- Última actualización
- Guardar como PDF
- Page ID
- 151412
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}}}\) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash{#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)
Una de las grandes distinciones que debes conocer es la distinción entre “investigación experimental” e “investigación no experimental”. Cuando hacemos esta distinción, de lo que realmente estamos hablando es del grado de control que ejerce el investigador sobre las personas y eventos en el estudio.
Investigación experimental
Las características clave de la investigación experimental es que el investigador controla todos los aspectos del estudio, especialmente lo que los participantes experimentan durante el estudio. En particular, el investigador manipula o varía las variables predictoras (IV), y luego permite que la variable de resultado (DV) varíe naturalmente. La idea aquí es variar deliberadamente los predictores (IV) para ver si tienen algún efecto causal en los resultados. Además, para asegurar que no hay posibilidad de que algo más que las variables predictoras esté causando los resultados, todo lo demás se mantiene constante o se encuentra de alguna otra manera “equilibrado” para asegurar que no tengan ningún efecto sobre los resultados. En la práctica, es casi imposible pensar en todo lo demás que pueda influir en el resultado de un experimento, y mucho menos mantenerlo constante. La solución estándar para esto es la aleatorización: es decir, asignamos personas aleatoriamente a diferentes grupos, y luego le damos a cada grupo un tratamiento diferente (es decir, asignarles diferentes valores de las variables predictoras). Hablaremos más sobre la aleatorización más adelante en este curso, pero por ahora, basta con decir que lo que hace la aleatorización es minimizar (pero no eliminar) las posibilidades de que haya alguna diferencia sistemática entre grupos.
Consideremos un ejemplo muy simple, completamente poco realista y groseramente poco ético. Supongamos que querías saber si fumar causa cáncer de pulmón. Una forma de hacerlo sería encontrar personas que fuman y personas que no fuman, y buscar para ver si los fumadores tienen una tasa más alta de cáncer de pulmón. Este no es un experimento adecuado, ya que el investigador no tiene mucho control sobre quién es y no es fumador. Y esto realmente importa: por ejemplo, podría ser que las personas que optan por fumar cigarrillos también tiendan a tener malas dietas, o tal vez tienden a trabajar en minas de asbesto, o lo que sea. El punto aquí es que los grupos (fumadores y no fumadores) en realidad difieren en muchas cosas, no solo en fumar. Entonces podría ser que la mayor incidencia de cáncer de pulmón entre los fumadores sea causada por otra cosa, no por fumar per se. En términos técnicos, estas otras cosas (por ejemplo, la dieta) se llaman “confundidos”, y hablaremos de ellas en un momento.
Mientras tanto, consideremos ahora cómo podría ser un experimento adecuado. Recordemos que nuestra preocupación era que los fumadores y los no fumadores pudieran diferir de muchas maneras. La solución, siempre y cuando no tengas ética, es controlar quién fuma y quién no. Específicamente, si dividimos aleatoriamente a los participantes en dos grupos, y obligamos a la mitad de ellos a convertirse en fumadores, entonces es muy poco probable que los grupos difieran en algún aspecto que no sea el hecho de que la mitad de ellos fuman. De esa manera, si nuestro grupo fumador contrae cáncer a una tasa más alta que el grupo de no fumadores, entonces podemos sentirnos bastante seguros de que (a) fumar sí causa cáncer y (b) somos asesinos.
Investigación no experimental
La investigación no experimental es un término amplio que abarca “cualquier estudio en el que el investigador no tenga tanto control como lo hacen en un experimento”. Obviamente, el control es algo que a los científicos les gusta tener, pero como ilustra el ejemplo anterior, hay muchas situaciones en las que no se puede o no se debe tratar de obtener ese control. Dado que es groseramente poco ético (y casi seguro que criminal) obligar a las personas a fumar para averiguar si tienen cáncer, este es un buen ejemplo de una situación en la que realmente no se debe tratar de obtener el control experimental. Pero también hay otras razones. Incluso dejando de lado las cuestiones éticas, nuestro “experimento de fumar” sí tiene algunos otros problemas. Por ejemplo, cuando sugerí que “forcemos” a la mitad de las personas a convertirse en fumadores, debo haber estado hablando de comenzar con una muestra de no fumadores, y luego obligarlos a convertirse en fumadores. Si bien esto suena como el tipo de diseño experimental sólido y malvado que a un científico loco le encantaría, puede que no sea una forma muy sólida de investigar el efecto en el mundo real. Por ejemplo, supongamos que fumar solo causa cáncer de pulmón cuando las personas tienen dietas deficientes, y supongamos también que las personas que normalmente fuman tienden a tener dietas deficientes. Sin embargo, dado que los “fumadores” en nuestro experimento no son fumadores “naturales” (es decir, obligamos a los no fumadores a convertirse en fumadores; no asumieron todas las demás características normales de la vida real que los fumadores podrían tener) probablemente tengan mejores dietas. Como tal, en este tonto ejemplo no tendrían cáncer de pulmón, y nuestro experimento fracasará, porque viola la estructura del mundo “natural” (el nombre técnico para esto es un resultado “artefacto”; ver más adelante).
Una distinción que vale la pena hacer entre dos tipos de investigación no experimental es la diferencia entre investigación cuasiexperimental y estudios de caso. El ejemplo que discutí antes —en el que queríamos examinar la incidencia de cáncer de pulmón entre fumadores y no fumadores, sin tratar de controlar quién fuma y quién no— es un diseño cuasi experimental. Es decir, es lo mismo que un experimento, pero no controlamos los predictores (IV). Todavía podemos usar estadísticas para analizar los resultados, es solo que tenemos que ser mucho más cuidadosos.
El enfoque alternativo, los estudios de caso, tiene como objetivo proporcionar una descripción muy detallada de una o algunas instancias. En general, no se puede utilizar la estadística para analizar los resultados de los estudios de caso, y suele ser muy difícil sacar conclusiones generales sobre “las personas en general” a partir de algunos ejemplos aislados. Sin embargo, los estudios de caso son muy útiles en algunas situaciones. En primer lugar, hay situaciones en las que no tienes ninguna alternativa: la neuropsicología tiene mucho este tema. A veces, simplemente no puedes encontrar mucha gente con daño cerebral en un área específica, así que lo único que puedes hacer es describir esos casos que sí tienes con tanto detalle y con tanto cuidado como puedas. Sin embargo, también hay algunas ventajas genuinas en los estudios de caso: porque no tienes tantas personas para estudiar, tienes la capacidad de invertir mucho tiempo y esfuerzo tratando de entender los factores específicos en juego en cada caso. Esto es algo muy valioso de hacer. Como consecuencia, los estudios de caso pueden complementar los enfoques más orientados estadísticamente que se ven en diseños experimentales y cuasiexperimentales. No vamos a hablar mucho de estudios de caso en estas conferencias, ¡pero sin embargo son herramientas muy valiosas!
