REPRESENTATIVIDAD DE LA MUESTRA

REPRESENTAIVIDAD DE LA MUESTRA

Al reflexionar sobre tema afirmamos, que uno de los problemas elementales que se le presenta al investigador referente con el muestreo consiste en saber si el grupo designado es verdaderamente representativo del conjunto; para que lo sea, los rasgos de los elementos o individuos elegidos para la muestra deben ser similares a los de toda la población (Marín Ibáñez, 1990).

La característica más trascendente de una muestra es la representatividad. Puesto que el muestreo obtiene todo su sentido en tanto que garantiza que las características que se quieren observar en la población quedan expresadas apropiadamente en la muestra. De manera que, generalizar a la población desde la muestra sólo está justificado si ésta representa realmente a la población. Preservar la representatividad es el atributo más importante que debe reunir el muestreo, lo que nos permitirá generalizar a la población los resultados obtenidos en la muestra[1]

Otra perspectiva sobre el tema es de Fox (1990), quien señala que para lograr la representatividad se requiere lo siguiente:

a. Conocer qué características (variables) están relacionadas con el problema que se estudia.

b.  Capacidad para medir esas variables.

c.  Poseer datos de la población sobre estas características o variables para usarlos como variable de comparación. 

El mismo autor enfatiza que si no se cumple alguna de estas condiciones, para algunas de las características, se pierde la capacidad de buscar deliberadamente la representatividad en cuanto a ella. En virtud de lo sostenido, afirmamos que la selección aleatoria de la muestra garantiza la ausencia de sesgo en el proceso de selección de la misma, ayuda a garantizar su representatividad, sin embargo, esta circunstancia no es garantía total para que estemos seguros de que la muestra al azar es representativa de la población de la que se ha extraído (Kerlinger, 1985). Se espera que sea representativa de las características relevantes de la población, pero pudiera no serlo. Lo normal es que lo sea, ya que lo típico, lo representativo de la población, es lo que aparece con más frecuencia, pero no hay seguridad total. El muestreo estratificado proporcional asegura, en cambio, la representatividad en cuanto a una o dos características (Jiménez Fernández, 1983).

El factor del impacto según Fox (1990) que otra forma de examinar el problema de la representatividad de la muestra consiste en distinguir entre la muestra invitada, la muestra aceptante y la muestra productora de datos. La primera corresponde al conjunto de individuos “invitados” del conjunto de la población, la segunda hace referencia al grupo de individuos que aceptan participar y la muestra productora de datos coincide con la muestra real del estudio. Si se poseen datos sobre la población se pueden comparar con ellos la muestra invitada o la aceptante y, mediante algún contraste de significación adecuado (por ejemplo, chi-cuadrado), determinar si difieren de ella en las características que interesa en una investigación dada. Si el contraste indica que no hay diferencias significativas en las variables consideradas, se puede admitir la representatividad de la muestra para las características en cuestión, pero nada se puede afirmar sobre la representatividad de la muestra respecto de cualquier otra variable

Ahora bien, si en caso, no se ha logrado representatividad en una o varias variables, el investigador tiene dos opciones:

• Trabajar con la muestra no representativa y contar con ese límite.
• Seleccionar más elementos de la población, con la esperanza de que una muestra mayor sí sea representativa, aunque el estudio tenga una muestra mayor de buscada inicialmente.

Finalmente, es preciso preguntarse qué pérdida puede tolerarse desde la selección de la muestra inicial hasta llegar a la que proporciona los datos. Al mismo tiempo, hay que tener en cuenta que se tiene constancia probada de que las personas que no responden tienen opiniones o patrones de conducta distintos de las que responden; y que el porcentaje de la pérdida también depende, para su representatividad, de cómo se distribuyan las respuestas en las diferentes categorías de la variable. No es igual un 48% de “sí” y un 52% de “no” ante determinada pregunta que un 16% y un 84%[2]. En cualquier caso, no existe una única respuesta cuantitativa. Se suele considerar que una pérdida del 25% debe preocupar, aun cuando no existan diferencias estadísticamente significativas; cuando sea inferior al 50% -se debe leer y escribir con cuidado-; y cuando la proporción es menor del 40% no se deberían dar a conocer los datos, ni considerarlos como conclusiones válidas. Son útiles como estudios pilotos, pero no se pueden aceptar sin hacer un estudio posterior más exhaustivo[3].

---

[1] La Torre, A.; Rincón, D. y Arnal, J. (2003). Bases Metodológicas de la Investigación Educativa. Barcelona: Experiencia S.L., p. 82.

[2] Jiménez, C. (1983). Población y muestra. El muestreo. Madrid. UNED, p. 249.

[3] La Torre, A.; Rincón, D. y Arnal, J. (2003). op. cit, p. 83.

 

EL UNIVERSO EN UNA INVESTIGACIÓN

El Universo

Comenzamos a desarrollar este tema aclarando que existen autores que señalan el término universo como población; en cambio otros determinan al universo como todo elemento de una determinada área para investigaciones físicas, dicho de otro modo, para aquellas investigaciones abióticas y elementos inanimados. Por ejemplo: agua, arena luz, fuego etc., mientras otros designan netamente la población a investigaciones sociales y naturales dirigidas a estudios con seres vivos tales como: personas animales, plantas etcétera.

Carrasco (2009) señala que universo es el conjunto de elementos –personas, objetos, sistemas, sucesos, entre otras- finitos e infinitos, a los pertenece la población y la muestra de estudio en estrecha relación con las variables y el fragmento problemático de la realidad, que es materia de investigación[1].

En tal sentido, definimos al universo como un conjunto de personas, cosas o fenómenos sujetos a investigación, que tienen algunas características definitivas. Ante la posibilidad de investigar el conjunto en su totalidad, se seleccionará un subconjunto al cual se denomina muestra. Por ejemplo:

Calidad académica de los estudiantes de las universidades privadas de Lima, 2020.

Para tal efecto, el universo será considerados los estudiantes universitarios en general.

---

[1] Carrasco, S. (2009). Metodología de investigación científica: Pautas metodológicas para diseñar y elaborar el proyecto de investigación. Lima: Ed. San Marcos, p. 236.

Diseños no experimentales

Diseño no experimental

Comenzaremos este epígrafe ofreciendo algunas definiciones del concepto de diseño no experimental y, a partir de ellas expondremos las principales características que presenta este tipo de diseño. Pedhazur y Pedhazur Schmelkin (1991) indican que los experimentos, los cuasi-experimentos y los no experimentos se diferencian por la presencia o ausencia de a) manipulación de la variable independiente, y b) aleatorización. En un experimento tanto la manipulación como la aleatorización están presentes; en un cuasi-experimento, la manipulación está presente pero no la aleatorización; en un no experimento tanto la manipulación como la aleatorización están ausentes[1]. Estos mismos autores puntualizan que los diseños no experimentales han recibido distintas denominaciones y que, por el momento, no hay consenso respecto al uso de una u otra. Tales denominaciones son: investigación correlacional, investigación de encuestas o investigación observacional.

Kerlinger y Lee (2002) nos dicen que la investigación no experimental es la búsqueda empírica y sistemática en la que el científico no posee control directo de las variables independientes, debido a que sus manifestaciones ya han ocurrido o a que son inherentemente no manipulables. Se hacen inferencias sobre las relaciones entre las variables, sin intervención directa, de la variación concomitante de las variables independiente y dependiente (p. 504). Cabe precisar en esta definición que la razón por la que no se manipula la variable independiente en la investigación no experimental es que resulta imposible hacerlo. Arnau (1995) utiliza el término investigación no experimental para denominar genéricamente a un conjunto de métodos y técnicas de investigación distinto de la estrategia experimental y cuasi-experimental (p. 35). Destaca que en este tipo de investigaciones no hay ni manipulación de la variable independiente ni aleatorización en la formación de los grupos.

A partir de la perspectiva de Kerlinger y Lee (2002) presentamos un listado con las principales características de los diseños no experimentales[2]. Son las siguientes:

a.  No hay manipulación de la variable independiente, bien sea porque se trate de una variable que ya ha acontecido, bien sea porque se trate de una variable que por su propia naturaleza o por cuestiones éticas no pueda manipularse de forma activa. Se incluyen, pues, en este grupo de variables todas aquellas que recogen características propias de los individuos.

b.  No hay asignación aleatoria de los sujetos a las condiciones de tratamiento, es decir, los grupos no se forman aleatoriamente, por lo que no queda garantizada su equivalencia inicial. Los datos simplemente se recolectan y luego se interpretan, puesto que no se interviene de forma directa sobre el fenómeno.

c.   Se estudian los fenómenos tal y como ocurren de forma natural. Esta característica hace que los diseños de tipo no experimental se utilicen principalmente en investigación aplicada.

d. De las características anteriores se desprende que el diseño no experimental no permitirá establecer relaciones causales inequívocas.

Si bien algunas de las características anteriores podrían desalentar al investigador de recurrir a un diseño no experimental vamos a presentar ahora algunas circunstancias en las cuales se deberá utilizar este tipo de diseño:

·     En primer lugar, existen muchos problemas de investigación para los cuales no resulta apropiado un diseño experimental: un investigador puede estar interesado en recoger información sobre las actitudes o creencias de los individuos con una finalidad puramente descriptiva o puede querer observar el fenómeno sin intervenir para no desvirtuarlo.

·   En segundo lugar, nos encontramos con una buena parte de investigaciones que se realizan en el ámbito de la Psicología en las cuales el objetivo es estudiar características de las personas que no son susceptibles de manipulación experimental -por ejemplo, el cociente intelectual o el nivel de extraversión-. Esto hace que el investigador no pueda provocar el fenómeno que quiere estudiar, y, en consecuencia, que no pueda recurrir ni a un diseño experimental ni a un diseño cuasi-experimental.

·    En tercer lugar, puede ocurrir que, aunque la variable de interés se pueda manipular experimentalmente haya razones de tipo ético que lo impidan. Por ejemplo, no se podrá manipular una variable independiente si esta manipulación puede producir daños físicos o mentales a los participantes. Por último, hay ocasiones en las cuales no se podrá llevar a cabo un experimento verdadero por razones de tipo financiero, administrativos, o simplemente porque supondría excesivos inconvenientes para los participantes en la investigación.

 

---

[1] Pedhazur, E. J.; Pedhazur Schmelkin, L. P. (1991). Medición, diseño y análisis. Un enfoque integrado. Hillsdale: Lawrence Erlbaum Associates, p. 304.

[2] Kerlinger, F. N. y Lee, H. B. (2002). Investigación del comportamiento. Métodos de investigación en ciencias sociales (4ª ed.). México: McGraw-Hill, p. 124. 

 

Diseños cuasi-experimentales

DISEÑO CUASI-EXPERIMENTAL

1.     Definición y características

El concepto de cuasi-experimento fue propuesto por primera vez por Campbell y Stanley (1966) y fue ampliado más tarde por Cook y Campbell (1979). A partir de entonces muchos autores han propuesto definiciones de este concepto, algunas de las cuales figuran a continuación.

Cook y Campbell (1986) afirman que los cuasi-experimentos son como experimentos de asignación aleatoria en todos los aspectos excepto en que no se puede presumir que los diversos grupos de tratamiento sean inicialmente equivalentes dentro de los límites del error muestral (p. 142). Esta es la razón por la cual estos autores utilizan el término experimento verdadero en oposición al término cuasi-experimento.

Mientras Kirk (1995) afirma que los diseños cuasi-experimentales son similares a los experimentos excepto en que los sujetos no se asignan aleatoriamente a la variable independiente. Se trata de diseños que se utilizan cuando la asignación aleatoria no es posible o cuando por razones prácticas o éticas se recurre al uso de grupos naturales o preexistentes como, por ejemplo, sujetos con una determinada enfermedad o sujetos que han sido sometidos a abuso sexual (p. 6). Por lo tanto, los diseños cuasi-experimentales se utilizan cuando el investigador no puede presentar los niveles de la variable independiente a voluntad ni puede crear los grupos experimentales mediante la aleatorización.

Otra postura expresa Arnau (1995) define el diseño cuasi-experimental como un plan de trabajo con el que se pretende estudiar el impacto de los tratamientos y/o los procesos de cambio, en situaciones donde los sujetos o unidades de observación no han sido asignados de acuerdo con un criterio aleatorio.
A partir de las definiciones anteriores se puede elaborar un listado con las principales características del diseño cuasi-experimental. Son las siguientes:

a)     Manipulación de la variable independiente. Esta es una característica que comparten los diseños cuasi-experimentales y los diseños experimentales. Ambos tipos de diseño tienen como objetivo el estudio del efecto de la variable independiente sobre la variable dependiente de la investigación. En definitiva, los dos tipos de diseños persiguen el establecimiento de relaciones causales.

b)    No aleatorización en la formación de los grupos. En el diseño cuasi-experimental el investigador no interviene en la formación de los grupos, de manera que recurre a grupos intactos o naturales. Se trata de grupos de individuos que ya están formados -como, por ejemplo, los niños de un mismo grupo en una escuela o los trabajadores de un departamento en una empresa-, por lo que el investigador no tiene garantías de la equivalencia inicial de éstos. De hecho, estos grupos naturales, también se denominan grupos no equivalentes. Esta característica constituye el principal inconveniente que presenta este tipo de diseños. El problema radica en que, si la equivalencia inicial de los grupos no está garantizada, se puede cuestionar que las diferencias que se encuentren entre los grupos después de la intervención se deban al efecto del tratamiento. En definitiva, esta característica atenta contra la validez interna de la investigación, es decir, pone en cuestión la relación causal que se pretende establecer con ésta.

c)     Escaso control de las variables de confundido. Los diseños cuasi-experimentales se suelen utilizar en investigaciones de carácter aplicado, por lo que se desarrollarán, principalmente, en contextos naturales alejados del laboratorio. En estos contextos el control de todas las variables de posible confundido resulta complicado y, en muchas ocasiones, imposible. Estos contextos naturales pueden ser, entre otros, hospitales, escuelas o empresas. Esta tercera característica, al igual que la anterior, pone en peligro la validez interna de la investigación. Debido al deficiente control de los diseños cuasi-experimentales.

Las características anteriores ponen de manifiesto cuál es el principal problema de los diseños cuasi-experimentales respecto al diseño experimental. Si bien en el diseño experimental se alcanza un alto grado de validez interna, en el diseño cuasi-experimental, por el contrario, la validez interna de la investigación se puede cuestionar. Esto se debe a que los cuasi-experimentos no permiten elaborar conclusiones consistentes acerca de la efectividad del tratamiento, puesto que existen explicaciones alternativas, distintas del efecto de la intervención, para justificar las diferencias que se observan en la variable dependiente. En definitiva, los diseños cuasi-experimentales no nos permiten rechazar completamente otras explicaciones causales distintas a la que nos interesa establecer. Esta es la razón por la que Campbell y Standley (1966) recomiendan la utilización de los diseños cuasi-experimentales únicamente cuando no se puedan asignar aleatoriamente los sujetos a las diferentes condiciones.

Posteriormente Cook y Campbell (1979), señalaron cuáles son las potenciales amenazas contra la validez interna que pueden darse en los diseños cuasi-experimentales, también pueden encontrarse en Shadish, Cook y Campbell (2002). Tales amenazas son las que presentamos a continuación:

a)     Historia. Son hechos o circunstancias externas que ocurren simultáneamente con la aplicación del tratamiento. El problema es que en este caso el investigador no podrá estar seguro de que los cambios observados en la variable dependiente de su investigación se deban al tratamiento, puesto que podrían deberse al factor de historia.

b)     Maduración. Se refiere a cambios en las condiciones internas de los individuos que coinciden con la aplicación del tratamiento. Se trata de cambios debidos a procesos biológicos o psicológicos, como, por ejemplo, la edad, la fatiga o el aburrimiento.

c)     Efecto de la administración de pruebas previas. Este efecto se produce en los diseños en los que toman medidas pre-test. En principio las diferencias que se observen entre las medidas pre-test y las medidas pos-test se tendrían que atribuir al efecto del tratamiento, no obstante, en ocasiones, una buena parte de esos cambios pueden deberse a la práctica o entrenamiento en el pre-test.

d)     Instrumentación. Se refiere a cambios que se producen en el calibrado de los instrumentos de medida o a problemas con los observadores que coinciden con la aplicación del tratamiento.

e)     Regresión estadística. Se refiere a la tendencia hacia la centralidad que se produce cuando el criterio para formar los grupos es que los individuos presenten puntuaciones extremas. Dicho de otro modo, las puntuaciones extremas tienden a acercarse a la media en el pos-test.

f)      Selección diferencial de los sujetos. Se refiere al sesgo en la formación de los grupos y se produce cuando en la investigación se recurre a grupos naturales o intactos. El problema que se presenta en estos casos es que no queda garantizada la equivalencia inicial de los grupos, por lo que las diferencias que se observen entre éstos después de la intervención pueden deberse a la ausencia de equivalencia inicial y no al efecto del tratamiento.

g)     Mortalidad selectiva. Se refiere a la pérdida no aleatoria de los individuos que forman parte de los grupos. Este problema aparece en los diseños en los que se requiere tomar dos o más medidas de cada individuo en momentos temporales diferentes. Puede ocurrir, en estos casos, que a medida que se desarrolla la investigación se vaya reduciendo el tamaño de la muestra, porque haya individuos para los que no se consiga tomar medidas de todas las observaciones previstas inicialmente.

h)     Interacciones entre la selección y algunas de las amenazas anteriores. Las interacciones más frecuentes se producen entre la selección y la historia -por ejemplo, puede ocurrir que un factor de historia afecte sólo a uno de los grupos de la investigación, introduciendo un sesgo sistemático en la variable dependiente-, y entre la selección y la maduración -que se produce cuando los grupos maduran con un ritmo diferente-.

i)        Ambigüedad acerca de la dirección de la inferencia causal. En algunas investigaciones puede ser difícil determinar si X es responsable del cambio en Y o viceversa. Esta ambigüedad no se producirá si sabemos que X ocurrió antes que Y. Aunque reconocemos que la lectura del listado anterior puede desanimar a un investigador respecto a la utilización de los diseños cuasi-experimentales, queremos recordar que estas amenazas son potenciales, lo cual quiere decir que no necesariamente se producirán en todo diseño cuasi-experimental. Tal como señalan:

León y Montero (1997) no todas las amenazas a la validez interna tienen por qué presentarse siempre a lo menos, no todas a la vez[1]. Por otra parte, si bien un diseño experimental superaría la mayoría de estas amenazas, también sabemos que no siempre es viable llevar a cabo una investigación de este tipo. En consecuencia, siempre será mejor obtener información acerca de un fenómeno, aunque no se disponga de una garantía total de la validez interna, que renunciar al estudio de ese fenómeno. En definitiva, lo que sí es esencial es que el investigador conozca las limitaciones del diseño que ha utilizado para recoger sus datos y actúe en consecuencia cuando se disponga a elaborar sus conclusiones.

---

[1] León y Montero (1997). Diseño de investigaciones. Introducción a la lógica de la investigación en Psicología y Educación. (2da. Edic.) Madrid: Editorial Mc Graw-Hill, p. 291.

Definición y Características de Diseños experimentales

Arnau (1990)[2] define el diseño experimental como un plan estructurado de acción tendente a la demostración de relaciones de carácter causal entre la variable independiente y la dependiente. Con este objeto, el diseño experimental recoge los tres supuestos implícitos en el enfoque experimental:

·         Aleatorización

·         Control y

·         Manipulación.

De las definiciones anteriores se desprenden las principales características del diseño experimental:

a)    Manipulación de la variable independiente: el experimentador interviene de forma directa sobre el fenómeno que quiere estudiar con el objeto de provocar cambios sobre el mismo. Tales cambios se registrarán en la variable dependiente de la investigación. En muchas ocasiones para referirnos a la manipulación de la variable independiente decimos que hemos introducido un tratamiento. Por esta razón algunos autores utilizan el término variable de tratamiento y variable independiente como sinónimos. La variable independiente o de tratamiento, por definición, tendrá como mínimo dos valores, niveles o tratamientos, y su manipulación implica que el investigador asignará aleatoriamente estos valores a los distintos grupos.

b)    Control de las variables de confundido: el experimentador controlará todas las variables que puedan incidir sobre el fenómeno que está estudiando. En un caso ideal, el experimentador debería asegurarse de que la variable dependiente varía exclusivamente por su intervención, de manera que debería controlar toda variable que incida sobre ésta. Dicho de otro modo, la variabilidad en la variable dependiente se debería poder atribuir a la acción de la variable independiente. Como acabamos de decir, éste sería el caso ideal. En la realidad es imposible controlar absolutamente todas las variables de confundido, por lo que el investigador deberá poner todo su empeño en controlar todas las que pueda y minimizar el efecto de aquellas que no pueda controlar completamente.

c)    Equivalencia inicial de los grupos: el investigador, cuando opta por un diseño experimental de grupos, asignará aleatoriamente los sujetos o unidades a los grupos experimentales. El objetivo de la formación aleatoria de los grupos es conseguir que éstos sean inicialmente equivalentes. ¿Para qué nos sirve esto? La respuesta es muy clara: si los grupos son equivalentes antes de aplicarles sus respectivos tratamientos, entonces, cualquier diferencia entre ellos después de la intervención se podrá atribuir a la acción del experimentador. Dicho de otro modo: la equivalencia inicial de los grupos garantiza que las diferencias que encontremos entre éstos después de la intervención -y supuesto que se hayan controlado el resto de variables extrañas- se puedan atribuir a la acción de la variable independiente.

Consecuente con este principio la aleatorización garantizará la equivalencia de los grupos sólo si se forman grupos con un tamaño grande. La lógica subyacente a la aleatorización en la formación de los grupos es que cualquier variable extraña de sujeto quedará repartida aleatoriamente en los distintos grupos, por lo que se neutralizará su efecto.

Estas características del diseño experimental son las que le conducen a presentar una alta validez interna -puesto que es un diseño que nos permitirá establecer relaciones causales inequívocas entre variables-, y una baja validez ecológica -puesto que aborda el fenómeno en una situación tan artificial que hace que se cuestione la posibilidad de generalizar los resultados a una situación natural (recordemos que en un experimento no sólo se provoca el fenómeno sino que, además, se aísla)-. También son estas características las que determinan el ámbito de aplicación más frecuente del diseño experimental. Aunque podemos encontrar algunas excepciones, se trata de un tipo de diseños que se utilizan principalmente en investigaciones de carácter básico que se llevan a cabo en laboratorios. Este es el tipo de contexto que facilita al investigador el máximo control del fenómeno que estudia.

---

[1] Arnau, J. (1995). Metodología de la investigación psicológica. En M. T. Anguera, J. Arnau, M. Ato, R. Martínez, J. Pascual y G. Vallejo (Eds.), Métodos de investigación en psicología (pp. 23-43). Madrid: Síntesis.

[2] Arnau, J. (1990). Metodología experimental. En J. Arnau, M. T. Anguera, y J. Gómez, (1990) Metodología de la investigación en ciencias del comportamiento. Universidad de Murcia.

¿CÓMO SELECCIONAR EL DISEÑO DE INVESTIGACIÓN?

SELECCIÓN DEL DISEÑO DE INVESTIGACIÓN DE TESIS

La adecuada selección de diseño constituye un punto primordial de toda investigación, para ello el investigador debe tomar en cuenta varios factores que exponemos a continuación:

1.        Poner a prueba las hipótesis

El investigador para poner a prueba o validar las hipótesis debe preguntarse respecto de la idoneidad de los diferentes tipos de diseño y de si estos son válidos para responder a las preguntas de investigación. Habitualmente una debilidad de los diseños que se proponen a veces es la falta de congruencia entre hipótesis y el diseño. Por ejemplo querer probar una hipótesis que requiere tres o más grupos usando un diseño de dos grupos o pretender probar una hipótesis de interacción con un diseño de dos grupos.
Otro error frecuente que refleja falta de coherencia entre el problema y la hipótesis de investigación frente al diseño de estudio, es emparejar sujetos por variables irrelevantes a los fines de la investigación y querer utilizar un diseño de dos grupos relacionados, experimental-control, que presupone la igualdad inicial de estos.

2.        Control de variables independientes

Esto se refiere al control tanto de las variables experimentales que se manipulan o miden como al de las variables extrañas. En cada estudio existen determinadas variables extrañas que pueden influir en los cambios observados en la variable dependiente y que sólo en la medida en que son controladas, dejan de ser explicaciones meritorias de los resultados y permite que estos sean explicados por las variables independientes experimentales. Otra forma de ejercer el control es manipulando o midiendo el investigador las variables experimentales, pues es precisamente esta acción sobre ellas lo que diferencia al experimento de otros tipos de investigación.

Consecuentemente la técnica más eficaz de control de variables extrañas es la distribución al azar. Por ello es que se supone que si los grupos se han elegido así, deben ser estadísticamente iguales antes de introducir la o las variables independientes. Por ello, se recomienda usar la asignación al azar siempre que sea posible y aplicarla no solo a la selección de las muestras sino al asignar estas a grupos, tratamientos, investigadores, etcétera. En los diseños pre experimentales, es frecuente creer que se ha probada la hipótesis y así se concluye en el informe. Estas conclusiones son engañosas pues la falta de control de las variables extrañas impide saber si la variable independiente es la causa del cambio observado.

3.        Generalización

Este criterio es sinónimo de validez externa, como vemos más adelante. Es la que responde al interrogante, ¿en qué medida se puede generalizar los resultados de un estudio a otros sujetos, grupos y condiciones experimentales?

Este criterio es de gran interés en la investigación aplicada, pues se persigue generalizar los resultados a poblaciones lo más extensas posible. Empalma con el problema de la representatividad de la muestra, pero los conceptos de población y muestra se aplican no solo a las personas, sino también a las situaciones experimentales, por ejemplo. Con propiedad los resultados sólo pueden generalizarse a aquellas muestras, personas grupos o situaciones que sean muy similares a las empleadas en la investigación y ello siempre que se hayan ejercido los controles adecuados.

OBJETIVOS DE DISEÑO DE INVESTIGACIÓN

OBJETIVOS DE DISEÑOS DE INVESTIGACIÓN

Los objetivos del diseño de investigación son numerosos en la actualidad, sin embargo, mencionaremos basándonos a sugerencias de algunos de los investigadores. Según (Kerlinger, 1975), todo se resume en dos objetivos principales:
·         Dar respuesta a preguntas de investigación
·         Controlar la varianza

Mientras otra postura al respecto es de Arnau Grass (1981) quien afirma que el objetivo principal del diseño de investigación es el control de la varianza secundaria. Puesto que, si la varianza secundaria no se controla debidamente, corremos el riesgo de experimentar un incremento considerable de la varianza de error, inclusive logrando llegar a contaminar la acción de los tratamientos.

a)      Responde a las preguntas de investigación

El proveer una apropiada respuesta a las preguntas que se plantea el investigador es el objetivo fundamental y primario de todo diseño de investigación. Aunque muchos investigadores dedican su tiempo más a la realización empírica de sus experimentos, de modo que brindan poca atención en el diseño de su estudio y una apropiada preparación de las preguntas de estudio.

La evidencia empírica que facilita los estudios que se proyectan y ejecutan, deben tener como propósito ayudar a solucionar un problema conocido que se ha detallado en una hipótesis. En ocasiones, algunos estudiantes se entusiasman con la estadística y emprenden a hacer trabajos cuyo objetivo suele consistir en probar la hipótesis nula originalmente planteada. Y cuando se les interroga: ¿y ahora qué?, quedan a menudo desconcertados y empiezan a ver cuál es el real objetivo de la investigación y el sentido del diseño.

Teóricamente, existen tantos tipos de diseños de investigación como posibilidades de poner a prueba de hipótesis, es decir, los diseños se elaboran para dar respuestas válidas a los enunciados de las hipótesis. El resultado depende de cómo se hicieron las observaciones y la inferencia. De modo que de allí la importancia del diseño pues cuando una investigación se diseña y elabora con cuidado amplía la confianza en los resultados y se infiere con mayor solidez. Dicho de otro modo, es cuestión de calidad tanto como de cantidad.

b)      El control de la varianza

Kerlinger (2000) hace una precisión importante al señalar que la función del diseño de investigación es el control de la varianza. Son instrucciones para el investigador y así poder recoger y analizar sus datos de manera que controle la situación experimental lo más posible. En efecto, el principio estadístico en el que se basa este control lo sintetiza de esta forma:

·         Maximizar la varianza experimental
Esta se refiere casi siempre a la varianza de la variable dependiente, precisando diremos que la varianza experimental quiere decirse la varianza de la variable dependiente influida por la variable independiente de la hipótesis de estudio. Por esa razón se persigue diferenciar bien los valores asignados a las variables independientes para que, en caso de existir relación entre estos y la variable dependiente, darle la oportunidad de manifestarse.

·         Controlar la varianza experimental
Conocido por el control de variables extrañas, ajenas a los objetivos de la investigación y que pueden actuar como variables independientes, es decir, ser explicaciones rivales de los resultados. De tal manera en que la posible influencia de dichas variables extrañas se aísla, minimiza o anula en esa misma medida controlamos la varianza experimental.

·         Minimizar la varianza de error
Trata de un estudio básicamente donde lo más importante es probar si existe o no relación o de un estudio de campo en el que los medios no permiten aumentar el tamaño de las muestras o utilizar un diseño más complejo. La varianza de error se debe a los factores de variabilidad de las medidas debida a fluctuaciones aleatorias. Este error tiene como característica en que se compensan a sí mismo en el infinito puesto que a veces son positivos y también negativos, comprándose al final ambas situaciones.

CONCEPTO DE DISEÑO DE INVESTIGACIÓN

CONCEPTO DE DISEÑO DE INVESTIGACIÓN

Para el desarrollo de este tema señalamos que el diseño es un conjunto de estrategias procedimentales y metodológicas definidas y elaboradas previamente para desarrollar el proceso de investigación.

Kerlinger (2002) sostiene que generalmente se llama diseño de investigación al plan y a la estructura de un estudio. “Es el plan y estructura de una investigación concebidas para obtener respuestas a las preguntas de un estudio”[1]. En ese sentido, el diseño de investigación señala la forma de conceptuar un problema de investigación y la manera de colocarlo dentro de una estructura que sea guía para la experimentación (en el caso de los diseños experimentales) y de recopilación y análisis de datos.

En efecto, que se entiende sobre un plan, estructura y estrategia de la investigación, aquí lo detallamos:
·        Plan: se entiende como un esquema general o programa de la investigación.
·        Estructura: paradigma llamado también modelo de las operaciones viables.
·         Estrategia: métodos para recopilar y analizar los datos, para dar una respuesta a la pregunta de estudio.

Otra postura responde a Arnau (1995) define el diseño de investigación como un plan estructurado de acción que, en función de unos objetivos básicos, está orientado a la obtención de información o datos relevantes a los problemas planteados (p. 27). Así, el diseño de una investigación se entiende como el plan de actuación que permitirá al investigador recoger los datos para solucionar el problema de su investigación. Para elaborar este plan, el investigador deberá tomar una serie de decisiones. Por ejemplo: decidirá cómo seleccionará la muestra, el número de grupos con los que va a trabajar, la manera en que formará los grupos, el número de observaciones que se registrará de cada unidad, la forma en que se medirán las variables, los controles que se aplicarán sobre el fenómeno que quiere estudiar, etcétera.

Otra óptica al respecto es de Hernández, et, al. (2010) señalan que “el diseño de investigación es un instrumento de dirección “guía” con un conjunto de pautas, bajo las cuales se realiza una investigación. En mérito de ello el término diseño de investigación se refiere al plan o estrategia concebida para obtener la información que se desea”[2]. Y en consecuencia, se utiliza en:

En el enfoque cuantitativo

Se utiliza el diseño de investigación para analizar la certeza de la hipótesis formulada en un contexto en particular o aportar evidencias de los lineamientos de estudio (si no hubiera hipótesis).

En estudios cualitativos

Se puede o no concebir un diseño, se sugiere que sí se haga, pero la implementación de los mismos se vuelve más flexible. Lo que no significa caos o improvisación, el investigador puede elegir y desarrollar uno o más diseños para iniciar previamente la recolección de datos. En otro momento realiza una primera inmersión en el campo y después analiza qué diseño de investigación le conviene para recolectar la información requerida.

---

[1] Kerlinger, F. (2002). Enfoque conceptual de la Investigación del comportamiento., p.83.

[2] Hernández, S. et. al., (2010).  Op., cit., p. 184.