Resumen: El diseo de la investigacin social.

Gary King,
Robert O. Keohane y Sindey Verva
Capitulo 1: La ciencia en las ciencias sociales.
Nos dice que el libro tiene por objetivo prctico: disear investigaciones que
generen inferencias vlidas sobre la vida social y poltica. Nos dice como plantear
preguntas y moldear los estudios acadmicos para extraer inferencias descriptivas
y causales validas.
Plantea que las tcnicas cuantitativas y cualitativas muchas veces se enfrentan
entre ellas por sus deferencias, pero para ellos esas diferencias son solo de estilo y
tcnicas
Las tcnicas cuantitativas se ayudan de nmeros y mtodos estadsticos, parte de
casos concretos para llegar a conclusiones generales o formular hiptesis.
Las tcnicas cualitativas abarcan varios enfoques, pero ninguno con tcnicas
numricas, utiliza un mtodo discursivo e intenta estudiar de forma global un
acontecimiento.
Para entender el mundo social que se encuentra en constante cambio en necesario
comparar los fenmenos que se parecen ms o menos en cuestin de grados
(cuantitativo) o de tipo ( cualitativo).
Investigacin Cientfica:
1.-El objetivo es la inferencia: se obtienes inferencias descriptivas o explicativas a
partir de la informacin emprica que se tenga del mundo.
2.-Los procedimientos son pblicos: esto permite que los resaltados de la
investigacin se comparen con otras, que se reproduzcan los estudios de proyectos
ajenos y que los acadmicos aprendan.
3.-Las conclusiones son inciertas: la inferencias es, por definicin un proceso
incierto.
4.-El contenido es el mtodo: el principal contenido de la ciencia son sus mtodos y
reglas, no su objeto de estudio, ya que podemos utilizar tales mtodos para
estudiar prcticamente todo.
Un proyecto de investigacin tiene que plantear una pregunta importante para el
mundo real, tambin tiene que hacer una aportacin completa a lo escrito n un rea
acadmicamente identificable, aumentando la capacidad colectiva
de dar
explicaciones cientficas verificables a algn aspecto del mundo.
El primer paso para desarrollar un investigacin es crea una teora, lo primero es
elegir teoras que puedan estar equivocadas, ya que se aprende mucho mas de
estas, en segundo lugar, para asegurarse de que una teora se falsable hay que
elegir una que pueda generar tantas consecuencias observables como sea posible.
Y en tercero hay que ser lo mas concreto posible.
Capitulo 2: La inferencia descriptiva

En las ciencias sociales las investigaciones (cualitativas y cuantitativas) tienes por

objetivo: describir y explicar, estas dependen de las reglas de la inferencia
cientfica.
Describir no es en absoluto algo mecnico, es inferir informacin sobre hechos no
observados a partir es hechos que si han sido observados, describir resulta
determinante en toda explicacin y es una actividad fundamental en si misma.
La inferencia, ya sea descriptiva o causal, cualitativa o cuantitativa, es el objeto
ltimo de toda ciencia social de calidad.
Interpretacin e inferencia: los interpretacionistas quieren explicar las razones de
las acciones intencionadas relacionndolas con todo los conceptos y practicas con
los que estas inmersas. Para ellos es muy importante de los investigadores se
inmersa en la cultura y tengan un intenso conocimiento de la materia para poder
plantear preguntas concretas e hiptesis tiles.
Los procedimientos inferenciales de los cientficos sociales interpretacionistas
deben respetar las mismas reglas que las de otros investigadores cualitativos y
cuantitativos.
* Verstehen: empata, comprender el significado de las acciones e interacciones a
partir del punto de vista de lasque participan en ellas.
Singularidad, complejidad y simplificacin: algunos investigadores cualitativos
sostienen que los hechos o unidades que estudian son nicos, por lo tanta la
singularidad de las cosas forma parte de la condicin humana, no distinguen entre
las situaciones que son susceptibles de generalizacin cientfica y aquellas en las
que no es posible generalizar. Pero incluso los acontecimientos nicos pueden
estudiarse de forma cientfica si se presta atencin
a las consecuencias
observables de las teoras que se han desarrollado para explicarlos.
La singularidad nos plantea el problema de la complejidad, es por esto que los
investigadores tienen que simplificar sus descripciones, siempre que sea posible,
solo despus de comprender la riqueza histrica y cultural.
Estudios de casos comparados: los estudios de caos comparados pueden generar
inferencias causales validas cuando se utilizan los procedimientos correctos.
Modelo formal sobre la recogida de datos:
La regla ms importante para toda recogida de datos es dejar claro como se han
creado y de que manera hemos accedido a ellos. Toda informacin que recojamos
tiene que concentrar las consecuencias observables de nuestra teora.
Se hacen modelos con los datos por medio de variables, unidades y observaciones.
Lo que en verdad se plantea es Cmo podemos hacer inferencias descriptivas
sobre la historia tal como fue sin perdernos en un mar de datos irrelevantes?
Despus de recolectar los datos lo primero que tenemos que hacer es resumirlos,
pero como lo que nos interesa es generalizar y explicar, puede que el resumen no
sea lo suficiente para la investigacin en las ciencias sociales.
El modelo que utilizamos para el resumen de los detalles histricos es el estadstico,
para expresar los datos de forma abreviada. (Media muestral o promedio)
Los resmenes histricos deben centrarse en los resultados que queremos descubrir
o explicar, estos tambin tiene que simplificar la informacin que tienen.

Inferencia descriptiva: es el proceso por el cual se comprende un fenmeno no

observado a partir a partir de un conjunto de observaciones.
Uno de los objetivos de la inferencia es distinguir entre los componentes
sistemticos y el no sistmico dentro de los fenmenos que estudiamos.
Con la inferencia descriptiva pretendemos comprender en que medida nuestras
observaciones muestran fenmenos tpicos o atpicos. Uno de los objetivos de la
inferencia es conocer las caractersticas sistemticas de las variables aleatorias Y*
Para comprender esto mejor distinguimos 2 puntos de vista, que constituyen los
extremos de una graduacin, pero algunos investigadores se sienten cmodos con
ambas.
Punto de vista 1: un mundo probabilstico
La variacin aleatoria existe tanto en la naturaleza como en los mundos social y
poltico, y nunca podr eliminarse. Nuestros anlisis nunca darn predicciones
perfectas.
Punto de vista 2: un mundo determinista
La variacin aleatoria solo representa la parte del mundo que no podemos explicar.
Criterios para juzgar la inferencia descriptiva:
Inferencias no sesgadas: se obtienes estimaciones no sesgadas cuando la variacin
que hay entre la reproduccin de una medida y la que le sigue no es sistemtica y
empuja ese calculo a veces en una direccin y a veces en otra. Se produce sesgo
cuando, en un conjunto de reproducciones, hay un error sistemtico de medida que
lleva la estimacin ms en una direccin que en otra.
Eficiencia: la eficiencia es un concepto relativo que se mide calculando la varianza
del estimador en las reproducciones hipotticas. En los estimadores no sesgados,
cuanto menor es la varianza, ms eficiente es el estimador.
Capitulo 3: Causalidad e inferencia causal.
La causalidad es un concepto terico que es independiente de los datos para
conocerla.
El lenguaje causal puede ser confuso, a veces la variable de pendiente se denomina
variable de resultados y con frecuencias las variables explicativas son variables
independientes. Dividimos las explicativas entre variable causal principal
(tambin denominada causa o variable de tratamiento)
y variables de
control. La variable causal principal siempre adopta dos o ms valores, que suelen
conocerse como grupo de tratamiento y grupo de control.
Mecanismos causales: desde el punto de vista de los procesos con los que opera la
causalidad, los mecanismos causales son intuitivos: toda explicacin coherente de
la causalidad tiene que explicar de que manera se producen sus efectos.
Identificar los mecanismos que hacen que una causa tenga un efecto suelen servir
de apoyo a una teora y en procedimientos operativos. Determinar mecanismos
causales puede darnos ms control sobre una teora, al convertir las observaciones

de otros niveles de anlisis en consecuencia de dicha teora. El concepto tambin

puede generar nuevas hiptesis causales que investigar.
Causalidad mltiple: para Charles Ragin, cuando diversas variables explicativas
pueden explicar el mismo resultado en una variable dependiente, hay mtodos
estadsticos que rechazan equvocamente la hiptesis de que tales variables tengan
un carcter casual. Ragin tiene razn al afirmar que algunos modelos estadsticos (o
relevantes diseos de investigacin cualitativa) quizs no alteren al investigador de
la existencia de una causalidad mltiple, pero si los hay adecuados (algunos de los
que Ragin analiza) para manejar con facilidad este tipo de situaciones.
Adems, los rasgos fundamentales de la causalidad mltiple pueden
compatibilizarse con nuestra definicin de causalidad y son los mismos en la
investigacin cuantitativa y en la cualitativa.
Causalidad simtrica y asimtrica: Stanley Lieberson distingue entre lo que se
clasifica como forma de causalidad simtrica y asimtrica y se centran en las
diferencias que se producen en los efectos causales cuando se aumenta una
variable explicativa o cuando se reduce.
Reglas para elaborar teoras causales:
1.
elaborar teoras falsables
2.
construir teoras que tengan coherencia interna
3.
seleccionar cuidadosamente las variables dependientes
4.
maximizar lo concreto
5.
formular teoras de forma tan incluyente como sea posible.