificado para justificar tamaños de muestra en estudios cuantitativos, cualitativos y mixtos (v1.2). Zenodo. https://doi.org/10.5281/zenodo.16934469
Referencias
Albers, C., & Lakens, D. (2018). When Power Analyses Based on Pilot Data Are Biased: Inaccurate Effect Size Estimators and Follow-up Bias. Journal of Experimental Social Psychology, 74, 187-195. https://doi.org/10.1016/j.jesp.2017.09.004
Bacchetti, P., Wolf, L. E., Segal, M. R., & McCulloch, C. E. (2005). Ethics and sample size. American Journal of Epidemiology, 161(2), 105-110. https://doi.org/10.1093/aje/kwi014
Bonett, D. G. (2002). Sample size requirements for estimating intraclass correlations with desired precision. Statistics in Medicine, 21(9), 1331-1335. https://doi.org/10.1002/sim.1108
Cohen, J. (1992). A power primer. En Psychological Bulletin (Vol. 112, pp. 155-159). https://doi.org/10.1037/0033-2909.112.1.155
Correll, J., Mellinger, C., McClelland, G. H., & Judd, C. M. (2020). Avoid Cohen’s «Small», «Medium», and «Large» for Power Analysis. Trends in Cognitive Sciences, 24(3), 200-207. https://doi.org/10.1016/j.tics.2019.12.009
Creswell, J. W., & Plano Clark, V. L. (2018). Designing and Conducting Mixed Methods Research (3rd ed.). SAGE Publications. https://us.sagepub.com/en-us/nam/designing-and-conducting-mixed-methods-research/book241842
Farrugia, B. (2019). WASP (write a scientific paper): Sampling in qualitative research. Early human development, 133, 69-71. https://doi.org/10.1016/j.earlhumdev.2019.03.016
Flowerree, A. K. (2023). Reasoning Through Narrative. Episteme, 20, 912-926. https://doi.org/10.1017/epi.2024.8
Guest, G., Bunce, A., & Johnson, L. (2006). How many interviews are enough? An experiment with data saturation and variability. Field Methods, 18(1), 59-82. https://doi.org/10.1177/1525822X05279903
Hearn, F., Biggs, L. J., Brown, S., Tran, L., Shwe, S., Noe, T., Toke, S., Alias, M. A., Essa, M., Hydari, S., Szwarc, J., & Riggs, E. (2022). Having a Say in Research Directions: The Role of Community Researchers in Participatory Research with Communities of Refugee and Migrant Background. International Journal of Environmental Research and Public Health, 19. https://doi.org/10.3390/ijerph19084844
Hennink, M., & Kaiser, B. (2021). Sample sizes for saturation in qualitative research: A systematic review of empirical tests. Social science & medicine, 114523. https://doi.org/10.1016/j.socscimed.2021.114523
Imaz-Sheinbaum, M. (2021). PRINCIPLES OF NARRATIVE REASON. History and Theory, 60, 249-270. https://doi.org/10.1111/HITH.12205
Israel, B. A., Eng, E., Schulz, A. J., & Parker, E. A. (2013). Methods for Community-Based Participatory Research for Health (2nd ed.). Jossey-Bass/Wiley. https://www.wiley.com/en-us/Methods+for+Community-Based+Participatory+Research+for+Health%2C+2nd+Edition-p-9781118021866
Javdani, S., Larsen, S. E., Allen, N. E., Blackburn, A. M., Griffin, B., & Rieger, A. (2023). Mixed methods in community psychology: A values-forward synthesis. American journal of community psychology. https://doi.org/10.1002/ajcp.12703
Lakens, D. (2022). Sample Size Justification. Collabra: Psychology, 8(1), 33267. https://doi.org/10.1525/collabra.33267
Lakens, D., Scheel, A. M., & Isager, P. M. (2018). Equivalence testing for psychological research: A tutorial. Advances in Methods and Practices in Psychological Science, 1(2), 259-269. https://doi.org/10.1177/2515245918770963
Leongómez, J. D. (2020a). Poder estadístico y tamaño de muestra en R [Statistical power and sample size calculation in R]. [Video series]; YouTube: Investigación Abierta. https://www.youtube.com/playlist?list=PLHk7UNt35ccVdyHqnQ6oXVYA6JBNFrE1x
Leongómez, J. D. (2020b). Análisis de Poder Estadístico y Cálculo de Tamaño de Muestra En R: Guía Práctica. Zenodo. https://doi.org/10.5281/zenodo.3988776
Maxwell, J. A. (2013). Qualitative Research Design: An Interactive Approach (3rd ed.). SAGE Publications. https://us.sagepub.com/en-us/nam/qualitative-research-design/book234502
Patton, M. Q. (2015). Qualitative Research & Evaluation Methods (4th ed.). SAGE Publications. https://us.sagepub.com/en-us/nam/qualitative-research-evaluation-methods/book232962
Pelletier, C., Pousette, A., Ward, K., & Fox, G. (2020). Exploring the perspectives of community members as research partners in rural and remote areas. Research Involvement and Engagement, 6. https://doi.org/10.1186/s40900-020-0179-6
Pocock, S. J. (1977). Group sequential methods in the design and analysis of clinical trials. Biometrika, 64(2), 191-199. https://doi.org/10.1093/biomet/64.2.191
Quintana, D. S. (2017). Statistical Considerations for Reporting and Planning Heart Rate Variability Case-Control Studies. Psychophysiology, 54(3), 344-349. https://doi.org/10.1111/psyp.12798
Robinson, O. (2014). Sampling in Interview-Based Qualitative Research: A Theoretical and Practical Guide. Qualitative Research in Psychology, 11, 25-41. https://doi.org/10.1080/14780887.2013.801543
Saunders, B., Sim, J., Kingstone, T., Baker, S., Waterfield, J., Bartlam, B., Burroughs, H., & Jinks, C. (2018). Saturation in qualitative research: exploring its conceptualization and operationalization. Quality & Quantity, 52(4), 1893-1907. https://doi.org/10.1007/s11135-017-0574-8
Taquette, S., & Matta Souza, L. M. B. da. (2022). Ethical Dilemmas in Qualitative Research: A Critical Literature Review. International Journal of Qualitative Methods, 21. https://doi.org/10.1177/16094069221078731
Teddlie, C., & Yu, F. (2016). Mixed Methods Sampling A Typology With Examples. Journal of Mixed Methods Research, 1, 77-100. https://doi.org/10.1177/2345678906292430
World Health Organization. (2021). Ethics and safety in participatory research: WHO guidance. https://www.who.int/teams/health-ethics-governance
Wutich, A., Beresford, M., Bernard, H., & Id, O. (2024). Sample Sizes for 10 Types of Qualitative Data Analysis: An Integrative Review, Empirical Guidance, and Next Steps. International Journal of Qualitative Methods, 23. https://doi.org/10.1177/16094069241296206
Zabala, A., & Pascual, U. (2016). Bootstrapping Q Methodology to Improve the Understanding of Human Perspectives. PLoS ONE, 11. https://doi.org/10.1371/journal.pone.0148087