Diseos de N = 1

L
OS denominados diseos de N = 1 o de caso nico constituyen una
categora especial que histricamente surge en un marco concreto de
investigacin y que, an en la actualidad, estn restringidos
principalmente a un mbito reducido de aplicacin. No por ello hay
que asignarles menos mrito, pues al fin y al cabo cada mtodo vale para lo
que sus usuarios lo hacen valer. Digamos que el diseo de N = 1 tiene un
uso muy localizado. Por ejemplo, en la revista Journal of Applied Behavior
Analysis, el 89% de los estudios empricos publicados en el 1989 eran
experimentos de caso nico.
El estatus cientfico del diseo ha sido cuestionado por algunos autores y
otros no se ponen de acuerdo en donde situarlo. Unos lo consideran como
diseo aplicado, otros como experimental, los terceros como cuasi-
experimental Por supuesto que existen ejemplos de aplicacin de diseo
de N = 1 que son perfectamente experimentales del mismo modo que
tambin hay trabajos cuya metodologa es cuasi-experimental (Edgington,
1987; Cook y Campbell, 1979).
Hay una serie de creencias incorrectas respecto a los diseos de N = 1 que
crean confusin, destacando especialmente dos. En primer lugar, no hay
que confundir los diseos de N = 1 con los estudios de caso tradicionales
ya que en este ltimo tipo de estudios el anlisis se lleva a cabo a travs de
un nico sujeto pero sus objetivos son exploratorios, no existiendo
suficiente control de la situacin (Kazdin, 1981). En segundo lugar, en
ocasiones se asocian las investigaciones que utilizan un amplio nmero de
sujetos con anlisis estadsticos mientras que las que incluyen un nico
sujeto tienen que estar asociadas necesariamente a anlisis visual de los
resultados. Es un grave error. Los estudios de N = 1 pueden ser analizados
con modelos estadsticos y los que incluyen un N > 1 pueden ser abordados
con modelos no estadsticos como las tcnicas de inspeccin visual
(Kratochwill, 1978; Martnez, 1986). El nmero de sujetos no determina un
modelo de anlisis.
Sin embargo, los diseos de N = 1 presentan problemas de validez interna
y externa. Los problemas de validez externa pueden ser obvios desde el
momento que se utiliza un slo sujeto y la generalidad de los datos puede
ser ampliamente cuestionada. En los diseos de N = 1 la replicacin es la
clave de la generalizacin. La replicacin implica generar nuevos estudios
que especifican claramente las condiciones de tratamiento y medida. La
validez externa de los diseos de N = 1 depende as de la replicacin

1
sistemtica de los efectos en un amplio nmero de sujetos (Martnez,
1986). Barlow y Hersen (1984) describieron tres tipos distintos de
replicacin:
directa: los mismos tratamientos con nuevos sujetos
sistemtica: cambio de las variables de inters como contexto, tipo de desajuste o
trastorno
clnica: comprobacin de paquetes de tratamiento con sujetos que presentan
problemas conductuales semejantes
Es evidente, que el primer tipo de replicacin tiene que ver con la fiabilidad
de la investigacin y, por tanto, se relaciona principalmente con la validez
interna de la misma. En cambio, los otros dos tipos de replicacin tienen
que ver con la validez externa. Los autores ltimamente citados llegan a
afirmar que una serie de diseos de caso nico con sujetos semejantes a
los que se les aplica el mismo tratamiento original -replicacin-, puede
sobrepasar en tres o cuatro veces el diseo experimental con grupos de
tratamiento / grupo de control (pg. 57).
Otras amenazas contra la validez interna, por ejemplo, la interaccin
seleccin por tratamiento, son difciles de controlar en este tipo de diseos:
un sujeto particular con unas caractersticas individuales, puede reaccionar
de forma especifica al tratamiento, haciendo igualmente difcil la atribucin
causal que se pretende. En estos diseos, al igual que en los diseos cuasi-
experimentales, hay que extremar las condiciones de control y tomar las
precauciones necesarias para que factores tales como la historia, la
maduracin no afecten seriamente la validez.
Otro tipo de amenaza seria contra la validez interna, y que puede afectar
tambin a la validez de conclusin estadstica, procede del hecho mismo de
la repeticin de la secuencia tratamiento no tratamiento. Cuando a un
sujeto se le dan mltiples tratamientos de manera serial o el mismo
tratamiento en mltiples etapas, hay interferencia? hay facilitacin? los
efectos de un tratamiento dependen del orden en que se hayan
administrado? es diferente el efecto segn sea en presencia o ausencia de
un segundo elemento? De nuevo la salida airosa que, como solucin
general, se puede aportar parece venir de la replicacin de secuencias
alternativas.

Distintos diseos de N = 1
Estos diseos han recibido multitud de nombres: diseos de caso nico,
diseos de series temporales, diseos intensivos y nosotros nos hemos
quedado con el menos comprometedor de diseos de N = 1. Existen dos
tipos de diseos especialmente tiles dentro de este mbito: diseo de
inversin y el diseo de lnea base mltiple.

2
Un prototipo del diseo de inversin se puede representar simblicamente
de la siguiente manera:

A B A
donde A indica la primera fase de recogida de los datos, anterior a la
aplicacin del tratamiento y que describe la lnea de base de conducta del
sujeto, precisamente aquella sobre la que se quiere actuar. La letra B indica
la fase de intervencin, durante la cual tendr lugar una nueva recogida de
datos. Si los datos recogidos en esta segunda fase van en la direccin
esperada, de nuevo introduciremos una fase de no-intervencin (A), para
comprobar si los datos se ajustan de nuevo al punto de partida (Kazdin,
1982). El trmino inversin se refiere a la eliminacin o retirada de la
fase de tratamiento (B) realizndose posteriormente una nueva evaluacin
(A) de tal manera que si la fase B tuvo un efecto sobre la conducta objeto
de estudio entonces un deterioro de los datos seguir a su retirada.
Modelos ms complejos aaden nuevas fases de intervencin y no
intervencin. As, por ejemplo:

A B A B B A B A
Si los cambios ocurren siempre que se introduce el tratamiento (B) y se
genera un proceso de desaceleracin o deterioro del cambio positivo al
reintroducir la fase de no intervencin (A), es lgico pensar que debe existir
una cierta relacin causal entre tratamiento y mejora.
La mayora de estos diseos de caso nico han sido aplicados por
conductistas interesados por la solucin de problemas de conducta, pero su
uso no queda limitado a esta rea de intervencin. Las posibilidades no
conductuales de estos diseos fueron demostradas hace tiempo por Truax y
Carkhuff (1965) en una investigacin basada en la terapia centrada en el
cliente, aplicando un diseo del tipo B-A-B.
Los diseos de caso nico, en principio ni estn asociados ni estn a favor
de una orientacin conductista. McCullogh, citado en Edgington (1987),
por ejemplo los utiliz para investigar conductas cognitivas o fenmenos
no-operantes que en nada cumplan los supuestos conductuales que
habitualmente se exigen en la aplicacin de estos diseos (que la variable
dependiente sea estable antes de ser introducido el tratamiento, lnea base
estable, que sea fehacientemente demostrable la influencia de la variable
independiente sobre la variable dependiente, y que los cambios de
tratamiento sean rpidamente reflejados en la variable dependiente).
En ocasiones puede ocurrir que la variable tratamiento no puede ser
retirada debido a limitaciones prcticas como presencia de efectos
acumulativos que persisten despus de la retirada del tratamiento o

3
consideraciones ticas que impiden su retirada (Barlow y Hersen, 1973).
En estos casos, los diseos de lnea de base mltiple aportan una solucin
analtica a este tipo de estudios. En estos diseos se identifican y miden un
cierto nmero de respuestas o conductas con objeto de proporcionar lneas
de base con las que se puedan evaluar los cambios alcanzados con el
tratamiento. Se trata as de obtener diversas lneas de base y despus
comprobar de manera secuencial el efecto de la variable tratamiento en
cada una de ellas. Se construyen por lo tanto diversos diseos A B
independientes que permiten dar fiabilidad al efecto del tratamiento ya que
si dicho efecto se replica en diferentes puntos se puede garantizar en mayor
medida que la intervencin es la causante del cambio.
Existen tres tipos bsicos de diseos de lnea de base mltiple:
diseo de lnea de base mltiple entre conductas: un mismo sujeto es evaluado a lo
largo de una variedad de conductas objetivo distintas e independientes.
diseo de lnea de base mltiple entre sujetos: en diferentes sujetos que estn
apareados y que se suponen estn expuestos a las mismas condiciones ambientales se
evala una misma conducta o tratamiento
diseo de lnea de base mltiple entre situaciones: un tratamiento especfico se
evala en un nico sujeto a lo largo de situaciones distintas e independientes

Metodologa de anlisis
Un problema aadido que han planteado este tipo de diseos es el de su
anlisis estadstico. Son varias las propuestas que se han desarrollado
(para una revisin en castellano vase Arnau, 1984; Kazdin, 1984;
Martnez, 1986), destacando las pruebas no paramtricas de
aleatorizacin, ampliamente defendidas por Edgington (1987), como
especialmente tiles cuando el diseo de N = 1 cumple con los requisitos
de ser un diseo experimental (conviene recordar que experimentacin es
igual a manipulacin y aleatorizacin). Adems, los datos pueden ser
abordados a travs de la prueba F o diversas variaciones de ella, anlisis de
series temporales, la tcnica de divisin en mitades o la prueba de rangos
Rn, aplicndose esta ltima tcnica cuando los datos se han obtenido en
diseos de lnea base mltiple. Nos vamos a detener especialmente en las
pruebas de aleatorizacin.
La utilizacin de las pruebas paramtricas convencionales como t o razn F
a travs de diseos de medidas repetidas es considerada en general como
inadecuada e intil dada la dependencia serial que suelen presentar los
datos de una investigacin basada en un diseo donde las mediciones son
realizadas a un mismo y nico sujeto (Kratochwill, Aldin, Demuth,
Dawson, Panicucci, Arntson, McMurray, Hempstead, y Levin 1974;
Huitema, 1985). Se considera que existe dependencia serial en los datos,
violndose as el supuesto de independencia de las observaciones, cuando
4
se produce autocorrelacin entre los mismos de forma estadsticamente
significativa.
Los valores de las pruebas estadsticas aplicadas se ven sesgados, de tal
manera que el error de Tipo I es mayor cuando existen autocorrelaciones
positivas entre los datos y menor cuando son negativas (Padia, 1973;
tomado de Martnez, 1986) (vase Tabla 1).
La autocorrelacin positiva disminuye espuriamente la varianza de error y
por lo tanto amplia el nivel de error de Tipo I, haciendo la prueba
estadstica ms liberal. Cuando la autocorrelacin es negativa, la varianza
de error aumenta tambin espuriamente, disminuyendo el error de Tipo I,
siendo la prueba ms conservadora (Sharpley, 1988).
Scheff (1959) seal que cuando la autocorrelacin es de 0.30 el riesgo de
error de Tipo I se incrementa de 0.05 a 0.12; incluso con autocorrelaciones
menores como 0.20, el efecto de la autocorrelacin se deja notar,
incrementndose el error de Tipo I de 0.05 a 0.10.
En definitiva, a medida que la autocorrelacin aumenta, el riesgo de error
de Tipo I tambin aumenta rpidamente.
Solamente sern adecuadas las pruebas paramtricas cuando se compute a
priori la autocorrelacin de los datos y se compruebe que efectivamente no
es significativa (Hartmann, 1974).
Si la autocorrelacin es estadsticamente significativa es necesario aplicar
otras pruebas estadsticas alternativas que obvien dicho fenmeno o no se
vean afectadas por l.
Tabla 1 Autocorrelacin y Error de Tipo I
Autocorrelacin = 0.01 = 0.05
0.50 1.3620 0.2585
0.40 0.0910 0.2006
0.20 0.0348 0.1074
0.00 0.0100 0.0500
-0.20 0.0016 0.0168
-0.40 0.0001 0.0026
-0.50 0.0000 0.0006

El estudio de la autocorrelacin se lleva a cabo a travs del clculo de

correlaciones entre los datos. Consideremos un ejemplo de clculo de la
autocorrelacin.
Supuesto 1
Un investigador dispone de los siguientes datos correspondientes a dos fases o condiciones de
su investigacin (condicin A y condicin B). Decide comprobar si se ha producido una
dependencia serial entre los datos y para ello recurre al clculo de la autocorrelacin de los
mismos comprobando su significacin estadstica. El clculo tiene que ser realizado por
5
separado para cada condicin y no de forma conjunta, computndose tantas autocorrelaciones
como fases o condiciones tenga el estudio. Por lo tanto, en este caso es necesario calcular dos
correlaciones de los datos: una para los datos de la condicin A y otra para los datos de la
condicin B. Los datos obtenidos para la condicin A y la condicin B son los especificados en
la siguiente tabla.
Recordar que el cmputo de la autocorrelacin tiene que ser realizado por
separado para cada condicin y no de forma conjunta. Trabajando con un
nivel de probabilidad dado se considerar que no existe dependencia serial
entre los datos si mantenemos el modelo de la hiptesis nula o modelo
restringido.
Tabla 2 Datos del estudio
Condicin A Condicin B
22 34
8 30
11 32
16 30
10 16
12 16
22 15
19 27

XA = 15 XB = 25

La autocorrelacin para cada condicin ha sido calculada a travs de un

coeficiente de correlacin de Pearson entre las columnas resultantes de ir
combinando cada dato con el posterior (vase Tabla 3). La
autocorrelacin por lo tanto permite conocer en qu grado las
puntuaciones obtenidas en un momento predicen las obtenidas en un
momento posterior.
Tabla 3 Datos del estudio para el clculo de la autocorrelacin

Condicin A Condicin B
22 8 34 30
8 11 30 32
11 16 32 30
16 10 30 16
10 12 16 16
12 22 16 15
22 19 15 27
Autocorrelacin = - Autocorrelacin = 0.553
0.068 p > 0.05 p > 0.05

Se concluye que ni en la condicin A ni en la condicin B los datos

presentan dependencia serial estadsticamente significativa, siendo
independientes los datos entre s y no generando resultados espurios.

6
El cierto que la inspeccin o anlisis visual de los datos puede dar
informacin relevante en las fases exploratorias de una investigacin
facilitando la creacin de hiptesis pero puede engaar al investigador si
los datos presentan tendencias y dependencia serial dando lugar a
resultados falsos. El uso de procedimientos estadsticos que permitan
verificar la presencia o no de autocorrelacin es indispensable cuando
se trabaja con datos generados secuencialmente por un mismo sujeto.
Pruebas de aleatorizacin
En las pruebas de aleatorizacin la introduccin del tratamiento y la
retirada del mismo en vez de depender de la respuesta del sujeto, se hace de
modo aleatorio. Los tratamientos (incluida la lnea base) son
aleatoriamente asignados a los diferentes momentos de aplicacin, no
dependiendo de las conductas del sujeto. De este modo el investigador
evita que se generen ciertas tendencias de respuesta que probablemente
hubieran surgido igualmente sin aplicar el tratamiento.
La manipulacin aleatoria sirve para controlar el efecto de esas variables
ocultas (efecto de confundido) y al mismo tiempo sienta las bases que
hacen posible la aplicacin de una prueba estadstica posterior al anlisis de
los datos.