Documentos de Académico
Documentos de Profesional
Documentos de Cultura
- Permite conocer si dos o más variables están relacionadas, sin determinar causalidad.
- Puede ser que se omita cualquiera de las expresiones mencionadas (se relaciona, se
asocia, etc) y en una investigación correlacional, una hipótesis podría plantearse de la
siguiente manera: Las personas con altos índices de depresión presentan bajos niveles de
autoestima. Esta hipótesis es claramente correlacional porque no se puede determinar que
una variable sea causa de la otra, porque: ¿que se dio primero?, hay depresión por la baja
autoestima, o la depresión generó baja autoestima, o también podría ocurrir que ambas
variables se retroalimentaran.
- No tiene teoría explicativa, quiere decir que no brinda una explicación del “porque” de la
relación entre las variables en estudio. Si tiene teoría vinculada con cada una de las
variables a investigar. Pero para cada una por separado. Solo relaciona variables.
-No hay variable dependiente ni variable independiente, ya qué estas implican relación de
causalidad. Pero hay que tener en cuenta que aunque la relación no sea de causalidad, al
establecer una relación se pueden predecir los valores de una variable a partir de otra/s. Por
eso se llama predictor a la variable que se utiliza para predecir y se llama criterio a la
variable que se va a predecir a partir de la anterior. A las variables se las menciona como
variables asociadas o correlacionadas. Cabe aclarar que el término variable criterio se lo
utiliza también en algunos casos como sinónimo de variable dependiente.
- La relación a estudiar puede ser entre dos variables. Pero es más útil cuando se
relacionan varios predictores con un criterio.
- No hay tampoco la clásica secuencia de tiempo de los métodos explicativos, en los cuales
se manipulaba intencionalmente la variable independiente y después se observaba que
pasaba con la variable dependiente. Como en las investigaciones correlacionales a las
variables únicamente se las mide, por lo general no se puede determinar empíricamente
dentro del diseño de la investigación que una variable necesariamente antecede en el
tiempo a la otra.
El cuasi experimento con manipulación de selección puede tener una estructura muy similar
a una investigación correlacional. Por eso es importante marcar la distinción.
En el cuasi experimento con manipulación de selección o natural, se miden variables que
ya tienen manifestación al momento que se realiza la investigación y tampoco se puede
determinar claramente una secuencia de tiempo empírica (como si se puede hacer cuando
hay manipulación intencional). Pero hay una secuencia de tiempo teórica que viene dada
desde un sólido marco teórico que establece que una variable funcionaría como causa de
otra. De manera que tendríamos una teoría explicativa que dé cuenta de porque una
variable se relaciona con otra en términos de causalidad. Por lo tanto es de fundamental
importancia para que una investigación pueda ser un cuasi experimento con manipulación
de selección, que se base en una teoría explicativa muy sólida.
En el método correlacional por su parte, como mencionamos con anterioridad, si bien
puede haber mucha teoría respecto a las variables a relacionar (tomando cada una por
separado), no habría ninguna teoría explicativa que dé cuenta del porque de esa relación en
términos de causalidad.Tomando un ejemplo anterior donde se relacionaba depresión con
autoestima, puedo tener mucha teoría sobre depresión y mucha teoría sobre autoestima,
pero no tendría una teoría explicativa que dé cuenta de una relación de causalidad.
Muestras
En general las muestras utilizadas en el método correlacional son grandes (cientos o miles
de sujetos). El tamaño de la muestra debiera tenerse en cuenta en especial si se va a
estudiar la correlación de muchas variables. Puede calcularse estadísticamente el tamaño
requerido de una muestra para una población conocida. El sistema de muestreo podrá ser
probabilístico (azar) o no probabilístico. Aunque suele preferirse teóricamente el primero, la
mayoría de los estudios suelen utilizar el segundo, seleccionando sujetos disponibles
(selección intencional). Se ampliará en técnicas de muestreo.
Análisis de datos y diseño
Las fórmulas estadística que auxilian el análisis de los datos de investigación no pueden
definir con exclusividad el método. Pueden utilizarse otras fórmulas de comparación de
grupos o medidas de un grupo (las mismas que en el método experimental) en algunos
casos, entre otras alternativas. Solo habrá que tener en cuenta cual es la variable que se
seleccionará como “supuestamente independiente” pues es aquella que se utilizará para
dividir grupos.
Los diseños, para esta metodología, pueden considerarse desde el principio o
implementarse después de otros análisis, y no estar propuestos desde el comienzo (hay
cierta flexibilidad)
Correlación estadística
Los coeficientes de correlación son fórmulas estadísticas que brindan información sobre:
- Sí hay relación entre variables, la fuerza de la asociación y la dirección de la misma.
Fuerza de la asociación
Que podamos comprobar que las variables están relacionadas (pruebas de significación
estadística), no nos dice cuán relacionadas están: si mucho, medianamente o poco.
Justamente cuando hablamos de la fuerza de la asociación, nos referimos a cuanto están
relacionadas las variables (magnitud del efecto, tamaño del efecto).
Cuanto más se acerca el valor a los extremos, la asociación es más fuerte y cuando más se
acerca al 0 es más débil. Los extremos (1 y -1) implicaría asociación perfecta (cuestión que
no encontraremos en datos reales, 0 implicaría ausencia total de correlación, que tampoco
encontraremos).
Para que tenga sentido leer cuan fuerte es la asociación es necesario saber primero si hay
efectivamente asociación (asociación estadísticamente significativa).
Este interrogante (¿las variables están asociadas?) lo respondemos al leer la p (nivel de
significación estadística). En Psicología suele ser p ≤ 0.05.
Dirección de la asociación
Regresión lineal
Es posible, mediante el Análisis de Regresión, generar un MODELO que prediga los valores
de alguna de las variables asociadas (en la población) a partir de los valores de otra.
Cuando se estudian varias variables (Regresión múltiple), es posible predecir el
comportamiento de una variable en la población a partir de los valores de las otras variables
(cuyos valores se obtienen de la muestra). Es importante tener en cuenta que las variables
pueden superponerse entre sí (por problemas en sus definiciones pueden terminar midiendo
parcialmente lo mismo) y que la capacidad de predecir del conjunto no es igual a las suma
de todas ellas. En este proceso (de análisis de datos) se pueden seleccionar las variables
más “independientes entre sí” y más predictoras, descartando otras.
Hay que tener en cuenta que para que estas predicciones sean precisas, se requiere que la
fuerza de la asociación entre las variables (magnitud del efecto), sea alta. En caso contrario
las predicciones que se hacen tienen el problema de que presentan un alto grado de error.
Investigaciones exploratorias