INVESTIGACION DEL COMPORTAMIENTO Cuarta edici6én FRED N. KERLINGER (+) HOWARD B. LEE California State University Traduccién Leticia Esther Pineda Ayala Ignacio Mora Magaiia Traductores profesionales Revisi6n técnica Mtra. Cecilia Balbis Diez Barroso Coordinadora del Area de Psicologia Educativa . Escuela de Psicologia Universidad Andbuac Dra. Guadalupe Vadillo Bueno Psicéloga y Master en Educacién Universidad de las Américas Doctora en Educacién Universidad La Salle Directora de Educacién Continua y de Comunicactin Humana Universidad de las Américas ‘MeGRAW-HILL INTERAME; EJEMPLAR PARA EV, McGRAW-HEL ” PROHIBiDA sty TENACION MEXICO « BUENOS AIRES + CARACAS « GUATEMALA + NUEVA YORK + SAN JUAN + SANTAFE DE BOGOTA + SANTIAGO = SAO PAULO. AUCKLAND » LONDRES « MILAN + MONTREAL * NUEVA DELHI SAN FRANCISCO + SINGAPUA * ST. LOUIS + SIDNEY + TORONTO RICANA DE CHILE LTDA.Contenido Prefacio a la tercera edicién ..... wail Prefacioa la cuartaediciin ..... wwii ParteUno —_Ellenguaje y enfoque de la ciencia . 1 Capitulo La ciencia y el enfoque cientifico 3 . Ciencia y sentido comin 4 Cuatro métodos del conocimiento 6 La ciencia y sus funciones 7 Los objetivos de ia ciencia, explicactén cientifica y teoria 9 La investigaci6n cientifica: definicién 13 El enfoque cientifico 14 Problema-obstéculo-idea 14 Hipitesis 14 Razonamiento-deduccion 14 Observacién-pruckaexperimento 16 Resumen del capitulo 18 Sugerencias de estudio 19 ‘Capitulo 2 Problemas e hipétesis Problemas 21 | — Criterios de los problemas y enunciados de problemas 23 Hipétesis 23 Importancia de los problemas e hipstesis 24 Virtudes de los problemas e hipétesis 25 Problemas, valores y definiciones 27 Generalidad y especificidad de los problemas e hipétesis 28 La naturaleza multivariable de la investigacién y problemas del comportamiento 29 ‘Comentarios finales: el poder especial de las hipdtesis 30 Resumen del capitulo 31 Sugerencias de estudio 32 Capitulo 3 Coonstructos, variables y definiciones .. Conceptos y constructos 36 +. Variables 36CoNTEMDO Definiciones constitutivas y operacionales de constructos y variables 37 1 Tiposde variables 42 Variables independientes y dependientes 42 Variables actioas y variables atributo 46 Variables continuas y categéricas 47 Constructos observables y variables latentes 48 Ejemplos de variables y definiciones operacionales 50 Resumen del capitulo 53 Sugerencias de estudio 54 Parte Dos Capitulo 4 Subconjuntos 60 Operaciones de conjuntos 60 Conjuntos universales y vacios; la negacién del conjunto 61 Diagramas de conjuntos 63 Operaciones con mas de dos conjuntos 6+ Particiones y particiones cruzadas 64 Niveles del discurso 67 Resumen del capitulo 70 Sugerencias de estudio 70 Capitulo Relaciones... Las relaciones como conjunto de pares ordenados 74 Determinacién de relaciones en la investigacién 77 Reglas de correspondencia y mapeo 78 Algunas formas de estudiar relaciones 79 Gréficos. 79 Tablas 79 Gréficos y correlaciin 83 Ejemplos de investigacion 85 Relaciones multivariadas y regresién 87 Algo de ligica de la investigaciém mmultivariada 88 Relaciones miiltiples y regresién 89 Resumen del capitulo 90 Sugerencias de estudio 91 Capitulo 6 Calculo de medias y varianzas. 94 57 59 B 3‘Tipos de varianza 96 : Vorianca poblacional y muestral 96 ’ Varianza sistemética 97 . Varianca entre grupos (experimental) 97, Varianca del error 99 . .ol Un ejemplo de a varianza sistemuiticay varianza del error 100 Una demostracién suseractiva: remocién de la varianza entre grupos dela varianza total 103 Una recapitulaciin de la remociin dela varianza entre grupos dela varianza total 105 ‘Componentes de la varianza 106 Covarianza 108 Anexo computacional 110 Resumen del capitulo 115 Sugerencias de estudio 116 Parte Tres Probabilidad y muestreo 2.2.0.2... 0000000 Capitulo 7 Probabilidad Definicién de probabilidad 122 Espacio muestral, puntos muestrales y eventos 123, Determinacién de probabilidades con monedas 126 Un experimento con dados 126 ‘Algo de teoria formal 128 Eventos compuestos y su probubilidad 130 Independencia, exclusién mutua y exhaustividad 132 Probabilidad condicional 136 Definicién de probabilidad condicional 137 Un ejemplo académico 138 ‘Torema de Bayes: revision de las probabilidades 141 Resumen del capitulo 144 Sugerencias de estudio 144 Capitulo 8 Muestreo y aleatoriedad .... 147 ‘Muestreo, muestreo aleatorio y representatividad 148 Aleatoriedad 150 Un gemplo de muestreo aleatorio 151 Alestorizacién 152 Una demostracion de aleatorizacién senatorial 154 ‘Tamafio de la muestra 157 Tipos de muestras 160 Alggunas libros sobre mauestreo 164ConTNDO Resumen del capitulo 164 Sugerencias de estudio 165 Parte Cuatro —_Anilisis, interpretaciOn, estadisticas ¢ inferencia .. Capitulo 9 —_—_Principios del anélisis e interpretacién .......00...20006 ‘Medidas de frecuencia y medidas continuas 173 Reglas de categorizacion 174 Tipos de andlisis estadisticos 178 Distribuciones de frecuencia 178 Graficos y elaboracién de grificos 179 Medidas de tendencia central y variabilidad 181 Medidas de relaciones 182 , Aniliss de diferencias 183 "V Andlisis de varianza y métodos relacionadas 184 Anilisis de perfles 185 Andlisis multivariado 186 indices 189 Indicadores sociales 191 La interpretacién de los datos de investigacién 192 Adecuscién de ls disetos de investigacién, metodalogia, mediciones y andlisis 192 Resultadas negatives y no concluyentes 193 Relaciones no bipotetizadas y ballazgos no anticipados 194 Prueba, probabilidad e interpretacién 195 Resumen del capitulo 196 Sugerencias de estudio 196 Capfculo 10 “Terminologia de datos y variables 201 “Tabulacién cruzada: definiciones y propésito 202 “Tabulaci6n cruzada simple y reglas para la construccién de una tabulacién cruzada 202 Caleulo de porcentajes 204 Significancia estadistica y la prueba x? 206 Niveles de significancia estadistica 209 ‘Tipos de tablas cruzadasy tablas 212 - Tablas unidimensionales 212 Tablas bidimensionales 214 “Tablas bidimensionales,dicotomias “verdaderas” y medidas continuas 215 Tablas de tres dimensiones y de k-dimensiones 216 Especificacién 216=a, ‘Tabulaci6n cruzada, relaciones y pares ordenados 218 4 Lavrazin de probabilided 221 Aniilisis multivariado de datos de frecuencia 222 Anexo computacional 223 Resumen del capitulo 227 Sugerencias de estudio 228 Capitulo 11 Estadistica: propésito, enfoque y método . . Elenfoque bisico 231 Definicién y propésito de la estadistica 232 Estadistica binomial 234 Lavarianza 236 La ley de los mimeros grandes 237 La curva normal de probabilidad y Ia desviacién estindar 238 Interpretacién de datos usando la curva normal de probabilidad con datos de frecuencia 241 Interpretacién de datos utilizando la curva normal de probabilidad con datos continuos 242 Resumen del capitulo 245 Sugerencias de estudio 245 2BL Capitulo 12 Comprobacién de hipétesis y error esténdar 247 Ejemplos: diferencias entre medias 248 Diferencias absolutas y relativas 249 Coeficientes de correlacién 250 Prueba de hipétesis: hipétesis sustantivas y nulas 251 Naturaleza general de un error estindar 253 ‘Una demostracién Monte Carlo 254 Procedimiento 254 Generalizaciones 256 ‘Torema del limite central 257 Error estindar de las diferencias entre medias 258 Inferencia estadistica 261 Comprobacin de bipétess y las dos tipos de errores 262 Los cinco pasos de la comprobacién de hipotesis 265 Determinacién del tamatio de la muestra 266 Resumen del capitulo 269 Sugerencias de estudio 270 Parte Cinco Anilisis de varianza .. 273 ¢ Capitulo 13 Anilisis de varianza: fundamentos - 275 ‘Descomposicién de la varianza: un ejemplo simple 276 Elenfoque dela razént 279xi CONTENDO El enfogue del andlisis de varianza 280 ‘Ejemplo de una diferencia estadisticamente significativa 282 Caleulo del anlisis de varianza de un factor 283 Un ejemplo de investigacién 287 . Fuerza de las relaciones: correlacién y anélisis de varianza 288 Ampliacién de la estructura: pruebas post boc y comparaciones planeadas 292 Pruebas posthoc 293 Comparaciones planeadas 293 Anexo computacional 296 Razin to prueba venel SPSS 298 ANOWA de un factor en el SPSS 300 Anexo 304 Céleulos deb andliss de varianca con medias, desviacién esténdar yn 304 Resumen del capitulo 304 Sugerencias de estudio 305 Capitulo 14 Andlisis factorial de varianza . Dos ejemplos de investigacién 310 La naturaleza del anilisis factorial de varianza 313 El significado de la interaccién 315 Un ejemplo ficticio simple 316 Interaccién: un ejemplo 322 Tipos de interaccion 324 Notas de precauci6n 326 Interacci6n e interpretacién 328 Andlisis factorial de varianza con tres o mds variables 329 ‘Ventajas y virrades del disedio factorial y del andlisis de varianza 331 Andlisis factorial de varianza: control 333 . Ejemplos de investigacién 335 Raza, sexo y admisién universitaria 335 El efecto del género, el tipo de violacién e informacién sobre la percepcién 336 Ensayos del estudiante y evaluacién del profesor 337 Anexo computacional 337 Resumen del capitulo 344 Sugerencias de estudio 345 Capitulo 15 _Anilisis de varianza: grupos correlacionados Definicién del problema 348 Un ejemplo ficticio 349 Una digresién explicativa 350 Re-examen de los dates dela tabla 15.2 352 Consideraciones adicionales 354ConTENIDO Extraccién de varianzas por sustraccién 356 Eliminacién de fuentes ssteméticas de varianza 357 Orros diseias correlacionates del andlisis de variansa 358 Ejemplos de investigacién 359 Efectos irénicas del intento de relajarse bajo estrés 359 Conjuntos de aprendizaje de isipodes 361 Negocios: conducta de lcitacién 362 Anexo computacional 364 Resumen del capitulo 366 Sugerencias de estudio 366 Capitulo 16 Anélisis de varianza no paramétricos y estadisticos relacionados . . Estadistica paramétrica y no paramétrica 370 Supuesto de normalidad 371 Homogencidad de la varianza 371 Continuidad e intervalos iguales de medida 372 Independencia de las observaciones 373 Anilisis de varianza no paramétrico 374 Anil de varianca de un factor: la prucha de Kruskal-Wallis 374 ‘Andliss de varianca de dos factores: la prueba de Friedman 375 El coeficiente de concordancia, W378 Propiedades de los métodos no paramétricos 379 Anexo computacional 380 2s'La prueba de Kruskal-Wallis en el SPSS 380 La prueba de Friedman en SPSS 383 Resumen del capitulo 384 Sugerencias de estudio 385 Parte Seis Disefios de investigacion Capitulo 17 Consideraciones éticas en la realizacién de investigacién en ciencias, del comportamiento Ficcién y realidad 391 {Un comienzo? 393 Algunos lineamientos generales 396 Lineamientos de la American Prychological Association 396 Consideraciones generales 397 El participante con el minimo riesgo 397 Justicia, responsabilidad y consentiiento informada 397 Engaio 397 Desengatio 398 369 389 391xiv CoxTeNDo Libertad de coercién 398 Proteccin de los participantes * 398 Confidencialidad 399 Erica en la investigacién con animales 399 Resumen del capitulo 400 Sugerencias de estudio 401 403, (Cipicato 18\ _Disefio de investigacién: propésito y principio Propésitos del diseiio de investigacién 404 Un ejemplo 408 Un diseiio mis fuerte 405 El disefio de investigacién como control de la varianza 409 Un ejemplo controversial 409 Maximizacién de la varianza experimental 412 Control de variables extrafias 413 ‘Minimizacién de la varianza del error 415 Resumen del capitulo 416 Sugerencias de estudio 417 Carmo 19 Disefios inadecuados y criterios para el disefio ... 419 Enfoques experimental y no experimental 420 Simbologia y definiciones 421 Disefios defectuosos 422 Medici, historia, maduracién 423 Ed efecto de regresin 424 Criterios del disefio de investigacién 426 Responder preguntas de investigacién? 426 Control de variables independientes extranas 427 Posibilidad de generalizacién 427 Validea interna y externa 428 Resumen del capitulo 431 Sugerencias de estudio 432 Capitulo 20 Disefios generales de investigacién 2.2... .2..4 Fundamentos conceptuales del diseiio de investigacion 434 Una nota preliminar: disefios experimentales y andlisis de.varianza 436 Los disefios 437 La nocin del grupo control y as extensions del dsefi 20.1 438 Apareamiento contra aleatorizacién 440 Apareamiento mediante la igualacién de los participantes 442El método de apareamiento de distribucién de frecuencias 4420 — Apareamiento mediante mantener constantes las variables 443 Apareamiento mediante la incorporacin de una variable extrana al diseio de investigaciim 444 Los participantes como su propio control 444 Extensiones adicionales del disefio: disefio 20.3 utilizando un pretest 445 Puntuaciones de diferencia 446 Resumen del capitulo 450 Sugerencias de estudio 450 Capitulo 21 Aplicaciones del disefio de investigacién: grupos aleatorizados y grupos correlacionados ..... Disefio simple de sujetos aleatorizados 454 Ejemplo de imvestigacién 454 Disefios factoriales 456 Disetis factriales con més de dos variables 487 Ejemplos de investigacin de disci factoriales 457 Evaluacién de los disefios de sujetos aleatorizados 461 +1 Grupos correlacionados 462 El paradigna general 462 Unidades 463 Disefto de un grupo com ensayos repetidos 464 Disetios de dos grupos: grupo experimental-grupo control 465 Ejemplos de investigacién de los disefios de grapos correlacionados 466 Disefios multigrupales con grupos correlacionados 469 Varianza de las unidades 469 Disefio factorial con grupos correlacionados 470 Anilisis de covarianza 473 Disefio y andlisis de investigacién: observaciones concluyentes 474 Anexo computacional 475 Resumen del capitulo 477 Sugerencias de estudio 478 Parte Siete Tipos de investigacién 481 Capitulo 22 __Disefios de investigacién cuasi-experimentales y conn = 1... 483 Disefios comprometidos, también conocidos como disefios cuasi-experimentales 484 Disevio de grupo control no equivalente 484 Diseio de grupo control sin tratamiento 485 Ejemplos de investigacion 490 Diseios de tiempo 491 Disefa de series de tiempo miitiples 493 Disehios experimentales de un solo sujeto 493eemmeereneeneemmncs ah st Capitulo 24 7 CoxTespo Algunos paradigmas de la investigacién de un solo sujeto 497 La linea base estable: una meta importante 497 Disetios que utilizan el retiro del tratamiento 497 Un ejemplo de investigacion 499 Uso de Hineas base mmiltiples 499 Resumen del capitulo SOL Sugerencias de estudio 502 Capitulo 23. Investigacién no experimental 503 Definicin 504 Diferencia basica entre la investigacién experimental y la no experimental 504 Autoseleccién e investigacién no experimental 506 Investigacién no experimental a gran escala 507 Determinantes del rendimiento escolar 508 Diferencias del estilo de respuesta entre estudiantes del este asidtico y estadounidenses 50B Investigacién no experimental a menor escala 509 Cochran y Mays: sexo, mentiras y VIH 509 Elbert: problemas de lectura y del lenguaje escrito en nitios con deficit de atencion 510 Comprobacién de hipétesis alternativas 511 Evaluaci6n de fa investigacién no experimental 513, Limitaciones dela interpretacién no experimental 513 El valor de la investigacin no experimental 514 Conclusiones 514 Resumen del capitulo 516 Sugerencias de estudio $16 Experimentos de laboratorio, experimentos de campo y estudios de campo $19 Experimento de laboratorio: estudios de Miller del aprendizaje de respuestas viscerales 520 ‘Un experimento de campo: el estudio de Rind y Bordia sobre los efectos del agradecimiento de un mesero y la personalizacién en Jas propinas de los restaurantes 521 Un estudio de campo: el estudio de Bennington College realizado por Newcomb 522 Caracteristcas y criterias de los experimentas de laboratoria, experimentos de campo _y studios de compo 523 Fortalezas y debilidades de los experimentos de laboratoria 523 Propdstos del experimento de laboratorio 525 Exexperimenta de campo 525 Fortalesas y debilidades de las experimentas de campo 525 Esrudias de compo 528 Tipos de estudios de campo 529 Fortalezas y debilidades de los studios de campo 530 Investigacién cualitativa 531 Anexo: el paradigma experimental holistico 536ConTENDO. Resumen del capitulo 538 Sugerencias de estudio 539 541 Capitulo 25 Investigacién por encuesta ........--2.+ ‘Tipos de encuestas 543 Entrevistas ¢ imventarios 543 Otros tipas de imvestigacién por encuesta S44 La metodologia de la investigacién por encuesta 545 Verificacién de los datos obtenidos mediante encuestas 549 Tres estudios 550 Aplicaciones de la investigacién por encuesta en educacién $52 Ventajas y desventajas de la investigaci6n por encuesta 554 Meta-andlisis 556 Resumen del capitulo 559 Sugerencias de estudio 560 ParteOcho — Medicién .. Capitulo 26 Fundamentos de medicién Definicién de medicion 566 Tsomorfismo entre medicién y 569 Propiedades, constructos ¢ indicadores de abjetos 570 Niveles de medicién y escalacién 571 Clasificaciin y enumeracién 572 Medicion nominal $73 Medicion ordinal 574 Medicin de intervato (ecalas) $75 Medicién de razén (escalas) S76 Comparacién de escalas: consideraciones précticas y estadisticos 576 Resumen del capitulo 579 Sugerencias de estudio 579 Capitulo 27 Confiabilidad . Definiciones de confiabilidad 581 Teoria de la confiabilidad 585 Das ejemplos computacionales S88 Interpretacién del coeficiente de confiabilidad $91 El error estndar de la media y el error estindar de medicién 595, Incremento de la confiabilidad 597 El valor de la confiabilidad 600 Resumen del capitulo 601 Sugerencias de estudio 602CoNTENIDO Capitulo 28 Validez severe 603 Tipos de valide 604 Validez de contenido y validacién de contenida 604 Validez relacionada con el criterio y validacién 606 1 Aspectos de decision de la validez 607 Predictores y criterios multiples 608 Validex de constructoy validacién de conseructo 608 Convergencia y discriminaciin 609 El métado meultirrasgo-multimétode 611 Ejemplos de investigacin de validacin de constructo 613 Otros métados de validacién de constructo 616 Una definicién de validez en términos de varianza: la elacién de la varianza entre la confiabilidad ylavalidez 617 Relacién estadistica entre confiabilidad y validez. 621 ‘ La validez y confiabilidad de los instrumentos de medicién psicolégicas y educativos 622 Resumen del capitulo 622 Sugerencias de estudio 623 Parte Nueve Métodos de observacién y de recoleccién de datos . . Capitulo 29 _Entrevistas e inventarios de entrevistas Las entrevistas e inventarios como herramientas de la ciencia 630 La entrevista 631 Elinventario de entrevista 632 Tipos de informacién y reactivos de las inventarios 632 Criterios para la redaccién de preguntas 634 El valor de las entrevistas y de los inventarios de entrevistas 636 El grupo focal y la entrevista de grupo: otro método de entrevista 637 Resumen del capitulo 639 Sugerencias de estudio 640 Capitulo 30 Pruebas y escalas objetivas ...... Objetividad y métodos objetivos de observacién 644 Pruebas y escalas: definiciones 645 Tipos de medidas objetivas 645 “Tipos de escalas y reactivos objetivos 651 Eleccién y construccién de medidas objetivas 657 Resumen del capitulo 658 Sugerencias de estudio 659uw Parte Diez ‘Miétodos multivariados .. . Capitulo 32 Analisis de regresién miltiple: fundamentos Problemas en Ia observacién del comportamiento 662 Elobservador 662 Validea y confiabilidad 663 Categorias 664 Unidades de comportamiento 665 Cooperatividad 666 Inferencia del observador 666 Generalizacién y aplicabilidad 667 Muestreo del comportamiento 668 Escalas de calificacién 670 Tipos de escalas de calificacion 670 Debilidades de las escalas de calificacién 671 Ejemplos de sistemas de observacién 673 Muestreo de tiempo del comportamiento de juego de nits con problemas audivivos 673 Observacién y evaluacion de la ensetanza universitaria 673 Evaluacién de la observacién del comportamiento 674 Sociometria 675 Saciometria y elecciém sociométrica 675 Métodos de andlisis sociométrico 676 Matrices sociométricas 677 Usos de la sociometria en investigacién 680 Resumen del capitulo 682 Sugerencias de estudio 683 ‘Tres ejemplos de investigacién 689 Andlisis de regresién simple 691 Regresi6n lineal miltiple 695 Un ejemplo 695 El coeficiente de correlacién miltiple 701 Pruebas de significancia estadistica 703 Pruebas de significancia de los coeficientes de regresion individuales 705 Interpretacién de los estadisticos de regresin multiple 705 Siggnificancia estadistica de la regresiin y de R? 705 Contribuciones relativas deX a Y , 706 Otros problemas analiticos y de interpretacién 708 Ejemplos de investigacién 712 EIDDTy las dguilas calvas 712 Sesgo por exageraciin en exémenes de autoevaluaciin 712 mn “lt tt ten Capitulo 31 Observaciones del comportamiento y sociometrfa. ..... 220.0020 cere 661ConTENIDO Anilisis de regresiOn miltiple e investigacién cientifica 713 Resumen del capitulo 714 Sugerencias de estudio 715 Capitulo 33 Regresién miiltiple, andlisis de varianza y otros métodos multivariados .... 717 Analisis de varianza de un factor y andlisis de regresién miltiple 718 Codificacién y anilisis de datos 721 Anilisis factorial de varianza, anslisis de covarianza y andlisis relacionados 724 Anidlisis de covarianza 724 Anilisis discriminante, correlacién canénica, anélisis multivariado de varianza y an: rom 727 Anébliss dscriminante 727 Correlacion candnica 728 Anélisis multivariado de varianza_ 730 Andlisis de rata 731 Regresién de cresta, regresin logistics y andlisis logarftmico lineal 733 Regresin de cresta 733 Regresién logistica 736 Tablas de contingencia de multiples factoresy andlisis log-lincal 738 Anilisis multivariado e investigacién cientifice 743 Resumen del capitulo 745 Sugerencias de estudio 746 Capitulo 34 Andlisis factorial ....... Fundamentos 752 Breve historia 752 Un ejemplo biporético 753 Matrices facoriales y cargas facoriales 755 Un poco de teoria factorial 757 Representacin grifca de factoresy cargasfactoriales 758 Extraccién y rotacién de factores, puntuaciones factoriales y andlisis factorial de segundo orden 759 El problema de la comunalidad del niimero de factores 760 El método de factores principales 761 Rotaciin y estructura simple 764 Andlisis factorial de segundo orden 768 Puntuaciones factoriales 770 Ejemplos de investigaciin 770 Analisis factorial confirmatorio 173 Analisis factorial e investigacién cientifica 777 Resumen det capitulo 781 Sugerencias de estudio 782CONTENIDO xi Y? = Capitulo 35 Anilisis estructural de covarianza 785 Estructuras de covarianza, variables latentes y comprobaci6n de la teoria_ 786 Comprobacién de hipétesis factoriales alternativas: dualidad contra bipolaridad de las activudes sociales 790 . Influencias de las variables latentes: el sistema EQS completo 797 Establecimiento de la estructura del EQS 799 Estudios de investigacién 801 Conclusiones y reservas 804 Resumen del capitulo 807 Sugerencias de estudio 808 Apéndices Al Apéndice A. Guia para la elaboraci6n de reportes de investigacién ........0c0esc00, AB Apéndice B BL Referencias RL Indice onomistico ..... 101 indice analitico TALParre UNo EL LENGUAJE Y ENFOQUE DE LA CIENCIA A a Capitulo 1 LA CIENCIA Y EL ENFOQUE CIENTIFICO Capitulo 2 PROBLEMAS E HIPOTESIS Capitulo 3 CONSTRUCTOS, VARIABLES Y DEFINICIONESVN KIO CapituLo 1 LA CIENCIA Y EL ENFOQUE CIENTIFICO (CIENCIA Y SENTIDO COMUN CUATRO METODOS DEL CONOCIMIENTO. ‘La CIENCIA Y SUS FUNCIONES Los OBJETIVOS DE LA CIENCIA, EXPLICACION CIENTIFICA ¥ TEORIA ‘La INVESTIGACION CIENTIFICA: DEFINICION: EL ENFOQUE CIENTIFICO Problema-obsticulo-idea Hipétesis Razonamiento-deduccién ‘Observacién-prueba-experimento Para entender cvalgier actividad humana comple es necesrio comprender el lenguaje y el enfoque de quienes la realizan./Asf sucede con la ciencia y Ia investigacién cientifica. Se debe conocer y entender, al menos en parte, el lenguaje cientifico y el enfoque cientifi- co en la solucién de problemas. ‘Una de las cosas que mds confunde al estudiante de ciencia es la forma particular en que los cientificos utilizan palabras ordinarias y, para complicar e] asunto, inventan inchu- so nuevas palabras. Hay buenas razones para este uso tan especializado del lenguaje que serin evidentes mds adelante. Por ahora basta decir que es necesario entender y aprender el lenguaje que usan los cientificos sociales. Cuando los investigadores hablan de sus varia bles dependientes e independientes, se debe saber a qué se refieren. Cuando dicen que han aleatorizado sus procedimientos experimentales no sélo es necesario saber a qué se refie- ren, sino entender por qué lo hacen, ‘De igual forma, la manera en que el cientifico se aproxima a los problemas debe ser entendido con claridad. No porque su enfoque sea muy diferente al de cualquier persona. Por supuesto que si es distinto, pero no es extraiio ni esotérico. Por el contrario, cuando se Le4 Pare Uso + Ellenguaje y enfoque de la ciencia comprende la labor del cientifico parece natural y casi inevitable, De hecho, es probable que nos preguntemos por qué una gran parte del pensamiento humano y de la solucién de problemas no estén tan conscientemente estructurados de la misma manera El propésito de ios capitulos 1 y 2 de este libro es ayudar al estudiante a aprender y entender tanto el lenguaje como el enfoque de la ciencia y de la investigacién. En estos capftulos se estudiarn muchos de los constructos bisicos del investigador social, conductual y educativo. En algunos casos no seré posible dar definiciones completas y satisfactorias debido a la falta de antecedentes en este punto tan temprano del desarrollo del lector. En tales casos se intentaré formular y usar un primer enfoque razonablemente preciso, para de ahi progresar a definiciones mas satisfactorias. Comencemos nuestro estudio conside- rando cémo aborda el cientifico los problemas y cémo este enfoque difiere de lo que puede llamarse un enfoque por sentido comin. Ciencia y sentido comin ' Al inicio del siglo xx, Whitehead (1911/1992, p. 157) sefialé que en el pensamiento creativo el sentido comin es un mal instructor. “Su tinico criterio para juegar es que las ideas nuevas deben parecerse a las viejas.” Tiene raz6n: el sentido comin puede a menudo ser un mal consejero para evaluar el conocimiento. ¢Pero, en qué se parecen y en qué difieren Jaciencia y el sentido comin? Desde un punto de vista ambos se asemejan: sus defensores dirian que la ciencia ¢s una extensién sistematica y controlada del sentido comsn. James Bryant Conant (1951) establece que el sentido comin es una serie de conceptos y esque- inas conceptuales' satisfactorios para los usos practicos de la humanidad.’ Sin embargo, estos conceptos y esquemas conceptuales pueden ser engafiosos en la ciencia moderna —en particular en psicologia y educacién=. Muchos educadores del siglo ax, por sentido comin usaban el castigo como herramienta basica de Ia pedagogfa. Sin embargo, a media- dos del sigio xx la evidencia mostr6 que esta perspectiva de la motivacién basada en el sentido cormin podia ser bastante errénea. La recompensa parece ser més efectiva que el castigo para apoyar el aprendizaje. Sin embargo, recientes hallazgos sugieren que diferen- tes formas de castigo son titiles en el aprendizaje en el salén de clases (Marlow et al., 1997; ‘Tingstrom et al., 1997). La ciencia y el sentido comin difieren marcadamente en cinco aspectos. Estos desacuerdos giran alrededor de las palabras sistemdtico y controlado. Primero, los usos de los esquemas conceptuales y de las estructuras tedricas son notablemente diferentes. La persona comin puede usar “teorias” y conceptos, pero en general lo hace de una forma vaga y a menudo acepta sin reparo explicaciones fantasticas de los fenémenos humanos y naturales. Bpr ejemplo, puede creerse que una enfermedad es un castigo por haber pecado (Klonoff y Landrine, 1994); o que se es alegre porque se tiene sobrepeso. Los cientificos, por otro. Pade, construyen estructuras tedricas de forma sistemuitica, luego evaliian su consistencia interna, y someten algunos de sus aspectos a una "Un concepts una palabra que expresa una abstraccién formada por la generalizacién de clementos paricula- res: “agresién” es un concepto, una abstraccién que expresa un niimero de acciones parsiculares que tienen la caracterftica comin de daar personas u objetos. Un exquema conceptual es un conjunto de conceptos interrelacionados por proposiciones hipotéticasy te6ricas. Un cantructo es un concepto con el significado adi- cional de haber sido creado o adaptado para propésitoscientificos especiales. “Mase”, “energla", “hostilidad’, “introversion” y“rendimiento” son constructos que pueden ser llamada ean tas precisa “cpos conscridos" 6 “clases construidas, las clases 0 grupos de objetos o eventos se agrupan parque poscen Una earacterstica comin defnida por el cieatfico. En un capitulo posterior se defini el término “variable”. Por ahora es suf ‘Gente con saber que representa un simbolo o nombre de uns cursctertsica que puede adoptar diferentes valoresCaPfrULOL + Laciencia y el enfoque cientifico — § prueba empfrica. Ademés, se percatan de que los conceptos que emplean son términos acufiados por el hombre que pueden o no mostrar una relacién estrecha con la realidad. ‘Segundo, los cientificos prueban sus teorias e hipétesis de forma sistematica y empirica. Quienes no son cientificos también prueban “hipétesis”, pero lo hacen de manera selectiva: con frecuencia “seleccionan” evidencia slo porque es consistente con lavhipétesis.'Vearnos tun estereotipo: los asisticos tienen vocacién cientifica y matemética. Si la genté lo cree podrin “verificas” con facilidad esta creencia al notar que muchos asiéticos son ingenieros y cientificos (véase Tang, 1993). No se perciben las excepciones al estereotipo: los asiiticos ‘que no son cientificos o no son mateméticos./Los cientificos sociales y conduetuales identifican estas “tendencias de seleccién” como Fenémeno psicol6gico comin, y se cuidan mucho de io contaminar su investigacién con sus propias preconcepciones 0 predilecciones y con el apoyo selective de hipétesis. Por principio, no se sienten satisfechos con realizar ‘una exploracién somera de las relaciones; los cientificos deben probar estas relaciones en el laboratorio o en el campo, Ellos noe contentan por ejemplo, con las supuestas relaciones entre métodos de ensefianda y rendimiento, entre inteligencia y creatividad, entre valores, y decisiones administrativas. Insisten en probar estas relaciones de manera sistemética, controlada y empitica. ‘Una tercera diferencia yace en la nocién de control. En la investigacién cientifica control significa diversas cosas. Por ahora considere que el cientifico trata sisteméticamente de descartar las variables que son posibles “causas” de los efectos bajo estudio, de otras, variables que se ha hipotetizado son las “causas”. La gente comin rara vez se preocupa por controlar sus explicaciones de los fenémenos observados sisteméticamente. Por lo gene- ral, poco se esmeran por controlar las fuentes extrafias de influencia, y tienden a aceptar més aquellas explicaciones que concuerdan con sus preconcepciones y sesgos. Si creen que los barrios bajos producen delincuencia, tienden a hacer caso omiso de la delincuencia en otras zonas. Los cientificos, por otro lado, buscan y “controlan” la incidencia de la delin- cuencia en diferentes tipos de barrios. La diferencia, por supuesto, es profunda. “"Otra distinci6n entre ciencia y sentido comin quizés no es tan clara. Antes se dijo que cl cientifico esté preocupado de manera constante por las relaciones entre fenémenos. La persona comtin también, pero usa su sentido comin para explicar los fenémenos. El cien- tifico, sin embargo, persigue las relaciones de forma sistemética y concienzuda. La manera en que la persona comin pretende conocer estas relaciones es relajada, no sistemética, y sin control: por ejemplo, con frecuencia observa la ocurrencia fortuita de dos fenémenos y los liga de inmediato de forma indisoluble como causa y efecto. “Tomemos la relacién probada en un estudio clisico realizado hace muchos afios por Hurlock (1925). Usando terminologia més reciente, esta relacién se puede expresar como: el reforzamiento positive (recompensa) produce un mayor incremento de aprendizaje que el castigo. La relacién se encuentra entre el reforzamiento (o recompensa y castigo) y elaprendizaje, Los educadores y padres de famnilia del siglo xxx con frecuencia suponian que el castigo era el agente més efectivo en el aprendizaje. Los educadores y padres de hoy asumen constantemente que el reforzamiento positivo (recompensa) es mds efectivo. En ambos casos podemos decir que el punto de vista se basa sélo en el “sentido comin”. Es obvio, podsian decir, que si se premia o castiga a un nifio aprenderé mejor. Por otro lado, elcientifico, yasea que defienda en lo personal uno, otro o ninguno de estos puntos de vista, probablemente insistird en una prueba sistemtica y controlada de ambas relaciones (y de - otras), como lo hizo Hurlock. Al usar el método cientifico Hurlock encontré que los incen- tivos estaban estrechamente relacionados con el rendimiento en aritmética. El grupo que fue elogiado obtuvo mayores puntuaciones que los que fueron reprobados 0 ignorados, “Una iiltima diferencia entre el sentido comin y la ciencia estriba en las diferentes explicaciones de los fenémenos observados. Cuando el cientifico intenta explicar las rela-6 axe UNO = El lenguaje y enfoque dela ciencia ciones entre los fenémenos observados descarta cuidadosamente Jo que se ha llamado “explicaciones metafisicas”. Una explicacién metafisica es simplemente una proposicién que no puede ser probada: Decir por ejemplo que la gente es pobre y padece hambre porque Dios asi lo dispuso, 6 decir que es malo ser autoritario, es hablar metafisicamente. ‘Ninguna de estas proposiciones se puede probar; por lo tanto, son metafisicas y-no son del interés de la ciencias Esto no significa que los cientificos necesariamente despre- cien tales afirmaciones, digan que no son ciertas 0 mantengan que carecen de sentido. Sélo implica que como cientificos no les interesan.'En pocas palabras, la ciencia esta involucrada con asuntos que pueden observarse y probarse. Si las propuesias o preguntas no implican esta observacién y prueba piiblicas, no cchstituyen propuestas o pre- ‘guntas cientificas. Cuatro métodos del conocimiento Charles Sanders Peirce, como indica Buchler (1955), seiial6 cuatro formas generales de conocer 0, como lo indic6, de establecer creencias,{En la siguiente discusidn los autores se tomaron algunas libertades con la propuesta original de Peirce en un intento de aclarar las ideas y hacerlas mas apropiadas a esta presentacién} El primero es el métado de la tenacidad. En él la gente sostiene firmemente ia verdad, la cual asumen como cierta debido a su apego a ella y a que siempre la han considerado como verdadera y real. La frecuente repeticién de tales “verdades” parece sumentar su validez. A menudo la gente se aferra a sus creencias aun frente a hechos que claramente estin en conflicto con ellas. Ademés infieren “nuevo” conocimiento a partir de proposiciones que pueden ser falsas, ‘Un segundo método de conocimiento 0 de establecer creencias es el métado de la auto- rridad, o de creencias establecidas. Sila Biblia lo dice asfes. Si un notable fisico dice que hay tun Dios, lo hay. Si una idea cuenta con el peso de la tradicién y la sancién pablica para apoyarla, entonces asi. Peirce sefialé que este método es superior al de la tenacidad porque es posible lograr progreso humano, aunque de manera lenta. De hecho, la vida no podria funcionar sin el método de la autoridad. Dawes (1994) establece que, como individuos, no podemos saberlo todo.'Los norteamericanos reconocen la autoridad de la Oficina de Ad- ministracion de Drogas y Alimentos de Estados Unidos (FDA) para determinar que cuan- to comen y beben es seguro. Dawes establecié que no existe la mente completamente abierta que cuestione toda autoridad. Debemos asumir una gran cantidad de hechos informacién con base en la autoridad. Por lo tanto, no podemos concluir que el método de Ja autoridad sea defectuoso; lo es sélo bajo ciertas circunstancias. * "El método a priori es la tercera forma de conocimiento o de establecer creencias. Graziano y Raulin (1993) lo Iamaron el método de Ja intuicién. Basa su superioridad en el supuesto de que las proposiciones aceptadas por el “a priorista” son por sf mismas eviden- tes, Observe que la proposici6n a priori “concuerda con Ia razén” y no necesariamente con la experiencia.2La idea parece ser que la gente, a través de la comunicacién y trato libres pueda alcanzaf la verdad porque sus inclinaciones naturales tienden hacia ella. La dificul- tad con esta postura subyace en la expresi6n “concuerda con la razén”. La raz6n de quién? Imagine a dos sujetos honestos y bien intencionados que usando el proceso racional alcan- zan diferentes conclusiones. ¢Quién esti en lo correcto? (Es cuestién de gustos, como lo sefialé Peirce? Si algo es patente para muchas personas —por ejemplo que el aprender materias dificiles entrena la mente y fortalece el carcter moral, que la educacién estado unidense es inferior ala asiética y europea— significa que en realidad lo sea? De acuerdo con el método a priori lo es, justamente porque se mantiene frente a la raz6n.CaPtrULO 1 + Lacienciay el enfoque cientifico 7 1El cuarto método es el métudo de la ciencia. Dice Peirce: Para satisfacer nuestras dudas..., por lo tanto, es necesario encontrar un método por el que nuestras creencias se determinen no_a partir de algo humano, sino por algo con perma- rnencia externa, por algo que nuestro pensamiento no pudiera afectar .. El método debe ser tal que la conclusidn dltima de todo hombre fuera Ia misma. Este es el'método de la cieneia. Su hipétesis fandamental es ésta: “hay cosas reales cuyas caracteristicas son total- ‘mente independientes de nuestra opinién acerca de ellas...” (Buchler, 1995, p. 18) El enfoque cientifico tiene una caracteristica de la que carecen los otros métodos de ‘obtencién del conocimiento: autocorreccién, Hay puntos de verificacidn intrinsecos a lo largo de todo el camino del conocimiento cientifico. Estos controles estén concebidos y se utilizan de manera tal que dirigen y verifican las actividades cientificas y las conclusiones con el fin de obtener conocimiento del que se pueda depender. Incluso si una hipdtesis parece sustentarse en un experimento, el cientifico probard hipstesis alternas posibles que, si también reciben apoyo, pueden generar dudas sobre la primera hip6tesis. Los cien- ( tificos no aceptan declaraciones como verdaderas aunque en principio la evidencia pueda parecer prometedora. Insisten en probarlas, También subrayan la necesidad de que cual- quier procedimiento de prueba esté abierto al eserutinio public. Una interpretacién del método cientifico es que no hay método cientifico especifico, Mas bien existe una varie- dad de métodos que el cientifico puede emplear y, de hecho, usa, pero probablemente pueda decirse que hay un solo enfoque cientifico. Como dijo Peirce, los controles usados en la investigacién cientifica estén anclados tanto como es posible en la realidad, més alla de las creencias personales del cientifico, y de sus percepciones, sesgos, valores, actitudes y emociones. Tal vez la mejor palabra para expresar esto es objetividad. La objetividad constituye el acuerdo entre jueces “expertos” sobre lo observado o sobre lo que se hizo o hard en la investigacién (véase Kerlinger, 1979, para un andlisis de objetividad, su significado y su caricter controvertido). De acuerdo con Sampson (1991, p. 12) a objetividad “se refiere a aquellas declaraciones acerca del mundo que se pueden justificar y defender en el presente usando los estindares de argumento y prueba empleados en la comunidad a la que pertenecemos —por ejemplo, la de cientifi- cos". Pero, como se verd més adelante, el enfoque cientifico involucra mas que estas dos declaraciones. El hecho es que aleanzamos un conocimiento del que podemos depender més debido a quelja ciencia apela finalmente a la evidencia: las proposiciones se someten a Ja prueba empirical Puede surgir otra objecién: la teorfa, qué los cientifices usan y exaltan, proviene de gente, de los cientificos mismos. Pero, como Polanyi (1958/1974 p. Dsefala | “una teorfa es algo distinto a mf”. Asi, una teoria ayuda al cientifico a lograr una mayor objetividad. En pocas palabras, los cientificos sistematica y conscientemente usan los as- pectos autocorrectivos del enfoque cientifico.” La ciencia y sus funciones tipo de ilcera fueron tratados con éxito por medio de antibiéticos y a un precio considera- blemente més bajo. Durante 75 afios ningtin resultado se tomé como evidencia contra la ’ teoria del acido-estrés de las tilceras. n cientifica: definicién ) La investigaci {_Esmés ficil definir la investigaci6n cientifica que la ciencia. Sin embargo, no seria sencillo lograr un acuerdo de cientificos e investigadores en relaci6n con una definicién. Aun asi intentaremos una: la investigacioncientfin es una ieestgacin sstedtica,controlada, empiri- a, amoral, piblica y critica de fenimenos naturales. Se guia por la teria y las bipitsis sobre las presuntas relaciones entre sos fenémcenas. Esta definici6n requiere poca explicacién en tanto que es una declaraci6n condensada y formalizada de muchos aspectos que ya se han pre- sentado o que abordaremos pronto. Sin embargo, es necesario enfatizar dos puntos. T Primero, cuando decimos que la investigacién cientifica es sistemética y controlada quéremos decir, de hecho, que la investigacién es tan ordenada que los investigadores pueden tener una confianza critica en los resultados}Como se verd mss adelante, las ob- servaciones de la investigaci6n cientifica son estrictamente disciplinadas. Mis atin, entre las muchas explicaciones alternativas de un fenémeno, todas menos una se rechazan de forma sistemitica. As{, uno puede tener mayor confianza en que una relacién sometida @ prueba es tal como es, que sino se hubieran controlado las observaciones y desechado las posibilidades alternativas. En algunos casos es posible establecer una relacién de causa efecto. ~ Segundo, la investigacién cientifica es empirica. Si el cientifico cree que algo se da de cierta forma debe demostrarlo de un modo u otro por medio de una prueba independiente externa. En otras palabras, las consideraciones subjetivas deben ser verificadas contra una realidad objetiva. Los cientificos siempre deben presentar sus nociones ante el tribunal del cuestionamiento y prueba empiricos.iLos cientificos son sumamente criticos de sus pro- pios resultados y de los de las investigaciones de los demés. Cada cientifico que redacta un informe de investigaci6n cuenta con otros cientificos que leen lo que él escribe a lo largo de todo el proceso. Aunque es fécil errar, exagerar, generalizar de més al redactar uno mismo su propio trabajo, no es ficil escapar al escrutinio de otros cientificos que vigilan la tarea, En ciencia existe la revisién de pares. Esto significa que otros con igual capacidad y conocimiento son llamados para evaluar el trabajo del cientifico antes de que sea publica do en revistas especializadss} En este punto hay tantos aspectos positivos como negativos. Es a través de esta revisién de pares que se han descubierto estudios fraudulentos. El ensayo escrito por R.W. Wood (1973) acerca de sus experiencias con el profesor francés Blondlot, sobre la inexistencia de los rayos N, aporta una clara demostracién de estas, revisiones, que resultan buenas para la ciencia y promueven la calidad en la investigacién. El sistema, sin embargo, no es perfecto. Hay ocasiones en que la evaluacién de pares se ha volcado contra la ciencia, Esto esta documentado a través de la historia con personas como Kepler, Galileo, Copérnico, Jenner y Semelweiss. Las ideas de estos individuos no fueron populares entre colegas. Mis recientemente, en psicologfa, el trabajo de John Garcia so- bre las restricciones biolégicas del aprendizaje fue contrario a los de sus colegas. Garcia consiguié publicar sus hallazgos en una revista (Bulletin of the Paychonomic Society) que no tenfa evaluacién de pares. Algunos investigadores que leyeron y replicaron su trabajo lo encontraron valiosoj En la gran mayoria de los casos la revisiGn de colegas resulta benéfica para la ciencia.4 Paxrz UNo » Ellenguaje y enfoque de la ciencia LTereero, el conocimiento obtenido cientificamente no esti sujeto a una evaluacion moral. Los resultados no se juzgan por “malos” ni “buenos”, sino en términos de validez confiabilidad. Sin embargo, e! método cientifico esté sujeto a principios de moralidad; es decir, que el cientifico es responsable de los métodos utilizados para obtener el conoci- miento cientifico. En psicologia, los cédigos de ética se establecen para proteger a quienes estin bajo estudio.\La ciencia es una aventura compartids. La formacién cientifica esté disponible para todos y ef método cientifico es bien conocido y esti a la mano de quienes eligen usarlo. El enfoque cientifico (EI enfoque cientifico es una forma especial y sistematizada del pensamiento y del cuestionamiento reflexivos. [Dewey (1933/1991), en su indluyente trabajo How We Think (Cimo Pensamos), deline6 un paradigma general del cuestionamiento. La presente discu- sién del enfoque cientifico se basa en gran parte en el anilisis de Dewey. Problema-obstaculo-idea El cientifico puede experimentar dificultades para entender, una vaga inquietud acerca de Jos fenémenos observados_y no observados, una curiosidad sobre por qué algo es de la forma en que se presenta!E! primer paso —y el més importante— es tener que sacar ala Juz una idea, expresar el pfoblema de alguna forma razonablemente manejable. Nunca o rara vez el problema surgiré por completo en esta etapa. El cientifico debe esforzarse con i, luchar con él y vivir con él. Dewey (1933/1991, p. 108) dice: “Hay una situacién pro- blemiética, perpleja, irritante, donde la dificultad se encuentra a todo lo largo y ancho de ella, afectindola como un todo.” Mis tarde o mas temprano, explicita o implicitamente, el cientifico definird el problema, incluso si su expresién resulta incipiente y tentativa, El cientifico intelectualiza, como Dewey (p. 109) sefiala “aquello que al principio es méra~ mente una cualidad emocional de toda la situacién’” (las itdlicas son agregadas). En algunos aspectos ésta es la parte més dificil e importante de todo el proceso. Sin algun tipo de definicién del problema, el cientifico dificilmente podrs seguir adelante y esperar que su trabajo sea fructifero. Para algunos investigadores la idea puede provenir de la conversa- cidn con un colega, o de la observacidn de un fenémeno curioso. La idea es que el proble- ma por lo general se inicia con un pensamiento vago 0 no cientifico, o con presentimientos no sistemdticos. Después seguirin pasos més refinados. Hipotesis Después de intelectualizar el problema, de referirse a experiencias pasadas para posibles luciones, de observar fendmenos relevantes, e! cientifico puede formular una hipotesis. [Una hipdtesis es una declaracién conjetural, una proposicion tentativa acerca de la rela- cidn entre dos més fendmenos o variables. Nuestro cientifico dird, “si ocurre tal y tal, entonces resultard tal y tal”. Razonamiento-deduccién Este paso o actividad con frecuencia pasa inadvertido 0 es poco enfatizado, Quizés es la parte mas importante del andlisis de Dewey sobre el pensamiento reflexivo. El cientificoCariTULol + Lacienciayel enfoque cientifico 15 deduce las consecuencias de la hipétesis que é] mismo ha formulado. Conant (1951), al hablar acerca del surgimiento de la ciencia moderna, indica que el nuevo elemento que se aporté en el siglo xvm fue el uso del razonamiento deductivo. Aqui es donde la experiencia, el conocimiento y la perspicacia son importantes. Con frecuencia el cientifico, al deducir las consecuencias de una hipétesis formulada, llegard a un problema muy diferente del original. Por otro lado, las deducciones pueden _ hacer creer que el problema no puede resolverse con las herramientas técnicas actuales. Por ejemplo, antes que la estadistica moderna se desarrollara, algunos problemas de inves- tigacién del comportamiento eran irresolubies. Era dificil, si no es que imposible, probar dos o tres hipétesis interdependientes de forma simulténea, y también era casi imposible probar el efecto interactivo de variables(Ahora hay raz6n para pensar que ciertos proble- ‘mas no pueden resolverse a menos que se les aborde de forma multivariadaj Un ejemplo de esto es la relacién entre los métodos de ensefianza con el aprovechamiento escolar y otras variables. Es probable que los métodos de ensefianza, per se, no difieran mucho si sélo se estudian sus efectos simples. os métodos de ensefianza trabajan en forma diferen- te bajo distintas condiciones, con diversos maestros y con alumnos variados. Se dice que los métados “interactiian” con las condiciones y caracteristicas de los docentes y de los estudiantes. Simon (1987) presenté otro ejemplo: un estudio de investigacién sobre entre~ namiento de pilotos propuesto por Williams y Adelson en 1954 no se podia realizar usan- do los métodos tradicionales de experimentacién. E] estudio proponia examinar 34 variables y su influencia en el entrenamiento de los pilotos. Con el uso de métodos tradicionales de investigacion el mimero de variables bajo estudio era abrumador. Alrededor de 20 afios después, Simon (1976) y Simon y Roseoe (1984) demostraron Ia forma en que se podia abordar con efectividad tales estudios usando disefios econdmicos de megafactor. Un ejem- plo puede ayudarnos a entender este paso de razonamiento-deducci6n. ‘Suponga que un investigador esti intrigado por la conducta agresiva. El investigador se pregunta por qué las personas son con frecuencia agresivas en situaciones donde este ‘comportamiento puede ser inapropiado. La observacién personal nos lleva a suponer que Ja conducta agresiva parece ocurrir cuando las personas han experimentado dificultades de uno u otro tipo, (Nétese la vaguedad del problema en este punto). Después de pensar por un tiempo, revisar la literatura para obtener algunas claves y llevar a cabo mas obser vaciones, se formula Ja hipétesis: la frastracién conduce a la agresividad. La frustracién se define como el obstéculo para alcanzar una meta y la agresividad como la conducta carac- terizada por ataque fisico 0 verbal a otras personas u objetos. Lo que sigue es una declaracién como ésta: sila frustracién conduce a la agresividad, entonces deberiamos encontrar un alto grado de agresividad entre los nifios de escuelas restrictivas, que no les permiten mucha libertad ni posibilidad de expresi6n. De forma similar, en situaciones sociales dificiles, suponiendo que son frustrantes, esperariamos més agresividad de lo “comin”. Si seguimos el razonamiento, si les diéramos a sujetos experi- mentales problemas interesantes para resolver, y después evitéramos que los solucionaran, podemos predecir algxin tipo de conducra agresivafEn pocas palabras, el proceso de tras- Jadamnos de un contexto amplio a una situacién mas especifica se llama razonamsiento deduc- tivo. El razonamiento puede, como se indicé antes, cambiar el problema. Podemos com- prender que el problema inicial era sélo un caso especial de un problema més amplio, fundamental ¢ importanté,/Podemos por ejemplo, iniciar con una hipétesis més limitada: las situaciones escolares réstrictivas conducen a negativismo en los niffos. Después pode- mos generalizar el problema a: la frustracién induce la agresividad. Aun cuando es una forma diferente de pensamiento de lo arriba discutido, es importante, por lo que casi podriamos llamar su calidad heuristica.iEl razonamiento puede ayudar a dirigimnos hacia16 Paere UNo = Ellengusje y enfoque dela ciencia problemas més amplios, mis bésicos y por tanto mis significativos, as{ como a aportar implicaciones operacionales (susceptibles de ser probadas) de la hipétesis original. Este tipo se llama razonamiento inductive, Parte de un hecho particular hacia un enunciado general o hipstesis, Bi uno no es cuidadoso este método puede inducir un razonamiento deficiente debido a si tendencia natural de exclu datos que no se ajustan a la hipotésis. El método de razonamiento inductivo tiende a buscar mas datos de apoyo que a refutar evi- dencias. Considere el estudio elisico de Peter Wason (Wason y Johnson-Laird, 1972) que ha suscitado un gran interés (Hoch 1986; Klayman y Ha, 1987). En este estudio se le pidi6 a estudiantes descubrir la regia que el experimentador tenia en mente al generar una se- cuencia de nimeros. Un ejemplo fue generar una regla de la siguiente serie: “3, 5, 7”. Se Jes dijo a los alumnos que podrian preguntar acerca de otras secuencias y que recibitian retroalimentacién en cada serie sobre si se ajustaron o no a la regia pensada por el experi- mentador. Cuando los estudiantes se sintieran seguros podrian externar la regla. Algunos estudiantes indicaron: “9, 11, 13”, y les dijeron que esta secuencia se ajustaba a la regla. Después siguieron con “15, 17, 19” y otra ver les respondieron que la serie correspondia Los estudiantes entonces presentaron su respuesta: “la regla es tres mimeros nones conse- cutivos”, pero se les dijo que ésta no era la regla. Después de varias secuencias mis propu- sieron contestaciones tales como: “mimeros con incrementos de dos en dos”, o bien “niimeros nones con incrementos de valor das”. En cada uno de los casos se les indicé que ésa no era la regia que el experimentador habia pensado. La regla que el experimentador tenia en mente era: “tres niimeros positivos crecientes cualesquiera”, Si los estudiantes hubieran propuesto las secuencias “8, 9, 10” 0 “1, 15, 4500” les habrfan dicho que estos aiimeros también se ajustaban a la regla. Donde los estudiantes cometieron el error fue en probar s6lo los casos que se ajustaban a la primera secuencia propuesta y que confirmaba su hipétesis. ‘Aunque simplificado en exceso, el estudio de Wason demostr6 lo que puede pasar en la investigacién cientifica real. Un cientifico puede ficilmente condenarse a repetir el mismo tipo de experimento que siempre apoye la hipétesis. Observacién-prueba-experimento 1 A cestas alturas debe quedar claro que la fase de observacién-prueba-experimento forma sélo parte de todo el proceso cientifico. Si el problema ha sido bien planteado, la o las hipétesis se han formulado de manera adecuada y las implicaciones de las hipéresis se han deducido con euidado, se puede presumir en este paso que el investigador es competente desde el punto de vista técnico. La esencia de la prueba de hipétesis consiste en probar la relaciém expresada por la hipétesis. No se prueban las variables como tales, sino la relacién entre ellas, La observa- cin, la prueba y la experimentacién tienen un propésito fundamental: probar empirica- mente la relacién del problema. Probar sin saber —al menos en alguna medida—quéy por qué uno evalia implica un disparate. El hecho de s6lo plantear un problema vago, por ejemplo, “se6mo afecta al aprendizaje la educacién abierta?” para después evaluar alum- nos en las escuelas que dicen ser diferentes en cuanto a su “nivel de apertura”, o pregun- tarnos: “gcudles son los efectos de ia disonancia cognitiva?” para luego crear disonancia a través de manipulaciones experimentales y buscar los supuestos efectos, todo esto sélo podria Ilevarnos a informacién cuestionable. De forma similar, decir que se estudiarén los procesos de atribucién sin realmente saber lo que se hace, o sin establecer relaciones entre las variables, constituye investigacién sin sentido.CAPITULO + Lacienciay-elenfoque cientifico 17 Otro aspecto importante es que por lo general no se prueba la hipétesis de manera directa. Como se indicé en el paso previo sobre el razonamiento, probamos las implica- ciones que deducimos de las hipétesis. Nuestra hipétesis a probar puede ser: “los sujetos a quienes se les instruye para que eviten pensamientos indeseados estarin més preocupados con ellos que aquellos a los que se da una distraccién”. Esta se dedujo de una hipétesis més amplia y general: “Cuantos mayores sean los esfuerzos para suprimir una idea, mayor seré Ja preocupacién sobre esta idea.” No probamos “la supresi6n de ideas” 0 “la preocupa- cién” sino la relacion entre ellas, en este caso, la relacién entre supresion de pensamientos indeseados y e! nivel de preocupacién (véase Wegner, Schneider, Carter y White, 1987; Wegner, 1989). Dewey enfatizé que la secuencia temporal del pensamiento o cuestionamiento re- flexivos no esté fia. Podemos repetir y enfatizar lo que dijo en nuestro propio marco: los pasos del enfoque cientifico no estén ordenados de manera impecable. El primer paso no se completa perfectamente antes de iniciar el segundo. Més ain, podemos hacer pruebas antes de deducir de forma adecuada las implicaciones de la hipotesis. La hip6tesis, en sf misma, puede necesitar una mayor elaboracién o refinamiento como resultado de las, implicaciones deducidas de ella. Con frecuencia veremos que las hipétesis y su expresién parecen inadecuadas una vez que se deducen implicaciones a partir de ellas. Cuando una hipétesis es muy vaga se presenta la dificultad comin de observar que una deduccién es tan buena como otra; esto es, la hipétesis puede no conducir 4 piyebas precisas. Retroalimentar el problema, la hip6tesis y finalmente, la teoriy de los resultados de la investigacién es de la mayor importancia. Los te6ricos e investighdores del aprendizaje, por ejemplo, con frecuencia han modificado sus teorias e investigaciones como resultado de hallzzgos experimentales (véase Malone, 1991; Schunk, 1996; Hergenhahn, 1996). Te6- ricos e investigadores han estudiado los efectos del entorno y del entrenamiento tem, en el desarrollo posterior. Kagan y Zenner (1996) revisaron los resultados de 70 estudios sobre las relaciones entre las experiencias de la edad temprana y la psicopatologia en la vida adulta. Encontraron que es posible predecir la delincuencia juvenil a partir de la can- tidad de impulsividad detectada en la etapa preescolar. Lynch, Short y Chua (1995) halla- ron que el procesamiento musical estaba influido por la estimulacién perceptual experimentada por el nifio entre los seis meses y el afio. Estas y otras investigaciones han sgenerado evidencia variada que converge en este problema de extrema importancia te6ri- cay pricticai Una parte esencial de la investigacién cientifica es el esfuerzo constante por replicar y verificar los hallazgos, por corregir la teoria con base en la evidencia empfrica y por encontrar mejores explicaciones para los fenémenos naturales..Se puede incluso ase- verar que la ciencia tiene un aspecto ciclico. Un investigador encuéntra, por ejemplo, que A esti relacionada con B de tal o cual forma. Entonces se conduce més investigacién para determinar bajo qué otras condiciones A esté relacionada de forma similar a B. Otros investigadores desafian esta teorfa e investigaciGn y ofrecen sus propias evidencias y expli- caciones. E1 investigador original, se espera, modificard su trabajo a la Inz de los nuevos datos: el proceso nunca termina, Resumamos e! llamado enfoque cientiico de la investigacién, En primera instancia existe una duda, una barrera, una situaci6n indeterminada que debe determinarse. El cien- tifico experimenta dudas vagas, disturbios emocionales e ideas incipientes. Hay un esfuer- zo por formular el problema aunque sea de forma inadecuada, El cientifico entonces revisa la literatura y busca en su propia experiencia y en la de otros. Es frecuente que el investi- gador tenga que esperar un momento de inventiva: puede ser que ocurra, puede ser que no. Una vex. que se cuenta con el problema formulado, con la o las preguntas bisicas expresadas de manera apropiada, el resto es mds ficil. Entonces, la hipétesis se construye, después de lo cual se deducen las implicaciones empiricas. Durante este proceso el proble-18 | Paste Uno + Ellengusje y enfoque dela ciencia ma original, y por supuesto la hipétesis original, pueden cambiarse, hacerse mis generales oreducirse. Incluso pueden abandonarse. Mas tarde se prueba la relacién expresada por la hipétesis por medio de la observacién y la experimentacién. Con base en la evidencia procedente de la investigacién, la hipétesis se apoya o rechaza. Esta informacién después retroalimenta al problema original, que se conserva o modifica de acuerdo con la eviden- cia. Dewey sefialé que una fase del proceso puede expandirse y ser de gran importancia, otra puede reducirse, y puede haber mas 0 menos pasos involucrados. La investigacién rara vez es un asunto ordenado. De hecho, resulta mucho més desordenado que Io que la discusién anterior pueda sugerir. El orden y el desorden, sin embargo, na son de primera importancia. Lo que sf es importante es la racionalidad controlada de la investigacién cientifica como un proceso de indagaci6n reflexiva, ta naturaleza interdependiente de las partes del proceso y la suprema importancia del problema y su enunciado. RESUMEN DEL CAPITULO 1, Para comprender la compleja conducta humana es necesario entender el lenguaje y enfoque cientificos. 2, Laciencia ¢s una extensi6n sistemética y controlada del sentido cormin. Hay cinco diferencias entre el sentido comiin y la ciencia: a) La ciencia utiliza esquemas conceptuales y estructuras teéricas. 4) La ciencia prueba de forma sistemitica y empirica las teorias e hipétesis. ) Laciencia intenta controlar posibles causas extrafias. 4) La ciencia busca relaciones de manera consciente y sistematica, @) La ciencia excluye explicaciones metafisicas (no demostrables) 3. Los cuatro métodos del conocimiento de Peirce son: 4) Método de la tenacidad —influenciado por las creencias pasadas ya estableci- das—. 5) Método de autoridad —determinado por el peso de la tradicién o la sancion piiblica—. ©) Método « priori (también conocido como método de la intuicién)—una natural inclinacién hacia la verdad—. 4) Método de la ciencia —autocorrectivo; los conceptos son objetivos y suscepti- bles de ser probados—. 4, Los estereotipos de a ciencia han limitado la comprensi6n de esta actividad por parte del publico. 5. Visién y funcién de Ja ciencia 4) Una visién estética considera a la ciencia como proveedora de informacién para el mundo; la ciencia aporea al cuerpo de informacion y al estado actual del co- nocimiento. 4) Lavisién dindmica estd interesada en la actividad de la ciencia (lo que hacen los Cientificos). Con ello aparece la visién heuristica de la ciencia, que tiene un caricter de autodescubrimiento. La ciencia asume riesgos y resuelve proble- mas. 6. Los objetivos de la ciencia son: a) Generar worfa y explicar los fenémenos narurales. 2) Promover la comprensién y desarrollar predicciones. 7, Una teoria tiene tres caracteristicas: 4) Pose un conjunto de propiedades con base en constructos definidos e interrela- cionados.CaPiTULOL + Lacienciay-elenfoque cientifico 19 4) Determina de forma sistemitica las interrelaciones entre un grupo de variables. ©) _Explica fenémenos. 8. Lainvestigaci6n cientifica es una busqueda sistemética, controlada, empirica y critica de fenémenos naturales. La teoria ¢ hipétesis acerca de relaciones que se presume existen entre tales fenémenos la orienta. Es ptiblica y amoral. 9, Elenfoque cientifico, de acuerdo con Dewey, esté integrado por: 4) Problema-obsticulo-idea —formular el problema o pregunta de investigacién a resolver— 4) Hipétesis formular un enunciado conjetural acerca de la relacién entre fend- menos 0 variables—. 6) Razonamiento-deduccién —e! cientifico deduce las consecuencias de la hips- ‘esis, lo cual puede conducir a un problema més significativo y generar ideas sobre cémo las hipétesis pueden ser probadas en términos observables—. 4d) Observaci6n-prueba-experimento —constituyen la fase de recolecci6a y andli- sis de datos—. Los resultados de la investigacién se relacionan una vez més con el problema. SUGERENCIAS DE ESTUDIO Una parte de este capitulo se presta a gran controversia. Algunos pensadores aceptan esos puntos de vista, mientras otros los rechazan. La revisién de literatura selecta contribuye a mejorar la comprensién de la ciencia y de su propésito, de la relacién entre ciencia y tecnologia, y las diferencias entre investigacién basica y aplicada. Esas lecturas pueden constituir la base de las discusiones en clase. En el libro del primer autor, Bebavioral Research: A Conceptual Approach (Nueva York: Holt, Rinehart y Winston, 1979, capitulos 1, 15 y 16) €s posible encontrar una amplia presentacién de aspectos controvertidos de la ciencia, en. especial, de la ciencia del comportamiento. Se ha publicado una gran cantidad de articulos de buena calidad en ciencia e investigacién, en revistas cientificas yen libros de filosofia de laciencia. Aqui presentamos algunos. También se incluye un informe especial en Scientific American, Todos son relevantes para el contenido de este capitulo. Barinaga, M. (1993). Philosophy of science: Feminists find gender everywhere in science. Science, 260, 392-393. Analiza la dificultad de separar puntos de vista culturales de las mujeres y la ciencia. Sefiala a la ciencia como un campo predominantemente mascu- lino. Hausheer, J., Harris, J. (1994). In search of a brief definition of science. The Physics Teacher, 32(5), 318. Menciona que cualquier definicién de ciencia debe incluir gufas para eva- luar teorias e hipétesis como cientificas 0 no cientificas. Holton, G. (1996). The controversy over the end of science. Scientific American, 273(10), 191. Este articulo versa sobre dos campos del pensamiento: los linealistas y los cicli cos. Los linealistas tienen una perspectiva mas convencional de la ciencia; los ciclicos conciben a la ciencia como un proceso que se degenera de forma interna. Horgan, J. (1994). Anti-omniscience: An eclectic gang of thinkers pushes at knowledge’ limits. Scientific American, 271, 20-22. Analiza los limites de la ciencia. Horgan, J. (1997). The end of science. Nueva York: Broadway Books. Miller, JA. (1994). Postmodem attitude toward science. Bioience, 41(6), 395. Analiza las razones de algunos educadores y académicos en el érea de humanidades que han adop- tado una actitud hostil hacia la ciencia,20 Paxre UNo + El lenguaje y enfoque de la ciencia Scientific American. Science versus antiscience. (Special report). Enero 1997, 96-101. Pre- senta tres diferentes movimnientos anticiencia: creacionista, feminista y medios de co- municacién. Smith, B. (1995). Formal ontology, common sense and cognitive science. International Journal of Human-Computer Studies, 43(5-6), 641-667. Un articulo que examina el sentido comiin y la ciencia cognitiva ‘Timpane, J. (1995). How to convince a reluctant scientist. Scientific American, 272, 104. Este articulo advierte que demasiada originalidad en la ciencia puede conducir a la falta de aceptacién ya la dificultad en su comprensi6n. También analiza cOmo la acep- tacién cientifica esta gobernada tanto por informacién previa como nueva, y por la reputacién del cientifico.Problemas CapiTuLo 2 PROBLEMAS E HIPOTESIS PROBLEMAS CRITERIOS DE LOS PROBLEMAS Y ENUNCIADOS DE PROBLEMAS Hporesis IMPORTANCIA DE LOS PROBLEMAS E HIPOTESIS \VIRTUDES DE LOS PROBLEMAS E HIPOTESIS PROBLEMAS, VALORES Y DEFINICIONES GENERALIDAD Y ESPECIFICIDAD DE LOS PROBLEMAS E HIPOTESIS LA NATURALEZA MULTIVARIABLE DE LA INVESTIGACION Y PROBLEMAS DEL COMPORTAMIENTO = COMENTARIOS FINALES: EL PODER ESPECIAL DE LAS HIPOTESIS ‘Mucha gente cree que la ciencia es en lo fundamental una actividad de recoleccién de hechos. MR. Cohen (1956/1997, p. 148) lo planteé de otra forma: No hay un progreso genuino en el discernimiento cientifico a través del método baconiano de acumular hechos empfricos sin una hipétesis o anticipacién de la naturaleza. Sin alguna {dea que nos guie no sabemos qué hechos recolectar... no podemos determinar qué es y qué no es relevante. Las personas sin formacién cientifica con frecuencia tienen la idea que el cientifico es un individuo objetivo en extremo que recolecta datos sin tener ideas preconcebidas. Poincare (1952/1996, p. 143) sefialé Jo equivocado de esta idea: “Se dice a menudo que los experimentos deben realizarse sin ideas preconcebidas. Eso es imposible. No solo haria que todo experimento fuera improductivo, sino que, aun deseéndolo, no podrfamos hacerlos.” No siempre le es posible al investigador definir el problema de una manera simple, clara y completa. A menudo, puede tener una nocién general, difusa e, inclusive, confusa del pro- 222 Pare Uno = El lenguaje y enfoque de la ciencia blema. Esto se debe a la naturaleza compleja de la investigacién cientifica. Es posible incluso que, pueda tomarle afios de exploracién, reflexi6n e investigacion el poder definir una pregunta de forma clara. Sin embargo, enunciar de manera adecuada el problema de investigacién es una de las partes fundamentales del proceso. La dificultad para enunciar un problema de investigacién de forma satisfactoria en un momento dado no debe hacernos perder de vista lo necesario y deseable que resulta, Con esta dificultad en mente, podemos establecer un principio fundamental: si que- remos resolver un problema, en general debemos conocerlo. Se puede decir que gran parte dela solucidn estriba en conocer lo que se trata de hacer. Otra parte esti en entender qué es un problema y, en especial, un problema cientifico. {Qué constituye un buen enunciado del problema? Aunque los problemas de investi- gacidn difieren en gran medida y no existe una formula “correcta” para enunciar proble- mas, es posible aprender y utilizar para nuestro beneficio ciertas caracteristicas de los problemas y de los enunciados de problemas. Para empezar, consideremos dos o tres ejem- plos de problemas de investigacién publicados y estudiemos sus caracteristicas, Primero, tomemos el problema del estudio realizado por Hurlock (1925), mencionado en el capi- tulo 1: Aunque se ba conducido con éxito uns variedad de estuios sobre autoritaismno, noes claro que entendamos lo ‘que significa autoritarismo en el san de clases. Por ejemplo, una aeci6n de un maestro autoritario en wn salén de clases puede no serio en otra aula. La mencionada conducta democritica exhiida por un maestro puede ser ‘etiquetada como autoritarismo si la muestra otro docente. Tal elasticidad no perrenece alaciencia,CAPITULO? 4 Problemasehipétesis 29. l tipo de letra, Demasiada especificidad quieés sea més dafiina que demasiada generali- dad. El investigador puede estar en posicién de contestar una pregunta especifica pero no podré generalizar los hallazgos a otras situaciones o grupos de personas. A cualquier pre~ cio, alguna clase de compromiso debe establecerse entre generalidad y especificidad. La capacidad para definir tal compromiiso de manera efectiva es, en parte, funcién de la expe- riencia, y en parte, del estudio eritico de los problemas de investigacion. He aqui algunos ejemplos de problemas de investigaci6n contrastantes, ya sea muy generales o muy especificos: } 1) Demasiado general: _Existen diferencias de género al jugar. Demasiado especifico: La puntuacién de Carlos ser4 10 puntos mayor que la de . Carol en el juego profesional Tetris. Corea del ideal: Habré mayor transferencia de aprendizaje al practicar ' videojuegos con nifios que con nifias. 2) Demasiado general: Las personas pueden leer letras de mayor tamafio més ré- pido que las letras més pequefias. Demasiado especifica: Los alumnos de tiltimo afo de la escuela Duarte pueden leer tipos de letra de 24 puntos més répido que tipos de letra de 12 puntos. Cerca del ideal: Una comparacién de tres diferentes tamaiios de letra y agudeza visual en la velocidad de lectura y de compren- sién, La naturaleza multivariable de la investigacién y problemas del comportamiento Hasta este punto, la discusién de problemas e hip6tesis se ha limitado a dos variables, xy +. Debemos corregir cualquier impresion de que tales problemas e hipétesis son la norma en Ia investigaci6n del comportamiento. Los investigadores en psicologia, sociologia, ceducacién y otras ciencias del comportamiento se han concientizado de la naturaleza multivariable de este tipo de estudios. En lugar de decir: si p, entonces g, es frecuente y més apropiado decir: sip, Pa fis entonces 40 bien: sip, entonces , bajo las condiciones nsyh ‘A continuacién, un ejemplo que puede aclarar este punto. En lugar de simplemente formulas la hipétesis: si hay frustracién, entonces hay agresivided, es més realista recono- cer la naturaleza multivariable de los determinantese influencias de fa agresividad, Esto se logra al decir, por ejemplo: si se es muy inteligente, de clase media, varOn y frustrado, centonces hay agresividad; 0 bien: si hay frustraci6n, entonces hay agresividad bajo las condiciones de alta inteligencia, clase media y sexo masculino. En lugar de tener una x, nosotros ahora tenemos cuatro #. Aunque un fenémeno puede ser el mis importante.para determinar o influir en otro fenémeno, es poco probable que la mayoria de los Fendmenos de interés para los cientficos del comportamiento sean determinados de forma simple. Es mucho més probable que lo sean de manera multiple. Es mucho mas probable que la { } agresividad sea el resultado de diversas influencias que actian de forma compleja. Mas ‘tin, la agresividad en si misma contiene miltiples aspectos. Después de todo, hay diferen- tes clases de agresividad. Los problemas y las hipétesis, entonces deben reflejar la complejidad multivariable de Ia realidad psicol6gica, sociolégica y educativa. Hablaremos de una.xy una y, en particular en la parce inicial de este libro. Sin embargo, ex preciso entender que Ia investigacion del —_ fF ~~ |. mm30 Parte UNO + Ellengusjey enfoque de a ciencia comportamiento, que tuvo un enfoque casi exclusivamente univariado, se ha tornado cada vez més multivariable. Nos hemos propuesto usar la palabra “multivariable” en lugar de “multivariada” por una razén importante. De forma tradicional los estudios “mmultivariados” son aquéllos que tienen mas de una variable y y una o mas variables x, Cuando hablamos de una variable y y més de una variable x se usa el término “multivariable” que resulta mds apropiado para hacer la distincién. Por ahora usaremos “univariado” para indicar una.xy una y. De tnanera estricta, el término “univariado” también se aplica a y. Pronto encontra- remos conceptos y problemas de naturaleza multivariada. Secciones posteriores del libro estarin enfocadas en especial a un enfoque y énfasis de este tipo. Para mds explicaciones sobre las diferencias entre multivariable y multivariado (véase Kleinbaum, Kupper, Muller y Nizam, 1997). Comentarios finales: el poder especial de las hipétesis Avveces se oye decir que las hipétesis son innecesarias en Ja investigaci6n. Algunos sienten aque las hipétesis restringen innecesariamente su imaginacién investigadora y que el trabajo de la ciencia y de la investigacién cientifica es descubrir cosas nuevas y no elaborar lo obvio. Algunos piensan que las hipétesis son obsoletas. ‘Tales afirmaciones resultan engafiosas y malinterpretan el propésito de las hipétesis. Casi puede decirse que las hipotesis son uno de los instrumentos més poderosos que ha inventado el hombre para alcanzar un conocimiento confiable. Observamos un fend- meno; especulamos sobre sus causas posibles. Naturalmente, nuestra cultura tiene res~ puestas para dar cuenta de la mayorfa de los fenémenos —muchas correctas, muchas incorrectas, muchas una mezcla de hechos y supersticiones, y muchas pura supersti- cién—. Es obligacién del cientifico dudar de la mayor parte de las explicaciones sobre los fenémenos. Esas dudas son sistémicas. Los cientificos insisten en sorneter las explicacio- nes sobre los fenémenos a una prueba empirica controlada. Para lograrlo, formulan las explicaciones en términos de teorias e hipétesis. De hecho, las explicaciones constituyen hipotesis, Los cientificos sélo disciplinan la cuestidn al escribirla en forma de hipétesis sistemticas y comprobables. Si una explicacién no puede formularse en términos de una hipétesis comprobable, deberd considerarse como una explicacién metafisica y, por lo tan- to, no susceptible de investigacién cientffica. Como tal, los cientificos la rechazan como carente de interés, El poder de las hipétesis va mas alli. La hipétesis constituye una predicci6n: indica que si ocurre x, también ocurrirs y; esto es, y se predice a partir de x. Entonces si se hace que x ocurra (es decir, que varie) y se observa que y también ocurre (0 sea, varia de forma concomitante), entonces la hipétesis se confirma, Resulta una evidencia mas pode- rosa que la simple observacién, sin prediccién, la covariacién de xy y, Es mds poderosa en el sentido de apuesta-juego antes discutido. El cientifico apuesta a que x conduce hacia y. Si en un experimento, x conduce en efecto ay, entonces habré ganado la apuesta. Una persona no puede s6lo entrar en el juego en cualquier momentoy observar una ocurrencia comin quizé fortuita de x yy. No se juega de esta forma (al menos no en nuestra cultura). ‘La persona debe jugar de acuerdo con las reglas, y las reglas en la ciencia estén hechas para minimizar el error y la falibilidad. Las hip6tesis forman parte de las reglas del juego cien- tifico. ‘Aun cuando no se confirmen las hipétesis, tienen poder. Aun cuando y no covarie con «x, el conocimiento avanza. Los hallazgos negativas en ocasiones resultan tan importantes, como los positivos, puesto que reducen el universo total de la ignorancia, y algunas veces sefialan hacia otras hipétesis y lineas de investigacion. Pero el cientifico no puede distinguir la cvidencia positiva de la negativa basta usar una bipétess. Por supuesto, es posible conducitCaPtTULO2 = Problemase hipétesis 31 ‘una investigaci6n sin hipétesis, en particular en el caso de estudios exploratorios, pero es dificl concebir a la ciencia moderna en toda su rigurosa y disciplinada fertilidad sin la guia y poder de las hipétesis. RESUMEN DEL CAP{TULO 1. 1 10. 1 Formular un problema de investigacién no es una tarea facil. El investigador em- pieza con una nocién general difusa y vaga que gradualmente se refina. Los proble- mas de investigacidn varian en gran medida y no existe un tnico camino correcto para enunciar el problema. ‘Tres criterios de problemas y enunciados de problema adecuados son: a) El problema debe exprésarse como una relaci6n entre dos o més variables. 4) Elproblema debe ser redactado en forma de pregunta. 6) Elenunciado del problema debe implicar la posibilidad de ser sometido a una prueba empirica, Una hipotesis es un enunciado conjerural de la relacién entre dos o mis variables. Esta se redacta en forma de enunciado declarativo. Los eriterios para una hipétesis apropiada son los mismos que los usados para los problemas, que se sefialan en el punto anterior. La importancia de los problemas e hipétesis es que: 4) Constituyen un instrumento de trabajo de la ciencia y un enunciado de trabajo especifico de la teorfa, 2) Las hipétesis pueden ser sometidas a prueba y ser predictivas. ©) Contribuyen al avance del conocimiento, ‘Las virtudes de los problemas y de las hip6tesis son: 4) Dirigen la investigacién. 4) Permiten al investigador deducir manifestaciones empiricas especificas. ©) Sirven como puente entre teorfa e investigacién empirica. Los problemas cientificos no constituyen preguntas éticas y morales. La ciencia no puede contestar preguntas de valor o de juicio. Para detectar preguntas de valor es necesario buscar palabras tales como mejor que, deberia, 0 habria que. Otro defecto comin de los enunciados de problema es enlistar aspectos metodolé- sgicos como subproblemas. La falla consiste en que: 4) No son problemas sustantivos que provengan del problema bisico en forma directa. by Estan relacionados con técnicas 0 métodos de muestreo, medicién, © anilisis, no se presentan en forma de pregunta. En cuanto a los problemas, es necesario establecer un equilibrio para que no sea ni demasiado general ni demasiado especifico. Esta habilidad se desarrolla con la ex- periencia, ‘Los problemas e hipétesis deben reflejar la complejidad multivariada de la realidad del imbito de las ciencias del comportamiento. La hipétesis representa uno de los mas poderosos instrumentos inventados para obtener conocimiento confiable. Tiene la capacidad de ser predictiva. Un hallazgo negativo para una hipétesis puede servir para eliminar una posible explicacién y generar otras hipétesis y Kneas de investigaci6n.32 Pair: Uno = Ellengusje y enfoque de Ia ciencia SUGERENCIAS DE ESTUDIO 1 Utilice los siguientes nombres de variables para redactar problemas de investiga ci6n e hipétesis: frustracién, logro académico, inteligencia, habilidad verbal, raza, clase social (estatus socioeconémico), sexo, reforzamiento, métodos de ensefianza, eleccién ocupacional, conservadurismo, educacién, ingresos, autoridad, necesidad de logro, cohesién de grupo, obediencia, prestigio social, permisividad. A continuacién se presentan diez problemas de investigacién tomados de la litera tura, Estidielos con cuidado, elija dos o tres y construya hipétesis con base en ellos. 4) ¢Tienen diferentes puntuaciones en una prueba de ansiedad los nifios de dife- rentes grupos étnicos? (Guida y Ludlow, 1989) b) Las situaciones de cooperacién social conducen a mayores niveles de motiva- cin intrinseca? (Hom, Berger, Duncan, Miller y Belvin, 1994) ©) Las expresiones faciales de las personas influyen en las respuestas afectivas? (Strack, Martin y Stepper, 1988) 4) Respetarin los jurados las instrucciones e indicaciones judiciales prohibitivas? (Ghaw y Skolnick, 1995) €) @Cuiles son los efectos positivos del uso de cojines de presién alternante para prevenir llagas en pacientes terminales atendidos en casa? (Stoneberg, Pitcock y Myton, 1986) ‘fy Cuiles son los efectos del condicionamiento pavloviano temprano en el con- dicionamiento pavioviano tardio? (Lariviere y Spear, 1996) g) Depende la eficacia de la codificacién de informacién en la memoria de largo plazo de lo novedoso que ésta sea? (Tulving y Kroll, 1995) 'b) Cuilesel efecto del consumo de alcobol en la probabilidad de uso del condén, durante el sexo ocasional? (MacDonald, Zanna y Fong, 1996) i) Hay diferencias por género para predecir las decisiones relativas al retiro? (Talaga y Beehr, 1995) A) Ese Juego de Buena Conducta una estrategia de intervencién viable para nifios que requieren procedimientos de cambio de comportamiento en el aula? (Tingstrom, 1994) Accontinuacién se presentan diez hipétesis. Discuta las posibilidades de someterlas a prueba. Después, lea dos o tres de los estudios para entender c6mo lo hicieron los autores. 2) Los olicitantes de trabajo que expresan una gran experiencia en tareas no exis- tentes sobreestiman sus habilidades en tareas reales (Anderson, Warner y Spencer, 1984). 5) En situaciones sociales, los hombres malinterpretan las expresiones amistosas de las mujeres como un signo de interés sexual (Saal, Johnson y Weber, 1989). Amayor éxito de un equipo, mayor serd la atribucién que cada miembro haga a su habilidad y suerte personales (Chambers y Abrami, 1991). 4) Elincremento de interés en una tarea aumentaré la conformidad (Rind, 1997). 4) Extractos de la sudoracién del hombre pueden afectar el ciclo menstrual de la mujer (Cutler, Preti, Kreiger y Huggins, 1986). fy Las personas atractivas fisicamente se consideran mis inteligentes que las per- sonas no atractivas (Moran y McCullers, 1984). 8) Uno puede recibir ayuda de un extrafio si éste es similar a uno mismo, o sila peticidn se hace a una cierta distancia (Glick, DeMorest, y Hotze, 1988). 4) Fumar cigarrillos (nicotina) mejora el desempesio mental (Spilich, June y Remer, 1992).CapiruLo? + Problemasehipétesis 33 4) Quienes guardan objeros valiosos en lugares extrafios tendrén un mayor re- cuerdo del sitio que si colocaran estos articulos en lugares comunes (Winograd y Soloway, 1986). A) Loshombres homosexuales con VIH sintomético presentan significativamente mas angustia que aquéllos que desconocen su estatus de VIH (Cochran y Mays, 1994). 4. Los problemas e hipétesis multivariadas (por ahora, més de dos variables depen- dientes) son ahora comunes en la investigaci6n del comportamiento. Para familia rivar al estudiante con tales problemas, hemos anexado algunos. Trate de imaginar cémo desarrollaria usted la investigacién para estudiarlos. 4) :Difieren hombres y mujeres en cuanto a sus percepciones acerca de sus genitales, _gozo sexual, sexo oral y masturbacién? (Reinholtz y Muehlenhard, 1995) 5) Son los fumadores jévenes mas extrovertidos mientras que los fumadores de mas edad son més depresivos y aislados? (Stein, Newcomb y Bentler, 1996) 6) Cuinto difiere la apreciacién que los maestros tienen de las habilidades socia- les de los estudiantes populares y los rechazados? (Frentz, Gresham y Elliot, 1991; Stuart, Gresham y Elliot 1991) 4) anfluye el grado de semejanza del consejero y del cliente en cuanto a grupo étnico, género y lenguaje en los resultados de! tratamiento para nifios de edad escolar? (Hall, Kaplan y Lee, 1994) ¢) Existen diferencias en las habilidades cognitivas y fancionales de pacientes con Alzheimer que residen en una unidad de cuidado especial en relacién con aquellos que viven en una unidad de cuidados tradicional? (Swanson, Maas y Buckwalter, 1994) f) @Difieren los nifios hiperactivos con déficit de atenci6n de los nifios no hiperactivos con déficit de atencién en cuanto a rendimiento en lectura, orto- grafia y lenguaje escrito? (Elbert, 1993) 2) aLa gente ve a las mujeres que prefieren el titulo de cortesia de seftorita como poseedoras de mayores cualidades instrumentales y de menores cualidades de expresividad que las mujeres que prefieren los titulos de cortesia tradicionales? (Dion y Cota, 1991) 4) zAumentard el estilo de liderazgo autoritario la satisfaccién de los miembros del grupo? Aumentaré la percepcién sobre la eficacia del grupo de trabajo su efectividad? (Kumpfer, Tamer, Hopkins y Librett, 1993) 4) operacionalismo ha sido yes uno de los movimientos més significativos e importantes de nuestro tiempo. El operacionalismo extremo, por supuesto, puede ser peligroso porque oscurece el reconocimiento de la importancia de los constructos y definiciones constituti- vas en la ciencia del comportamiento y porque puede restringir la investigacién a proble- mas triviales. Sin embargo, hay poca duda de que sea una sana influencia{ Resulta una clave indispensable para alcanzar la objetividad (sin la cual no hay ciencia), en tanto que demanda que las observaciones sean piblicas y replicables, lo que ayuda a colocar las actividades de investigacién mas alld de los investigadores y sus predilecciones.'Y, como dijo Underwood (1957, p. 53) en su texto clisico sobre investigacidn psicol6gica: Yo dirfa que el pensamiento operacional hace mejores cientifices. El operacionalista se ve forzado a sacudir y aclarar sus conceptos empiricos... el operacionalismo facilita le comu- nicaci6n entre cientificos ya que el significado de los conceptos asf definidos no es sujeto ficilmente a una mala interpretaci6n. RESUMEN DEL CAPITULO 1. Un concepzo es una expresién de una abstraccién formada a partir de la generaliza~ cin de un particular, por ejemplo, peso. Esta expresién se deriva de observaciones de ciertos comportamientos o acciones. 2. Un constructo es un concepto que se ha formulado para ser usado en la ciencia, Se usa en esquemas te6ricos y se define de tal manera que sea susceptible de ser obser- vado y medido. a54 Pare Uno «El lenguaje y enfoque de la ciencia 4 5. ‘Una variable se define como una propiedad que puede tomar diferentes valores; ¢s un simbolo al que se le asignan valores. Los constructos y las palabras pueden ser definidas por 42) otras palabras 0 conceptos. 4) descripcién de una accién o conducta implicita o explicita, Una definiciin constitutiva se da cuando los constructos estin definidos por otros constructos. Una definicin operacional se presenta cuando se aporta el significado al especificar las actividades u operaciones necesarias para medir y evaluar el constructo. Las definiciones operacionales slo pueden dar un significado limicado al constructo; no pueden deseribir completo a un constructo o variable. Hay dos tipos de defini- ciones operacionales: 2) de medida —nos dice cSmo seré medida la variable o constructo—. 5) experimental —explica los detalles de como el experimentador manipula la variable (constructo)—. ‘Tipos de variables a) La independiente varia y es la causa supuesta de otra variable, la dependiente. En un experimento, constituye la variable manipulada, es a que esté bajo el control del experimentador. En un estudio no experimental, es la variable que tiene un efecto légico en la variable dependiente. b) El efecto de la variable dependiente se altera de forma concomitante con los cambios o variaciones en la variable independiente. ©). Unavariable activa se manipula. Manipulacién significa que el experimentador tiene control sobre cémo cambian los valores. 4) Unavariable atributiva se mide y no puede ser manipulada, es decir, es aquella donde el experimentador no tiene control sobre los valores de la variable, ©) Una variable continua es capaz de asumir un grupo ordenado de valores dentro de cierto rango. Entre dos valores hay un mimero infinito de otros valores. Esta variable refieja por lo menos una categorfa ordinal. fi Las variables categoricas pertenecen a una clase de medicién donde los objetos se asignan a subclases 0 a subgrapos, diferenciados y que no se traslapan. Se considera que todos los elementos de una misma categoria tienen la misma caracteristica 0 caracteristicas. 8) Las variables Jatentes son entidades no observables y se asume que subyacen a las variables observadas. b) Las variables intervinientes son constructos que dan cuenta de procesos psicologicos internos no observables que explican el comportamiento. No pueden ser vistas pero se infieren a partir del comportamiento. SUGERENCIAS DE ESTUDIO 1. Escriba as definiciones operacionales para 5 0 6 de los siguientes constructos. Cuan- do le sea posible, escriba dos definiciones: una experimental y una definicion de medida. reforzamiento poder de castigo aprovechamiento habilidad lectora bajo rendimiento necesidades liderazgo interésCaptru.o3 + Constructos, variables y definiciones $5 transferencia del entrenamiento delincuencia nivel de aspiracién necesidad de afiliacién conflicto organizacional conformidad preferencia politica satisfaccion marital Alguno de estos conceptos o variables —por ejemplo, necesidades y transferencia del entrenamiento— pueden resultar dificiles de definir uperacionalmente, gor que? 2. @Podrfa alguna de las variables del inciso anterior ser tanto variable independicate como variable dependiente? @ Ficur 4.464 — PAaRTEDOS + Conjuntos, relaciones y varianza Ficuna 4.5 ACB Operaciones con mas de dos conjuntos Las operaciones de conjunto no se limitan a dos subconjuntos de U. Sean A, By C tres subconjuntos de U. Suponga que la interseccién de estos tres subconjuntos de U'no esté vacfa, como se muestra en la figura 4.6. El érea con triple sombreado muestra A BNC. Hay cuatro intersecciones, cada una sombreada de forma diferente: 49 B,A N.C, BNC yAN BNC. Aunque se pueden diagramar cuatro o més conjuntos, tales diagramas resultan difici- les de manejar, dibujar y revisar. No hay razén, sin embargo, para que las operaciones de interseccién y unién no se apliquen simbélicamente a cuatro 0 mis conjuntos. Particiones y particiones cruzadas ‘Nuestra discusién de conjuntos ha sido abstracta y quiaés un poco monétona. Dejemos la discusién para examinar un aspecto de la teorfa de conjantos de gran importancia en la clarificacién de los principios de categorizacién, anilisis y disefio de investigacién: la particién. U puede fraccionarse (partirse) en subconjuntos que no se intersequen y que agoten a U por completo. Cuando esto se hace, el proceso se denomina particién. Dicho formalmente, la particién fracciona un conjunto universal en subconjuntos inconeros y exhaustives del conjunto universal. Ficura 4.6 ANBNCCapiruto4 + Conjuntos 65 Sea Un universo, y Ay Blos subconjuntos de U que son particiones. Llamamos a los subconjuntos de A: 4,, 4; ...5 Agy de B: By By -... By: Las particiones por lo general se separan por corchetes mientras que los conjuntos y subconjuntos estin marcados por pa- réntesis o llaves. Ahora, [4, 41] y (B, B,], por ejemplo son particiones si: A,UA,=UyA, 0 Ayn E B,U By =UyB, B= E ‘Los diagramas lo aclaran: la particién de U (representado por un rectangulo) por separado en los subconjuntos A, y A, y en B, y B; se muestra en la figura 4.7. Ambas particiones se han realizado en el mismo U. Hemos presentado algunos ejemplos de tales particiones: hombre-mujer, clase media-clase trabajadora, ingreso alto-ingreso bajo, demécrata- republicano, aprobado-reprobado, eteétera. Algunas son verdaderas dicotomias; otras no. Es posible unir ambas particiones en una partici6n cruzada. Una particiin orucada es tuna nueva fraccién que procede de sucesivas particiones del mismo conjunto U al formar todos los subconjuntos de la forma 4 B. En otras palabras realizamos la particién 4, y después la particién B en el mismo U, 0 en el mismo cuadrado, como se muestra en la figura 4.8. Cada casilla de la particién es una interseecién de los subconjuntos A y B. Encontraremos en un capitulo posterior que tal particién cruzada es muy importante en el disefio de investigacién y en el anilisis de datos. En forma anticipada a lo que se verd més adelante, he aqui un ejemplo de investi cién de una particién cruzada. Dichos ejemplos se denominan tablas cruzadas o de contin- gencia, Las tablas cruzadas proveen la forma més elemental de mostrar una relacién entre dos variables, El ejemplo es de un estudio de Miller y Swanson (1960), sobre pricticas de crianza infantil. Una de las tablas que usaron es une tabla cruzada cuyas variables son clase social (clase media y clase trabajadora) y destete (temprano y tardfo). Los datos converti- dos en porcentajes se muestran en la tabla 4.1. Las frecuencias reportadas por Miller y Ficura 4.866 PARTE DOS + Conjuntos, relaciones y varianza ‘Tapia 4.1 Tabulacién cruzada: relacién entre clase social y destete (estudio de Miller y Swanson) Destete ‘Temprano (B,) Tardio (B,) Clase media (A,) 60% 40% Clase social 6) ee Clase trabajadora(A,) 35% 65% (17) 1) Swanson se pueden observar en el éngulo inferior derecho de cada casilla. Es evidente que existe una relacién entre clase social y destete: las madres de clase social media muestran una tendencia a destetar a sus hijos més temprano que las de clase trabajadora Se satisfa- cen las dos condiciones de inconexién y exhaustividad. La intersecci6n de dos celdas cua~ lesquiera esti vacia. Por ejemplo, (4,0 By) 0 (4, A.B) A (4p B,) 9 (4, 9B) = E. Las casillas agotan todos los casos: (Ay M By) U (Ay N By) U (4, B) U (a, B:) = U. La particién, por supuesto, va més allé de dos fracciones. En lugar de dicotomias, podemos tener politomias; en lugar de éxito-fracaso, por ejemplo, podemos tener éxito- &xito parcial-fracaso. Teéricamente una variable puede ser fraccionada en cualesquier né- ‘mero de subconjuntos, aunque por lo general hay limitaciones practicas. Tampoco existe limitacién teérica en el niimero de variables en una partici6n cruzada, pero las considera~ ciones pricticas por lo comin limitan el nimero 2 tres o cuatro. El estudio de Foster, Dingman, Muscolino y Jankowski (1996) demuestra cémo se parte una variable en tres, categoria. Su investigacién es acerca de las decisiones relativas a contratacién de emplea- dos. Cada participante actuaba como gerente de recursos humanos y debia revisar tres curricula. El nombre en el documento determinaba el sexo del candidato. Los participan- ‘tes debian recomendar un solicitante para la posicién vacante. Los investigadores desarro- Iaron dos paquetes diferentes. En uno, un candidato masculino es el mis calificado y la mujer es la de menores atributos. El segundo paquete es el reverso del anterior la persona més calificada era mujer y el hombre era el menos apto. Habfa un tercer curriculum de una persona cuyo sexo no podia ser determinado por el nombre. El cuadro que Foster y sus colaboradores presentan es una tabla cruzada en la que las variables son género del revisor/decisor (hombre y mujer) y tipo de curricula (altamente calificado masculino, me- nos apto masculino, altamente calificado femenino, menos apto femenino, altamente cali- ficado sexo desconocido y menos apto sexo desconocido). Estos datos, convertidos en porcentajes, se muestran en la tabla 4.2. Las frecuencias obtenidas por Foster y colabora~ dores se presentan en la esquina inferior derecha de cada casilla,¢ ilustran una relacion entre el género del revisor y el género del candidato. Las mujeres revisoras (quienes toma- ban la decisidn) tendian a seleccionar candidatos mujeres al hacer su recomendacién. Los hombres revisores tendfan a seleccionar candidatos masculinos aun cuando el candidatoNiveles del discurso CapfrULO4 © Conjuntos 67 (Bl Tasta 4.2 Tabla de participacién cruzada: relacién entre género det revisor y calificacién del sclicitante (estudio de Foster et al,) Género del Curriculum A Curriculum B | Curriculum C revisor Altamente calificado | Menoscalificado | Menos calificado (Paguete 1) Jimena Reme, Jorge Femenino 50% (2) 3% © 17%) Masculino 41% 24% 35% ©) (Paquete 2) Andrés Michel Carmen Femenino 45% O 3% (1) 50% (10) Masculino 53% (10) 26% (5) 21% femenino fuera superior en calificacién. En un capftulo posterior se deseribird con més detalle esta particion de variables. Cuando hablamos de cualquier asunto lo hacemos en un contexto 0 marco de referencia. Las expresiones, contexto y marco de referencia se relacionan de manera estrecha con U, el universo del discurso. Este tiltimo debe ser capaz de incluir cualesquier objetos de los que hablamos. Si vamos a otro U (otro nivel de discurso), el nuevo nivel no incluird todos los objetos. De hecho, puede no incluir a objeto alguno. Si hablamos acerca de gente, por ejemplo, nosotros no hablamos —o mejor dicho, no deberfamos hablar— acerca de aves y sus costumbres a menos que de alguna forma relacionemos a las aves y sus costumbres con la gente, y que sea muy claro que esto es lo que hacemos. Hay dos niveles de discurso 0 universos (U) de discurso aqui: gente y aves. Cuando discutimos las implicaciones democriticas de la segregacién, no debemos abordar de forma abrupta las preferencias religiosas, a menos que de alguna forma las relacionemos. Si lo hacemos, perderemos nuestro universo original de discurso, ono podremos asignar los objetos de un nivel (quiza religiGn) al otzo nivel (la educacién de los nifios afroamericanos). Para matizar esta presentacién, cambiernos nuestro nivel de discurso a la mtsica y el juicio y el entendimiento de diferentes géneros musicales. Una de las grandes dificultades al escuchar miisica moderna es que el sistema clisico de reglas que nuestros ofdos han aprendido no se adecua al tipo de misica de compositores como Barték, Schéenberg 0 Ives. Uno tiene menos dificultades con Barték y mucho més con Schéenberg e Ives por- gue el primero mantiene mas bases clésicas que los otros dos. Examinemos la “Sonata Concordia” de Ives, en verdad un buen trabajo. La primera vez uno se sorprende por la aparente cacofonia y carencia de estructura. Después de escucharla varias veces, uno em- pieza a eliminar los juicios con base en el marco de referencia de la misica clisica y a escuchar la belleza, significado y estructura del trabajo. El universo del discurso musical de Ives es simplemente muy diferente del universo del discurso clasico y resulta en extre- mo diftcil desplazarse del U clasico al U de Ives. Algunas personas no pueden o incluso rechazan intentar este cambio. Encuentran la misica de Ives extraiia, inclusive repugnan-@B —-PaxreDOS » Conjuntos, relaciones y varianza te. Son incapaces de sacudirse el nivel de discurso de los conceptos axtétions y de juicio de la mmsica chisica para hacer este desplazamiento,’ En la investigacién debemos ser cuidadosos de no mezclar o desplazar nuestros nive- les de discursa, y hacerlo sdlo de manera consciente y con conosiiniente, Penoar om térmi- nos de conjuntos nos ayuda a evitar estas mezclas y cambios. Como ejemplo extremo, supongamos que un investigador decide estudiar el entrenamiento para el control de esfinteres, el autoritarismo, las aptitudes musicales, la creativided, le intcligeacia, et aprovechamiento en lectura y el aprovechamiento escolar general de jovenes de 3er. afio de educacién media. Aunque es concebible que se pueda extraer algiin tipo de relacio- nes de este arreglo de variables, es més factible que se trate de una confusién intelectual. A. cualquier costo, recuerde los conjuntos. Preguintese: “Los objetos de los que discuto zper= tenecen a un conjunto o conjuntos de mi presente discusién?” Si es asi entonces usted esté en un nivel de discurso. En caso contrario entra en la discusién otro nivel de discurso, otro Conjunto, o conjunto de conjuntos. $i esto ocurre sin que se dé cuenta, el resultado es una confusién. En pocas palabras preguntemos: “gCudles son Uy los subconjuntos de U?” La investigacién requiere definiciones precisas de los conjuntos universales. Precsas significa aportar una regia clara que nos diga cuando un objeto es o no miembro de U. De manera similar, defina los subconjuntos de Uy los subconjuntos de los subconjuntos de U. Silos objetos de Uson personas, entonces no puede tener un subconjunto con objetos que no sean personas. (Aunque es posible tener un conjuntoA de personas y el conjunto ~A de no~personas, esto nos lleva ldgicamente a que U son personas. “No-personas” es, en este caso, un subconjunto de “personas”, por definicién o por convencién.) La idea de eonjunto es fundamental en el pensamiento humano, en tanto que es pro- able que la mayor parte del pensamiento dependa de asignar cosas a categorias y de etiquetar esas categorias (véase Ross y Murphy, 1996; Smith, 1995). Lo que hacemos es agrupar clases de objetos —cosas, personas, eventos, fenémenos en general— y nombrar dichas clases. Tales nombres se convierten entonces en conceptos, etiquetas que no nece- sitamos aprender de nuevo y que pueden usarse para un pensamiento eficiente, La teoria de conjuntos también constituye un instrumento general y ampliamente aplicable del pensamiento analitico y conceptual. Sus aplicaciones mss importantes perti- nentes a la metodologia de la investigacién son tal vez al estudio de las relaciones, la ‘égica, el muestreo, la probabilidad, la medici6n y el andlisis de datos (véase Curtis, 1985; Hays, 1994). Sin embargo, la teorfa de conjuntos puede aplicarse también a otras areas y problemas no considerados técnicos en el sentido en que la probabilidad y la medicién lo son. E] uso de los conjuntos y los diagramas de Venn no es abundante en las ciencias de la conducta. Investigadores reconocidos a través de los afios han erupleado los conjuntos y diagramas de Venn en su trabajo de investigacién. Piaget (1957), por ejemplo, usé el dlge- bra de conjuntos para tratar de explicar el pensamiento de los nifios (véase también Piaget, Garcia, Davidson y Easley, 1991). El trabajo clésico de Lewin (1935) en psicologta Gestalt se apoya en conjuntos y diagramas de Venn para describirla interaccién entre las personas y sus entornos, asi como con ellos mismos. Més recientemente, Kubat (1993) aplieé con- juntos a estudios sobre aprendizaje de conceptos. Sheridan (1997) utilizé los diagramas de ‘Venn para describir su marco conceptual para la intervencidn conjunta en cuestiones de conducta en psicologia escolar. Sheridan establece que la identificacién de problemas, el anilisis de problemas, la implementaci6n de planes y Ia evaluacién del plan para la con- ducta de un nifio puede explicarse como la interseccién de los sistemas familiar, escolar y * No queremos implicar que sea necesariamente deseable hacer el cambio, ni tampoco que toda la sica mo derma, zun tod la misica de Ives, sea grandiosa o buena rnisic. Tan slo tratamos de mostrar ia generalidad y aplicabilided de las ideas de conjantosy niveles de discurso. eeCartreto4 = Conjuntos 69 Ficuna 4.9 Sin control de factores de apoyo del nifio. Dayton (1976) emplea un diagrama de Venn para explicar c6mo el individuo creativo confronta sus procesos mentales preconscientes y el mundo extemno. ‘rites y Laprade (1983) los utilizan para ilustrar grificamente un anélisis de contingen- cias. Este andlisis involucra un compuesto de puntuaciones factoriales en el estudio de la hiperactividad y el trastorno de condueta en nifios (véase figura 4.9). Bolman (1995) discute el papel y la necesidad del conocimiento de la ciencia de la conducta en la educacién y préctica médicas. Para hacerlo, se apoya en diagramas de Venn parailustrar lo que significa “fuerzas biopsicosociales”, es decir, la interseccién de las cien- cias biolégicas (anatomia, fisiologia) con la psicologia (sentimientos, identidad, metas) y la sociologia y antropologfa (cultura, familia, ética). La combinacién de estos tres factores constituye, en términos de Bolman, “la realidad clinica”. Lane (1986) es un defensor de la censefianza del razonamiento condicional (pensamiento l6gico) a nifios através de diagramas de Venn y teoria de conjuntos. Lane condujo diversos estudios que comparaban diferentes materiales instruccionales para la ensefianza del pensamiento légico. En cada uno de ellos Figura 4.10 ‘Regia de (a tarjeta) ‘Regla de le tarjeta) ‘Tarjetas con el rétulo ‘Circulo, Circulos Circulos ‘no-amarillos amarilios Amarillo No-amarillos Necesariamente No-circulos vacio70 PaRTEDos + Conjuntos, relaciones y varianza los diagramas de Venn (el enfoque de teoria de conjuntos) resultaron superiores a ores métodos en cuanto a desempefio inmediato, retenci6n y transferencia del aprendizaje, La figura 4.10 presenta una muestra usada por Lane para comparar los diagramas de Venn con la tabla de I6gica cartesians. Fl concepta o Ia regla de ta earjats hajo asvudiv vo “ah ot amarillo, entonces es un circulo”, Mas adelante en este libro, se definiré medicién a partir de una sola ecuacién de teoria de conjuntos. Ademés, aclararemos los principios bisicos del muestreo, del aniliss y del disefio de investigacién con base en conjuntos y eorfa de conjuntos. Por desgracia, la mayor parte de los cientificos sociales y educadores no estin al tanto de la generalidad, poder y flexibilidad del pensamiento de conjuntos. Sin embar- | 80)€s posible predecir con certeza, que los investigadores en las ciencias sociales y educa- cién encontrarin al pensamiento y teoria de conjuntos progresivamente mas dules para conceptualizar problemas tedricos de investigacién. RESUMEN DEL CAPITULO i. 1. Log conjuntos son stiles para entender los métodos de investigacién. Son el funda- mento del proceso descriptivo, légico y del pensamiento y procesamiento analiti- cos. Constituyen la base del andlisis numérico, categérico y estadistico. 2. Unconjunto es una coleccién bien definida de objetos 0 elementos. Dos formas de definir un conjunto son: 2) Enlistar todos los miembros del conjunto. 4) Aportar una regla para determinar si los objetos pertenecen o no al conjunto. 3. Los subconjuntos son partes del conjunto original. Siel conjunto entero constituye Ja poblacién, entonces los subconjuntos son muestras de dicha poblacién. 4. Las operaciones de conjuntos incluyen la interseccién y la unién. a) La interseccién esta compuesta por los elementos comunes a dos o més conjun- tos 0 subconjuntos; el simbolo es N. 4) La unién es la combinacién de los elementos no redundantes de dos o mas conjuntos 0 subconjuntos; el simbolo es U. 5. El conjunto universal, U, se define como todos los elementos bajo consideracién. Algunas veces se le llama poblacién. El conjunto vacfo, £, es el conjunto que no contiene miembros o elementos. También se llama conjunto mulo. 6, El conjunto de negacién se simboliza por *-”. Al colocar este simbolo antes de un conjunto se indica que contiene miembros del conjunto universal, U, que no estan contenidos en el conjunto. Por ejemplo, ~4 nos dice que este conjunto contiene todos los elementos en U que no extn en A. 7. Una particién es la divisién de U'en subconjuntos tales que cuando se combinan, U se restituye. Otra caracteristica indispensable de una partici6n es que no haya ele- mento alguno de un subconjunto que se traslape con los elementos de otros subconjuntos. 8. Particién cruzada es la combinacién de dos o més particiones diferentes, Las tablas de particién cruzada o tablas de contingencia son ejemplos de una particién cruzada ‘que muestra la relacién entre dos variables. SUGERENCIAS DE ESTUDIO 1. Dibuje dos cérculos traslapados, dentro de un rectingulo. Marque las siguientes partes: el conjunto universal U, los subconjuntos A y B, la interseccidn de y B,yla ~ + unién de A yB.CapiruLo4 » Conjuntos 71 4) Siestuviera trabajando en un problema de investigacién con nifios de So. gra- do, cqué parte del diagrama representaria 2 los nifios de los que puede tomar su muestra? 4) Qué representarian los conjuntos A y B? ©) Qué podria significar la interseccién de A y B? 4) 2Cémo cambiaria el diagrama para representar un conjunto vacio? representaré la varianza en este libro, Otros simbolos cominmente usados son 0° y EI primero también se lama valor poblacional; el segundo es un valor muestral. Nse usa para representar el mimero total de casos en una muestra total o en una poblacidn. (Se efinira “muestra” y “poblacién” en un capitulo posterior.) nse usa para una submuestra o subconjunto de U de una muestra total. Los subindices apropiados se anexarin y explicarn conforme sea necesario, Por ejemplo, si queremos indicar el ntimero de elementos en el conjunto 4, subconjunto de U, podemos escribir 2, 0 n,..De manera similar agregarernos subindices para x, V, etcétera. Cuando se use doble subindice, como r., el significado por Jo general resultaré obvio. La varianza se llama también cuadrado medio (cuando se calcula de una forma ligera- mente diferente), Se llama asf porque es evidente que equivale a la media de las x’. Es claro que no ¢s dificil caleular la media y la varianza.’ La pregunta es: :Por qué calcular la media y la varianza? El fundamento para el cileu- lo de la media se explica ficilmente. La media expresa el nivel general, el centro de grave- dad, de un conjunto de medidas. Es un buen representante del nivel de las caracteristicas orendimiento de un grupo. También posee ciertas propiedades estadisticas deseables y es elestadistico més frecuente en las ciencias del comportamiento. En gran parte de este tipo de investigacién, por ejemplo, se compara la media de diferentes grupos experimentales para estudiar relaciones como se sefialé en el capitulo 5. Podemos probar la relacién entre climas organizacionales y productividad, por ejemplo. Pudimos usar tres tipos de climas y estar interesados en conocer qué clima tiene el mayor efecto en la productividad. En tales casos, las medias por lo general se comparan. Por ejemplo, de tres grupos, cada uno ope- rando bajo alguno de los tres climas A,, A, y A,, Compare Means. sje fi? ool NOwaNec > 23 [4 75 | Correlate > EA] Biariate 3,5 [1 45 | Regression = arat [Log-tinear > | Partial ap [2 ao | (cei . s{ im | t 85] Data Reduction => o| 12 2 39 | Scale > stat Gu Nonparametic Tests > En los capitulos subsiguientes cuando nos refiramos a célculos, nos basaremos en esta demostracién. La informacién resulta fundamental e importante para trabajar con efi- ciencia con el SPSS for Windows. Sin embargo, esta breve introduccién no pretende ser sustituto del manual del SPSS que esti disponible. El usuario de paqueteria estadistica debe estar consciente de que la computadora sélo calcula lo que se le pide y no puede interpretar el resultado si se han cometido algunos errores légicos. RESUMEN DEL CAPITULO 1. Las diferencias entre las mediciones son necesarias para estudiar las relaciones entre variables. La varianza es una medida estadistica usada para estudiar diferencias, La varianza, junto con la media, se usan para resolver problemas de investigaci6n. Clases de varianza: 4) Lavariabilidad de una variable o caracteristica en el universo 0 poblacién es la varianza poblacional. 4) La muestra es un subconjunto del universo y también tiene variabilidad que se denomina varianza muestral. 6) Lacstadistica calculada de una muestra la otra varia y se lama varianza muestral. d) Lavarianza sistemética es la variacién de la que se puede dar cuenta. Puede ser explicada. Cualquier influencia de origen natural o humano que cause que se den eventos en alguna manera predecible es varianza sistemitica. €) Un tipo de varianza sistematica es la llamada varianza entre grupos. Cuando hay diferencias entre grupos de sujetos, y se conoce la causa de esa diferencia, se denomina varianza entre grupos. F) Otro tipo de varianza sistemdtica es la varianza experimental, que es un poco més especifica que la varianza entre grupos en tanto que estd asociada con la varianza originada por la manipulacién activa de la variable independiente.116 Pare Dos + Conjuntos, relaciones y varianza 1g) Lavarianza del error es la fluctuacién o variacién de las medidas en !a variable dependiente que no puede ser explicada en forma directa por las variables bajo estudio. Una parte de la varianza del error se debe al azar, lo que se conoce como varianza aleatoria. La fuente de esta fluctuacién generalmente es desco- nocida. Otras posibles fuentes de varianza del error incluyen al procedimiento del estudio, el instrumento de medicién y las expectativas del investigador. 5. Las varianzas pueden fraccionarse en sus componentes. En este caso, la palabra varianza se refiere como varianza total. La partici6n de la varianza total en sus com= ponentes de varianza sistemética y varianza del error juega un papel importante en los analisis estadisticos de los datos de investigacién. 6. La covarianza es la relaci6n entre dos o més variables: a) Es un coeficiente de correlacién no estandarizado; +) La covarianza y la varianza son los fandamentos estadisticos de las estadisticas multivariadas (que se presentaran en capitulos posteriores). SUGERENCIAS DE ESTUDIO 1. Un psicélogo social ha hecho un experimento en el que un grupo, 4,, ruvo una tarea frente a un auditorio, y otro grupo, A;, debié realizarla sin pablico. Las puntuacio- nes de ambos grupos en la tarea que evaluaba habilidad con los dedos fueron: A A 5 3 5 4 9 7 8 4 3 2 4) Calcule las medias y varianzas de A, y A;, usando el método descrito en el texto. 4) Calcule la varianza entre grupos, Vy también la varianza intragrupos, V;. 0) Acomode todas jas 10 puntuaciones en una columna y calcule la varianza total, Ve. 4) Sustituya los valores calculados obtenidos en b) y en ) en la ecuacion: V,=V,+ V, Interprete los resultados. [Respuestas: a) V4, = 4.8; Vg = 2.8; b) V, = 1.0; Vj 23.8, V,=48) 2. Para el ejercicio 1 anterior, sume 2 a cada una de las puntuaciones de 4, y calcule V,, Vey Vx. Cul (0 cusles) de las varianzas cambié? B), para corregir la ecuacién. Ahora se ajusta a cualquier posibilidad. Si, por ejemplo, n(4 8) =, el conjunto vacio, la ecuacién 7.5 se reduce a la ecuacién 7.1. La ecuacién 7.1 es un caso especial de la ecuacién 7.5. Si se calcula el mimero de puntos muestrales en n(4 9 B) de la ecuacién 7.4, centonces se obtiene (4 U B) = 8 +6~2 = 12. Si se divide la ecuacién 7.5 entre n(U), como en la ecuacién 7.3, resulta: AUB) = WA) +B) lA 0B) 76) Figura 7.4132 PaRTETRES © Probabilidad y muestreo Si se sustituyen las marcas o puntos muestrales, se encuentra que: Blt 6 2 24 24°24 24 50% 33 +.25-.08 Entonces en una muestra aleatoria de U, las probabilidades de que un elemento sea miembro de 4, B, AM By AV B, son respectivamente: .33, .25, .0B y .50. Independencia, exclusién mutua y exhaustividad Considere las siguientes preguntas, variantes de las que deben hacerse los investigadores. aLaccurrencia de este evento A impide la posibilidad de ocurrencia de este otro evento B? ¢La ocurrencia del evento A tiene alguna influencia en la ocurrencia del evento B? ¢Estén relacionados los eventos 4, By C? «Cuando A ocurre, esto tiene influencia en los resultados de By quizés C? Los eventos A, B, Cy D agotan las posibilidades? 65. El mimero real de ocurrencias de un evento exitoso, por supuesto, no cambia; el mis mo miimero de personas tiene éxito, pero la fraccién de probabilidad tiene un nuevo deno- minador; en otras palabras, el estimado de la probabilidad es refinado por el conocimien- to de subconjuntos “pertinentes” de U. En este caso, 2 65 y < 65 son subconjuntos “pertinentes” de U. Al decir subconjuntos “pertinentes” se quiere decir que la variable implicada esté relacionada con la variable criterio: éxito y fracaso, La siguiente forma de ver el problema puede ayudar. Una interpretacin por éreas, del problema de los estudiantes graduados, ha sido representada en la figura 7.5. Aqui se emplea la idea de una medida de un conjunto. Recuerde que una medida de un conjunto o subconjunto es la suma de los pesos de dicho conjunto o subconjunto, y que tales pesos140 PakTETRES + Probabilidad y muestreo @ Ficuna 7.5 KOKA RR. OO 25 ARR BEN RXnn NX ANN iY XX i <65 son asignados a los elementos del conjunto o subconjunto. La figura 7.5 es un cvadrado con 10 partes iguales en cada lado y cada parte es igual a 1/10 0 .10, El érea de toda el cuadrado es el espacio muestral U, y la medida de U, m (U), es igual a 1.00. Esto significa que todas los pesos asignados a todos los elementos del cuadrado suman en total 1.00. Las medidas de los subconjuntos han sido insertadas: m(F) = 60, m(<65) =.70, (Sr 2 65) = 0.20. Las medidas de estos subconjuntos pueden ser calculadas multiplicando las Jongits- des de sus lados. Por ejemplo, el area de la caja superior izquierda (con doble trazado diagonal) es de 5 x 4 = .20. Recuerde que la probabilidad de cualquier conjunto o subconjunto es la medida de dicho conjunto (o subconjunto). Asi que la probabilidad de cualquiera de las cajas en la figura 7.5 es la que se indica en cada una da ellas. Se puede calcular la probabilidad de cualesquiera de las dos cajas sumando las medidas de los con- juntos; por ejemplo, la probabilidad de éxito es .20 + .20 = .40. Estas medidas (o probabilidades) estén definidas en el érea total, o U= 1.00. La proba- bilidad de éxito es igual a 40/1.00. Como se conoce el rendimiento de los estudiantes en el MAT as dreas que indican las probabilidades asociadas con 265 y <65 estin delimitadas por los guiones horizontales. La probabilidad simple de 265 es igual a .20 + .10 = 30,0 -30/1.00. Toda el area sombreada de la parte superior indica esta probabilidad, mientras. que las dreas de las medidas de éxito y fracaso estin indicadas por las lineas gruesas que las, separan en el cuadrado, E] problema de probabilidad condicional es el siguiente: ¢Cual es la probabilidad de éxito, dado el conocimiento de la puntuacién del MAT, 0 dado 265 (también podria ser <65 por supuesto)? Se tiene un pequefio nuevo espacio muestra, indicado por toda el area sombreada en la parte superior del cuadrado; Ua sido reducido a este espacio més pe- quefio porque se conoce la “verdad” del pequefio espacio. En lugar de dejar que esteCaPtruLo7 = Probsbilidad 141 pequefio espacio sea igual a .30, ahora supone que es igual a 1.00. (Podrfa parecer que tenemos un nuevo U). En consecuencia, las medidas de las cajas que constituyen el nuevo espacio muestral deben ser recalculadas. Por ejemplo, en lugar de calcular la probabilidad de p(2 65.7 S) = .20 porque es de 2/10 del drea total del cuadrado, se debe calcular la probabilidad con base en el area de 265 (el area sombreada en la parte superior del cuadra- do), debido a que se sabe que los elementos en el conjunto 265 tienen puntajes mayores o iguales a 65. Una ver hecho esto, se obtiene .20/.30 = .67 [el drea sombreada para éxito + el érea sombreada para éxito + el area sombreada para fracaso], que es exactamente lo que obtuvimos cuando se us6 la ecuacién 7.8. Lo que sucede es que el conocimiento adicional hace que Uya no sea tan relevante - ccomo espacio muestral. Todas las enunciados de probabilidad som relatives alos espacios muestraes. La enestién bisica, entonces, es definir adecuadamente los espacios muestrales, En el pro- blema anterior de los esposos y esposas se hizo la pregunta: :Cual es la probabilidad de que ambos, esposo y esposa sean republicanos? El espacio muestral era U = (RR, RD, DR, . DD), pero cuando se agregé el conocimiento de que uno de ellos era republicano y se , elaboré la misma pregunta, se hizo al U original, irrelevante para el problema y un nuevo espacio muestral llamado U’, es requerido. Consecuentemente, la probabilidad de que ambos sean republicanos es diferente cuando tenemos més conocimiento. Se pueden calcular otras probabilidades de forma similar. Si se deseara conocer la : probabilidad de fracaso, dada una puntuacién MAT menor a 65, viendo la figura 7.5, ' la probabilidad que se busca es la caja mas grande a la derecha, etiquetada con .50. Dado que se sabe que la puntuacién es <65, se utiliza este conocimiento para establecer un nuevo espacio muestral. Las dos cajas inferiores cuya frea es igual a 20 + 50 =..70 repre- sentan este espacio muestral. De este modo se calcula una nueva probabilidad: .50/.70 = 71; la probabilidad de fracaso para obtener el grado si uno tiene una puntuacién MAT. menor a 65 es de .71. Teorema de Bayes: revisién de las probabilidades Ninguna discusién sobre las probabilidades condicionales podria estar completa sin mencionar brevemente el teorema de Bayes y su utilidad en la investigacién de las ciencias conductuales aplicadas. Mediante la manipulacién de la formula de la probabilidad condicional, el reverendo Thomas Bayes fue capaz de desarrollar una formula para calcular probabilidades condicionales especiales. Con el teorema de Bayes, se pueden actualizar o revisar probabilidades en curso, basadas en nueva informacién o datos. Esta informacién puede usarse para reestructurar la incertidumbre. Numerosos cientificos ¢ investigadores recomiendan el uso del teorema de Bayes (véase Wang, 1993). Rara vez los datos empfricas son concluyentes. Por ejemplo, algunos estudiantes muy buenas que buscan ser admitidos en la universidad tendrn una pobre ejecucién en el examen de admision. Sin embargo, habré algunos malos estudiantes que tendrén una bue- na puntuacién en dicho examen. No obstante, un resultado desfavorable en un examen puede incrementar las oportunidades de rechazar a un mal estudiante, y un resultado favo- rable puede inerementar la probabilidad de seleccionar a un buen estudiante. De la misma forma, en la vida diaria, nosotros constantemente ajustamos viejas creencias, basados en nueva informacion. El teorema de Bayes, expresado como una formula numérica, muestra cémo puede hacerse esto. P(C))P(AIC,) tT Yrcpeaie;) P(C|A)=142 PaRTETRES © Probabilidad y muestreo <5 7 Bemplo Basado en los datos que actualmente existen, un investigador ha determinado que el 10% de la poblacién padece un trastorno alimenticio. Tales datos generalmente son publicados yprovienen de fuentes establecidas. Lo que esto nos dice es que, sin ninguna informacién adicional, si 100 personas fueran elegidas al azar, 10 de ellas tendrian un trastorno alimenticio. Si T'es usada para designar que una persona tiene un trastorno alimenticio, entonces ~T se usa para indicar la ausencia de dicho trastorno; por lo tanto, p(T) = .10 y P(-T) = 90. Estas son lamadas “viejas” probabilidades. Algunos psic6logos se refieren a ellas como tasas base, y usar estas probabilidades por si mismas puede llevar a resultados infructuosos. Con la intencién de mejorar Ja habilidad para detectar trastornos alimenticios, se desarrollé una prueba psicolégica que, aunque imperfecta, da nueva informacién y puede ayudar a un terapeuta practicante a hacer un diagnéstico correcto. Fl investigador escogié individuos que se suponia presentaban este trastorno y también seleccioné un grupo de sujetos que no parecian presentarlo, y les aplicd la prueba. El mimero de personas con resultado positivo en la prueba, es decir, quienes en realidad tenfan el trastorno, pueden representarse como una probabilidad condicional p(+|T-). El niimero de sujetos con re- sultado negativo en la prueba, quienes en realidad no tenjan el trastorno, puede escribirse como p(-|~T'). Estas dos probabilidades condicionales son llamadas clasificaciones co- rrectas. Empfricamente, p(+1T-) = 91 y p(-l~T) = .95. De aqui que, con base en datos conocidos, la prueba es capaz. de detectar adecuadamente al 91% de los que padecen el trastorno y al 95% de aquellos que no lo presentan. El niimero de personas que obtiene un resultado positivo, pero que en realidad no tiene el trastorno se designa como p(+IT)y es llamado un falso positivo; el nimero de sujetos que recibe un resultado negativo pero que en realidad tiene el trastorno se anota como p(-~-IT) y representa un falso negativo. Estas, dos iltimas probabilidades condicionales dan el nivel de imperfeccién de la prueba, y por lo tanto p(+i~T) es .05 y p(-IT) = .09. Ahora, usando el teorema de Bayes, se pueden responder las siguientes preguntas: gCusl es la probabilidad de que la persona realmente padezca el trastorno si su resultado fue negativo: p(T1-)? :Cuil es la probebilidad de que ‘una persona padezca el trastorno y que haya resultado positivo en la prueba: p(T 1+)? Ast que usando las probabilidades condicionales, uno puede actualizar las “viejas” probabili- dades. Si se utilizan estos niimeros, la ecuacidn para el teorema de Bayes resulta pT |+)= P+ T)p(T) 91(.10) . PCD) + p= Typ 7) 9110) +(05)(90) 091 091 _ _ = 1045 36 = 0.669 = 0.67 De manera similar: PT I~) P(-|D)ptT) P-| TPT) + (- | T)p-T) 05610) _____009 __, 008 = = 2 0.01 -09(.10)+(.95)(.90) 009.855 864 Con el uso de la prueba, si una persona obtiene una puntuacién positiva, entonces existe un 67% de probabilidad de que padezca un trastorno alimenticio. Basindose en el teorema de Bayes, se ha ajustado la probabilidad de que la persona presente este trastorno, ="CaptruLo7 = Probabilidad 143 de .10 a .67. Existe una probabilidad del 1% de que la persona que obtenga una puntua- cién negativa, tenga un trastomo alimenticio. Doscher y Bruno (1981) utilizaron el teorema de Bayes en lugar de la formula habi- ‘ual para hacer correcciones respect de exémenes contestados mediante adivinacién. De- sarrollaron distribuciones de probabilidad de niveles de verdadero conocimiento, basados en el teorema de Bayes, de tal modo que con una calificacién real de un examen, las tablas de calibracién desarrolladas a partir del teorema, darian una estimacién probabilistica de Japuntuaci6n verdadera. Aqui, dicho teorema fue usado para ajustar las calificaciones de la prueba dadas por adivinacién. Doscher y Bruno encontraron que el método de Bayes era mis efectivo que la frmula usada habitualmente para realizar la correecién. Estos mismos investigadores concluyeron que para nifios urbanos el uso de una calificacién sin ajustar, generalmente sobrestima el conocimiento del nifio, lo cual puede resultar en que se le ubique en una situacién de aprendizaje con tareas demasiado dificiles. Encontraron que con el uso de la formula habitual de correcci6n para la adivinacién, el ajuste era demasiado grande y generalmente se ubicaba al nifio en situaciones de aprendizaje de poco reto para 41. Doscher y Bruno (1981, p. 488) dicen: Un procedimiento analitico basado en el teorema de Bayes permite la estimacién probabilistica de las calificaciones verdaderas de una prueba, usando informacién previa ‘acerca de la distribuci6n probable de calificaciones verdaderas y el patrén de adivinacién, especifico de ia poblacién estudiada. De manera similar al estudio de Doscher y Bruno, Jones (1991) introdujo el uso del teorema de Bayes en conjuncién con las decisiones del consejero. Jones recomienda el anilisis bayesiano, ya que una afirmacién probabilistica se hace sobre la persona que est siendo evaluada en lugar de s6lo dar una puntuaci6n y una interpretaci6n. La investiga ‘ibn de Jones, basada en el teorema de Bayes, se enfocé en la seleccién de operadores, para empleatlos en un programa de rehabilitacién para débiles visuales. Jones estableci6 los. pasos que un consejero debia seguir en el programa, para usar el teorema de Bayes. El consejero iniciaria con un examen de los registros de 1a agencia y localizaria los datos psicométricos de los candidatos contratados como operadores. También determinarfa cusles serian eventualmente clasificados como exitosos y no exitosos. Jones etiqueté éstas como “creencias previas”. Los registros también daban al consejero Jas puntuaciones de la Prue- ba de Destrezas Cognitivas (Cognitive Skills Test), y a partir de lo anterior, el consejero determinarfa cudntos de los aspirantes exitosos tenian una puntuacién de experto o supe- rior y cudntos de los aspirantes exitosos tenfan una puntuacién inferior. Datos similares se obtendrian respecto de aquellos aspirantes que no fueran exitosos. Armado con esta in- formacién, el consejero podia ahora dar un estimado de probabilidad (usando el teorema de Bayes) del éxito de una persona a partir de que tuviera 0 no una puntuacién de experto en la prueba. Jones continiia mostrando cémo integrar perfiles de personalidad en el pro- ceso de clasificacién. EI marco bayesiano abarca muchas dreas de investigacién, Muchos de los métodos estadisticos mas avanzados, tales como el andlisis factorial confirmatorio, los modelos es- tructurales y el anilisis discriminante, se basan en el enfoque bayesiano. El lector deberia, leer al menos uno de los siguientes articulos para adquirir més informacién. Estes (1991) proporciona algunos detalles adicionales, no mencionados aqui, sobre el uso de! teorema de Bayes en casos criminales, Smith, Penrod, Otto y Park (1996) condujeron un experi- mento para evaluar la conducta de los jurados que aprendieron el uso del teorema de Bayes y la evidencia probabilistica en casos legales de crimenes. Wang (1993) muestra la superioridad del teorema de Bayes sobre otros métodos en el pronéstico de negocios. Bierman, Bonini y Hausman (1991) dan detalles sobre el uso del teorema de Bayes en mercadotecnia ¢ investigacién de negocios.144 PaRTETRES « Probabilidad y muestreo RESUMEN DEL CAPITULO 1. 2. 10. 1. ye aH La probabilidad no es fécil de defini. Hay tres definiciones amplias: 4) La. priori, implica la capacidad de la gente para dar un estimado de probabili- dad en ausencia de datos empfricos. 4) Laa posteriori ¢s la definicién mas comén usada en estadistica, basada en fre- cuencias relativas a largo plazo. ©) Elpeso de la evidencia de Keynes implica dos mimeros de probabilidad: uno es subjetivo y esté basado en la cantidad de informacién disponible. El espacio muestral es el mimero total de posibles resultados de un experimento. Cuslquier resultado aislado es llamado punto muestral o elemento. Un evento es ‘uno o mis elementos dispuestos de tal forma que toman un significado. La probabilidad de un espacio muestral es de 1.00. Los puntos muestrales y eventos son menores de 1.00, La suma de todas las probabilidades de los elementos ¢s 1.00. Accada punto muestral se le puede asignar un peso. La suma total de los pesos ust- dos debe ser 1.00. La probabilidad tiene tres propiedades fundamentales: a) La medida de cualquier conjunto, como se defini6 antes, es mayor o igual a0 (cero) y menor 0 igual a 1. En pocas palabras, las probabilidades (medidas de los conjuntos) son 0, 1, o una cifra entre ellos. 8) La medida de un conjunto, m(4) es igual a 0si y solamente sino hay miembros en A; esto 65, que A esté vacio, 6) Suponga que d y B son conjuntos. Si A y B no estén unidos —esto es A B= E—entonces m(d U B) = m(A) + m(B). Un evento compuesto es la co-ocurrencia de dos 0 mas eventos aislados (0 com- ‘puestos). La exhaustividad se refiere a la particién de un espacio muestral en subconjuntos. Cuando estos subconjuntos se combinan, cubren todo el espacio muestral. Sila interseccién de dos o més conjuntos resulta en un conjunto vacio, estos con- juntos son Ilamados mutamente excluyentes. ‘Dos eventos se consideran independientes si la probabilidad de que ambos eventos ‘ocurran es igual ala probabilidad de un evento multiplicado por la probabilidad del otro. A.veces se desea calcular la probabilidad de un evento después de recibir informa- ‘ién adicional que puede alterar el espacio muestral. Esta probabilidad se lama probabilidad condicional. El reorema de Bayes implica probabilidad condicional. Las probabilidades de Bayes son efectivas para revisar probabilidades usando informacién adicional o nueva. SUGERENCIAS DE ESTUDIO Suponga que usted esté seleccionando una muestra de jévenes de noveno grado para realizar una investigacién. Hay 250 estudiantes de noveno grado en el sistema escolar, 130 nifios y 120 nifas. a) Cuil es la probabilidad de seleccionar a cualquier joven? 4) Cuil es la probabilidad de seleccionar a una nia? gy a un nifio?CaPiTULO7 «© Probebilidad 145 GB Ficura 7.6 4 B @® ©) Cuil esla probabilidad de seleccionar a un nifio o una nifia? ¢Cémo escribiria ste problema en lenguaje de conjuntos? (Pista: Es equivalente a una intersee- cién o unién de conjuntos?] 4) Suponga que usted selecciona una muestra de 100 nifios y nifias. Usted tiene 90 nifios y 10 nifias. {Qué conclusiones podria sacar? [Respuestas: a) 1/250; b) 120/250, 130/250; ¢) 1.) Lance una moneda y un dado una vez. {Cul es a probabilidad de obtener cara en la moneda y 6 en el dado? Dibuje un érbol que muestre todas las probabilidades. Eti- quete las ramas del 4rbol con los pesos o probabilidades apropiados. Ahora conteste algunas preguntas. ¢Cusl es la probabilidad de tener: 4) cruzyun1,un3 oun 6? ) carayun2oun4? ©) cara cruzy un 5? 4) caraycruzy un $ oun 6? [Respuestas: a) 1/4; b) 1/6; €) 1/6; d) 1/3,] Lance una moneda y ruede un dado 72 veces. Escriba los resultados, uno al lado del otro, en una hoja cuadriculada, tal como ocurran. Verifique los resultados obtenidos contra las frecuencias esperadas te6ricamente, Ahora compare sus respuestas con cada una de las respuestas de la pregunta 2. 34 meconnell-r foc 71 pell-d cf 4 stevens-r f © 96 rockefeller-a cf 61 bingaman-d f£ © Beraig-r £ ¢ 28 lugar foc 16 roth-r © © 12 brown-r fF oc 43 tevin c f 24 kempthoner-r =f =e ~——‘10 feinstein-d fof 59 bradley-d c of 100 wallop-r f ¢ 87 bennet-r £ © 69 glenn-d cf 15 biden-d © ¢ | 19nunn-d ce 9 boxerd ef 15 lieberman-d © 45 wellstone-d cf 67 conrad-d foe das de los demécratas en los tres grupos (I, IT y IN) y la muestra total se presentan en la tabla 8.3. Las desviaciones respecto de lo esperado son pequefias. Los tres grupos no son ‘exactamente “iguales” en el sentido de que tengan igual mimero de senadores republica~ nos y demécratas. El primer grupo tiene 11 demécratas y 9 republicanos; el segundo grupo tiene 10 demécratas y 10 republicanos, y el tercer grupo tiene 13 demécratas y 7 republicanos. Este no es un resultado “inusual” cuando se emplea el muestreo aleatorio. Posteriormente se veri que las discrepancias no difieren estadisticamente. Recuerde que se estd demostrando tanto el muestreo aleatorio como la aleatorizacién, pero especialmente la aleatorizacién, por lo tanto la pregunta es sila asignacién aleatoria de los senadores a los tres grupos da como resultado la “igualacién” de los grupos en todas sus caracteristicas. Por supuesto que no se pueden probar todas las caracteristicas, sino solamente las que estén disponibles. En el presente caso solamente se tiene Ia afliacidn al partido politico, que se estudié anteriormente, y los votos ent los dos asuntes: prohibicion al incremento a las cuotas de pastoreo (asunto 266) y prohibicién de fondos para ciertos tipos de aborto (asunto 290). - 140 ZS=RIGHTS(AS(K) 1) 150 LF Z5="d" THEN D=D+1 160 IF Z$="r" THEN R=R+L 170 Tete 180 IF 1>60 THEN 200 190 GOTO 70 200 FOR T=1 TO 100: PRINT N(I);: NEXT I 220 PRINT * “,D,R 230 DATA heflin-d, sheTby-d,murkowski-r,stevens-r,deconcini-d 240 DATA mccain-r, bumpers-d, pryor-d,boxer-d, feinstein-d, campbel1-d 250 DATA brown-r,dodd-d, 1ieberman-d, biden-d,roth-r,graham-d,mack-r168 ' PARTE TRES » Probabilidad y muestreo 260 270 280 290 300 310 320 330 340 350 360 370 380 390 400 DATA DATA, DATA DATA DATA. DATA. DATA, DATA. DATA, DATA. DATA DATA DATA DATA END nunn-¢, coverdel1-r, akaka-d,inouye-d,craig-r kempthorne-r mosley-brown-d,simon-d,coats-r, lugar-r,harkin-d,grassley-r dote-r,kasseTbaun-r, ford-d,mcconneT1-r,breaux-d, johnston-d nitchel1-d, cohen-r,miku1ski-d, sarbanes-d,kennedy-d,kerry-d Jevin-d, riegel-d,wellstone-d,durenburger-r,cochran-r ott-r,bond-r,danforth-r,bacus-d, burns-r,exon-d,kerrey-d bryan-d, reid-d,gregg-r,smith-r,bradley-d, lautenberg-d binganan-d, donenici-r moynihan-d,danato-r, faircloth-r heins-r,conrad-d,dorgan-d, glenn-d,metzenbaun-d, boren-d nickles-r,hatfieid-r,packwood-r,wofford-d,specter-r pell-d, chafee-r,hollings-d, thurnond-r, -daschie-d, presster-r matthews-d, sasser-d, grana-r,hutchinson-r,bennett-r,hatch-r ‘Teahy-d, jeFFords-r, robb-d,warner-r,murray-d,gorton-r byrd-d, rockefeler-d, Feingold-d,kohl-d, sinpson-r wal lop-rParTE CUATRO. A\NALISIS, INTERPRETACION, ESTADISTICAS E INFERENCIA A a Capitulo 9 PRINCIPIOS DEL ANALISIS E INTERPRETACION Capitulo 10 EL ANALISIS DE FRECUENCIAS Capitulo 11 ESTADISTICA: PROPOSITO, ENFOQUE, METODO. Capitulo 12 COMPROBACION DE HIPGTESIS Y ERROR ESTANDAR, Ss s CapituLo 9 PRINCIPIOS DEL ANALISIS E INTERPRETACION ‘MeDIDAS DE FRECUENCIA Y MEDIDAS CONTINUAS IREGLAS DE CATEGORIZACION ‘Tiros DE ANALISIS ESTADISTICOS Distribuciones de frecuencia Grficos y elaboracién de grificos ‘Medidas de tendencia central y variabilidad Medidas de relaciones Anilisis de diferencias Anilisis de varianza y métodos relacionados Anillisis de perfiles __ Analisis multivariado Invices INDICADORES SOCIALES = LA INTERPRETACION DE LOS DATOS DE INVESTIGACION Adecuacién de los disefios de investigacién, metodologia, mediciones yanilisis Resultados negativos y no concluyentes Relaciones no hipotetizadas y hallazgos no anticipados Prueba, probabilidad e interpretacién El analista de la investigacién descompone los datos en sus partes constituyentes para obtener respuestas a preguntas de investigacién y para probar hipdtesis de investigacién. Sin embargo, el andlisis de los datos de investigaci6n no provee por sf mismo las respuestas 2 las preguntas de investigacién, sino que se requiere la interpretacién de los datos. Interpretar es explicar, encontrar significado. Es dificil o imposible explicar datos brutos; se debe primero analizar los datos y entonces se podrn interpretar los resultados del anilisis. 171172 PARTECUATRO » Anilisis, interpretacién, estadisticas e inferencia Datos, como se usa en investigacién del comportamiento, son los resultados de la investigacién, a partir de Jos cuales se hacen las inferencias: generalmente son resulta- dos numéricos, como puntuaciones de pruebas y estadisticas tales como medias, porcenta- jes y coeficientes de correlacién. La palabra datos también es usada para representar los resultados de anilisis mateméticos y estadisticos; pronto se estudiarin tales anilisis sus resultados. Sin embargo, los datos pueden significar algo més: puede ser informacién de articulos de un periédico o de una revista, material bibliogrfico, diarios, etcétera, es decir, materiales verbales en general, En otras palabras, “datos” es un término general con ‘ varios significados. Piense también en los datos de investigacién como los resultados de una observacién y andlisis sisteméticos, utilizados para hacer inferencias y sacar conclusio- nes. Los cientificos observan, asignan simbolos y niimeros a las observaciones y manipu- Jan los simbolos y los niimeros para plantearlos de forma interpretable. Posteriormente, a partir de estos datos, hacen inferencias acerca de las relaciones entre las variables de pro- blemas de invesugacién. + Andlisis significa la categorizacién, ordenamiento, manipulacisn y resumen de datos, para responder a las preguntas de investigacién. El propésito del andlisis es reducir los datos a una forma entendible e interpretable para que las relaciones de los problemas de investigacién. puedan ser estadiadas y probadas. Un propésito primario de la estadistica, por ejemplo, es manipular y resumir los datos numéricos y compara los resultados obte- nidos con lo esperado por el azar. Un investigador hipotetiza que el estilo de liderazgo afecta la participaci6n de los miembros del grupo de ciertas formas. El investigador planea un experimento, ejecuta el plan y recolecta datos de los sujetos. Después por medio del ordenamiento, descomposicién y manipulaci6n de los datos determina la respuesta a la pregunta gt Variable & Gripe Grapo dependiente control experimental184 PAKTRCUATRO = Analisis, interpretacién, estadisticas ¢ inferencia mental tuvo una media de 5.09 en una escala de 0-2 9 en la que evaluaban qué tan “diver- tida” era la caricavura, Sin embargo, el grupo control tuvo una media de 3.90. La diferen- Gia es estadisticamente significativa, por lo que se puede concluir que hay una relacién entre los miisculos faciales wtlizados (y aquellos no utilizados), y la diversién percibida. En capitulos anteriores se graficaron las relaciones entre variables medidas para mostrar la naturaleza de las relaciones. También es posible graficar la presente relacion entre la va- rable independiente experimental (manipulada) y la variable dependiente. Esto se hizo en Ja figura 9.4, donde las medias se trazaron como se indica. Mientras que el trazo es més 0 menos arbitrario —por ejemplo, no hay unidades reales de linea base para la variable independiente—, la similitud con los gréficos previos es notoria y Ia idea bisica de una relaci6n ahora es clara. Si el lector conserva siempre en mente que las relaciones son conjuntos de pares orde- rnados, la similitud conceptual de la figura 9.4 con gréficos anteriores seré evidente. En los, rificos previos, cada miembro de cada par representa una puntuaci6n. En la figura 9.4, un par ordenado consta de un tratamiento experimental y de una puntuacién. Si se asigna el valor 1 al grupo experimental y 0 al grupo control, dos pares ordenados pueden ser los siguientes: (1, 5.09), (0, 3.90). Anidlisis de varianza y métodos relacionados ‘Una buena parte de este libro esté dedicads al anslisis de varianza y los métodos relacionados con éste, por Jo que no es necesario discutir mucho de esto por e] momento. El lector necesita solamente tener en perspectiva este importante método de andlisis. El andlisis de varianza es lo que su nombre implica y més: un método para identificar, analizar y probar la significancia estadistica de varianzas que provienen de diferentes fuentes de varia- cidn; es deciz, que una variable dependiente tiene una cantidad total de varianza, parte de Ja cual es debida al tratamiento experimental, parte al error y parte a otras causas. El papel del analisis de varianza es trabajar con estas diferentes varianzas y fuentes de varianza. Estrictamente hablando, el andlisis de varianza es mas apropiado para datos experimentales que para datos no experimentales, aunque su inventor Fisher (1950), lo utilizé con ambos. Se considera, entonces, que el anilisis de varianza es un método para el andlisis de datos recabados en experimentos donde se utiliza, al menos, la aleatorizacién y manipulacién de una variable independiente. Probablemente no haya mejor forma de estudiar el disefio de investigacién que a través del enfoque del andlisis de varianza. Aquellos expertos en este enfoque, casi auto- miéticamente piensan en modelos alternativos de andlisis de varianza cuando se enfrentan a nuevos problemas de investigacién. Tomemos el estudio de Rozin, Nemeroff, Wane y Sherrod (1989) sobre la ley del contagio. Esta ley establece que los objetos que han estado en contacto unos con otros, pueden continuar influenciéndose entre sia través de la wrans- ferencia de alguna de sus propiedades. Estos autores construyeron seis objetos (suéter, hamburguesa, manzana, cepillo de cabello (recibido), cepillo de cabello [dado] y un me- chén de cabello) y los pusieron en contacto con cuatro diferentes personas (amigo, novio, alguien antipético y alguien indiferente). Se consider6 a las cuatro diferentes personas, como cuatro niveles de la variable categorica: fuente de origen. Se pidi6 a los participantes que evaluaran cada objeto en una escala de ~100 2 +100, donde -100 era “la cosa mas desagradable que pueda usted imaginar” y +100 era “la cosa més agradable que usted pueda imaginar”. Cero era el punto neutral. Rozin et al, (1989) analizaron los datos con un anilisis varianza de un factor para cada objeto, usando la fuente de origen (diferentes personas que habjan estado en contacto con el objeto) como la variable independiente. El anilisis resultarfa como el paradigma marcado (a) de la figura 9.5. Si los investigadores eeCaPtTuLo9 « Principios del andlisse ineerpretacion 185 @ Fours 9.5 @ Fuente de origen (personas en contacto con el objeto) ‘Amigo ‘Novio ‘Alguien antipatico Alguien indiferente Evaluaciones placenteras © Fuente de origen (personas en contacto con el objeto) Objetos Amigo | Novio | Alguien antipético | Alguien indiferente Suter Hamburguesa ‘Manzana Cepillo de cabetlo (recibido) Evaluaciones placenteras Cepillo de cabello (dado) Mechén de cabello Ficura 9.6 @ Proveedores de servicios de emergencia Médicos Enfermeras ‘Personal prebospitalario Conteo de bacteria estafilocéxica ® Proveedores de servicios de emergencia Tumo laboral Médicos Enfermeras Personal prehospitalario Dia ‘Conteo de bacteria Noche estafilocéxica hubieran usado los objetos como oma variable independiente, pensando que los objetos afectan las evaluaciones de las personas, entonces el paradigma se veria como el marcado (), que es una anilisis de varianza de dos factores, Es claro que el andlisis de varianza es un método importante para estudiar diferencias. ‘Dela misma forma, un estudio de Jones, Hoerle y Riekse (1995) comparé Ia extension de la presencia de la bacteria estafilococo en los estetoscopios de los proveedores de servi- ios de emergencia, Se utiliz6 un anilisis de varianza de un factor para hacer esta compa- racién entre los médicos, enfermeras y personal prehospitalario. La variable independiente era el tipo de proveedor del servicio de emergencia y la variable dependiente era el conteo de bacteria estaflocéxica. La figura 9.6 (a) muestra el paradigma usado en este estudio. Si estos investigadores consideraran que podria haber una diferencia entre los proveedores de servicios de emergencia en los diferentes turnos de trabajo, el paradigma se expresaria como el que se encuentra en la figura 9.6 (b). Anilisis de perfiles El andiisis de perfiles es basicamente !a evaluacién de similimudes en los perfiles de individuos © grupos. Un perfies un conjunto de medidas diferentes de un individuo o grupo, donde186 PARTECUATRO «+ Anilisis, interpretacién, estadisticas e inferencis cada una estd expresada en la misma unidad de medida. Las puntuaciones de un individuo en un conjunto de diferentes pruebas constituye un perfil, siempre y cuando todas las puntuaciones hayan sido convertidas a un sistema comiin de medida, como percentiles, ‘rangos y puntuaciones estindar. Los perfiles se han utilizado principalmente con propésitos diagnésticos —por ejemplo los perfiles de puntuaciones de una bateria de pruebas son usados para evaluar y asesorar a alumnos de preparatoria—. Sin embargo, el andlisis de perfiles ha incrementado su importancia en la investigacién sociolégica y psicolégica, tal como se veré posteriarmente cuando se estudie entre otras cosas, la metodologia Q. E] andlisis de perfiles tiene problemas especiales que requieren consideraciones cui- dadosas por parte del investigador. La similitud, por ejemplo, no es una caracteristica general de las personas; solamente hay similitud en caracteristicas especificas o complejos de caracteristicas (véase Cronbach y Gleser, 1953). Onra dificultad estriba en qué tipo de informacién se esti dispuesto a sactificar al calcular los indices de similitad de perfiles. Cuando se utiliza el coeficiente de correlacién producto-momento —que es una medida de perfiles—, se pierde nivel, es decir, que se sacrifican las diferencias entre !as medias. Esto es una pérdida de elevacién. Las rs producto-momento s6lo toman en cuenta la forma. ‘Més atin, la dispersién (las diferencias en la variabilidad de los perfiles) se pierde al calcular otras clases de medidas de perfiles. En pocas palabras, Ia informacion puede perderse, y de hecho, se pierde. El estudiante encontrard una excelente ayuda y gufa para el anélisis de perfiles en el libro de Nunnally y Bernstein (1993) de psicometria, aunque el trata- miento no es elemental. Anilisis multivariado Quizas las formas inds importantes del analisis estadistico, especialmente en el estado actual del desarrollo de las ciencias del comportamiento, son los andlisis multivariados y los andlisis factoriales. Analisis multivariado es un térmaino general usado para categorizar una familia de métodos analiticos cuya caracteristica principal es el andlisis simultaneo de & variables independientes y m variables dependientes, En este libro no nos preocuparemos demasiado acerca de la terminologia usada en el anilisis multivariado. Para algunos, el anilisis multivariado incluye al andlisis factorial y otras formas de andlisis, como el andlisis de regresién multiple. Multivariado, para estas personas infiere mis de una variable independiente o mas de una variable dependiente, o ambos. Otros en el medio usan “andlisis multivariado” solamente en el caso de que ambas, la variable dependiente y la variable independiente, sean miiltiples. Si un anilisis incluye, por ejemplo, cuatro variables inde- pendientesy dos variables dependientes, manejadas simulténeamente, entonces es un andlisis multivariado. Puede argumentarse que de todos los métodos de analisis, los métados multivariados son los mas poderosos y apropiados para la investigacién cientifica del comportamiento. Fl argumento que apoya esta afirmacién es muy amplio y complejo y nos apartaria del principal propésito. Bésicamente descansa en la idea de que los problemas de investiga- cién del comportamiento son, casi todos, de naturaleza multivariada y que no pueden ser resveltos con un enfoque bivariado (de dos variables), esto es, un enfoque que considere solamente una variable independiente y una variable dependiente a la vez. Esto ha queda- do muy claro en mucha de la investigacién educativa donde, por ejemplo, los determinan- tes del aprendizaje y aprovechamiento son complejos: inteligencia, motivacién, clase social, instruccidn, atmésfera escolar y del salén de clases, la organizacién escolar, eteétera. Evi- dentemente variables como éstas interactdéan unas con otras y algunas veces unas contra otras, de maneras desconocidas, pero afectan el aprendizaje y el aprovechamiento. En cottas palabras, para explicar los complejos fenémenos psicolégicos 0 sociolégicos de laCAPITULO + Principios del andlisise interpretacién 187 educacién, se requiere de herramientas de disefio y anilisis que sean capaces de manejar la complejidad que manifiestan, por s{ mismas, las miltiples variables independientes y va- riables dependientes. Un argumento similar puede darse para la investigacién psicol6gica ysociol6gica. Este argumento y Ia realidad que subyace, imponen una pesada carga en aquellos individuos que ensefian y aprenden métodos y enfoques de investigacion. Es poco realista ¢ itresponsable estudiar y aprender solamente un enfoque que es basicamente bivariado ensuconcepcién. Los métodos multivariados, sin embargo, son como la realidad conductual ‘que tratan de reflejar: complejos y dificiles de entender. La necesidad pedagdgica, en cuanto este libro concierne, es tratar de expresar los fundamentos del pensamiento de investiga- cién, disefio, métodos y andlisis, principalmente a través de un enfoque bivariado modifi- cada. Se extenderé este enfoque, tanto como sea posible, 2 los conceptos y métodos multivariados, esperando que el estudiante busque més adelante, después de haber recibi- do los fundamentos adecuados. La regresin multiple, que es probablemente la forma més stil de los métodos rmultivariados, analiza las influencias comunes y separadas de dos o més variables indepen- dientes sobre una variable dependiente. Esta afirmacién tiene limitaciones, especialmente acerca de las contribuciones separadas de las variables independientes, lo que sera discutido enel capitulo 33. El aumento del uso de la regresién miltiple como herramienta analitica de las ciencias del comportamiento se debe en su mayor parte, alas computadoras digitales de alta velocidad, Ezekiel y Fox (1959) son dos de los pocos autores cuyos libros sobre regresién milltiple, previaal gran uso de las computadoras, estén disponibles. Ezekiel y Fox resumieron los estudios que utilizaron regresion miiltiple, antes de la publicacién de su libro en 1959. No habia muchos de ellos. A partir de la gran disponibilidad de las compu- tadorasy los programas de estadistica, el mimero de estudios que usan Ja regresién multiple se ha incrementado exponencialmente. Erlich y Lee (1978) propusieron un uso novedoso del andlisis de regresién; lo utilizaron en puntuaciones de pruebas con el propésito de evaluar Ja responsabilidad educativa. Por otro lado, Griffiths, Bevil, O'Connor y Wieland (4995) usaron la regresion para predecir el nivel de competencia en un examen de anatomia y fisiologfa; entre las variables predictoras estaban el promedio, asi como el tipo de escuela donde habjan tomado los cursos propedéuticos de anatomia y fisiologia. El método ha sido usado en cientos de estudios, probablemente por su flexibilidad, poder y aplicabilidad general a muchos tipos diferentes de problemas de investigaci6n. (También tiene limita- ciones!) Por eso, no puede ignorarse en este libro. Afortunadamente, no es tan dificil de entender y aprender a usarlo —dado el suficiente interés y deseo para hacerlo—. La correlacién canénica es una extensién légica de la regresién multiple. De hecho, es un método de regresin miltiple. Afiade més de una variable dependiente al modelo de regresi6n méltiple; en otras palabras, maneja las relaciones entre conjuntos de variables independientes y conjuntos de variables dependientes por lo que es, tedricamente, un poderoso método de anilisis. Sin embargo, tiene limitaciones que pueden restringir su utilidad, tales como la interpretacidn de los resultados que produce y su capacidad limita- da para probar modelos teéricos. El andliss discriminante también esté estrechamente relacionado con la regresién mill- tiple. Como su nombre lo indica, su propésito es discriminar grupos entre si con base en conjuntos de medidas. También es util en asignar individuos a grupos, con base en sus puntuaciones en pruebas. Aunque esta explicacién no es adecuada, seré suficiente por ahora. En esta etapa es dificil caracterizar, aun en un nivel superficial, la técnica conocida como anélisis multivariada de varianca porque ain no se ha revisado el andlisis de varianza. Por lo anterior se pospone su discusi6n.188 PARTE CUATRO » Anilisis, interpretacin, estadisticas e inferencia EL anliss factorial es esencialmente diferente en su clase y en su propésito de otros métodos multivariados. Su propésito fundamental es ayudar al investigador a descubrir e identificar las unidades o dimensiones llamadas factores que subyacen a muchas medidas. Por ahora se sabe, por ejemplo, que detris de muchas medidas de habilidad e inteligencia subyacen algunas dimensiones generales o factores. La aptitud verbal y la aptitud mate- mitica son dos de los factores mas conocides. Al estudiar actitudes sociales se han encon- trado factores religiosos, econémicos y educativos. {Los métodos multivariados mencionados anteriormente son “estandar” en el sentido de que a ellos nos referimos generalmente al usar el término “métodos multivariados”. Sin embargo, hay otros métodos multivariados de igual, ¢ inclusive, mayor importancia. Como se dijo en el prefacio, en un libro de esta naturaleza no es posible dar una explicaci6n técnica adecuada y correcta de todos los métodos multivariados, Por ejemplo aunque tie- nen una enorme importancia, el anilisis estructural de covarianza y el andlisis de modelos log-lineales pueden ser demasiado complejos y dificiles de describir y explicar de una forma adecuada y completa. Lo mismo sucede con el método de analisis multidimensional ycon el anilisis de ruta, que no pueden ser presentados adecuadamente. ¢Entonces, qué se vaa hacer? Algunos de estos enfoques y procedimientos son tan poderosos e importantes —de hecho estin revolucionando la investigacién conductual— que un libro que los igno- reserd un texto deficiente. La solucién al problema fue también expuesto en el prefacio, y vale la pena repetirlo, Los enfoques més comunes y accesibles —el anslisis de varianza, la regresi6n miltiple y al andlisis factorial— seran presentados con suficientes detalles téci cos para permitira un estudiante motivado y entusiasta aplicarlos e interpretar sus resulta- dos. Otros métodos mas complicados (como el andlisis estructural de covarianza y los, modelos log-lineales) seran descritos y explicados “conceptualmente” en sus propositos y razonarnientos con generosas citas y descripeiones de investigaciones ficticias y reales. Tal enfoque serd usado en capitulos posteriores con las siguientes tres metodologias. El analisis de ruca es un método grifico del estudio de las supuestas influencias directas ‘¢ indirectas de las variables independientes entre si y sobre las variables dependientes. En otras palabras, es un método para describir y probar “teorias” (véase Kerlinger y Pedhazur, 1973; Pedhazur, 1996). Quizds su principal virtud es que requiere que los investigadores expliciten el marco tedrico de los problemas de investigacién. Para lograr sus objetivos, el anélisis de ruta usa los llamados diagramas causales o diagramas de ruta y el anilisis de ion. Los lectores pueden satisfacer un poco su curiosidad examinando, en el capitu- lo 34, uno o dos de los ejemplos del anilisis de ruta que se dan ahi. El andlisis de ruta ha sido un marco conceptual itil para explicar las relaciones entre variables. El autor acredi- tado en desarrollar el andlisis de rata fue Wright (1921). Las aplicaciones de Wright fue- ron en el campo de la genética. Duncan (1966) y Blalock (1971) popularizaron el trabajo de Wright en las ciencias del comportamiento. Es stil estudiar el analisis de rata porque ayuda a entender més ficilmente el anilisis estructural de covarianza. De hecho, el andlisis de ruta forma parte del anilisis estructural de covarianza, como s¢ veré en un capitulo posterior. El andliss estructural de coverianza —o modelamiento causal,’ o modelos de ecuaciones estructurales— ¢s el iltimo enfoque del andlisis de estructuras complejas de datos. Este método implica, principalmente, el andlisis de variacién conjunta de variables que estén ‘enuna estructura dictada por la teoria, Por ejemplo, se puede estudiar la adecuacién de las, teorias de inteligencia mencionadas en capitulos anteriores, ajustando las teorias al marco del anslisis estructural de covarianza para después evaluar qué tan bien pueden explicar los 1 téemino “modelamiento exusal” ya no esti en voga, pues certos estadistas prominentes sefialaron que los anilisis basados en la correlaci6n, en las Gencias sociales y conductules, no podian establecer causa y efecto.Indices CABtTULO9 + Principios del aniisise interpretacién 189 datos reales de una prueba de inteligencia. El método —o mas bien, la metodologia— es tuna sintesis matemstica y estadistica ingeniosa del anélisis factorial, la regresién multiple, el anilisis de ruta y la medicién psicoldgica en un vinico sistema exhaustivo que puede expresar y probar formulaciones tedricas complejas de problemas de investigacién. Su creacién se atribuye a Joreskog (1970) y a sus asociados, aunque Bentler (1989) ha pro- puesto el método con fuerza, ereando un algoritmo diferente (EQS) al de Joreskog (LISREL), Los modelo log-lineales representan el método multivariado més reciente (0 metodo- logia) para analizar datos de frecuencia. Los métodos multivariados mencionados ante- riormente estén orientados sobre todo a analizar datos obtenidos de medidas continuas: puntuaciones de pruebas, medidas de escalas de aptitudes y personalidad, medidas de va- riables ecolégicas y otros aspectos similares. Como se veri en el siguiente capitulo, los datos de la investigacién conductual aparecen ocasionalmente como frecuencias, en espe- Gal de individvos, por ejemplo, niimero de hombres y mujeres, de minorias étnicas y minorias no émicas, maestros y no-maestros, individuos de clase media y clase trabajado- 13; catdlicos, protestantes y musulmanes. El andlisis log-lineal hace posible estudiar com- binaciones complejas de dichas variables nominales y, como el anilisis estructural de covarianza, probar teor‘as de las relaciones ¢ influencias de tales variables entre si. Breve- mente se caracterizaré la metodologia en un capitulo posterior, aunque el reducido espa- io y las dificultades eéenicas forzardn a limitar la explicaci6n a las ideas basieas involucradas. Se veri, al menos, que como el anzlisis estructural de covarianza, es uno de los desarrollos metodolégicos més poderosos e importantes de la iltima parte del siglo xx. Un indice puede definirse de dos formas. Primero, un indice es un fenémeno observable que es sustituido por un fenémeno menos observable. Un termémetzo, por ejemplo, da lectura de ntimeros que representan grados de temperatura; los niimeros en un velocimetro indican a cudntos kilémetros por hora esté avanzando un vehiculo. Las puntuaciones de una prueba indican niveles de aprovechamiento, aptitudes verbales, grados de ansiedad, etcétera. Una segunda, y quizés més util definicién para el investigador dice que un indice es un riimero que etd compuesto de dos 0 mds mimeras. Un investigador realiza una serie de obser- vaciones y deriva un solo niimero de las medidas de las observaciones para resumirlas y expresarlas en forma sucinta. Con esta definicién, todas las sumas y promedios son indices, ya que incluyen en una sola medida més de una medida. Pero la definicién también inclu- ye la idea de los indices como compuestos de diferentes medidas. Los coeficientes de correlacién son de este tipo, ya que combinan diferentes medidas en una sola o en un indice. Existen indices de clase social. Por ejemplo, se puede combinar el ingreso, la ocupa- cin y el lugar de residencia para obtener un buen indice de la clase social. Un indice de cohesién puede obtenerse preguntando a los miembros de un grupo si les gustarfa 0 no seguir formando parte del grupo. Sus respuestas pueden combinarse en un solo niimero. En negocios yen economia, el poder de compra del délar americano varia en el tiempo, de manera que és necesario ajustar otros valores para hacer comparaciones significativas. Por ejemplo, tomemos la comparacién del costo de un automévil en 1997 respecto a su costo en 1950. Uno de los primeros pasos es determinar el poder de compra del délar americano en 1997 y compararlo con el poder de compra que tenia en 1950. El “Bureau of Labor Statistics” (Oficina de estadisticas laborales) registra y publica regularmente el indice de precios al consumidor (IPC). Este indice se utiliza como una medida del costo de la vida.190 PARTE CUATRO = Analisis, interpretacin, estadistcas ¢ inferencia ‘Los indices son importantes en investigacién porque simplifican las comparaciones. De hecho, permiten al investigador hacer comparaciones que, de otra forma, no podrian hacerse 0 que solamente podrian hacerse con mucha dificultad. Los datos brutos son gene- ralmente demasiado complejos para entenderlos y manejarlos mateméticay estadisticamente, por lo que deben reducirse a una forma manipulable. El porcentaje es un buen ejemplo, ya que transforma puntajes brutos a formas comparables. Los indices generalmente toman la forma de cocientes: un ndmero es dividido entre ‘otro mimero. Los indices més titiles varfan entre 0 y 1.00 o entre -1.00 y +1.00 pasando por 0. Esto los hace independientes del nimero de casos y permite hacer comparaciones entre muestras y entre estudios. (Estos generalmente se expresan en forma decimal.) Hay dos tipos de cocientes: las tasas y las proporciones. Un tercer tipo es el porcentaje, que es vuna variante de la proporcién. ‘Una tase (0 razén) es un compuesto de dos niimeros que relaciona un mimero con ‘otro en forma de fraccién o de decimal. Cualquier fraccién y cualquier cociente son una raz6n. Tanto el numerador, como el denominador (0 ambos) de una raz6n pueden, por si mismos, ser tasas. El propésito principal y utilidad de una raz6n es el relacional, ya que permite la comparacidn de ntimeros. Para hacer esto quiza sea mejor colocar e! mayor de los dos niimeros del cociente en el denominador. Esto satisface la condicién mencionada anteriormente de tener el rango de los valores de la razén entre 0 y 1, 0 entre -1.00 y +1.00, pasando por 0. Sin embargo, esto no es absolutamente neceserio. Suponga que s€ desea comparar la tasa de hombres y mujeres graduados de preparatoria con la tasa de ‘hombres y mujeres graduados de secundaria, todo esto en un periodo de varios afios. La tasa algunas veces serd menor de 1.00 y otras veces serd mayor de 1.00, ya que es posible que la preponderancia de un sexo sobre el otro cambie de un afio 2 otro. Algunas veces las razones dan informacién mas precisa (en cierto sentido) que la que proven las partes de las que estin compuestas. Si se estudiara la relacién entre variables educativas y la tasa de impuestos, por ejemplo, y se usaran las tasas de impuestos reales, podria obtenerse una idea errénea de dicha relacién. Esto es porque las tasas de impues- 0s, por caracteristica, son a menudo engafiosas. Algunas comunidades con altas tasas de impuestos, en realidad tienen niveles relativamente bajos de impuestos. El gravamen de propiedad puede ser bajo. Para evitar las discrepancias entre una comunidad y otra, se puede calcular, para cada comunidad, la tasa de gravamen contra el gravamen real. Enton- ces una tasa de impuestos ajustada (una “verdadera” tasa de impuestos), puede calcularse multiplicando la tasa de impuestos en uso, por esta fraccién. Esto produciré una cifra més precisa para ser usada en los cdlculos de relaciones entre Ia tasa de impuestos y otras varia- bles. La razén de probabilidad es un tipo de indice que es valioso cuando se consideran datos de frecuencia en tablas de contingencia. Se examinard este tipo de indice estadistico en mayor detalle cuando se explique el anzlisis de datos de frecuencia y el andlisis log- lineal ‘Una proporcion es una fraccién donde el numerador es una de dos o més frecuencias ‘observadas y el denominador la suma de las frecuencias observadas. La definicién de pro babilidad dada anteriormente, p =s/(s +f), donde res igual al niimero de éxitos y Fes igual al miimero de fracasos, es una proporcidn. Considere dos ntimeros cualesquiera, 20 y 60. La razén de los dos nimeros es 20/60 = .33. (También podria ser 60/20 = 3.) Si estos dos siémeros fueran las frecuencias observadas de la presencia y de la ausencia de un atributo en una muestra total, donde N = 60 + 20 = 80, entonces la proporcién seria: 20/(60 + 20) =.25. Owa proporcién, por supuesto, es 60/80 = .75. ‘Un porceniaje es simplemente una proporcién multiplicada por 100. En el ejemplo anterior serfa 20/80 100 = 25%. El propésito principal de las proporciones y porcentajes es reducir diferentes conjuntos de niimeros a conjuntos comparables de niimeros con unaIndicadores CaPtruLo 9 = Principios del andlisise imterpreacién 191 base comin, Cualquier conjunto de frecuencias puede ser transformado a proporciones © porcentajes para facilitar la manipulacién e interpretaci6n estadistica y sus manifestacio- nes. Es necesario ser precavido ya que es frecuente que haya una mezcla de dos medidas falibles, donde los indices pueden ser peligrosos. El viejo método de calcular el CI (coefi- ciente intelectual) es un buen ejemplo. El numerador de la fraccién es en si mismo un indice, dado que la edad mental (EM), ¢s un compuesto de varias medidas. Un ejemplo mejor es el llamado coeficiente de desempeiio: CD = 100 x EE/EM, donde EE es la edad educacativa y EM es la edad mental. Tanto el numerador como el denominador de la fraccién son indices complejos, ya que ambos son la mezcla de mediciones de confiabili- dad variable. “gPor qué no .10 0 aun .15?” Para contestar estas preguntas es necesario desviarse un poco del tema, Niveles de significancia estadistica Elnivel 05 quiere decir que un resultado que es significativo al nivel .05 puede ocurrir por azar no més de 5 veces en 100 ensayos. En el ejemplo de las respuestas a la pregunta de la administracién de 60 acuerdos y 40 desacuerdos, se puede decir que una discrepancia tan grande como ésta ocurrinia por azar cerca de 5 veces o menos en 100 ensayos. ‘Un nivel de significancia estadistica es elegido en forma algo arbitraria. Se atribuye esta eleccién a Fisher (1950), pero ciertamente no es por completo arbitraria. Otro nivel de significancia frecuentemente usado es el nivel .01. Los niveles .05 y .01 corresponden claramente a dos y tres desviaciones estandar de la media de una distribucién normal de probabilidad. (Una distribucién normal de probabilidad es la curva simétrica con forma de campana que el lector probablemente ya ha visto. Se hablaré de ella més tarde.) Regresemos al experimento de lanzar una moneda 100 veces. Resulté cara 52 veces y ‘cruz 48 veces (consulte la tabla 10.5b, x? = .16, un resultado claramente no significativo).. Suponga que la moneda no fue lanzada un conjunto de 100 veces sino 100 conjuntos de 100 lanzamientos, lo que equivaldria a 100 experimentos. De estos 100 experimentos se podrfan obtener una variedad de resultados: 58 + 42, 46 + 54, 51 +49, eteétera, Cerca de 95 0 96 de estos experimentos producirian caras con mérgenes de 40 y 60. Esto es, que solamente 4 0 5 de estos experimentos producirian menos de 40 0 més de 60 caras. De forma similar, sise realiza un experimento y se encuentra una diferencia entre dos medias, después de una prueba estadistica apropiada, con nivel de significancia de .05, entonces habré una raz6n para creer que la diferencia de medias obtenida no es meramente una De210 PARTECUATRO « Anilisis,interpretacién, estadisticas e inferencia diferencia por azar, aunque podria serlo. Si el experimento se hiciera 100 veces y realmente no hubiera diferencia entre las medias, cuando mucho $ de estas 100 réplicas podrian mostrar diferencias entre las medias lo suficientemente grandes para ser consideradas “‘sig- nificativas”. ‘Aunque esta discusidn puede ayudar a aclarar lo que es la significancia estadistica, atin no se responden todas las preguntas realizadas anteriormente. El nivel .05 fue elegido en un principio —y ha persistido entre los investigadores— porque es considerado una forma de especulaci6n razonablemente buena. No es ni demasiado alto ni demasiado bajo para la mayoria de la investigacién cientifica social. Muchos investigadores prefieren el nivel de significancia de .01, el cual ¢s un nivel muy alto de certeza; de hecho es “certeza practica”. Algunos investigadores dicen que el nivel de .10 puede usarse algunas veces, aunque otros dicen que 10 resultados debidos al azar en 100 son demasiados y que no estarfan dispues- tosa arriesgar una decisién con tales probabilidades. Otros dicen que el nivel de 01, ouna probabilidad en 100, es demasiado riguroso, y que resultados “realmente” significativas pueden ser descartados por esta rigidez. Debe elegirse un determinado nivel de significancia y ajustarse totalmente a él? Esta es una pregunta dificil. Los niveles .05 y .01 han sido recomendados ampliamente. Hay una tendencia nueva que recomienda reportar los niveles de significancia de todos los resultados. Esto es, si un resultado es significativo al nivel .12, por ejemplo, deberfa ser reportado de esa forma. Algunos investigadores objetan esta prictica, ya que dicen que se debe hacer una apuesta y adherirse a ella. Otra escuela de pensamiento recomnienda traba- jar con los llarnados “intervalos de confianza”. Muchos investigadores dicen que los resul- tados no son significativos si no alcanzan el nivel .05 0 .01. Rozeboom (1960) recomienda el uso de los intervalos de confianza y reportar los valores precisos de probebilidad de los resultados experimentales. Sin embargo, Brady (1988) establece que tal precisin general- mente carece de significado en las ciencias sociales y conduetmales por la imprecisi6n de las mediciones. La idea basica es que en lugar de rechazar categéricamente las hipétesis si el grado .05 no se alcanza, se puede decir que la probabilidad de que el valor desconocido caiga entre .30 y .50 es de .95. Ahora bien, sila proporcién empirica obtenida es de .60, por ejemplo, entonces ésta es una evidencia para que el investigador cornija su hipétesis sustantiva, o en lenguaje de hipotesis nula, la hipotesis mula se rechaza. Una excelente revisién de este tipo de problemas se encuentra en el libro de Kirk (1972), el cual contiene muchos ensayos importantes respecto a estos temas. Cohen (1994), Simon (1976, 1987), y Simon y Roscoe (1984) han argumentado contra el uso de estas pruebas de significancia. Estos temas son profundos y complejos y no pueden ser discutidos adecuadamente aqui. En este libro el enfoque de los niveles estadisticos se usaré por su simpleza. Para el estudiante que no tiene en mente hacer ninguna investigacién, el asunto no es muy serio pero aquellos que se involucren en investigaciOn deberin estudiar otros procedimientos, tales como métodos de estimacién estadistica, intervalos de confianza y métodos exactos de probabilidad. Un resultado estadisticamente significativo no implica significancia per- sonal o prictica. Babbie (1990) ha mencionado cuatro puntos importantes respecto a sa rechazo del uso de pruebas de significancia en la investigacién de ciencias sociales. E establece que los supuestos que subyacen a las pruebas estadisticas generalmente no se encuentran en ciertos tipos de estudios de investigaci6n social. Estos supuestos se centran alrededor de los métodos de muestreo usados en investigaci6n. Babbie también considera que hay una tendencia de los investigadores a interpretar las pruebas de significancia esta- distica como la fuerza de asociacién o como significancia sustantiva. Para ilustrar el calculo y el uso de la prueba x? con Ia tabulacién cruzada, ahora se aplicarin a los datos de frecuencia de la tabla 10.1. La formula dada previamente se usa, pero con la tabulacién cruzada su aplicacién es més complicada que la que se hizo en laCapiTULo 10 + Elandlisis de frecuencias 211 Tapta 10.6 Ciileulo de x¢%, datos de la tabla 10.1 26.1616 27.8384 1 52 53 -24.1616" 24.1616 21.8384 24.1616 46 0 46 24.1616 24.1616 a 52 9 3x 47) / 99 m 25.616; (53 x52) /99 = 27.8384; etcéera _ 425.1616)" | (52=27.8384)" | (46 21.8384)' | (0~24.:1616)" 25.1616 27.8384 21.8384 241616 = 23.2013 + 20.9704 + 26.7319 + 24.1616 = 95.0653 tabla 10.4. La principal diferencia es el célculo de las frecuencias esperadas. Los célculos necesarios se muestran en la tabla 10.6, Las frecuencias esperadas, f, se ubican en la esqui- na superior izquierda de cada celda y son calculadas como se muestra en la nota de pie a de Ja tabla. Las frecuencias obtenidas, f,, se dan en el centro de cada casilla. Los términos f,— f, requeridos por la formula, se pueden ver en la esquina inferior izquierda de cada casilla, y son los mismos en todas las casllas, excepto por el signo. Esto es para las tablas de 2 x 2. La formula de le 7? simplemente requiere elevar al cuadrado estas diferencias, dividiendo Jos cuadrados por las frecuencias esperadas, y sumando los resultados. Estos edlculos se indican més abajo: x? = 95.0653, con un grado de libertad. (gPor qué un grado de liber- tad?) Al observar la tabla de los valores de z?, un grado de libertad en el nivel 01, se lee 6.635. Dado que el valor excede esto sustancialmente, puede decirse que la x? es estadisticamente significativa, que los resultados obtenidos probablemente no son debi- dos al azar y que la relacién expresada en Ia tabla es “real” en el sentido de que probable- ‘mente no se deba al azar. Observe que 7? necesita una correccién si Nes pequeia. La regla implica el uso de Ja llamada correccién por continuidad, que consiste en restar .5 de la diferencia absoluta entre f, y f, en la férmula de x? antes de elevar al cuadrado, cuando las frecuencias esperadas son menores que 5 en tablas de 2 X 2. Esta correccién es llamada “correccién de Yates” (véase Comrey y Lee, 1995). Lax, como cualquier otro estadistico que indique significancia estadistica, no nos dice nada acerca de la magnitud de la relacién. Es una prueba de la independencia de las variables, entendiendo independencia en el sentido en que se expuso en el capitulo 9. No ¢s, estrictamente hablando, una medida de asociacién. Uno de los mis viejos problemas de Ja estadistica es indexar Ia fuerza o magnitud de la asociaci6n o relacién entre variables categoricas. Su complejidad impide su explicacién aqui, pero un estadistico que es fécil- mente aplicable y que puede ser usado con una tabla de contingencia de cualquier tamafio es la V de Cramer, una medida de asociacién basada en el valor de la chi cuadrada. La formula es:212 PARTECUATRO. « Anilisis, interpretacién, estadfsticas e inferencia NO Elvalor de k es determinado por el mimero de renglones o por el niimero de columnas en ta tabla de contingencia. El que tenga el valor mds pequefio, el ntimero de renglones o el nimero de columnas, es usado para el valor de &. Nes la frecuencia total. En este caso es 99, dado que solamente 99 senadores votaron, Si se sustituye el valor de 7 calculado anteriormente, Ny £ en Ia ecuacién, se obtiene: 23.0653 _ [9602 =.9799 = .98 99(1) que es un indice de la fuerza de la relacién. La V’de Cramer es la generalizacién del coeficiente phi (¢). En las tablas de 22, la V de Crameryy phi son idénticos. Ocasionalmente el coeficiente de contingencia, C, aparece en la literatura. El consenso general es que este valor C no es tan adecuado como la V de Cramer. Por un lado, no es realmente comparable entre tablas de contingencia de diferen- tes tamafios. Por otro lado, nunca puede alcanzar el valor de 1.00, que es el valor de una asociacién perfecta. Las mismas criticas no son aplicables a la V de Cramer oa phi (). Sin embargo, como lo sefialaron Comrey y Lee (1992), estas medidas de asociacién, es- pecialmente el coeficiente phi, son materia de otros problemas. Hays (1994) recomienda firmemente el uso de medidas de asociacién junto con pruebas de significancia estadistica En general, el mejor consejo para manejar datos eategéricos es calcular x? (para determi- nar la significancia estadistica), calcular V, calcular los porcentajes como se explicé ante- riormente y después interpretar los datos usando toda la informacién. Tipos de tablas cruzadas y tablas | En general hay tres tipos de tablas: unidimensional, bidimensional y k-dimensional. El nimero de variables determina el némero de dimensiones de una tabla: una tabla unidimensional tiene una variable, una tabla bidimensional tiene dos variables, y asi sucesivamente. No importa cuintas categorias tenga cada variable, el némero de variables siempre determina la dimensién de la tabla. Ya se ha considerado la tabla bidimensional, | donde dos variables —una independiente y una dependiente— se constrastan entre si. A menudo es fructifero y necesario considerar mds de dos variables de manera simultinea. ‘Te6ricamente no hay limite para ef mimero de variables que pueden ser consideradas en ‘un mismo tiempo. Las dnicas limitaciones son de tipo préctico: el tamafio insuficiente de Ja muestra y la dificaltad para comprender las relaciones contenidas en una tabla multidimensional. Tablas unidimensionales Hay dos clases de tablas unidimensionales. Una es una “verdadera” tabla unidimensional, que ¢s de poco interés aqui porque no expresa una relacién. Tales tablas se presentan frecuentemente en las revistas 0 periédicos, publicaciones del gobierno, etcétera. Al reportar el ntimero o proporcién de hombres y mujeres en San Francisco, el mimero de auromoviles de diferentes marcas producidos en 1992, el mimero de nitios en cada uno de los gradosCAPITULO 10 » Elanilisis de frecuencias 213 Tasta 10.7 Replica del estudio de conformismo de Asch (datos de Walker y Andrade) Grupos de edad (aiios) 35 68 9-11 1214 15-17 % conformismo 85 a2 38 9 ° % no conformismo 15 58 2 a 100 de X sistema escolar, tenemos “verdaderas” tablas unidimensionales. Solamente una variables es usada en la tabla Los cientificos sociales a veces escogen reportar sus datos en tablas que parecen unidimensionales pero que realmente son bidimensionales. Consideremos la tabla repor- tada por Walker y Andrade en 1996. Este estudio extrajo una muestra de niios en edad escolar quienes participaron en una réplica del estudio de Asch sobre conformismo, de 1956. En el estudio de Asch el participante era ubicado en un grupo de “cémplices” del experimentador, que se comportaban como si también fueran participantes en e! estudio, La tarea implicaba elegir una de tres lineas que fuera del mismo largo que la linea de prueba. En el ensayo clave, un cémplice elegia a propésito la linea incorrecta. El interés era ver si el participante se conformaba y escogia la misma linea incorrecta cuando la eleecién era apoyada por los otros cémplices. La tabla 10.7 muestra el porcentaje de veces que el participante se conformaba, en cada grupo de edad. (En la tabla original solamente se incluyeron los porcentajes por renglén del primer rengt6n.) La tabla parece unidimen- sional, pero realmente expresa una relacién entre dos variables: edad y conformismo. El punto clave es que las tablas de este tipo no son realmente unidimensionales. En la tabla 10.7, una de las variables, el conformismo, esté expresada en forma incompleta. Para aclarar esto solamente se suma otro renglén de porcentajes al lado de los que ya estan en la tabla original (esto ya se ha hecho en la tabla 10.7). Este renglén puede ser etiquetado" como “no conformismo”. Ahora se tiene una tabla bidimensional completa, y las relaci res se hacen obvias. (A veces esto no se puede hacer porque los datos para “completar” la tabla no se tienen.) Como otro ejemplo, consideremos los datos presentados en Ia tabla 10.8. Los datos fueron tomados de un estudio de Child, Pottery Levine (1946). En este estudio los valores expresados en los libros de texto de los nifios de tercer afio fueron analizados en su conte- nido. La tabla 10.8 muestra los porcentajes de casos en que se dio reforzamiento por varios modos de adquisicién. Como en el estudio de Walker y Andrade, solamente se dio tun nivel de respnesta. Se agregé el otro nivel de respuesta en la tabla 10.8, en el dltimo rengl6n y Jos valores correspondientes estan en paréntesis. Tanta 10.8 Datas incompletas (presentades en el estudio de Child, Potter y Levine) ‘Comprando, __Pidiendo, Dominancia, Esfuerzo vendiendo, deseando, tomando _agresién, robo, negociando _lo que se oferta trampa % en que se premié 3 80 68 41 (% en que no se premid) a 20) G2) 69)214 PARTECUATRO = Anilisis, interpretacién, estadisticas ¢ inferencia Tata 10.9 Efecto dela cantidad solcitada en el tamara de la donacin realizada (estudio de Dooby McLaughlin)® Cantidad solicitada Cantidad Solicitudes més pequeiias _Solicitudes mas grandes no especificada ($5, $10, $25) ($59, $100, $250) Tamaio dela donacién realisada <$30 52% 36% 48% $30-$49 19% 38% 8% $50-$74 21% 16% 20% $75-$99 1% 1% 4% $100 7% 8% 12% 3100 0% 1% 3% 1113 @<.01); V= 26, Tablas bidimensionales Las tablas bidimensionales o tabulacién cruzada tienen dos variables, cada una con dos o més subclases. La forma més simple de una tabla bidimensional, como se ha visto, €s liamada 2-por-2 o simplemente 2 x 2. Las tablas bidimensionales no estén limitadas a la forma de 2 x2; de hecho no hay una limitante légica en el niimero de subclases que cada variable pueda tener. A continuacién se presentan algunos ejemplos de tablas m x n. Doob y McLaughlin en 1989 estudiaron la relacién entre la dimensién donacién-no donacién y la cantidad solicitada para la donacién. Se pidié a los participantes en este estudio hacer una donacién en dinero. La cantidad de dinero solicitada fue manipulada para examinar su efecto en la gente: si donaba 0 no donaba. En este articulo se presenta una tabla que relaciona el tamafio de la donacién y la cantidad solicitada. Reportaron la tabulacién cruzada de 6 x 3 de la tabla 10.9. Los resultados mostraron que el tamafio de la donacién esté relacionado con la cantidad solicitada. El valor obtenido de la chi cuadrada fue x = 111.3, que es altamente significativo y el de V = .26, una relacién media. (Los autores no calcularon una medida de asociacién.) Aqui se muestra un método simple pero efectivo para probar la hipétesis y analizar los datos. Los investigadores encontraron que Jas solicitudes mayores eran mas efectivas. Este estudio también es notorio por yuxtapo- ner una variable continua (cantidad de la donacidn) con una variable ordinal (cantidad solicitada). Esta tabla también ilustra un punto que parece confundir a los estudiantes: que los mimeros de my n de una tabulacién cruzada m xm indican el nimero de subclases 0 subcategorfas, y no el niimero de variables (m representa el mimero de categorfas de la primer variable y n el ntimero de categorias de la segunda variable), Otro ejemplo de una tabla bidimensional que aborda datos de estudio interesantes proviene de la investigacién clésica de Stouffer (1995)! sobre el conformismo y la toleran- ' Esee bro contiene un andlisis echaustivo de a tabulacién cruzada y casi puede ser considerado un modelo de ‘como analizar las relaciones 2 través de la tabulacién eruzada, Todas las expecificaciones de Stouffer sobre sus datos son especialmente valiosas. Como ejemplo, véase el capitulo 4 donde Stouffer yuxtapone edad, educacion, —— colerancia y otras variables.=e CAPITULO 10 © Elanilisis de frecuencias 215 [Bl Tawa 10.10 Relacin entre educaciin y tolerancia (estudio de Stouffer) Porcentaje de distribucién Graduados Universidad Graduados —Preparatoria ~Graduados delas puntuaciones de universidad——incompleta_-— de preparatoria—incompleta_—_ de primaria en la escala de tolerancia ‘Menos tolerante 5 9 12 7 2 Entre ambos, 2» 38 46 34 a ‘Mis tolerante 66. 83 42 29 16 N 308 319 768 576 792 cia. Stouffer estudié la relacién entre tolerancia, por un lado, y muchas otras variables sociolégicas por otro lado. Una de estas diltimas fue la educacién. Stouffer buscé una respuesta a la pregunta: ¢Cuil es la relaci6n entre la cantidad de educacién y el grado de tolerancia? La tabulacién cruzada que se muestra en la tabla 10.10 es ilustrativa. Un estu- dio de esta tabla muestra que la relacién entre las dos variables existe: evidentemente, a mayor educacién, mayor tolerancia. Observemos brevemente un anilisis similar de una clase diferente de problema de investigacién. Shaw, Borough y Fink (1994) estudiaron la relacién entre la orientacion sexual percibida y la conducta de ayuda. Estos investigadores esencialmente preguntaron: Hay una relacién entre recibir ayuda y la orientacién sexual de la persona que la solicita? Usando la “técnica del nimero equivocado” los investigadores obtuvieron una medida no reactiva de homofobia. La tabla 10.11 presenta un hallazgo parcial. Los mimeros princi- pales en las casllas son frecuencias y los porcentajes (o proporciones) se dan en paréntesis. ‘Viendo los porcentajes, es evidente que la gente tiende mds a ayudar a una persona que es heterosexual que a una persona que es homosexual. La x’ resultante fue 18.34 y fue cestadisticamente significativa a un nivel «= 01. La V de Cramer = .48. Sin embargo, es interesante observar que no existe una relacién significativa entre el sexo de quien respon- de y la orientacién sexual percibida de quien solicita la ayuda (esta tabla no se muestra en. - el texto). El resultado de la prueba x? fue 33. Tablas bidimensionales, dicotomias “verdaderas” y medidas continuas ‘Muchas tablas bidimensionales reportan datos nominales “verdaderos”, datos de variables que son realmente dicotomias: sexo, vivo-muerto, y otros similares. Sin embargo, muchas I Tawra 10.11 Relacién entre la orientacién sexual percibida y el comportamiento de prestar ayuda (estudio de Shaw, Borough y Fink) Orientacion del solicitante Heterosexual Homosexual Respuestas totales Ayuda 32(80) 1363) 45 No Ayuda 8(20) 27(67) 35 Toul 40. 40 80216 Pants CUATRO + Anilisis, interpretacin, estadisticas ¢ inferencia Tapia 10.12 Relacién entre autoestima y raza en los niios de escuelas de Baltimore (estudio de Rosenberg y Simmons) Autoestima Afroamericanos (%) Raza Americanos blancos (%) Baja 19 37 Media 35 30 Ala 46 3 100 100 N 1213 682 de estas tablas tienen una o ambas variables presumiblemente continuasy dicotomizadas o tricotomizadas de forma artificial. En un estudio sobre la autoestima de nifios afroamericanos en escuelas piblicas de Baltimore, Rosenberg y Simmons (1971) mostraron que la autoestima de los nifios afroamericanos no era, como se pensaba, mis baja que la de os nifios americanos blancos. La variable independiente, raza, esté en la parte superior de la tabla 10.12 y la variable dependiente, la autoestima, a un lado. (Asi, los porcentajes son caleulados hacia abajo en las columnas.) Observe también que una variable continua, autoestima, se ha convertido en una variable ordinal. Tablas de tres dimensiones y de k-dimensiones Es tedricamente posible realizar andlisis cruzados con cualquier niimero de variables, pero cn la préctica el limite es de tres o cuatro, con més frecuencia de tres. Las razones para tal limitacién son obvias: se necesitan N muy grandes y, lo més importante, la interpretacién de los datos se hace considerablemente mas dificil. Otro punto que hay que tener en mente es: nunca usar un anilisis complejo cuando un andlisis més simple puede lograr el trabajo analitico. Aun asi, las tablas de tres y de cuatro dimensiones pueden ser itiles y brindar informacién indispensable. Elanilisis de tres o més variables simulténeamente tiene dos propésitos importantes. Primero, estudiar las relaciones entre tres o mas variables. Tomemos un ejemplo de tres. dimensiones con las variables 4, B y C. Se pueden estudiar las relaciones entre A y B, Ay C,By G,y entre A, By C. El segundo propésito es controlar una variable al estudiar la relacién entre las otras dos variables. Por ejemplo, se puede estudiar la relacin entre By C mientras se controla A, Un uso importante de este concepto es ayudar 2 detectar las relaciones espurias, otro uso es para “especificar” una relacién, indicado cuindo o bajo qué condiciones, una relacién es mas o menos pronunciada. Especificacién La especificacién es el proceso de describir las condiciones bajo las cuales una relacion existe ‘ono existe, o existe en mayor o menor grado. Un ejemplo ayudars a aclarar este enunciado y también da la oportunidad de introducir las tablas de contingencia k-dimensionales asi ‘como el analisis multivariado de los datos de frecuencia. ‘Suponga que un investigador esta interesado en la hip6tesis de que el nivel de aspira- cién esté relacionado positivamente con el éxito en la universidad. Especificamente, laCaPtTULo 10 » Elanilisis de frecuencias 217 TABLA 10.13 Relacién entre el nivel de aspiracion -y el logro escolar, datos bipotéticos ANA BNA EU 140 60 200 NEU 60 140, 200 200 200 (400) hipétesis dice que a mayor grado de aspiracién, mayor es la probabilidad de graduarse Suponga adernés, que el investigador tiene una medida dicotémica relativamente cruda del nivel de aspiracién, asf como una medida de! éxito en la universidad. Hsta medida seria sielestudiante se gradué o no. Las variables y categorias, entonces, son ANA (alto nivel de aspiracién), BNA (bajo nivel de aspiracién), EU (€xito en la universidad) y NEU (no éxito en la universidad), El investigador toma una muestra aleatoria de 400 estudiantes de se- undo afio de una universidad y obtiene su grado de aspiracién midiéndolo directamente en ellos. Los 400 estudiantes se dividen en dos mitades con base en la medida del grado de aspiraci6n. Al final de los tres afios, se categoriza a los estudiantes en fancidn a que se hayan graduado o no se hayan graduado. Suponga que los resultados son los que se mues- tran en la tabla 10.13. Hay evidentemente una relaci6n entre las variables: x’ = 64, es significativa al nivel de .001, y la V= 40. El investigador muestra estos resultados a un colega vardn, un individuo amargo, que dice que éstos son cuestionables y que si se hubiera considerado la clase social, fa relacién podria ser muy diferente. El razona que la clase social y e! nivel de aspiracién estan fuerte- mente relacionados, y que la relacién original podria sostenerse para los estudiantes de la clase media, pero no para los estudiantes de clase trabajadora. Afortunadamente, cuando revisa los datos recolectados descubre que tiene los indices de Ia clase social de todos los sujetos. El resultado de usar una tabulacién cruzada de tres variables se muestra en la tabla 10.14. La inspeceién de los datos muestra que su colega estaba en lo cierto, y que la rela~ cin entre el grado de aspiracién y el éxito en Ia universidad es considerablemente mis pronunciado para los estudiantes de la clase media (CM), que para los estudiantes de clase trabajadora (CT). Elinvestigador puede estudiar la relaciones con mayor profundidad mediante el eileu- lo de los porcentajes en forma separada para la clase media y la clase trabajadora como se muestra en la tabla 10,14. En este caso, dado que las frecuencias en cada renglén de las mitades de la tabla totalizan 100, las frecuencias son, en efecto, porcentajes. Puede verse que Ia relacién entre el nivel de aspiracién y el éxito universitario es més fuerte en los estudiantes de clase media que en los estudiantes de clase trabajadora, Enel andlisis anterior, los datos fueron especificados: se mostr6, al introducir la varia- ble clase social, que la relaci6n entre el nivel de aspiracién y el éxito en la universidad era mayor en un grupo (clase media) que en otro (clase trabajadora). Esto es similar al fend- meno de interaccién discutido en el capitulo 9, donde se establecié que la interaccién infiere que una variable independiente afecta de forma diferente a una variable depen- diente en diferentes niveles o facetas de otra variable independiente. Estrictamente ha- * Los totales marginales de la eabla 10.13 (y también los dela tabla 10.14) se han hecho iguales para simplifcer la discusin y resaltar cietos puntos que se observarin ahora y posteriormente, Esto es, por supuesto, no realise: las tablas de frecuencia pocas veces son asi de complacientes.218 —- PARTECUATRO « Anélisis, interpretacién, estadisticas e inferencia Tapia 10.14 Relaciones entre nivel de aspiracién, clase social y logro escolar (datos biporétios) cM cr ANA BNA ANA BNA EU 80 20 60 40 200 NEU 20 80 40 60 200 100 400 100 100 (400) 200) 200) blando, “interaccién” es un término usado en la investigacién experimental y en el anilisis de varianza, como se verd en capitulos subsecuentes. Existe la duda sobre si cl término puede ser aplicado en la investigacién no experimental y en la clase de andlisis que ahora se examina. La posicién tomada en este libro es que la interaccién es un fendmen general de gran importancia que ocurre tanto en investigacién experimental como no experimental. La “validen” dela interaccién en la investigacién no experimental, sin embargo, es mucho mis dificil de establecer que en la investigacién experimental. De hecho, esto sucede en la “‘validez” de todas las relaciones en ls investigacién no experimental, como se verd en forma detallada en los capitulos 22 y 23. En resumen, las relaciones especificadas de la tabla 10.13 pueden ser vistas como una interaccidn o simplemente coma una especifica- cién de relaciones. Lo principal, por supuesto, es entender lo que est sucediendo: las relaciones son fuertes, débiles o aun de cero en diferentes niveles de otras variables inde- pendientes, En el ejemplo anterior, la relacién entre el nivel de aspiracién y el éxito uni- versitario es diferente en las dos clases sociales. Con tales enunciados multivariados, se logra un acercamiento al corazén y espiritu de la investigacién cientifica, el andlisis y la interpretacién. Tabulacion cruzada, relaciones y pares ordenados ate ate! ‘Una relacién es un conjunto de pares ordenados. Dos de las formas en las que se puede expresar un conjunto de pares ordenados son: 1) por un listado de pares y 2) graficindolos. Un coeficiente de correlacién es un indice que expresa la magnitud de una relacién, Una tabulacién cruzada expresa los pares ordenados en una tabla de frecuencias. Para mostrar cémo estas ideas estan relacionadas, tomemos los datos ficticios de la tabla 10.15. El estudio consiste en la relacién entre el control estatal de un sistema econd- mico y la democracia politica. En una investigacién de democracia politica en paises mo- dernos, Bollen (1979) hipotetiz6 que a mayor control del sistema econémico de un pais, BD Tasta 10.15 Relacién entre control estatal del sistema econdmico y desarrollo politico (datos ficticios) B, bajo CE B, alto CE A, bajo DP 0 2 oD 8 10 A; alto DP (1,0) 10 ay) 3 B 2 iCApeTULO 10 © Elanilisis de frecuencis 219. ‘menor ¢s su nivel de democracia politica. Suponga que de una muestra de 23 paises, se cuentan 12 de ellos con un bajo control econémico (bajo CE) y 11 paises con alto control econémico (alto CE). También hay 13 paises con un desarrollo politico elevado (alto DP) y 10 paises con un bajo desarrollo politico (bajo DP). Esto da los totales marginales de una tabulacién cruzada de 2 x2, aunque no indica cudntos paises hay en cada casilla. ‘Ahora se cuenta el ntimero de paises con bajo CE que tienen un alto DP y el niimero de pafses con alto CE que tienen bajo DP. Estos conteos se anotan en las casillas apropia- das de una tabulacién cruzada de 2 x 2 como en Ia tabla 10.15. Se encuentra que las fre- ccuencias de las casillas se apartan significativamente de lo esperado por el azar, por lo tanto, existe una relaci6n significativa entre el control econémico estatal y el desarrollo politico. ara las tablas de 2 x 2 donde las frecuencias esperadas son pequefias (<10), se debe usar la prueba exacta de significancia desarrollada por Fisher (1950). Otras alternativas serfan usar la correccién de Yates para una prueba x’, 0 usar las tablas de Finney (véase Pearson y Hartley, 1954; Ferguson, 1971; Comrey y Lee, 1995). Para poder ver los pares ordenados claramente, se cambian Jas etiquetas de las va- riables, asi B, es igual a bajo CE, B, es igual a alto CE, 4, es igual bajo DP y 4; es igual aalto DP. Las etiquetas 4 y B han sido insertadas apropiadamente en la tabla 10.15, Aho- ra, ccémo se establecen los pares ordenados de la tabulacién cruzada? Esto se hace asig- nando cada uno de fos 23 pafses a una de las siguientes combinaciones de subgrupos: (1, 1), (0, 1), (1, 0), (0, 0) (véase las designaciones en ia tabla 10.15). Em otras palabras, a4; Tanta 10.16 _Arvegio de pares ordenados dela tabla 10.15 Paises A B Intersecciones de la tabulacién cruzada 1 ° 1 0 1 0 1 0 AB, 1 0 1 0 1 0 1 0 1 0 1 1 1 1 AB, 1 I 0 0 AB, 0 0 0 1 0 1 0 1 0 1 AB 0 1 0 1 0 1 0 1220 PARTE CUATRO « Anilisis, interpretacién, estadisticas ¢ inferencia B, se les asignan ceros y a 4s y B; s¢ les asignan unos. Si un pafs tiene bajo CE y alto DR, entonces es un 4; Bi; consecuentemente el par ordenado asignado para éste es (1, 0). Los primeros 10 paises de la tabla 10.16 pertenecen a la categoria 4, By, por lo tanto se les asignan (1,0). De la misma forma, alos paises restantes se les asignan los pares ordenados de mimeros de acuerdo con su correspondiente subconjunto. La lista completa de 23 pa- res ordenados se presenta en la tabla 10.16. Las categorias o intersecciones de las tabulaciones cruzadas (conjunto) han sido indicadas, La relacién es el conjunto de pares ordenados de 1 y 0. La tabla 10.16 es solamente ‘una forma diferente de expresar la misma relacién mostrada en la tabla 10.15. Es posible calcular un coeficiente de correlacién para ambas tablas. Si, por ejemplo, calculamos un coeficiente de correlacién, una r producto-momento de los datos de la tabla 10.16, se obtiene .56. (Lar producto-momento calculada con 1 y 0 es llamada coeficiente phi (9). Grafiquemos la relacin en 2 ejes, A y B, en angulo recto, donde Ay B representen las dos variables contenidas en las tablas 10.15 y 10.16. Se busca estudiar la relacin entre 4 y B. La figura 10.4 muestra los pares ordenados graficadas y también muestra una linea de “relacién” que corre a través de los racimos mas grandes de pares. 2Dénde esté la rela- cin? Hay un conjunto de pares ordenados que defina una relacién significativa entre A y BY Se apareé la puntuacién de cada pais en A con la puntuacién de cada pais en By se graficaron los pares en los ejes.4 y B. Regresando a lo sustancial de la relaci6n, ahora, para cada pais, se aparea la puntuacién individual de control econémico con su correspondien- te puntuacién de desarrollo politico; de esta manera se obtiene un conjunto de pares orde- nados el cual representa una relaci6n. Sin embargo, la pregunta real no es si existe una relacién entre Ay B sino cual es la naturaleza de dicha relacién. Se puede ver en la figura 10.4 que la relacién entre y B es bastante fuerte. Esto esti determinado por los pares ordenados que son en su mayorfa (4,B,) y (4,B,). Hay, compa- rativamente, pocos pares (4,B;) (4,B,). Diciéndolo en palabras, las puntuaciones de bajo CE se aparean con puntuaciones de alto DP (1); las puntuaciones de alto CE se aparean con bajo DP (0) con pocas excepciones (5 casos de 23). No se puede nombrar a esta rela- cién de forma sucinta, como en una relacién de “matrimonio” o “hermandad”. Sin embar- go, se le puede llamar “control econémico estatal-desarrolto politico”, lo que significa que ‘hay una relacién de estas variables en el sentido de pares ordenados. BI Moves 10.4 2,10) BO) |— odCAPITULO 10 « Elandlisis de frecuencias 221 La raz6n de probabilidad ‘Un estadistico muy itil que puede ser calculado partiendo de las tablas de contingencia de 2x2 es la raz6n de probabilidad. Este estadistico es dificil de definir verbalmente, pero muy facil de ilustrar, Por definicién, es la razén o tasa de dos probabilidades. Las probabilidades son calculadas como la razén de la probabilidad de que el evento ocurra con la probabilidad de que dicho evento no ocurra. Por ejemplo, tomemos un mazo de 52 barajas; si se desea conocer la probabilidad de que salga una reina, se establece la siguiente razén: Probabilidad (reina) = +- a La probabilidad de que no salga una reina es Probabilidad (no reina) = 48 . 12 . 0,023 ° 38 La razén de probabilidad de que salga una reina seria Probabilidad (rrina) - 4/52. ._1_ 0.083 robabilidad (rina) = SUR = Si se utilizan los datos presentados en la tabla 10.13, puede verse como funciona la razon. de probabilidad y por qué es itil en muchas situaciones. Para ser consistentes con el ejemplo anterior, se cambiaron las frecuencias a probabilidades o proporciones. La tabla que sigue lo refleja. ANA BNA EU 2 3 NEU 3 a Las probabilidades de éxito, si el estudiante esta en el grupo de alto nivel de aspiracién, son Probabilidad (évito| alto) = 4. 233 Esto indica que los estudiantes en el grupo de alto nivel de aspiracién tienen 2.33 veces més probabilidad de ser exitosos en la universidad, Las probabilidades de éxito, si el estudiante esté en el grupo de bajo nivel de aspiracién son 3243 Probabilidad (éxitolbgj) = = Esto podria llevar a la interpretacién de que hay menos de media probabilidad de que un estudiante del grupo de bajo nivel de aspiracién termine con éxito la universidad. Si se calcula la tasa entre estas dos probabilidades, se obtiene la razdn de probabilida Razin de probabilidad = 2330 5.444 La razén de probabilidad indica que los estudiantes en el grupo de alto nivel de aspiracién tienen 5.44 veces més probabilidad de tener éxito o terminar con éxito la universidad que los estudiantes de bajo nivel de aspiracién.222 PARTE CUATRO» Anilisis, interpretaciGn, estadisticas ¢ inferencia La raz6n de probabilidad nos da informacién stil. Ayuda a tratar de explicar qué est sucediendo. El estadistico chi cuadrada sigue siendo el método preferido; sin embargo, es incapaz de dar el tipo de informacién que la raz6n de probabilidad proporciona. El con- ccepto que subyace a la razén de probabilidad es més dificil para los estudiantes; sin embar- g0, aprender acerca de este estadistico es importante cuando se tabaja con davus vategoricus, es especialmente ditil cuando se consideran las tablas de contingencia multifactoriales o analisis en los que se usan funciones logisticas. Se revisard mas de este estadistico en el capitulo 35, donde se aprenderé también un estadistico chi cuadrada diferente. Howell (1997) presenta un ejemplo interesante acerca de la efectividad de las aspirinas en la dismi- nucién de la incidencia de ataques cardiacos. Las probabilidades individuales fueron muy pequefias; sin embargo, la razén de probabilidad fue muy grande. Una persone en el gru- po que no toma aspirina tiene 1.83 veces més probabilidad de sufrir un ataque cardiaco que una persona que toma dosis bajas de aspirina. Anilisis multivariado de datos de frecuencia La mayor parte de a discusién anterior se himité a dos variables: una variable independiente yuna variable dependiente. Sin embargo, muchos andlisis de datos de frecuencia son de tues y mis variables. Un ejemplo ficticio con tres variables se dio anteriormente en la tabla 10.14. Mientras que la mayorfa de los casos de mis de tres variables pueden ser analizadox ¢ interpretados usando porcentajes, los estudios de datos con cuatro o més variables no son sujetos de andlisis e interpretacién de esta naturaleza y se necesita otro enfoque. Adin con tes variables a veces es necesario otro enfoque porque los datos son demasiado complejos y sutiles para una interpretacién simple. Con una tabulacién cruzada de dos variables hay solamente una relacién: aquella entre A y B. Con tres variables, sin embargo, hay cuatro relaciones de posible interés: 4B, AC, BCy ABC. Hasta aqui se han estudiado las tabulaciones cruzadas de tres por dos variables. Ls tabulacién cruzada de tres variables, ABC, es como la que se mostré en la tabla 10.14, y en este caso pucde scr mds dtil si se analiza el estudio de la relacién entre el nivel de aspiraci6n y el éxito en la universidad en dos muestras: clase media y clase trabajadora. Esto es, se estudia sila relacién entre el nivel de aspiracién y el éxito en la universidad es el mismo en la clase media que en la clase trabajadora. Si es el mismo, se “establece” una no variance; si es diferente, entonces se tiene tna interacciin: a relaci6n es tal en la clase media pero es tal otra en la clase trabajadora Desde el inicio de los afios 70 ha habido cambios importantes en la conceptualizacién de los problemas de investigacién y en el andlisis de datos. Algunos de los trabajos nota~ bles que han contribuido en el érea de las tablas de contingencia multivariadas con datns de frecuencias son los de Grizzle, Starmer y Koch (1969); Bishop, Fienberg y Holland (1976), Goodman (1971) y Clogg (1979). Antes del desarrollo dcl andlisis multivariado de medidas continuas y de frecuencias, el andlisis —y su conceptualizacién— era en su mayo- ria bivariado, Los investigadores estudiaron las relaciones entre pares de variables, como se ha hecho en este capitulo. Mientras que la idea de estudiar la operacion de muchas variables simulténeamente era bien conocida, el significado practice de hacerlo tuvo que esperar hasta el surgimiento de la computadora y de otras formas diferentes de pensa- miento. Més adelante en este libro se examinard la naturaleza de la computadora y su ‘importante papel en la investigacién. También se dard una deseripcién mae completa del anélisis multivariado de los datos de frecuencia. En la edicin previa de este libro se intro- dujo una breve discusién en este capitulo, acerca de los modelos log-lineales para tablas multivariadas de frecuencia/contingencia. Desde entonces el campo se ha expandido lo suficiente para merecer una seccién més larga, que seri presentada en los capitulos que ‘tratan sobre estad{stica multivariada.