<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Replicación | Arturo Chian</title><link>https://main--arturochian.netlify.app/tags/replicacion/</link><atom:link href="https://main--arturochian.netlify.app/tags/replicacion/index.xml" rel="self" type="application/rss+xml"/><description>Replicación</description><generator>Hugo Blox Builder (https://hugoblox.com)</generator><language>en-us</language><lastBuildDate>Sun, 15 Nov 2026 00:00:00 +0000</lastBuildDate><image><url>https://main--arturochian.netlify.app/media/icon_hu2c0d45357a8b946d811db1a438f5ff34_22632_512x512_fill_lanczos_center_3.png</url><title>Replicación</title><link>https://main--arturochian.netlify.app/tags/replicacion/</link></image><item><title>¿El acantilado de cristal? Lógica económica, estadística y los pecados de la ciencia tras la salida de Jensen Huang</title><link>https://main--arturochian.netlify.app/post/2026-11-p2/</link><pubDate>Sun, 15 Nov 2026 00:00:00 +0000</pubDate><guid>https://main--arturochian.netlify.app/post/2026-11-p2/</guid><description>&lt;p>La reciente renuncia de Jensen Huang a la dirección ejecutiva de NVIDIA y el nombramiento de Colette Kress (su &lt;em>CFO&lt;/em> desde 2013) como CEO interina sacudieron al mercado tecnológico. Casi de inmediato, en redes sociales y columnas de opinión resurgió una vieja tesis sociológica: que el directorio habría colocado a una mujer al mando en medio de la tormenta solo para que fracase.&lt;/p>
&lt;p>En la literatura académica, a esta hipótesis se la conoce como el &lt;em>Glass Cliff&lt;/em> o &amp;ldquo;acantilado de cristal&amp;rdquo;. La historia suena persuasiva, encaja en un molde narrativo cómodo y se viraliza con facilidad.&lt;/p>
&lt;p>Sin embargo, cuando uno la examina con calma desde dos frentes (la lógica elemental de los incentivos económicos y, sobre todo, el rigor entre la estadística y la epistemología científica), el relato empieza a hacer agua por todas partes.&lt;/p>
&lt;p>Como alguien que investiga y enseña metodología de la investigación, este caso me parece un ejemplo de libro para mis alumnos de tesis sobre cómo una idea débil en evidencia puede convertirse en &amp;ldquo;verdad aceptada&amp;rdquo; cuando se ignoran los fundamentos del método científico.&lt;/p>
&lt;h2 id="primero-lo-básico-un-directorio-querría-perder-dinero-a-propósito">Primero lo básico: ¿un directorio querría perder dinero a propósito?&lt;/h2>
&lt;p>La tesis del &lt;em>Glass Cliff&lt;/em> sugiere que las empresas en crisis nombran deliberadamente a mujeres en la alta dirección para usarlas como chivos expiatorios ante un fracaso inevitable. Pero detengámonos un segundo a pensar en el problema de agencia (&lt;em>principal-agent&lt;/em>).&lt;/p>
&lt;p>¿A quién responde un directorio (&lt;em>board&lt;/em>)? A los accionistas. El mandato fiduciario de los directores, su reputación profesional y buena parte de su propio patrimonio en acciones dependen de que la compañía sobreviva a la turbulencia y preserve su valor de mercado.&lt;/p>
&lt;p>Imaginar que un directorio conspira para elegir a alguien esperando que fracase equivale a suponer que los directores desean destruir miles de millones de dólares en capitalización bursátil de sus propios jefes. En una firma como NVIDIA, donde cada punto porcentual de caída representa decenas de miles de millones en valor, esa hipótesis roza lo absurdo.&lt;/p>
&lt;p>Designar interinamente a Colette Kress, quien ha liderado las finanzas de NVIDIA por más de una década, no es ninguna trampa: es la señal más racional de continuidad operativa que un &lt;em>board&lt;/em> puede enviarle al mercado tras una salida abrupta.&lt;/p>
&lt;p>Además, la economía ofrece una explicación mucho más sobria sin necesidad de invocar conspiraciones: la &lt;em>autoselección&lt;/em> por el lado de la oferta. Cuando una empresa atraviesa una crisis severa, los ejecutivos con mayor capital reputacional y redes consolidadas suelen rechazar el cargo para no manchar su historial.&lt;/p>
&lt;p>Para quienes históricamente han estado subrepresentados en la alta dirección, aceptar ese reto de alto riesgo puede representar la única puerta abierta para llegar a la cima. No es sabotaje corporativo; es un equilibrio de selección adversa en el mercado laboral ejecutivo.&lt;/p>
&lt;h2 id="el-verdadero-problema-la-tensión-entre-estadística-y-epistemología">El verdadero problema: la tensión entre estadística y epistemología&lt;/h2>
&lt;p>Pero supongamos que dejamos de lado la lógica económica y nos vamos directo a los datos. ¿Qué tan sólida es la evidencia científica que sostiene al &lt;em>Glass Cliff&lt;/em>?&lt;/p>
&lt;p>Aquí es donde el debate deja de ser financiero y se convierte en un problema clásico de &lt;strong>epistemología y estadística&lt;/strong>: cómo distinguimos un hallazgo real de un espejismo numérico.&lt;/p>
&lt;p>En mi investigación de postgrado en educación con mención en docencia universitaria, trabajé extensamente el marco de Chris Chambers (2017), quien identificó lo que llamó los &lt;em>Siete Pecados Académicos&lt;/em> en su libro &lt;em>The Seven Deadly Sins of Psychology&lt;/em>. Aunque Chambers partió observando a la psicología, estos pecados atraviesan toda la ciencia moderna (desde la medicina hasta la economía y la gestión empresarial) y explican por qué tantas teorías populares no resisten una auditoría metodológica.&lt;/p>
&lt;p>Veamos cómo operan exactamente estos pecados en el caso del &lt;em>Glass Cliff&lt;/em>.&lt;/p>
&lt;h3 id="1-el-pecado-de-la-falta-de-fiabilidad-bajo-poder-estadístico">1. El pecado de la falta de fiabilidad: bajo poder estadístico&lt;/h3>
&lt;p>El concepto del &lt;em>Glass Cliff&lt;/em> nació en 2005 con un &lt;em>paper&lt;/em> de Michelle Ryan y Alexander Haslam publicado en el &lt;em>British Journal of Management&lt;/em>, en respuesta a un artículo de &lt;em>The Times&lt;/em> que sugería que las empresas del índice FTSE 100 con mujeres en sus directorios tenían peor desempeño bursátil. Ryan y Haslam invirtieron la causalidad: dijeron que las empresas ya iban mal &lt;em>antes&lt;/em> de nombrarlas.&lt;/p>
&lt;p>El problema salta a la vista apenas abres la tabla de datos del estudio original. En todo el periodo analizado en el FTSE 100, el número de nombramientos femeninos fue de apenas $n = 19$, frente a más de un centenar de nombramientos masculinos.&lt;/p>
&lt;p>Cualquier estudiante de estadística sabe que inferir una ley estructural del comportamiento corporativo a partir de menos de veinte observaciones es caminar sobre hielo delgado. Cuando el tamaño muestral es tan pequeño, el &lt;strong>poder estadístico&lt;/strong> (la probabilidad real de detectar un efecto verdadero si este existe, denotada como $1 - \beta$) se desploma.&lt;/p>
&lt;p>¿Y qué ocurre en la ciencia cuando publicamos estudios con bajo poder estadístico? Dos tragedias metodológicas simultáneas: la varianza se dispara, volviendo los resultados extremadamente sensibles a uno o dos valores atípicos (&lt;em>outliers&lt;/em>), y cualquier efecto que por puro azar logra cruzar el umbral de significancia ($p &lt; 0.05$) aparece con una magnitud artificialmente inflada. Es el equivalente a lanzar una moneda diez veces, sacar siete caras y escribir un tratado sobre la asimetría física del metal.&lt;/p>
&lt;h3 id="2-el-pecado-de-la-flexibilidad-escondida-p-hacking-y-grados-de-libertad">2. El pecado de la flexibilidad escondida: &lt;em>p-hacking&lt;/em> y grados de libertad&lt;/h3>
&lt;p>El segundo pecado que todo tesista debe aprender a detectar es la flexibilidad analítica no declarada, conocida popularmente como &lt;em>p-hacking&lt;/em>.&lt;/p>
&lt;p>En ciencias sociales y finanzas, conceptos como &amp;ldquo;crisis empresarial&amp;rdquo; o &amp;ldquo;desempeño precario&amp;rdquo; no tienen una única definición universal. Esa ambigüedad le regala al investigador docenas de &amp;ldquo;grados de libertad&amp;rdquo;: puede medir la crisis por el retorno de la acción 3 meses antes del nombramiento, 6 meses antes o 12 meses antes; puede usar el retorno ajustado por riesgo, el &lt;em>ROA&lt;/em>, el &lt;em>ROE&lt;/em> o el flujo de caja operativo; puede incluir o excluir ciertos sectores.&lt;/p>
&lt;p>Si pruebas veinte combinaciones distintas hasta que una arroja un $p &lt; 0.05$ y solo reportas esa última en tu artículo, no estás haciendo ciencia confirmatoria: estás torturando los datos hasta que confiesen.&lt;/p>
&lt;p>En la literatura posterior sobre el &lt;em>Glass Cliff&lt;/em>, muchas veces apoyada en experimentos de laboratorio con estudiantes leyendo casos ficticios en lugar de analizar mercados reales, varios críticos han señalado precisamente esa fragilidad: el efecto aparece si mides el precio de la acción en una ventana específica de meses previos, pero desaparece por completo si utilizas métricas contables fundamentales como la rentabilidad sobre activos o el flujo de caja.&lt;/p>
&lt;h3 id="3-el-pecado-del-sesgo-harking-y-la-crisis-de-replicación">3. El pecado del sesgo (&lt;em>HARKing&lt;/em>) y la crisis de replicación&lt;/h3>
&lt;p>El tercer pecado conecta directamente con la epistemología popperiana: la diferencia entre &lt;strong>predicción&lt;/strong> y &lt;strong>postdicción&lt;/strong>.&lt;/p>
&lt;p>En ciencia seria, primero formulas una hipótesis falsable y luego recolectas o analizas los datos para ponerla a prueba. Cuando un investigador observa primero una correlación curiosa en una base de datos pequeña y luego redacta la hipótesis como si siempre hubiera esperado encontrarla, comete &lt;em>HARKing&lt;/em> (&lt;em>Hypothesizing After the Results are Known&lt;/em>).&lt;/p>
&lt;p>A esto se suma el &lt;em>file drawer effect&lt;/em> (el pecado de guardar en el cajón los resultados nulos): las revistas académicas y los medios premian las historias llamativas, no los estudios donde &amp;ldquo;no pasó nada&amp;rdquo;. Por eso, la literatura publicada suele estar sesgada hacia falsos positivos.&lt;/p>
&lt;p>La crisis de replicabilidad que sacudió a las ciencias sociales en la última década, documentada de forma demoledora por la &lt;em>Open Science Collaboration&lt;/em> (2015) en la revista &lt;em>Science&lt;/em> (donde entre el 50 % y el 66 % de los estudios replicados no lograron reproducir sus hallazgos originales), nos dejó una regla de oro: &lt;strong>un solo estudio nunca es evidencia definitiva; la prueba de fuego de la ciencia es la replicación independiente&lt;/strong>.&lt;/p>
&lt;p>¿Y qué pasó cuando otros investigadores replicaron el &lt;em>Glass Cliff&lt;/em> con muestras mucho más grandes y controles rigurosos?&lt;/p>
&lt;p>En 2009, Susan Adams, Atul Gupta y John Leeth replicaron la metodología en empresas estadounidenses durante un periodo mucho más amplio (1992–2004). El veredicto fue claro: no encontraron evidencia de que las mujeres fueran nombradas en momentos de peor desempeño financiero; de hecho, en algunos subperiodos ocurría lo contrario.&lt;/p>
&lt;p>Incluso el gran metaanálisis posterior de Morgenroth, Kirby y Ryan (2020) tuvo que reconocer que el fenómeno dista mucho de ser universal: es altamente heterogéneo, sensible a la definición de desempeño y dependiente de contextos muy específicos (aparece más en experimentos artificiales o crisis reputacionales que en crisis financieras reales).&lt;/p>
&lt;h2 id="qué-nos-deja-esto-para-quienes-hacemos-y-enseñamos-investigación">Qué nos deja esto para quienes hacemos (y enseñamos) investigación&lt;/h2>
&lt;p>Cuando comparto este tipo de casos con estudiantes que están por redactar su tesis, mi objetivo nunca es promover el cinismo, sino el escepticismo saludable.&lt;/p>
&lt;p>La estadística es una herramienta matemática extraordinaria, pero cuando se desconecta de la epistemología (de saber qué constituye una prueba válida, qué es el error muestral y cómo evitar el sesgo de confirmación), se convierte en una máquina de producir relatos sofisticados sobre ruido aleatorio.&lt;/p>
&lt;p>Hoy existen antídotos concretos contra estos pecados académicos dentro del movimiento de &lt;strong>Ciencia Abierta&lt;/strong>:&lt;/p>
&lt;ul>
&lt;li>&lt;strong>El prerregistro:&lt;/strong> Declarar públicamente tus hipótesis, tamaño muestral esperado y plan de análisis &lt;em>antes&lt;/em> de tocar los datos (Nosek et al., 2018), cerrando la puerta al &lt;em>p-hacking&lt;/em> y al &lt;em>HARKing&lt;/em>.&lt;/li>
&lt;li>&lt;strong>Flujos de trabajo reproducibles:&lt;/strong> Usar herramientas como &lt;em>WORCS&lt;/em> (Van Lissa et al., 2021) con control de versiones y código abierto para que cualquiera pueda auditar tus decisiones metodológicas, tus &lt;em>outliers&lt;/em> y tu muestra real.&lt;/li>
&lt;/ul>
&lt;p>Si un estudio sobre el mundo corporativo no resiste la replicación ni la lógica básica de los incentivos, el problema no está en la realidad de las empresas, sino en la fragilidad de la evidencia con la que intentamos explicarla.&lt;/p>
&lt;h2 id="conclusión-menos-relatos-virales-más-método-científico">Conclusión: menos relatos virales, más método científico&lt;/h2>
&lt;p>El caso de NVIDIA y Colette Kress nos recuerda lo rápido que el debate público adopta etiquetas académicas sin revisar la letra chica de los estudios que las originaron.&lt;/p>
&lt;p>El &lt;em>Glass Cliff&lt;/em> es un concepto sociológico popular, pero como hipótesis empírica sobre el comportamiento real de los directorios arrastra fallas metodológicas severas: nació de una muestra diminuta ($n = 19$), depende de definiciones flexibles de crisis y no ha logrado replicarse de manera consistente en muestras amplias de mercado.&lt;/p>
&lt;p>Como lectores, profesionales y futuros investigadores, nuestra mejor defensa ante las modas intelectuales sigue siendo la misma de siempre: preguntar por el tamaño de la muestra, revisar los incentivos y exigir replicación.&lt;/p>
&lt;h2 id="referencias-recomendadas-para-profundizar">Referencias recomendadas para profundizar&lt;/h2>
&lt;p>Si estás preparando tu tesis o simplemente quieres ir más allá de los titulares para auditar por tu cuenta estos debates, te invito a revisar directamente las fuentes originales:&lt;/p>
&lt;ul>
&lt;li>&lt;strong>El origen de la teoría ($n = 19$):&lt;/strong> Ryan, M. K., &amp;amp; Haslam, S. A. (2005). &lt;em>The Glass Cliff: Evidence that Women are Over-Represented in Precarious Leadership Positions.&lt;/em> British Journal of Management, 16(2), 81–90. Es el estudio fundacional sobre el índice FTSE 100 donde se acuñó el término y donde puedes observar de primera mano lo reducida que era la muestra original. &lt;a href="https://doi.org/10.1111/j.1467-8551.2005.00433.x" target="_blank" rel="noopener">Leer aquí (DOI)&lt;/a>&lt;/li>
&lt;li>&lt;strong>La replicación que refuta la universalidad:&lt;/strong> Adams, S. M., Gupta, A., &amp;amp; Leeth, J. D. (2009). &lt;em>Are Female Executives Over-represented in Precarious Leadership Positions?&lt;/em> British Journal of Management, 20(1), 1–12. Evalúa nombramientos de CEO en EE. UU. (1992–2004) con controles financieros estrictos y muestra que no hay evidencia general del efecto. &lt;a href="https://doi.org/10.1111/j.1467-8551.2007.00549.x" target="_blank" rel="noopener">Leer aquí (DOI)&lt;/a>&lt;/li>
&lt;li>&lt;strong>El giro hacia experimentos de laboratorio:&lt;/strong> Haslam, S. A., &amp;amp; Ryan, M. K. (2008). &lt;em>The road to the glass cliff: Differences in the perceived suitability of men and women for leadership positions in succeeding and failing organizations.&lt;/em> The Leadership Quarterly, 19(5), 530–546. Útil para entender cómo parte de la literatura se trasladó de datos reales de mercado a escenarios hipotéticos con estudiantes. &lt;a href="https://doi.org/10.1016/j.leaqua.2008.07.011" target="_blank" rel="noopener">Leer aquí (DOI)&lt;/a>&lt;/li>
&lt;li>&lt;strong>El balance metaanálitico:&lt;/strong> Morgenroth, T., Kirby, T. A., &amp;amp; Ryan, M. K. (2020). &lt;em>The who, when, and why of the glass cliff phenomenon: A meta-analysis of appointments to precarious leadership positions.&lt;/em> Psychological Bulletin, 146(9), 797–829. Revisa la literatura acumulada y expone las condiciones de contorno y heterogeneidad del fenómeno. &lt;a href="https://doi.org/10.1037/bul0000234" target="_blank" rel="noopener">Leer aquí (DOI)&lt;/a>&lt;/li>
&lt;li>&lt;strong>Los pecados metodológicos en la ciencia:&lt;/strong> Chambers, C. (2017). &lt;em>The Seven Deadly Sins of Psychology: A Manifesto for Reforming the Culture of Scientific Practice.&lt;/em> Princeton University Press. Lectura obligatoria para cualquier tesista: disecciona el bajo poder estadístico, el &lt;em>p-hacking&lt;/em>, el &lt;em>HARKing&lt;/em> y el sesgo de publicación en toda la investigación empírica. &lt;a href="https://press.princeton.edu/books/hardcover/9780691158907/the-seven-deadly-sins-of-psychology" target="_blank" rel="noopener">Ver ficha del libro&lt;/a>&lt;/li>
&lt;li>&lt;strong>La crisis de replicabilidad en números:&lt;/strong> Open Science Collaboration (2015). &lt;em>Estimating the reproducibility of psychological science.&lt;/em> Science, 349(6251). El experimento masivo que demostró por qué nunca debemos confiar ciegamente en un único estudio publicado. &lt;a href="https://doi.org/10.1126/science.aac4716" target="_blank" rel="noopener">Leer aquí (DOI)&lt;/a>&lt;/li>
&lt;li>&lt;strong>Cómo evitar estos pecados en tu tesis (Prerregistro):&lt;/strong> Nosek, B. A., Ebersole, C. R., DeHaven, A. C., &amp;amp; Mellor, D. T. (2018). &lt;em>The preregistration revolution.&lt;/em> PNAS, 115(11), 2600–2606. Explica con claridad la frontera epistemológica entre predicción y postdicción y cómo blindar un diseño de investigación. &lt;a href="https://doi.org/10.1073/pnas.1708274114" target="_blank" rel="noopener">Leer aquí (DOI)&lt;/a>&lt;/li>
&lt;li>&lt;strong>Cómo hacer ciencia reproducible en la práctica:&lt;/strong> Van Lissa, C. J., et al. (2021). &lt;em>WORCS: A workflow for open reproducible code in science.&lt;/em> Data Science. Una guía práctica paso a paso para implementar control de versiones, código abierto y reproducibilidad en tesis y proyectos de datos. &lt;a href="https://doi.org/10.3233/DS-210031" target="_blank" rel="noopener">Leer aquí (DOI)&lt;/a>&lt;/li>
&lt;/ul>
&lt;hr>
&lt;h3 id="qué-otros-mitos-populares-crees-que-se-caerían-si-les-aplicáramos-una-auditoría-estadística-seria">¿Qué otros mitos populares crees que se caerían si les aplicáramos una auditoría estadística seria?&lt;/h3>
&lt;p>Puedes seguir mis análisis en mi perfil de &lt;a href="https://www.linkedin.com/in/arturo-chian/" target="_blank" rel="noopener">LinkedIn&lt;/a> y explorar más artículos sobre finanzas, estadística, ciencia abierta y metodología en &lt;a href="https://arturochian.com/" target="_blank" rel="noopener">arturochian.com&lt;/a>.&lt;/p></description></item></channel></rss>