DISEÑOS DE INVESTIGACIÓN

INTRODUCCIÓN: EL MÉTODO CIENTÍFICO:

El método científico es una forma de proceder según un orden determinado, desde
observaciones hasta la relación de teorías, comienza con el planteamiento del
problema y la formación de hipótesis.

Existen varios enfoques del método científico, aunque si una investigación la

podemos contextualizar vamos a necesitar todos. Uno es el hipotético-deductivo
(tenemos una hipótesis, en función de ella elaboramos predicciones) y otro el
analítico-inductivo (se hacen una serie de observaciones y se establecen relaciones,
poniendo a prueba las hipótesis, como la aparición del SIDA en los años 70). En una
investigación contextualizada al final acabamos haciendo todos estos pasos, partimos
de observaciones, establecemos relaciones, ponemos a prueba hipótesis…

Hay una serie de principios científicos que definen la ciencia. En primer lugar, la
uniformidad o legalidad de la naturaleza (en realidad todo tiene una causa, si lo
podemos conocer significa que lo podemos replicar). También la causación es finita (la
conducta está determinada por muchas variables) y la ciencia aborda aquello que es
sometible a variación empírica.

La actividad científica posee una serie de atributos:

- Es objetiva: vamos a medir y a observar, solo va a existir aquello que se mide,

hay mejores y peores medidas. Los resultados del análisis de datos son datos,
se supone que son objetivos, tenemos que ser escépticos de lo que vemos.
- Ordenamiento sistemático: recogemos datos, utilizamos una serie de pasos
ordenados, luego vienen los análisis estadísticos. Hay que describir el
procedimiento de lo que hemos hecho, cuántos pasos, si hay que adaptar,
permite replicar una investigación. Las hipótesis deben estar siempre
sometidas a revisión ya que puede venir otro detrás y encontrar otros
resultados.
- Principio de incertidumbre: lo que observamos debe ser imparcialmente
observado, saber hasta qué punto la observación modifica lo que estamos
observando.

El científico también se caracteriza por tener una serie de cualidades como pueden
ser la libertad de pensamiento y oponerse al autoritarismo académico y también ser
rigurosos con el método y con como valoramos nuestros propios descubrimientos (la
gente siempre quiere obtener resultados a su favor).
TEMA 1. INTRODUCCIÓN AL DISEÑO DE
INVESTIGACIÓN EN PSICOLOGÍA:

1. CONCEPTOS BÁSICOS:

1. 1. LOS TRES PILARES DE INVESTIGACIÓN EN

PSICOLOGÍA:

Existen tres pilares fundamentales de investigación en Psicología: medida, diseño y

análisis:

-Medida: para situarnos en un contexto concreto vamos a tener que medir, solo existe
aquello que se mide, hay que saber cómo. Esas variables pueden ser observables,
cuanto más objetivas sean las variables mejor. A las variables latentes no se las puede
medir, son un conjunto y una serie de aspectos más. Los datos que obtenga con la
medida tengo que tenerlos bien organizados, los voy a analizar. El tipo de validez es de
constructo.

-Diseño: veremos diseños experimentales pero puede haber otros tipos, es un modo
de recogida de datos para tener el mejor sesgo. Me voy a ocupar de la muestra y de a
quién va dirigido.

-Análisis: pongo a prueba hipótesis, estadística inferencial, regresión modelo mixto o

logística, lo que se necesite con ánimo de analizar los daros, hay muchos modos
correctos de hacerlo. La validez es externa-interna.

1. 2. FASES DEL PROCESO DE INVESTIGACIÓN:

Cuando uso el diseño, desde el más simple a otro más complicado, está enlazado
dentro de la planificación de la investigación, una serie de pasos que sonlos mismos
que tiene el método científico.

-Teórico-conceptual: cuando tengo un problema y necesito una hipótesis tengo que

contextualizar el problema y después ya elaboro la hipótesis.

-Tecnológico-metodológico: operativizar, niveles de tratamiento dependiendo de

hacia dónde va dirigida la muestra, cómo planifico el diseño. Todo se realiza para ser
capaces de poder replicar más tarde.
-Estadístico-analítico: hipótesis nula y alternativa, somete a prueba la nula, espero que
no se cumpla o si se cumple que sea por azar. Se ve qué modelo es el que mejor se
ajusta a los datos, es importante saber si algo es relevante o no.

Cuando he canalizado los datos debo volver al principio y justificar esos datos que
he obtenido.

1. 3. ESTRATEGIAS PARA LA INVESTIGACIÓN EMPÍRICA

EN PSICOLOGÍA:

Existen tres grandes agrupaciones de investigaciones: investigación teórica,

metodológica (elaboración de instrumentos de medida o revisión de métodos) y
empírica. Esta última es en la cual nos centraremos a continuación y a su vez se divide
en manipulativa, asociativa y descriptiva:

-Manipulativa: manipulación de una variable o más, busco hipótesis causales (diseños

experimentales, cuasiexperimentales y de caso único). En los cuasiexperimentales no
se asigna aleatoriamente y en los de caso único con pocos sujetos se observa a cada
uno en cada medida.

-Asociativa: solo registro datos, puedo buscar relaciones (diseños comparativos,

predictivos, explicativos).En los estudios comparativos se realizan estudios con grupos,
en los predictivos se usa un modelo de regresión y en los explicativos se estudia la
evolución de unas ecuaciones estructurales.

-Descriptiva: trata de describir, no tengo hipótesis (observacional, selectivo)

En función de la necesidad que yo tenga, usaré un tipo de estrategia u otra. Se

diferencian por el tipo de hipótesis que ponen a prueba, tengo que conocer la causa.
Se generan tipos de diseños distintos. Por ejemplo, dentro de la estrategia
manipulativa tenemos diseños experimentales, donde se generan aleatoriamente los
grupos. Si no los pongo aleatoriamente tengo que tener estrategias, medidas iniciales
para ver si hay diferencias en los grupos. Los cuasiexperimentales me obligan a tomar
medidas pretratamiento, se dan muchas veces en ámbitos naturales donde no soy
capaz de asignar aleatoriamente. En otros casos como en los estudios observacionales
no se necesitan tantos sujetos y podría ser incluso uno solo.
 1. 4. UNIDAD EXPERIMENTAL, UNIDAD DE
OBSERVACIÓN Y UNIDAD DE MUESTREO:

Existen una serie de términos que son diferentes pero pueden confundirse:

-Unidad experimental: persona que se somete al tratamiento, puede ser también un

animal o un objeto.

-Unidad de observación: es la unidad más pequeña que observo, puede coincidir con
la unidad experimental pero a veces es distinta. EJEMPLO: exámenes parciales.

-Unidad de muestreo: me interesa saber la comparación de sujetos en unidades

agregadas. EJEMPLO: quiero saber dónde se tiene mejor nivel para empezar a la
universidad, no es igual el nivel en la ciudad que en el campo, también depende de si
el instituto es público o privado o de la región de España donde se encuentre. Son
unidades de agregación distintas, puedo ver la variabilidad dentro de cada una y entre
ellas.

1. 5. LA INFERENCIA CAUSAL:
En la dirección de una investigación, la causa precede al efecto. Tiene que haber
una relación que se pueda medir y que no haya otras variables que me molesten
(control)

T-R-U-C-O (El Tratamiento produce una Respuesta con las Unidades dentro del
Contexto y en la Ocasión)

Existen enfoques que son complementarios: el enfoque de Campbell y el de Rubin.

En el de Campbell hay 4 tipos de validez: interna, externa, constructo y externa. Se
recogen los datos del modo más perfecto posible en la situación, contando los
orientados a investigaciones manipulativas. El enfoque de Rubin se utiliza en
investigaciones no manipulativas, análisis de datos, estimar con el menor sesgo
posible, es complementario con el otro enfoque. También existe otro enfoque
denominado de Perth (ecuaciones estructurales, parecido al modelo de Rubin,
implican técnicas de análisis distintas).

2. EL EXPERIMENTO COMO MODELO DE

INVESTIGACIÓN:

El experimento tiene 3 características: manipulo la variable independiente, asigno

aleatoriamente y tengo control en la investigación. Son únicas para el diseño
experimental (en Medicina se llama ensayo clínico). Manipular la variable
independiente es elegir los niveles de ella, elijo los que me interesan o aleatoriamente.
Esto lo haré según la hipótesis de mi investigación, aspectos formales que van a decidir
qué hipótesis pongo a prueba, lo voy a tener en cuenta siempre.

Integridad del tratamiento, va a ser alguien que aplicará el tratamiento, va a ser la

validez de constructo, no es lo mismo en grupo que individual. El sujeto es importante,
tiene que percibir que es útil, habilidad del terapeuta que lo hace.. A veces un
tratamiento es efectivo en laboratorio, luego me enfrento con el sujeto, a veces se
necesita amoldarlo a las necesidades del sujeto.

La asignación aleatoria de los sujetos a los grupos es fundamental, estimo que los
sujetos pueden estar en un grupo u otro, si sale bien tengo 2 grupos perfectamente
formados, completamente iguales, necesito bastantes sujetos. Si no tengo grupos de
sujetos iguales tengo sesgo de selección (diferentes grupos antes del tratamiento).
Asignar sujetos aleatoriamente debe hacerse con un paquete estadístico, manera
externa al investigador. Es importante que la selección no la haga el investigador, así el
sujeto no tiene ni idea de lo que va a hacer el investigador y el experimentador
tampoco tiene idea (técnica de doble ciego, no da lugar a modificar la integridad del
tratamiento). Estas son las diferencias entre un ensayo clínico-experimental: el
primero trata de ser ciego.

2.1. EL PROBLEMA DEL CONFUNDIDO:

Necesito al menos un grupo de control, comparación, puede ser de muy distintas

formas, como no tratamiento, pasivo (recibe el tratamiento de toda la vida), placebo
(recibe su pastilla pero va a ser inocua, él no lo sabe), tiene que estar tan pensado
como el grupo experimental, es lo que me va a servir de comprobación de lo que
pongo a prueba. La hipótesis causal es el estándar de oro para poner a prueba algo.

El experimento se da en un ambiente particular, puede haber otras variables

confundiendo la relación que vamos a tener que controlar después. Como ya se ha
comentado, se necesita la asignación aleatoria, y el sesgo de selección se produce
cuando los grupos no son iguales antes del tratamiento. Es ideal que el sujeto no sepa
cómo se asignan los sujetos. En las Ciencias Sociales se puede manipular la variable
independiente, pero el doble ciego es más difícil.

La técnica de control más efectiva es la aleatorización, pero hay muchas formas de

hacerlo. El sesgo de selección es el mayor peligro para la inferencia estadística, una
serie de variables son representadas distintamente en sujetos y debido a eso la
respuesta es distinta, hace que no vea el efecto de tratamiento, una de las causas es el
confundido. En otros estudios cuasiexperimentales no es posible asignar sujetos
aleatoriamente a grupos.

2.2. TÉCNICAS DE CONTROL DE LAS VARIABLES

EXTRAÑAS:

Las variables extrañas no las registro, pero van a estar ahí. La validez surgió a
mediados del siglo XX tras la Segunda G.M., con ánimo de invertir en educación,
investigación social, etc. La validez interna (que yo sea la única responsable de la
variable dependiente, si hay otras variables que las conozca y las puede controlar) y
externa es de Campbell y Stanley. Después se añadieron la validez de constructo de
causas y validez de la conclusión estadística.

Con las variables de confundido, extrañas, de control, tengo que pasar a controlar,
realizar una serie de tareas para minimizar las diferencias antes de emplear el
tratamiento. La investigación puede ser transversal, aplicando tratamientos que
registro en una ocasión y longitudinal, en la que recojo información en varias
ocasiones.

Una técnica de control es la equilibración, es decir, intentar hacer iguales a los

grupos. Todas las variables que pueden afectar están igualmente repartidas, se asignan
aleatoriamente.

Otra técnica posible es el bloqueo. Por ejemplo, yo tengo 3 modos de enseñar a

leer y pienso que su CI es importante de cara a que reaccionen mejor al tratamiento. El
CI no lo puedo manipular, divido a los sujetos en 3 grupos de CI, los sujetos serán
homogéneos en CI. Asigno aleatoriamente, si uno de los grupos no es homogéneo
tendré que hacer otro grupo. Sé que el CI es una variable que afecta a la variable
independiente, si no lo afectara no lo tendría en cuenta y perdería oportunidades. Hay
que registrar siempre antes de la aplicación del tratamiento.

También es posible aplicar las puntuaciones de propensión. Es útil cuando no

puedo asignar aleatoriamente, no conozco la probabilidad, cuando he realizado la
investigación he cogido variables que pueden intervenir. Hay que buscar para cada
sujeto del grupo experimental otro sujeto del grupo control con la misma puntuación,
la cual se calcula mediante una regresión logística. Todas esas variables son
predictoras (anteriores), variables más cercanas a la aplicación del tratamiento
(pueden ser decisivas). Ordeno las puntuaciones, me quedo con las que sean iguales
en los dos grupos. Va a haber gente a la cual yo desprecie, los que no coinciden,
después se aplicarán las técnicas estadísticas. Si tengo missing data no hay nada que
pueda hacer, los grupos son iguales respecto a variables que he registrado.
 Otra técnica de control estadístico es, por ejemplo, ANCOVA (no hace nada con los
datos).

El análisis de la covarianza sería un mix entre el de regresión y el de la varianza.

Primero se hace la ecuación de regresión y con los errores hago el análisis de la
varianza. Para ello la variable tiene que estar relacionada con la variable dependiente.
Que esté relacionada con la variable de tratamiento, si cojo y veo si hay diferencias
entre grupos ya no podría usar el análisis de la covarianza. Igualmente repartida entre
los grupos, dentro de cada nivel la respuesta a tratamiento es muy distinta. Vamos a
usar el análisis de la covarianza de un modo estático, aunque a veces no va a ser así, ya
que existen variables o estáticas, por lo que esto puede complicarse.

También puede ocurrir que en una investigación longitudinal puedo tener un

grupo de sujetos con tratamientos distintos. Es importante que no haya efectos
residuales de otros tratamientos, ya que en ese caso ya no puedo descomponer.
También es recomendable que se cambie la mecánica para que el sujeto no aprenda el
orden (contrabalanceo y equilibración).

3. VALIDEZ EN LA INVESTIGACIÓN:

Existen varios tipos de validez. En la validez interna, en diseños manipulativos,

estoy buscando una relación causal, que la variable independiente sea la causa de la
dependiente y lo pueda detectar.

Los sujetos tienen una forma de responder dependiendo de la variable de

tratamiento que les ha tocado, relación de espuriedad, 2 variables que están siempre
conjuntas. Situación de confundido total: examino X sobre Y, si introduzco otra
variable no es estadísticamente significativa. También existe el efecto moderación de
interacción, una de las variables modera a la otra. El efecto de covariación consiste en
2 variables a la vez, en la misma situación, pero una no provoca a la otra, las 2 afectan
a la variable independiente, tengo que ser capaz de separar una de otra. El efecto de la
medición son variables que no tienen que estar en el mismo momento que se aplica
algo, el efecto entre 2 variables no desaparece del todo pero se disminuye.

La validez de constructo y dependiente es aquello aprendido en Psicometría,

tiene que ser sensible la variable, supuesta causa que debe captarse.
TEMA 2: MODELOS ANOVA CON EFECTOS FIJOS:

Como ya se ha visto en el tema anterior, un diseño experimental se caracteriza por

la posibilidad de manipulación de la variable indepediente, asignación aleatoria y tener
al menos un grupo de control.

El tratamiento (A) va a ser un problema planteado igual para todos, pero con
instrucciones distintas. Dependiendo de cada instrucción distinta, se van a crear
niveles o grupos (por ejemplo, se les dice a unos que el problema es difícil, a otros que
es medio y a otros que es fácil), de esta manera se ve el efecto de la instrucción en la
resolución de un problema igual para todos.

N=número de sujetos en cada grupo n=número de sujetos en la investigación

H0=hipótesis nula (las medias son iguales) H1=hipótesis alternativa, lo que yo espero

Si rechazo la hipótesis nula, tengo que mirar cuál de las hipótesis alternativas es
correcta.

El análisis de la varianza es un modelo de análisis de datos. En realidad es una

generalización de la t de Student, ya que se comparan más de dos grupos (con la t de
Student solo es posible comparar dos grupos).

a1 a2 a3
9 6 3
8 5 4
8 6 2
9 6,75 3
7 7
6

Si sucede como en la tabla anterior, la variable que doy afecta a los grupos, en la
misma medida aproximadamente en cada nivel, tienen respuestas similares. Si no
diera ninguna instrucción, sacarían todos resultados similares al primer grupo.

El modelo lineal general es el modelo de análisis de datos para cuando la variable

dependiente es cuantitativa, si no tendría que usar otros modelos

En el análisis de la varianza siempre voy a manipular la variable independiente, la

dependiente varía conforme varía la independiente. En el modelo de regresión, la
variable criterio es cuantitativa, se tienen predictores (las variables predictoras son
cuantitativas). En el modelo de análisis de la varianza, la variable dependiente es
cuantitativa, la variable independiente cualitativa u ordinal (niveles de la variable de
tratamientos). En el modelo lineal uso variables predictoras cuantitativas, para el
análisis de la varianza tengo que codificar.

Un factor es cada variable independiente (si tengo un tratamiento es un factor), se

pueden tener uno o varios. Los factores de control me sirven para homogeneizar a los
sujetos. Dentro de los cuatro grupos, A tiene 4 niveles, cada sujeto que responde es
una réplica independiente. En el análisis de varianza al menos se necesita una réplica
en cada grupo. Una diferencia pequeña en el número de sujetos no afecta, pero una
grande es un problema. Tengo que sacar qué parte se debe al tratamiento.

Para saber el efecto del tratamiento, se calcula la diferencia de medias, diferencias

entre grupos y diferencia de cada grupo con el total. Los tratamientos pueden ser fijos
o aleatorios.