Metodos de Investigacion en Logopedia

Métodos de investigación
en logopedia
Proyecto Editorial
TRASTORNOS DEL LENGUAJE
Serie
Guías técnicas
Directores:
Carlos Gallego
Miguel Lázaro
Miguel Ángel Castellanos López
Elisa Pérez Moreno
Teresa Simón López
Métodos de investigación
en logopedia
ERRNVPHGLFRVRUJ
Consulte nuestra página web: www.sintesis.cotn
En ella encontrará el catálogo completo y comentado
© Migud Ángel Castellanos López

Elisa Pérez Moreno
Teresa Simón López
© EDITORIAL SÍNTESIS, S. A.
Vallehermoso, 34. 2 801 5 Madrid
Teléfono: 91 593 20 98
-www. sintesis. com
ISBN: 978-84-917164-9-5
Impreso en España. Printed in Spain
Reservados todos los derechos. Está prohibido, bajo las sanciones

penales y d resarcimiento civil previstos en las leyes, reproducir,
reg istrar o transmitir esta publicación, íntegra o parcialmente, por
cualquier sistema de recuperació n y por cualquier medio, sea mecánico,
dectrónico , magnético, dectroóptico, por fotocopia
o cualquier otro, sin la autorización previa por escrito
de Editorial Síntesis, S. A.
Índice
Prólogo................................................................................................................................................................................ 11
Capítulo 1. La investigación en logopedia....................................................................... 13

1.1. La necesidad de investigar............................................................................................... 13
1.2. La lógica de la investigación........................................................................................... 15
1.2.1. Ejemplo de la aplicación de la lógica
de la investigación: la intervención en dislexia....................... 17
1.3. Cuestiones éticas........................................................................................................................ 18
1.3.1. Introducción y principios generales..................................................... 18
1.3.2. Planificación de la investigación y consideraciones
éticas importantes............................................................................................... 20
Preguntas de autoevaluación......................................................................................................... 27
Capítulo 2. Conceptos fundamentales................................................................................ 31

2.1. El proceso de realizar una investigación......................................................... 31
2.2. La selección del problema de investigación (etapa 1).................. 33
2.3. Revisión de la literatura relevante (etapa 2)............................................. 34
2.4. Planteamiento del problema y creación de las hipótesis
(etapa 3)................................................................................................................................................ 37
2.5. Las variables implicadas en el estudio (etapa 4).................................. 39
2.5.1. Las variables según su estatus............................................................... 39
2.5.2. Efectos directos, mediados y moderados..................................... 41
2.5.3. La operacionalización y medición de las variables........... 43
ERRNVPHGLFRVRUJ
6 Métodos de investigación en logopedia
2.6. Decisiones sobre la estrategia de investigación (etapa 5)........ 45

2.6.1. La descomposición de la variabilidad.............................................. 46
2.6.2. Dónde realizar el estudio............................................................................. 47
2.6.3. El tiempo en los diseños................................................................................ 49
2.7. Selección de los participantes (etapa 6)........................................................ 49
2.7.1. Muestreos probabilísticos............................................................................. 51
2.7.2. Muestreos no probabilísticos..................................................................... 53
2.8. Recogida de datos (etapa 7)........................................................................................ 53
2.9. Análisis estadísticos (etapa 8)...................................................................................... 55
2.9.1. Paquetes estadísticos........................................................................................ 55
2.9.2. Etapas en el análisis de datos................................................................ 56
2.9.3. Técnicas inferenciales más comunes............................................... 60
2.10. Conclusiones (etapa 9)....................................................................................................... 62
2.11. Redacción del informe (etapa 10)........................................................................ 63
2.12. La validez de una investigación.................................................................................. 63
2.12.1. La validez interna.................................................................................................. 65
2.12.2. La validez externa................................................................................................ 67
2.12.3. La validez de constructo................................................................................ 68
2.12.4. La validez de las conclusiones estadísticas............................... 69
2.13. Panorámica de los métodos de investigación.......................................... 71
2.13.1. Paradigma cuantitativo.................................................................................... 73
2.13.2. Paradigma cualitativo........................................................................................ 74
Capítulo 3. Diseños experimentales...................................................................................... 77

3.1. Manipulación y control........................................................................................................ 78
3.1.1. Manipulación............................................................................................................. 78
3.1.2. Control............................................................................................................................... 79
3.2. Posibles diseños experimentales.............................................................................. 83
3.3. Diseños para sujetos distintos.................................................................................... 85
3.3.1. Diseño aleatorizado de dos grupos.................................................. 85
3.3.2. Diseño aleatorizado con tres o más grupos............................ 88
3.3.3 Diseño de grupos aleatorios con bloques................................... 89
3.4. Diseños con los mismos sujetos.............................................................................. 91
3.4.1. Técnicas de control de la secuencia experimental........... 94
3.5. Diseños factoriales.................................................................................................................... 99
3.5.1. Diseños factoriales completamente aleatorizados........... 100
3.5.2. Diseños factoriales de medidas repetidas (o intrasujeto). 104
3.5.3. Diseños factoriales mixtos........................................................................... 106
ERRNVPHGLFRVRUJ
Índice 7
3.5.4. Diseños factoriales incompletos............................................................ 111

3.6. Diseños con un único sujeto........................................................................................ 112
3.7. Experimentos con variables independientes no manipuladas. 119
Capítulo 4. Diseños cuasiexperimentales....................................................................... 123

4.1. La importancia de los diseños cuasiexperimentales
en el ámbito clínico.................................................................................................................. 126
4.2. Estrategias para el aumento de validez interna
y tipos de diseños cuasiexperimentales.......................................................... 127
4.2.1. Diseños de grupos no equivalentes................................................... 129
4.2.2. Diseños de series temporales interrumpidas.......................... 134
4.2.3. Diseños de discontinuidad en la regresión................................. 139
4.3. Ejemplos de diseño cuasiexperimental............................................................ 141
Capítulo 5. Diseños cuantitativos no experimentales,

diseños cualitativos y diseños mixtos............................................................................... 147
5.1. Diseños cuantitativos no experimentales u observacionales... 147
5.1.1. Tipos de diseños cuantitativos no experimentales
u observacionales.................................................................................................. 149
5.2. La observación.............................................................................................................................. 163
5.2.1. Clasificación de los métodos de observación......................... 164
5.2.2. Amenazas y peligros en los métodos de observación...... 165
5.2.3. Medición de las conductas......................................................................... 166
5.3. Los diseños cualitativos....................................................................................................... 168
5.3.1. Etapas en la investigación cualitativa............................................. 170
5.3.2. Técnicas en la recogida de datos........................................................ 172
5.3.3. Tipos de diseños cualitativos..................................................................... 175
5.4. Los diseños mixtos................................................................................................................... 180
5.4.1. Sistema de clasificación.................................................................................. 181
5.4.2. Tipos de diseños mixtos................................................................................. 183
5.4.3. Ejemplo de diseño mixto.............................................................................. 184
Capítulo 6. Investigación epidemiológica......................................................................... 187

6.1. El concepto de epidemología........................................................................................ 187
6.2. Medidas usadas en epidemiología.......................................................................... 191
ERRNVPHGLFRVRUJ
6.2.1. Medidas de ocurrencia.................................................................................... 192

6.2.2. Medidas del efecto.............................................................................................. 196
6.2.3. Medidas de diagnóstico................................................................................. 202
6.3. Diseños y tipos de estudios epidemiológicos......................................... 209
6.3.1. Estudios de cohortes.......................................................................................... 210
6.3.2. Estudios de caso-control................................................................................ 210
6.3.3. Estudios de prevalencia o transversales....................................... 211
6.3.4. Estudios ecológicos.............................................................................................. 212
6.3.5. Estudios experimentales y cuasiexperimentales................ 212
6.4. Análisis de datos.......................................................................................................................... 214
6.5. La validez en los estudios epidemiológicos................................................ 216
6.5.1. Amenazas por la selección de los sujetos.................................. 216
6.5.2. Amenazas por la clasificación de los sujetos.......................... 218
Capítulo 7. Metaanálisis........................................................................................................................... 221

7.1. La práctica basada en la evidencia......................................................................... 221
7.2. Fases en la elaboración de un metaanálisis................................................ 225
7.2.1. Formulación del problema........................................................................... 225
7.2.2. Búsqueda y selección de estudios....................................................... 226
7.2.3. Codificación de los estudios....................................................................... 228
7.2.4. Cálculo del tamaño del efecto................................................................ 230
7.2.5. Análisis estadístico e interpretación.................................................. 231
7.2.6. Realización del informe.................................................................................. 235
7.3. La validez de un metaanálisis....................................................................................... 236
Capítulo 8. El informe de investigación.............................................................................. 239

8.1. Partes del informe de investigación..................................................................... 239
8.1.1. Portada............................................................................................................................. 240
8.1.2. Resumen, abstract y palabras clave................................................. 241
8.1.3. Introducción.................................................................................................................. 241
8.1.4. Método............................................................................................................................. 242
8.1.5. Resultados..................................................................................................................... 243
8.1.6. Discusión......................................................................................................................... 243
8.1.7. Referencias................................................................................................................... 244
8.1.8. Apéndices............................................................................................... 244
8.2. El formato APA............................................................................................................................. 244
8.2.1. Cómo citar y referenciar según las normas APA.................. 245
ERRNVPHGLFRVRUJ
Índice 9
8.2.2. Uso del lenguaje y sesgos lingüísticos............................................. 248

8.3. El proceso de publicación................................................................................................ 249
Clave de respuestas............................................................................................................................................ 255
Bibliografía....................................................................................................................................................................... 257
ERRNVPHGLFRVRUJ
ERRNVPHGLFRVRUJ
Prólogo
Con este libro pretendemos atender una demanda frecuente de los

logopedas que se inician en la investigación sobre la necesidad de
algún manual de métodos de investigación en logopedia en caste-
llano.
Como autores, nos sentimos afortunados de que, por fin, una edi-
torial haya sentido la necesidad de un libro como este. En España,
la logopedia es una titulación universitaria “joven” y en sus inicios,
hace ya veinticinco años, fue una diplomatura, por lo que los con-
tenidos de investigación no estaban muy desarrollados, ya que el
acceso al doctorado no era sencillo y pocos estudiantes lo elegían.
Gracias a la evolución de la antigua diplomatura a estudios de gra-
do, en la actualidad es mucho más frecuente encontrar alumnos de
logopedia en másteres oficiales y doctorado.
Si bien podríamos cuestionar si el estudio científico es distinto en
logopedia al de otras disciplinas (por ejemplo, medicina, psicología
o lingüística), es importante señalar que la logopedia aúna caracte-
rísticas de unas y otras configurando lo que se considera un campo
de estudio propio, y una manifestación de ello es la existencia de un
amplio corpus de revistas científicas relacionadas con la logopedia
con indicadores de impacto y calidad internacionales.
Con este libro esperamos proporcionar un conocimiento básico
sobre la metodología: cuestiones básicas y éticas de la investigación
científica, conceptos básicos, distintos métodos de investigación con
ERRNVPHGLFRVRUJ
ejemplos concretos de investigaciones publicadas y una orientación

sobre las cuestiones fundamentales del informe de investigación.
A lo largo del libro hemos tratado de incluir ejemplos de re-
ferencias importantes nacionales e internacionales de las distintas
áreas que abarca el conocimiento logopédico: comunicación, len-
guaje (oral y escrito), habla, voz, audición, funciones orales no ver-
bales…, tanto en niños como en adultos. Con ello pretendemos re-
flejar, mínimamente, la diversidad de la disciplina y que las distintas
áreas tuvieran una representación. Confiamos haberlo logrado.
Por último, no podemos olvidar agradecer a muchas personas
que han contribuido en este libro de manera directa o indirecta.
En primer lugar, a nuestros profesores y maestros de Métodos de
Investigación, que nos introdujeron en este mundo y despertaron
nuestro interés y curiosidad por la metodología.
También a nuestros compañeros, que nos han ido aportando
ideas y sugerencias, en especial a las profesoras Trinidad Ruiz Ga-
llego-Largo y Rosario Martínez Arias, por todo su apoyo y ayuda
durante la redacción de este libro.
Por último, queremos agradecer a nuestros estudiantes de logo-
pedia, que, con sus dudas, críticas y demandas, han conseguido que
este libro sea una realidad.
ERRNVPHGLFRVRUJ
La investigación
en logopedia
1
En este capítulo introduciremos aspectos básicos sobre la investi-

gación en logopedia: la justificación de la necesidad del avance y
desarrollo científico en la logopedia, la lógica básica que sustenta la
investigación científica y los aspectos éticos fundamentales que hay
que tener en cuenta desde el momento inicial en el que se plantea
un proyecto de investigación.
1.1. La necesidad de investigar
En España, muchas personas que se dedican a la logopedia asisten-

cial (es decir, a la prestación de sus servicios a pacientes, clientes
o usuarios) dudan de la importancia de la investigación en su ám-
bito de trabajo, consideran que esta es una labor de los científicos
y que debe realizarse en otros contextos, como las universidades o
centros de investigación. Este hecho también está motivado por la
limitación de recursos humanos, por lo que los logopedas tienen que
atender a una gran cantidad de pacientes en poco tiempo; una pre-
caria situación económica de los centros, que no reciben ningún re-
conocimiento por la realización de investigaciones, y por último, una
limitada formación de los logopedas en métodos de investigación.
ERRNVPHGLFRVRUJ
Afortunadamente, estas ideas van evolucionando y, en los últi-

mos años, la producción científica en logopedia ha ido creciendo
con la aparición de nuevas publicaciones específicas de la materia
y con el aumento de artículos, presentaciones en congresos, etc. La
incorporación de unidades clínicas asistenciales en distintas univer-
sidades ha producido un gran beneficio en la formación práctica del
alumnado y, a su vez, conforman un espacio idóneo para la reflexión
sobre las prácticas clínicas y la toma de decisiones sobre los proce-
dimientos de intervención basándose en datos previos, y proporcio-
nan la oportunidad de diseñar nuevas investigaciones.
Existen muchas razones por las que se hace imprescindible in-
vestigar en logopedia. Irwin, Pannbaker y Lass (2014) señalan que
las dos razones principales para investigar son la contribución al
conocimiento del tratamiento de las alteraciones de la comunica-
ción y el mantenimiento de la calidad de los servicios clínicos. La
importancia de la investigación en el ámbito clínico ha aumentado
con la relevancia que ha adquirido la práctica basada en la eviden-
cia (PBE, en adelante).
La PBE es un marco para la toma de decisiones en la atención in-
dividual de los pacientes, que implica la integración de la mejor evi-
dencia científica con la experiencia clínica y las necesidades de los
pacientes. Supone un lugar de encuentro entre la experiencia de las
personas que ven a pacientes en su día a día, el conocimiento basado
en el método científico y las necesidades que tienen los usuarios de
los servicios como eje central de la terapia. Por tanto, esa frontera
ideológica entre clínica e investigación se ve superada por un mode-
lo mucho más ambicioso que lo que persigue es la excelencia en la
aplicación de los tratamientos basándose en una decisión razonada.
Tomar una decisión empleando la PBE implica al menos cinco
pasos:
1. Formular una pregunta clínica (por ejemplo, ¿es adecuado

aplicar un tratamiento basado en claves semánticas en un pa-
ciente afásico que padece anomia léxica?).
2. Buscar evidencia científica en publicaciones académicas. En
la página web de la Asociación Americana del Habla, Len-
guaje y Audición (ASHA) podemos encontrar algunos enla-
ERRNVPHGLFRVRUJ
La investigación en logopedia 15
ces a revisiones sistemáticas sobre intervención logopédica

(http://www.asha.org/Research/EBP/Finding-the-Evidence/).
3. Hacer una lectura crítica de la evidencia en función de su va-
lidez y relevancia. Debemos valorar cuán aplicable es lo que
se está leyendo para el o los pacientes que se van a tratar, qué
les diferencia o qué les hace semejantes.
4. Tomar una decisión integrando la evidencia con la experien-
cia clínica y los valores de los pacientes. Se valora la posibi-
lidad de aplicar el tratamiento indicado en nuestra realidad,
si es posible con los recursos disponibles y adecuado para las
necesidades de los pacientes con los que pretendemos apli-
carlo.
5. Evaluar los efectos de la intervención seleccionada. Re-
quiere conocimientos sobre métodos de investigación para
seleccionar qué procedimiento de evaluación vamos a em-
plear y cómo vamos a medir los posibles cambios en los re-
sultados.
En la aplicación de la PBE en logopedia, Aguado y Ripoll (2016)

han señalado que se plantea un problema, ya que nos encontramos
con abundantes metodologías de intervención sobre las que todavía
no hay datos que apoyen su eficacia. Este problema podría inter-
pretarse como un reto para la logopedia actual, en la que el campo
de la investigación es muy prometedor y en la que deben tenderse
vínculos entre clínicos e investigadores para que la disciplina pueda
mejorar, crecer y enriquecerse. La excelencia en la intervención lo-
gopédica pasa por administrar el mejor tratamiento disponible para
la persona a la que estamos tratando.
1.2. La lógica de la investigación
Popper, en su manual clásico La lógica de la investigación científica

(1962), indica que el trabajo de los científicos consiste en proponer
teorías y contrastarlas. En la figura 1.1 se presenta de manera esque-
mática el proceso que se sigue en ciencia, desde la proposición de
una teoría hasta que se contrasta su validez.
ERRNVPHGLFRVRUJ
Investigación previa Experiencia clínica
TEORÍA
Ideas Creencias, intuiciones…
HIPÓTESIS
Apoya la teoría EXPERIMENTO No apoya la teoría
Se desarrolla la teoría Se modifica Abandonar la

la teoría teoría actual.
Buscar una
nueva teoría
Figura 1.1. Proceso de contrastación de una teoría mediante la investigación.

Fuente: Pring, 2005: 7.
En un primer paso, cuando se crea o propone una teoría, esta

puede partir de distintas procedencias, como la lectura de biblio-
grafía previa, intuiciones, experiencia en la clínica, ideas, etc., que
no siempre siguen un criterio lógico o, inicialmente, no existe una
base científica sólida que la respalde. No olvidemos que la intuición,
la creatividad y las ideas de algunos científicos han dado lugar a
teorías que posteriormente han sido claves en el desarrollo de las
distintas disciplinas.
A partir de la proposición de la teoría, cuando queremos po-
nerla a prueba, debemos guiarnos por un proceso lógico de análisis
basado en el método científico. En el área de las ciencias naturales,
el método científico constituye un procedimiento hipotético-deduc-
tivo por excelencia: partiendo del estudio y desarrollo de la teo-
ría general se crean unas hipótesis, de las que se deducirán algunos
enunciados más simples, que posteriormente se contrastarán me-
diante la observación o experimentación.
Partiendo de las hipótesis, se diseñará una investigación que las
ponga a prueba. Una vez obtenidos los resultados, si la decisión es
positiva (los resultados apoyan la hipótesis), podremos decir que
nuestros resultados han avalado la teoría. Si, por el contrario, las
ERRNVPHGLFRVRUJ
conclusiones extraídas no apoyan la hipótesis, o en términos de Po-

pper, han sido falsadas, nos lleva a una revisión de la teoría y de
nuestro experimento para comprobar por qué no hemos podido
verificarla y, en ocasiones, nos llevará al rechazo de la teoría y a
buscar una nueva que justifique de una manera más satisfactoria el
fenómeno de estudio. En otros casos, habrá que matizar y modificar
algunos aspectos de la teoría. En los siguientes capítulos expondre-
mos con detalle los distintos diseños experimentales y el procedi-
miento para el contraste de hipótesis que ayudará a seleccionar el
modelo más adecuado al tipo de estudio que pretendamos hacer.
1.2.1. Ejemplo de la aplicación de la lógica de la investigación:

la intervención en dislexia
Para ilustrar este proceso seguiremos un ejemplo relacionado con

la logopedia deliberadamente simplificado, ya que el debate teórico
excede nuestras pretensiones actuales y para su estudio exhaustivo
debe consultarse la literatura especializada. Estudiaremos el caso
de la eficacia de las intervenciones en dislexia.
Sobre las causas que subyacen a la dislexia hay una teoría que
propone que hay un déficit fonológico, por lo que podremos dedu-
cir la hipótesis de que un tratamiento basado en el entrenamiento
de las habilidades fonológicas podría producir una mejora en la
competencia lectora de las personas con dislexia. A partir de esta
hipótesis diseñaríamos un experimento adecuado para su evalua-
ción. Una vez realizado este experimento, de sus resultados obten-
dremos unas conclusiones que podrían apoyar la teoría, como en
el caso de otros trabajos como los de Snowling y Hulme (2011),
o podrían no apoyarla. En caso de que nuestros datos no susten-
ten la teoría propuesta, debemos revisar bien nuestro experimento
y reflexionar sobre la metodología empleada, el tipo de interven-
ción seleccionada y la idoneidad de los participantes seleccionados.
Tras la comprobación, puede que la teoría no haya contemplado
algunos casos y quepa la posibilidad de modificarla o matizarla
o incluso hacer una nueva propuesta teórica que supere o mejore
la actual que, de nuevo, se deberá contrastar mediante el método
hipotético-deductivo.
ERRNVPHGLFRVRUJ
Entre los años sesenta y setenta se propuso la teoría de que los

problemas de lateralidad y orientación espacial estaban relaciona-
dos con las causas de la dislexia, dado que algunas manifestaciones
de la dislexia estaban relacionados con dificultades a nivel visoespa-
cial (alteración en la secuenciación en la escritura, omisión de pa-
labras, sustituciones en lectura, etc.). De ella se podría deducir la
hipótesis de que una intervención motriz mejoraría las dificultades
características de las personas con dislexia. Cuando se puso a prue-
ba a través de distintas investigaciones, dicha hipótesis recibió muy
poco apoyo. Además, con la introducción de teorías más actuales,
que dan cuenta mejor que aquella de las dificultades propias de la
dislexia, se ha visto superada y, por tanto, no debe aplicarse, ya que
no cuenta con el suficiente apoyo científico y existen otro tipo de
tratamientos que se ha podido demostrar que resultan más efectivos.
Estos ejemplos reflejan que las teorías están en constante evolu-
ción y mejora, por lo que lo que era lo más efectivo hace unos años
no es necesariamente lo mejor en la actualidad. Esto provoca que,
como profesionales de la salud, los logopedas deban estar perma-
nentemente actualizados mediante el estudio de textos científicos y
la participación en congresos y cursos y, además, deben participar
en trabajos de investigación para el desarrollo de nuevas teorías y
la mejora de las actualmente vigentes.
1.3. Cuestiones éticas
Llevar a cabo una buena investigación exige, además de un buen

conocimiento del método científico, una conducta ética a lo largo
de todo el proceso de realización de un estudio. En este apartado,
desarrollaremos los aspectos éticos fundamentales sobre los que re-
flexionar cuando se planifica una investigación.
1.3.1. Introducción y principios generales
A lo largo de la historia, en la investigación con personas se han

cometido transgresiones de la ética que han llevado a desarrollar
algunos códigos internacionales para la experimentación con seres
ERRNVPHGLFRVRUJ
humanos. Tras la Segunda Guerra Mundial, en 1947 se publicó el

Código de Núremberg, que se considera el primer código de ética
en la investigación, donde se incide en la obligatoriedad del con-
sentimiento voluntario para participar en la investigación y en el
respeto a la integridad de las personas. Posteriormente, en 1964, se
firmó la Declaración de Helsinki, que ha sido revisada en varias
ocasiones, en la que se amplían los conceptos desarrollados en el
Código de Núremberg.
Más actualmente, en 2010, se ha elaborado la Declaración de Sin-
gapur sobre la Integridad en la Investigación, que es una guía glo-
bal para la conducta responsable en la investigación y se apoya en
cuatro principios (para una revisión, puede consultarse la traduc-
ción al castellano en http://www.singaporestatement.org/Transla-
tions/SS_Spanish.pdf):
1. Honestidad en todos los aspectos de la investigación.
2. Responsabilidad en la ejecución de la investigación.
3. Cortesía profesional e imparcialidad en las relacio-
nes laborales.
4. Buena gestión de la investigación en nombre de otros.
Estos documentos son orientativos, pero no son reguladores.

Cada país e institución desarrolla sus códigos éticos, y cada vez más
en distintos centros (hospitales, universidades…) existen comités
de ética que valoran los proyectos de investigación propuestos y su
viabilidad según los criterios éticos.
En relación con la logopedia, la ASHA ha desarrollado un código
ético de gran tradición y supone un buen marco que tener en cuen-
ta a la hora de planificar una investigación (última versión ASHA,
2016). En España, los colegios profesionales de logopedas de las dis-
tintas comunidades autónomas han desarrollado sus códigos éticos,
en los que, además de las cuestiones profesionales, en algunos de sus
artículos se incluye la ética en los trabajos de investigación.
Es crucial que cuando planteamos una investigación se debe ha-
cer intentando minimizar la posibilidad de que los resultados sean
ambiguos o lleven a conclusiones contradictorias. Una planificación
ética de una investigación debe aplicar los principios éticos básicos
(Beauchamp y Childress, 2009):
ERRNVPHGLFRVRUJ
–– Autonomía: los participantes en una investigación deben ser

completamente informados sobre los objetivos de la investiga-
ción y las actividades que se van a realizar, proporcionando la
oportunidad de consultar todas las dudas que tengan y el tiem-
po suficiente para tomar una decisión libre y personal. Para
garantizar este principio, se ha desarrollado el consentimiento
informado que desarrollaremos en el siguiente apartado.
–– Beneficencia: las ganancias o beneficios de la investigación
deben ser mayores que cualquier daño posible a los partici-
pantes en ella.
–– No-maleficencia: minimizar los posibles daños que los par-
ticipantes de una investigación pudieran sufrir. Podríamos
pensar que esto solamente se relaciona con la investigación
médica en la aplicación de tratamiento farmacológico o algu-
na técnica física, pero debemos tener en cuenta que, aunque
parezca que la participación no comporta daño, la situación
puede generar estrés en los participantes, porque se sientan
examinados o porque las preguntas formuladas puedan inva-
dir su privacidad y les provoquen sentimientos de malestar,
culpa y desconfianza.
–– Justicia: la selección de los participantes en una investigación
ha de ser justa, sin discriminación alguna de grupos excepto
cuando los objetivos de la investigación así lo justifiquen (por
ejemplo, si se quieren estudiar los factores de riesgo vocal en
mujeres adultas se está excluyendo a los hombres y también
al grupo de los niños, por tanto, los objetivos de la investiga-
ción deben estar bien definidos para que sea evidente por
qué no se incluyeron estos grupos). Las personas que tienen
que asumir un riesgo de daño por la investigación deben reci-
bir los beneficios de esta.
1.3.2. Planificación de la investigación y consideraciones éticas

importantes
Cuando planificamos una investigación debemos considerar los

documentos sobre ética en investigación y el código ético del co-
legio profesional al que se pertenezca. Si surge algún dilema que
ERRNVPHGLFRVRUJ
en el marco del grupo de investigación no se consiga resolver, se

debe consultar al comité de ética de la institución con la que se esté
trabajando o la creciente bibliografía que hay sobre este tema. En
cualquier caso deben resolverse antes de redactar el proyecto que
se presentará al comité. Las consideraciones deben tener en cuenta
todas las fases del proyecto, a todas las personas implicadas, los si-
tios de realización del proyecto y los potenciales lectores del infor-
me de investigación (Irwin et al., 2014).
A lo largo del proceso de planificación de la investigación pue-
den surgir muchas consideraciones, pero los temas más frecuentes
suelen estar relacionados con el consentimiento informado, la con-
fidencialidad de los datos, el conflicto de intereses y la autoría. Asi-
mismo, destacamos las principales conductas opuestas a la ética de
investigación, como son el plagio y el fraude en los datos.
A) Consentimiento informado
El consentimiento informado es uno de los documentos fun-

damentales en la investigación actual con participantes. Debe di-
señarse para proporcionar una información suficiente y accesible
a los potenciales participantes para tomar una decisión razonada
sobre la finalidad y los potenciales riesgos y beneficios de la inves-
tigación.
La finalidad del consentimiento informado es asegurar que las
personas participen en la investigación propuesta solo cuando esta
sea compatible con sus valores, intereses y preferencias, y que lo ha-
cen por propia voluntad con el conocimiento suficiente para decidir
con responsabilidad sobre sí mismos. El consentimiento informado
se justifica por la necesidad del respeto a las personas y a sus deci-
siones autónomas (González Ávila, 2002).
Las partes fundamentales de un consentimiento informado son
una hoja de información y el propio consentimiento. La hoja de in-
formación debe incluir:
–– El título de la investigación y el investigador responsable.

–– La descripción detallada de los objetivos del estudio, la meto-
dología, el procedimiento y la duración aproximada. Redac-
tado de forma accesible a la población que se dirige.
ERRNVPHGLFRVRUJ
–– Los riesgos y los beneficios esperados. Si no se esperan ries-

gos, se debe precisar las posibles molestias, como el número
de sesiones necesarias. Si el estudio no va a producir ningún
beneficio directo en los participantes hay que explicitarlo
también.
–– Tratamiento de los datos personales y confidencialidad.
Debe contemplarse la Ley Orgánica de Protección de Datos
(LOPD), explicitar las personas que van acceder a los datos,
así como el procedimiento de custodia y uso de estos. Si se
quieren realizar fotografías, grabaciones audiovisuales o gra-
baciones de voz, debe firmarse una autorización expresa es-
pecificando los medios en los que se autoriza su difusión.
–– Incentivos (en caso de que los hubiera).
El consentimiento debe incluir los derechos de los participantes

a abstenerse a participar o a declinar su participación en cualquier
momento del estudio, así como los datos de contacto del investigador
principal para consultar dudas que pudieran surgir y el derecho a no
contestar alguna pregunta. Además debe incluir un apartado para la
revocación de dicha autorización. Existen multitud de modelos de
consentimiento informado. Si se quiere consultar un modelo rela-
cionado con la logopedia, en el enlace http://www.uclm.es/to/factole/
logopedia/pdf/tfg/normasEticas.pdf se encuentra uno de ellos desa-
rrollado por la Comisión de Trabajo de Fin de Grado de la Facultad
de Terapia Ocupacional, Logopedia y Enfermería, en colaboración
con los servicios jurídicos de la Universidad de Castilla-La Mancha
(Comisión de TFG FACTOLE, 2011).
Es frecuente que en investigaciones en logopedia los participan-
tes sean menores de edad o adultos con la capacidad modificada ju-
dicialmente (es decir, mayores de edad a los que un juez ha asigna-
do un tutor legal para el ejercicio de sus derechos). En estos casos, el
consentimiento debe prestarse por los tutores legales, sin perjuicio
de tener en cuenta las opiniones expresadas por la persona partici-
pante y la obligación de explicarle de una manera accesible en qué
va a consistir la actividad. La opinión del participante es crucial,
basándonos en el principio de autonomía, por lo que debemos ga-
rantizar que está de acuerdo con su participación (asentimiento) y
hay que considerar la revocación de su participación cuando expre-
ERRNVPHGLFRVRUJ
se un rechazo o malestar por el procedimiento de investigación o

tratamiento asignado (Eadie y Charland, 2005).
Otra dificultad frecuente con la que nos podemos encontrar es
que los participantes no tengan acceso al lenguaje escrito por algu-
na lesión adquirida o no puedan comprender el texto del consenti-
miento. En este caso, debemos explicar a la persona los objetivos de
la actividad de un modo comprensible, empleando aquellos apoyos
que se consideren necesarios: ayudas visuales, pictogramas, presen-
tación del texto oralmente, empleo de sistemas de comunicación
aumentativa, simplificación del texto en diferentes pasos, etc. (Ca-
meron y Murphy, 2007).
B) Confidencialidad
La confidencialidad de los datos personales y de la salud deben

estar garantizados y los investigadores tienen el compromiso y la
responsabilidad de custodiarlos adecuadamente.
La Ley Orgánica 15/1999, de 13 de diciembre, de Protección de Da-
tos de Carácter Personal y su Reglamento de desarrollo de 2007 son el
principal marco legal que en España establece cómo han de proteger-
se y custodiarse los datos personales y la información sensible.
En investigación lo que tenemos que garantizar es el anonimato
de los participantes por lo que, en el proceso de planificación del
proyecto, debemos tener en cuenta qué datos necesitamos recabar,
qué personas del equipo de investigación van a manejarlos y cómo
vamos a proteger la identidad de los participantes en la difusión de
nuestro estudio. Los datos personales deben estar archivados bajo
llave y los archivos electrónicos han de estar protegidos de tal modo
que una persona ajena que emplee el ordenador no pueda abrirlos
sin una clave.
Asimismo, se establecerá un protocolo de codificación mediante
el que se sustituya el nombre de los participantes por un número u
otro procedimiento en el que el nombre de las personas desaparez-
ca de los archivos de tratamiento de los datos. Cuando solicitemos
el consentimiento, debemos informar de qué personas del equipo
van a trabajar con los datos y solicitar autorización para difundir in-
formación importante para la salud o bienestar de los participantes
a terceros.
ERRNVPHGLFRVRUJ
Por ejemplo, si nos planteamos realizar un estudio sobre com-

prensión lectora en el contexto escolar, ¿debemos informar al de-
partamento de orientación psicopedagógica sobre aquellos par-
ticipantes que han puntuado muy bajo y, por consiguiente, hay
sospechas de que estén en riesgo de padecer alguna alteración? Si
no estamos autorizados por los tutores legales de los menores, no
podríamos hacerlo, por lo que, en beneficio de todos, es mejor pre-
ver estas posibilidades y recabar esta autorización antes de iniciar
la recogida de datos.
La imagen de los participantes es otro tema sensible, puesto que
ha de ser protegida con celo por parte de los investigadores. Se debe
solicitar consentimiento para tomar fotografías, grabar vídeo o au-
dio o realizar transcripciones de conversaciones, y explicitar la difu-
sión que va a hacerse garantizando la privacidad.
Otra precaución que hay que tener es cuidar el archivo de la in-
formación. Los datos no pueden estar al alcance de personas ajenas
a la investigación y también se debe ser especialmente cuidadoso
con las conversaciones fuera de las reuniones de investigación, ya
que no debe hablarse de pacientes y participantes en espacios pú-
blicos y, por supuesto, no usar sus nombres reales (Forrester-Jones
y Palmer, 2015).
C) Conflicto de intereses
En cualquier investigación se supone que los resultados se pre-

sentan objetivamente y sin ningún tipo de sesgo. Si un investiga-
dor tiene intereses comerciales o económicos en un producto que
se evalúa en un trabajo de investigación, esta objetividad supuesta
puede verse comprometida. Aunque este hecho no constituye en sí
mismo un conflicto de intereses, si la investigación se ha hecho de
manera íntegra, es mejor incluir en el informe una nota del autor
que explique las actividades y relaciones que otras personas pudie-
ran considerar conflictos de intereses (APA, 2010). Cuando se envía
un original a una revista científica para su evaluación o para una
presentación en un congreso, todos los autores deben declarar que
no existe conflicto de intereses.
Puede parecer que este tipo de prácticas no es frecuente en lo-
gopedia, pero imaginemos el caso de un autor que ha desarrollado
ERRNVPHGLFRVRUJ
y comercializado un material de intervención logopédica. Si sus pu-

blicaciones se basan en la efectividad del tratamiento con este ma-
terial frente a otros, podría pensarse que hay conflicto de intereses.
Lo ideal sería que los estudios sobre su efectividad fueran desarro-
llados por personas ajenas que garantizaran la ausencia de sesgo.
D) Autoría
El Manual de la Asociación Americana de Psicología (2010) se-

ñala que en un trabajo solo deben figurar como autores aquellas per-
sonas que lo hayan realizado o hayan contribuido sustancialmente.
Contribuir sustancialmente implica diferentes tareas y no solo la re-
dacción del trabajo final. La contribución puede incluir la formula-
ción del problema y la definición de la hipótesis, la estructuración del
diseño experimental, la planificación y realización del análisis de da-
tos, la interpretación de los resultados o la redacción del manuscrito.
El resto de colaboradores que hacen tareas puntuales (por ejemplo,
el personal administrativo que ha ayudado a organizar las citas de
los participantes o un ayudante que ha colaborado en la recolección
de los datos) deben figurar en el apartado de agradecimientos del
trabajo, pero no en la autoría si no han contribuido de manera sus-
tancial en el contenido del informe. Todos los autores han de aceptar
la responsabilidad de la publicación del trabajo (APA, 2010).
Algunas de las irregularidades más frecuentes en cuanto a la au-
toría son las siguientes (Strange, 2008):
–– Autoría coercitiva: se ejerce presión o abuso de poder para

figurar en la autoría de un trabajo.
–– Autoría invitada, honoraria o “de regalo”: se produce en los
casos en que figura un autor que no ha contribuido, ya sea
por amistad, por hacer un favor (aumentar la productividad
científica de la persona que no ha participado) o por favore-
cer la difusión del original incluyendo un autor de prestigio
en el ámbito.
–– Autoría de mutuo apoyo: dos o más investigadores acuerdan
ponerse como autores en las publicaciones que cada uno vaya
desarrollando con el objetivo de aumentar su productividad
científica.
ERRNVPHGLFRVRUJ
–– Autoría “fantasma”: originales que han sido realizados por

personas que no figuran como autores.
Todas estas prácticas son ejemplos de irregularidades éticas, y

pueden constituir causa para emprender las acciones legales corres-
pondientes en defensa del derecho de propiedad intelectual (ade-
más de que se podrán denunciar en las instancias científicas corres-
pondientes).
Otro aspecto que habría que considerar es, una vez reconocida
la participación de los autores, el orden de autoría. Generalmente,
se entiende que en las publicaciones el orden de firma refleja la
aportación que cada uno de los autores ha hecho; así el primero es
el que más ha contribuido, aunque también es frecuente encontrar
que el último autor es el participante sénior que dirige o tiene la
última responsabilidad en el protocolo de investigación. Por último,
el autor que se hace cargo de la correspondencia es quien tiene la
responsabilidad principal durante el proceso editorial y en las co-
municaciones que se deriven de la publicación del trabajo. El orden
debe reflejar de manera adecuada la contribución relativa de cada
uno de los autores (APA, 2010).
E) Faltas en la ética de investigación: el plagio y el fraude
En el estudio de Titus, Welsh y Roadhes (2008) con encuestas

sobre las conductas contrarias a la ética investigadora se encontró
que un 7,4 % de los encuestados había sido testigo de fraude en los
datos (60 %) y plagio (36 %).
En la actualidad son frecuentes los conflictos en los que unos au-
tores han acusado de plagio a otros y sus diferencias han tenido que
resolverse en los tribunales. El plagio consiste es hacer propias las
ideas, metodologías, resultados o textos de otros sin referenciarlos.
Se relaciona con el robo del trabajo de otro en beneficio propio, y
puede afectar tanto a las ideas como al texto final. Para evitar co-
meter plagio debemos abstenernos de repetir un texto sin hacer re-
ferencia a su autor, no debemos parafrasear un contenido sin men-
cionar la fuente original y, evidentemente, no podremos presentar
un trabajo de otro como propio. Con la proliferación de originales
en internet, el plagio ha aumentado considerablemente, por ello se
ERRNVPHGLFRVRUJ
han desarrollado programas informáticos antiplagio que detectan

el grado de semejanza que tiene un texto con la información dis-
ponible en internet y las posibles fuentes originales (UNED, 2009).
Otro tipo de plagio que podemos encontrar es el autoplagio, que
consiste en publicar los mismos contenidos en dos publicaciones
distintas. Esto incluye presentar simultáneamente para su acepta-
ción el mismo texto en dos publicaciones (aunque en ninguna esté
aceptada definitivamente), o presentar el mismo contenido que ya
hemos publicado en un congreso. Cuando presentamos un texto
para su revisión y posible aceptación para una publicación o con-
greso, hay que declarar que no se ha hecho en ningún otro lugar.
Respecto al fraude en la investigación encontramos un estudio
con encuestas anónimas en el que se estima que aproximadamen-
te un 2 % de los autores reconoce haber falseado los datos en sus
investigaciones al menos una vez (Fanelli, 2009). El fraude incluye
dos tipos de conductas: la falsificación de datos, que consiste en la
manipulación de los datos para adecuarlos al resultado final espera-
do, y la invención de los datos, que consiste en la creación de unos
datos que no se han recogido.
Los fraudes relacionados con la ética de investigación no solo
amenazan el avance en el conocimiento real de los fenómenos estu-
diados y el apoyo público a la ciencia, sino que resultan potencial-
mente peligrosos para las personas que reciben un tratamiento que
no es el adecuado (Irwin et al., 2014).
Preguntas de autoevaluación
1. La práctica basada en la evidencia:

a) No debe dejarse influir por las necesidades individuales
de los pacientes. 
b) Debe integrar la mejor evidencia científica, la experiencia
clínica y las necesidades de los pacientes. 
c) Debe basarse únicamente en datos objetivos obtenidos
en investigación. 
ERRNVPHGLFRVRUJ
d) No tiene cabida en logopedia por la falta de

investigaciones originales. 
e) Se basa en la experiencia e intuición de los clínicos. 
2. El método científico más empleado en ciencias naturales se basa en

un procedimiento:
a) Hipotético-deductivo. 
b) Hipotético-inductivo. 
c) Inductivo. 
d) Deductivo. 
e) Hipotético. 
3. El principio ético de justicia establece:

a) Minimizar los posibles daños que los participantes de una
investigación pudieran sufrir. 
b) Que toda la población tenga las mismas posibilidades de
participar en el estudio. 
c) Que la selección de los participantes en una investigación
ha de ser justa, sin discriminación de grupos. 
d) Minimizar los posibles riesgos de participar
en la investigación. 
e) Maximizar los beneficios de participar en la investigación. 
4. El consentimiento informado:
a) Es opcional; solo es preciso recabarlo cuando se hacen
estudios con menores o se quieren grabar imágenes. 
b) No debe solicitarse, ya que sesga la investigación y
condiciona la respuesta de los participantes. 
c) Debe incluir información técnica aunque los lectores no
puedan comprenderlo. 
d) Una vez firmado, compromete a investigadores
y participantes a realizar todo el proceso. 
e) Garantiza que las personas participen en la investigación
cuando esta sea compatible con sus valores, intereses y
preferencias. 
ERRNVPHGLFRVRUJ
5. Deben figurar como autores de un texto:

a) Solo aquellas personas encargadas de la redacción del
manuscrito final. 
b) Las personas que puedan darle prestigio y publicidad
al escrito. 
c) Todas las personas que hayan colaborado en algún
momento en el proceso de investigación. 
d) Todas las personas que hayan realizado una contribución
significativa. 
e) Solo las personas que tengan reconocimiento científico. 
ERRNVPHGLFRVRUJ
ERRNVPHGLFRVRUJ
Conceptos 2
fundamentales
Para esta presentación hemos optado por seguir un criterio tempo-

ral, porque creemos que es lo más claro para el lector. Llevar a cabo
una investigación es un proceso dividido en etapas en las que hay
que tomar decisiones y llevar a cabo ciertas tareas. En este capítulo
vamos a presentar los conceptos siguiendo esa trayectoria temporal.
Además, tiene la ventaja añadida de coincidir con los apartados de
los artículos científicos, de modo que al lector, una vez entendido el
proceso, le facilitará la lectura y comprensión de los documentos de
su especialidad.
2.1. El proceso de realizar una investigación
Para no perdernos en el proceso, empecemos con un vistazo rápido

para luego ir desgranándolo etapa por etapa. En el fondo el proceso
es lógico, y casi obvio, al sentido común. Difícilmente podríamos
imaginar otras etapas o en otro orden. La primera etapa será deter-
minar qué estudiar, es decir, acotar el fenómeno del que queremos
aprender algo; así, veremos de dónde puede surgir el interés por un
fenómeno en particular. La segunda etapa consiste en conocer lo
que ya está escrito sobre ese fenómeno; para ello tendremos que re-
visar la literatura ya existente y construir el llamado marco teórico,
ERRNVPHGLFRVRUJ
que no es más que un compendio de lo que se sabe hasta ahora so-

bre él. Este paso, aunque tedioso, es fundamental para que nuestro
trabajo tenga éxito. A nadie le gustaría perder años en un estudio
para llegar a la misma conclusión a la que llegaron otros autores
veinte años antes. La tercera etapa es la formulación del problema
de investigación y de las hipótesis teóricas. Para ello, partiendo del
marco teórico, planteamos una nueva explicación que será la que
pondremos a prueba en nuestro estudio. Recuérdese que el método
científico utiliza un paradigma hipotético-deductivo. En esta etapa
vamos a llevar a cabo la parte creativa, mientras que el resto de eta-
pas servirán para comprobarla empíricamente. Las siguientes tres
etapas se refieren al diseño, y en ellas se define todo lo necesario
para llevar a cabo el estudio. En la cuarta etapa operacionalizamos
las variables implicadas, lo que se resume en contestar a dos pre-
guntas: ¿cómo voy a manipular las causas? y ¿cómo voy a medir los
efectos? En esta etapa se introducen los conceptos de variables in-
dependientes y dependientes y cómo trabajar con ellas. En la quinta
etapa decidimos qué estrategia de investigación es la más adecuada
para poner a prueba nuestra hipótesis; para ello tendremos en cuen-
ta tanto los objetivos como la naturaleza del fenómeno bajo estudio.
Por ejemplo, podemos decidir estudiar la adquisición en niños
de los sonidos vibrantes a través de un experimento, pero, como se
verá en los siguientes capítulos, no será posible al no poder mani-
pular las causas, por lo que deberemos utilizar otro tipo de diseños.
La sexta etapa es la selección de los participantes en el estudio, que
implica planificar la estrategia de muestreo en función del tipo de
diseño elegido anteriormente. Ahora empiezan las etapas en las
que realmente realizamos el estudio. En la séptima, implementa-
mos el diseño que hemos hecho, llevamos a cabo la investigación y
recogemos los datos. En la octava realizamos los análisis de datos.
En la novena sacamos las conclusiones oportunas sobre si hemos
encontrado evidencia a favor o en contra de nuestra hipótesis. Y,
por último, en la décima, escribimos un informe con los resultados,
normalmente, aunque no exclusivamente, en forma de artículo cien-
tífico. Todas estas etapas se encuentran listadas en el cuadro 2.1.
Fijándose un poco en estas etapas puede extraerse una secuen-
cia sencilla: leer, pensar, planificar, llevarlo a cabo y comprobar si
teníamos razón. La mayoría de los problemas que ocurren en una
ERRNVPHGLFRVRUJ
Conceptos fundamentales 33
Cuadro 2.1. Etapas de una investigación

1. Seleccionar el problema de investigación
2. Revisar la literatura relevante sobre el problema (marco teórico)
3. Plantear el problema y las hipótesis teóricas
4. Operacionalización y medición de las variables
5. Decidir la estrategia de investigación más adecuada
6. Selección de los participantes
7. Recoger los datos según la estrategia determinada
8. Análisis estadístico de los datos
9. Conclusiones
10. Escribir el informe de la investigación
investigación se dan porque no se ha llevado a cabo adecuadamen-

te este proceso, provocando desastres difíciles de arreglar, en los
que la única solución es asumir la pérdida de tiempo y esfuerzo. No
es infrecuente encontrar casos de investigadores que al llegar a la
etapa de análisis de datos descubren que estos no se pueden reali-
zar, o que todo su diseño en realidad pone a prueba una hipótesis
diferente a la original. Desde aquí avisamos al lector, como futuro
investigador, de que, aunque uno siempre quiere obtener resulta-
dos rápidos, lo más seguro es seguir este proceso y no avanzar de
etapa hasta comprobar que la actual está correctamente diseñada y
especificada. Le ahorrará tiempo y disgustos. Pero tampoco entien-
da el lector que las etapas son algo rígido e inamovible; un nuevo
conocimiento puede hacer recomendable volver atrás y reformular
las hipótesis y el diseño inicial de su estudio. Un último consejo:
diseñe cada etapa teniendo en cuenta lo que sucederá en las si-
guientes. Por ejemplo, una vez elegido el tipo de investigación más
adecuado, plantéese si podrá llevar a cabo el muestreo necesario y
compruebe que existe un análisis de datos que se ajuste a las nece-
sidades de su investigación.
2.2. La selección del problema de investigación

(etapa 1)
Infinidad de motivos pueden llevar a elegir un tema de investiga-

ción, como un interés personal o el deseo de resolver un problema
ERRNVPHGLFRVRUJ
práctico existente en un ámbito de trabajo. La mayoría de los temas

surgen de la lectura de trabajos ya publicados, que pueden plantear
nuevas líneas de investigación o de los que se desprenden nuevas
hipótesis que no han sido todavía puestas a prueba. Otras veces, po-
demos replicar un trabajo previo buscando mejorarlo; por ejemplo,
ampliando la población de estudio para hacer más generalizables
las conclusiones, reformulando el diseño o mejorando la manipula-
ción de las variables.
Es imposible acotar las causas que llevan a alguien a dedicar una
parte importante de su tiempo a una investigación; pero un estudio
con calidad, con una buena recepción en la comunidad científica,
suele cumplir con alguna de estas dos características: proponer so-
luciones interesantes a problemas teóricos del área o tener una rele-
vancia social, en cuanto que beneficia a algún colectivo o grupo; por
ejemplo, a través del diseño de terapias más efectivas o el estudio
de la mejora de las condiciones de vida. A veces, la utilidad del es-
tudio es puramente metodológica, en el sentido de que mejora las
herramientas que se emplean en las investigaciones, crea nuevos
instrumentos de medida, como test o cuestionarios, o innova con la
manipulación de alguna variable.
2.3. Revisión de la literatura relevante

(etapa 2)
Con total seguridad, hoy en día, sea cual sea la disciplina en la que
se va a desarrollar el estudio, existirá un conocimiento previo plas-
mado en teorías y modelos, y en general, la investigación empírica
llevada a cabo estará disponible en documentos científicos. Utilíce-
lo. Acuérdese de la famosa frase de Newton “si he logrado ver más
lejos, ha sido porque he caminado a hombros de gigantes”, que hace
referencia a cómo los trabajos de autores anteriores influyeron so-
bre el suyo propio. Y si lo dijo Newton, considerado unánimemente
como el mejor científico de todos los tiempos, habrá que seguir su
consejo. Recuerde que la ciencia no es más que un proceso acumu-
lativo de conocimiento.
Esta revisión de la literatura consiste en identificar sistemática-
mente, a través de las principales fuentes documentales, los artículos
ERRNVPHGLFRVRUJ
y documentos relevantes que están relacionados con el fenómeno

de interés. Por documentos entendemos artículos, revisiones, mono-
grafías, pósteres y presentaciones orales, tesis doctorales, etc. Este
proceso puede ser tedioso aunque, en la actualidad, los sistemas in-
formáticos como las bases de datos e internet lo han simplificado
notablemente. Un investigador debe conocer las bases de datos que
indexan los artículos de su área y manejarse con soltura entre ellas;
ser capaz de llevar a cabo búsquedas más o menos complejas que le
permitan, entre toda la documentación existente, localizar lo rele-
vante y descartar lo irrelevante. Para entender un poco a qué nos re-
ferimos, la base PsycINFO, una de las más comunes en psicología y
logopedia, contiene más de cuatro millones de documentos de unas
2 500 revistas diferentes y se le incorporan cada año cientos de mi-
les de nuevos artículos. Sin una estrategia de búsqueda adecuada,
se perderá un tiempo precioso para separar lo que interesa de lo
que no. Algunas de las bases de datos que pueden ser interesantes,
porque indexan artículos de logopedia, son Medline, PsychINFO,
PsychLIT, PSICODOC, PubMed, etc. Estas bases de datos suelen
ser de pago, aunque la mayoría de las universidades permiten el
acceso a sus investigadores y alumnos. Una herramienta gratuita,
aunque no tan exhaustiva, es Google Académico.
Para poder hacer este proceso de revisión es necesario ser ca-
paz de distinguir los trabajos buenos de los mediocres. En principio,
como regla general, siempre tendrán más calidad los trabajos publi-
cados en revistas con revisión por pares (otros investigadores revi-
san y avalan la calidad del estudio, algo que se explicará en el último
capítulo). Serán preferibles las revistas que aparezcan en recopila-
ciones con índices de impacto, como el JCR (Journal Citation Re-
ports, que calcula anualmente la relevancia de revistas y artículos) o
Scopus. También es necesario poder hacer una lectura crítica de los
artículos y trabajos publicados, para ello se necesitan conocimientos
tanto del área de estudio como de metodología y estadística. Este
libro y sus contenidos le ayudarán a ello. Si se desea profundizar en
cómo desarrollar la lectura crítica de investigaciones, puede consul-
tarse Meltzoff (2000).
Además de los documentos que contienen los resultados direc-
tos de las investigaciones (llamados fuentes primarias), todas las
disciplinas suelen contar con fuentes secundarias en las que autores
ERRNVPHGLFRVRUJ
importantes llevan a cabo un proceso de revisión crítica de los prin-

cipales hallazgos. Estas revisiones se publican en revistas especiali-
zadas como Annual Review of Psychology, Frontiers in Psychology
o Psychological Bulletin, que aunque son revistas de psicología tam-
bién suelen publicar artículos de logopedia. En los últimos treinta
años, para poner un poco de orden en toda la avalancha de resul-
tados empíricos que se producen de continuo, han adquirido gran
relevancia los estudios de metaanálisis. Estos son métodos sistemá-
ticos de revisión que utilizan técnicas estadísticas para integrar los
resultados de diferentes estudios en un único resultado global. Es-
tos metaanálisis son de tal relevancia en la actualidad que les hemos
dedicado un capítulo completo (capítulo 7). En el libro de Botella y
Gambara (2002) y en el artículo de Sánchez-Meca y Botella (2010)
también pueden encontrarse en castellano sencillas explicaciones
de esta técnica. Las dos asociaciones centradas en la publicación
de metaanálisis son Cochrane (www.cochrane.org) y Campbell
(www.campbellcollaboration.org), el lector puede entrar en sus ser-
vidores y obtener información gratuita sobre infinidad de estudios.
Normalmente, la revisión de la literatura concluye con un resu-
men escrito que describe el estado actual del conocimiento sobre
el problema. Muchas veces, en esta tarea, también puede ayudar
algún tipo de representación visual como esquemas y grafos. Estas
revisiones son muy útiles para establecer las bases teóricas del estu-
dio, identificar estrategias de investigación, técnicas de recogida de
datos, etc., que se han mostrado efectivas al estudiar el fenómeno.
Creswell (2005) llama a esta etapa la construcción del marco teórico
porque será el conocimiento que sustente teóricamente el estudio y
que guiará todo el proceso en su desarrollo. Algunas de las utilida-
des de este marco teórico son:
1. Sirve de guía teórica para centrarse en el problema y evitar

desviaciones del planteamiento original.
2. Justifica y documenta la necesidad de realizar el estudio.
3. Permite el establecimiento de hipótesis que se someterán a
comprobación.
4. Inspira nuevas líneas de investigación.
5. Ayuda a prevenir errores que se han cometido en otros es-
tudios.
ERRNVPHGLFRVRUJ
6. Orienta sobre las posibles formas de realización del estudio:

recogida de datos, diseños empleados, etc.
7. Es un marco de referencia para la interpretación de los re-
sultados.
Este marco teórico será plasmado en el informe final del estudio,

en su primera sección, llamada introducción. En ella se detalla toda
la información de relevancia encontrada para el estudio, citando el
documento donde se encontró. Sobre el informe de investigación y
cómo escribir adecuadamente esta sección hablaremos en el capí-
tulo 8.
2.4. Planteamiento del problema y creación

de las hipótesis (etapa 3)
Elegido el tema y revisada la literatura es el momento de formular

el problema y plantear las hipótesis. Normalmente, el problema se
plantea en forma de pregunta. Siguiendo a Kerlinger y Lee (2002),
debe cumplir las siguientes condiciones: describir la relación entre
dos o más variables y poder ser evaluado empíricamente. Con unos
ejemplos se verá más claro:
“¿Mejora la disfonía con la intervención logopédica?”. Como
se puede ver esta pregunta es tan vaga que puede contestarse de
múltiples formas y cada una de ellas podría llevar a una respuesta
distinta. Por ejemplo, podríamos preguntarnos a qué tipo de inter-
vención nos referimos y qué subtipos de disfonías estamos consi-
derando. Otro ejemplo, “¿las alteraciones del lenguaje aumentan el
fracaso escolar?”. No es lo mismo considerar a las personas con una
dificultad severa frente a personas con trastornos leves, o cuándo ha
sido detectado el problema; de la misma forma habría que definir
qué vamos a entender por fracaso escolar y en qué nivel académico
se va a establecer. Probablemente sea mejor replantear estas cues-
tiones de la siguiente manera: “¿puede la intervención logopédica
centrada en la corrección de malos hábitos mejorar el rendimiento
vocal en personas con disfonía funcional?” y “¿tienen los niños con
trastornos leves del habla a edades tempranas una mayor incidencia
de fracaso escolar?”.Al definir de forma precisa acotamos el proble-
ERRNVPHGLFRVRUJ
ma, haciendo viable su comprobación empírica y guiando las deci-

siones en las restantes etapas del proceso de investigación.
Si el problema se ha planteado adecuadamente, las hipótesis
emergerán con facilidad. Se distinguen dos tipos de hipótesis: las
teóricas (o sustantivas o científicas) y las estadísticas.
Las hipótesis teóricas son aquellas que intentan explicar, prede-
cir o explorar la relación entre dos o más variables (Kazdin, 2003).
Son las que serán sometidas a contrastación mediante la recogida
de datos empíricos y su posterior análisis. Es recomendable que es-
tén formuladas en el formato “si…, entonces…”, donde los puntos
suspensivos se sustituyen por las variables implicadas en el estudio.
Algunos ejemplos de hipótesis podrían ser:
– “Si mejoramos la coordinación motora en la masticación y

propulsión del bolo alimenticio en una persona con párkin-
son, entonces la deglución será más eficaz.”
– “Si un niño con trastorno del espectro autista (TEA) logra
hacer peticiones funcionalmente, entonces disminuirán las
conductas agresivas”.
Las hipótesis estadísticas, llamadas también hipótesis nulas e

hipótesis alternativas, son solo relevantes para el análisis de datos.
Simplificando mucho, cuando realizamos un contraste estadístico
establecemos una hipótesis nula, que dispone que no existe efecto
entre las mediciones, o lo que es lo mismo, que las medias de las me-
diciones de los grupos o tratamientos son iguales. También estable-
cemos una hipótesis alternativa, que es la negación de la anterior (o
que las medias de las mediciones de los grupos o tratamientos son
distintas). Ambas hipótesis son exclusivas y exhaustivas, de tal for-
ma que una de ellas (y solo una) puede ser verdadera. El contraste
evaluará la veracidad de la hipótesis nula a través de una confronta-
ción empírica con los datos; si es razonable aceptarla, concluiremos
que las mediciones son iguales, pero si empíricamente no es soste-
nible, entonces tendremos que aceptar la hipótesis alternativa, que
establece que las mediciones son diferentes.
El investigador tiene que entender la relación entre sus hipótesis
teóricas (construidas por él) y las estadísticas, que no se eligen, sino
que vienen determinadas por el contraste y son siempre las mismas.
ERRNVPHGLFRVRUJ
Por ejemplo, supongamos que el investigador quiere poner a

prueba la hipótesis teórica de que el tratamiento A es efectivo para
la disfagia orofaríngea. Para ello, puede formar dos grupos de par-
ticipantes, al primero le aplicará el tratamiento y al segundo no le
aplicará nada (o un placebo, como se verá en el siguiente capítulo).
En este caso, si al hacer el contraste entre las mediciones de los
dos grupos los resultados le llevaran a la aceptación de la hipóte-
sis nula, no habría encontrado evidencia que apoyara su hipótesis
teórica (ya que se esperaría diferencias entre los grupos con y sin
tratamiento); por otro lado, si rechazase la hipótesis nula y tuviese
que aceptar la alternativa, entonces sí encontraría evidencia a favor
de su hipótesis teórica. En un ejemplo opuesto, si el investigador
establece que el sexo no influye en la disfagia, al comparar las tasas
de un grupo de hombres y otro de mujeres, aceptar la hipótesis nula
supondrá evidencia a favor de su hipótesis científica.
Más adelante, en este mismo capítulo, se hablará de los análisis
de datos y se ampliará lo dicho en este apartado.
2.5. Las variables implicadas en el estudio

(etapa 4)
Sin entrar en una definición muy precisa, podríamos decir que una
variable es una propiedad que puede tomar diferentes valores. Por
ejemplo, la altura, el sexo, la estatura, la edad, la inteligencia y el
nivel de vocabulario de un niño son variables. Cuando algo no varía
se dice que es constante.
En una investigación podemos encontrar dos tipos de variables:
las manipuladas y las medidas. Las manipuladas son aquellas so-
bre las que realizamos alguna acción que esperamos que tenga un
efecto. Las medidas son aquellas en las que registramos la cualidad,
grado o intensidad de alguna propiedad de un objeto empírico.
2.5.1. Las variables según su estatus
En el contexto de los experimentos, estas variables manipuladas y

medidas suelen llamarse variables independientes (VI) y variables
ERRNVPHGLFRVRUJ
dependientes (VD), respectivamente; de tal forma que la lógica

de un experimento puede resumirse en que manipulamos la VI y
medimos la VD para comprobar qué efecto ha tenido la primera
sobre la segunda.
Un ejemplo: deseamos comprobar si un determinado tratamien-
to es efectivo para el trastorno específico del lenguaje (TEL). En
este caso tenemos una VI que es el tratamiento con dos posibles
niveles (recibe el tratamiento o no lo recibe). Manipularemos esta
variable formando dos grupos de participantes, uno de ellos recibi-
rá el tratamiento y el otro no. También tenemos una VD que son las
habilidades fonológicas que podemos medir con un instrumento
de medida como la prueba de evaluación del desarrollo fonológico
infantil de Laura Bosch. Si el tratamiento ha sido efectivo, el grupo
que ha recibido el tratamiento tendrá mejores puntuaciones en la
VD que el grupo que no ha recibido el tratamiento.
En contextos no experimentales, el estatus de las variables no
suele ser tan claro y tienden a usarse nomenclaturas distintas. Por
ejemplo, en los estudios predictivos, se prefieren los nombres de
variable predictora para la independiente y variable criterio para
la dependiente. En estos estudios, las variables predictoras no son
siempre manipulables, como veremos más adelante. En los estu-
dios correlacionales, en los que simplemente se examinan las re-
laciones entre variables, no suelen establecerse distinciones entre
ellas, ya que todas tienen el mismo estatus.
Cuando queremos estudiar la relación, sea causal o no, entre
una variable independiente y una dependiente, es frecuente que
existan otros factores. Estos también pueden provocar cambios
simultáneos en la dependiente, de tal forma que modifiquen o
distorsionen la relación entre ambas. Estas son las variables de
confundido, que a veces también se denominan variables extrañas
o contaminadoras. El objetivo de una investigación es controlar
estas variables para evitar que su efecto disminuya la validez del
estudio.
Por ejemplo, cuando aplicamos un tratamiento a niños con
TEA para aumentar las verbalizaciones, podemos encontrar que
después de seis meses el número de contactos verbales ha aumen-
tado. Esto podría llevarnos a pensar que el tratamiento está siendo
efectivo, es decir, que está causando el aumento de verbalizacio-
ERRNVPHGLFRVRUJ
nes, pero también es posible que los niños aumenten el número de

verbalizaciones simplemente por efecto de la maduración; es decir,
por el proceso de cambio natural que se produce en todos los niños
en un plazo de seis meses. Esta maduración sería una variable de
confundido que tendríamos que controlar para poder evaluar real-
mente la eficacia del tratamiento. En el fondo, todos los diseños de
investigación que veremos en este libro no son más que diferentes
estrategias para controlar estas variables. Adelantándonos un poco
en los contenidos, el uso de un grupo control que no reciba el tra-
tamiento, pero que esté formado por niños de la misma edad, po-
dría ayudarnos a controlar esa variable. Aunque en ambos grupos
aumenten las verbalizaciones, si el tratamiento es efectivo, estas
deberían ser significativamente mayores en el grupo que recibió el
tratamiento.
2.5.2. Efectos directos, mediados y moderados
Cuando tenemos una variable de confundido, la mejor forma de

controlarla es introducirla en el diseño y estudiar su influencia
sobre la variable dependiente. Cuando hacemos esto podemos
encontrarnos con tres tipos de efectos: los efectos directos, los
efectos moderados y los efectos mediados.
Supongamos un estudio que desea comprobar cómo un determi-
nado tratamiento para la disfagia orofaríngea mejora la deglución.
La VI es el tratamiento y la VD es alguna medida de la calidad o
cantidad de las ingestas. Pero imaginemos algunas variables de con-
fundido en este estudio. La edad puede ser una variable de confun-
dido. Es conocida la relación que existe entre la edad y la disfagia
así que, por sí misma, esta variable puede modificar la VD, obte-
niéndose valores más altos de deglución en pacientes más jóvenes y
más bajos en pacientes mayores. En este caso, diremos que la edad
es una variable de confundido que ejerce un efecto directo sobre la
VD, ya que por sí misma puede modificar las medidas.
Una forma sencilla de comprobar este efecto es eliminando la
VI mientras se mantiene la de confundido. Si en un grupo que no
ha recibido el tratamiento encontramos que a mayor edad menor
deglución, podríamos establecer esa relación directa.
ERRNVPHGLFRVRUJ
Otra posible variable de confundido es el nivel de reserva cogni-

tiva. Algunos tratamientos implican seguir complejas instrucciones
motoras que, a veces, en función de los estudios o formación del
paciente, no se entienden y no se aplican adecuadamente. Cuando
el tratamiento se aplica a pacientes con un buen nivel educativo
funciona mucho mejor que cuando se aplica a pacientes con un ni-
vel educativo bajo. Fíjese que la formación en sí misma no puede
producir ningún cambio en la deglución, pero sí los produce modi-
ficando la relación que existe entre el tratamiento y la VD. En este
caso tenemos un efecto moderado y decimos que la educación es
una variable moderadora porque modifica, en algún sentido, la rela-
ción existente entre la VI y la VD. Una forma de comprobar que el
efecto es moderado es eliminando la VI. Si al eliminarla desaparece
la relación entre la variable moderadora y la VD, es que su única
influencia era a través de ella.
Asimismo, en cualquier enfermedad el deseo de curarse juega
un papel crucial, ya que las expectativas de los pacientes producen
una mejoría en los resultados aun sin tratamiento, como se ha de-
mostrado con los estudios con placebo. Supongamos un tratamien-
to que no es efectivo en absoluto, pero que, al recibirlo, produce en
los pacientes unas expectativas de curación y provoca una mejoría.
En este caso tendríamos un efecto mediador y una variable media-
dora (las expectativas) que se sitúa entre el tratamiento y la VD.
Se produce una cadena de efectos, es decir, el tratamiento provoca
las expectativas y estas, a su vez, son las que producen el cambio
en la VD.
La situación puede complicarse, ya que estos tres efectos no tie-
nen por qué darse independientemente, sino que pueden presen-
tarse combinados. Así, imaginemos que el tratamiento es efectivo.
En este caso, tendremos dos vías de influencia: por un lado, el tra-
tamiento producirá mejoras en la VD y, por otro, tendrá un efec-
to mediado por las expectativas que produce. Para distinguir qué
parte de los cambios de la VD proviene directamente de la VI y
qué parte a través del efecto mediado, deben utilizarse diseños y
análisis de datos específicos. Estos deben permitir poner a prueba la
cadena causal entre las tres variables. En la figura 2.1 pueden verse
las representaciones gráficas de los efectos directos, moderados y
mediados.
ERRNVPHGLFRVRUJ
Efecto moderado
Efecto directo
Mod
X Y
X Y
Efecto mediado Efecto completo
Med Med
X Y X Y
Figura 2.1. Efectos directos, moderados y mediados.
2.5.3. La operacionalización y medición de las variables
Por operacionalización de las variables se entiende como la defini-

ción detallada de todas las acciones y actividades que debemos rea-
lizar para medir y manipular nuestras variables (Kerlinger y Lee,
2002). Esta definición debe ser minuciosa y precisa, ya que el objeti-
vo es que cualquier investigador de cualquier parte del mundo pueda
trabajar con ellas de la misma forma que lo hemos hecho nosotros.
Por ejemplo, supongamos que queremos ver la efectividad de
un programa para el tratamiento de la disfemia basado en la inhi-
bición de refuerzos en el ámbito doméstico. Frente a una definición
ambigua de la VI como “inhibición de refuerzos”, es preferible una
definición precisa en la que se especifique qué se inhibe y cómo,
duración, momentos de aplicación, etc. Esto mismo debe realizarse
para la variable dependiente. En vez de disfemia en general, habrá
que definir qué tipo de locuciones serán medidas y cómo.
Estas definiciones ayudan a asegurar que bajo el mismo concep-
to se está hablando del mismo fenómeno y permiten la replicación
posterior del estudio. Cuanto mayor precisión en la definición, me-
nos ambigüedad tendrá nuestro trabajo. En Kazdin (2002) puede
encontrarse una excelente revisión de las maneras de operacionali-
zar las variables.
ERRNVPHGLFRVRUJ
La medición de las variables se lleva a cabo a través de algún

instrumento de medida como son las escalas, los test psicométricos,
los sistemas de registro, etc. Las pruebas del test de Boston, PLON,
BLOC, el programa Praat o un espirómetro son ejemplos de sis-
temas de medición de variables. Si es posible, la mejor opción es
utilizar un instrumento ya creado, como los mencionados, porque
suelen ser herramientas estandarizadas, previamente validadas por
sus creadores. Para cada variable que queramos medir probable-
mente existirá una diversidad de instrumentos que la midan. En ese
caso tendremos que evaluar sus características técnicas para elegir
el más adecuado y explicitar claramente en el informe qué instru-
mento hemos usado, por qué, y qué características posee.
En caso de que no exista el instrumento que necesitamos pode-
mos crearlo nosotros, pero para ello hay que prestar mucha atención
a sus propiedades psicométricas y es necesario aportar información
exacta de su funcionamiento. Estos conocimientos para construir y
evaluar un instrumento de medida exceden los contenidos de este
libro y pueden encontrarse en libros de psicometría. Para profundi-
zar en ellos puede consultarse Martínez Arias, Hernández Lloreda y
Hernández Lloreda (2006). Las propiedades psicométricas que debe
cumplir un buen instrumento de medida son la fiabilidad y la validez.
La fiabilidad se define como la consistencia y estabilidad de las
puntuaciones a lo largo del tiempo, condiciones y situaciones. Cuan-
do realizamos una medición fiable garantizamos que las puntuacio-
nes que obtenemos están poco influidas por errores aleatorios, por
lo que si repitiésemos las mediciones bajo las mismas condiciones,
estas serían muy parecidas.
Imagínese una báscula en la que cada vez que se pesa obtiene
un peso diferente (68, 73, 75, 69…), frente a una báscula en la que
las diferencias son mínimas (70, 70, 69, 70…). La segunda tendrá
mayor fiabilidad que la primera. Existen diversos procedimientos
para estimar la fiabilidad de un instrumento de medida, pero todos
se reflejan como un coeficiente que varía entre 0 y 1; y cuanto ma-
yor sea la fiabilidad más cercano estará a 1. En general, los valores
superiores a 0,70 se consideran aceptables (Nunnally y Bernstein,
1994), aunque es fácil encontrar estudios que usan instrumentos con
peores valores. En todo caso, siempre hay que ser cautelosos con las
conclusiones encontradas en ellos.
ERRNVPHGLFRVRUJ
La validez se refiere al grado en que la evidencia y la teoría apo-

yan la interpretación de las puntuaciones del instrumento de medi-
da para el propósito con el que estos se utilizan. Nos informa sobre
si realmente podemos afirmar que estamos midiendo lo que desea-
mos medir. Los procedimientos para su cálculo son más complejos.
A diferencia de la fiabilidad, no pueden reflejarse como un único
valor, sino que consisten en un conjunto de evidencias empíricas
basadas en una diversidad de técnicas estadísticas. Una explicación
puede encontrarse en Martínez Arias et al. (2006).
Como resultado de la medición, las variables obtendrán un nivel
de medida distinto dependiendo de la complejidad de las relaciones
que reflejan entre los objetos empíricos que representan. Estos ni-
veles son nominal, ordinal, intervalo y razón. Simplificando mucho
la explicación, en el nivel nominal (llamadas variables cualitativas)
los valores numéricos obtenidos solo representan cualidades. En
el nivel ordinal (variables cuasicuantitativas), los valores presentan
cualidades ordenadas, mientras que en las últimas dos escalas, de in-
tervalo y razón (llamadas variables categóricas), los valores poseen
propiedades numéricas.
El nivel de medida de una variable es de vital importancia en la
investigación, ya que las técnicas estadísticas requieren que las va-
riables sean medidas en uno u otro nivel para poder ser utilizadas.
Recomendamos al lector que revise estos conceptos en alguno de
los libros de estadística recomendados en el capítulo.
La manipulación de las variables se estudiará más adelante, en
el capítulo 3. Como introducción, cabe simplemente indicar que las
formas más comunes de manipulación son a través de la presencia
o ausencia del tratamiento, la variación en la cantidad de la VI y la
variación de tipos o condiciones.
2.6. Decisiones sobre la estrategia de investigación

(etapa 5)
En esta etapa tendremos que decidir cuál es la estrategia más ade-

cuada para llevar a cabo nuestra investigación. Existen diferentes
diseños para realizar cualquier estudio, y debemos elegir el más
adecuado en función de nuestros objetivos y de la naturaleza del
ERRNVPHGLFRVRUJ
fenómeno. Cada diseño tiene sus ventajas e inconvenientes, y se-

rán preferibles unos a otros dependiendo de las necesidades del
estudio. En este capítulo, en el apartado 2.13, presentaremos una
panorámica general de las principales opciones disponibles, expli-
cando bajo qué condiciones sería más adecuado decantarse por
uno u otro.
2.6.1. La descomposición de la variabilidad
Por variabilidad entendemos las diferencias existentes en un con-

junto de puntuaciones. Por ejemplo, cuando una variable tiene los
siguientes valores: 5, 4, 5, 6, 5, decimos que su variabilidad es pe-
queña porque hay pocas diferencias entre ellos. Unas puntuaciones
con mayor variabilidad podrían ser 1, 9, 5, 2, 8. La variabilidad se
puede describir a través de estadísticos. En el caso de las variables
cuantitativas, es común emplear como estadísticos la varianza y la
desviación típica. En los ejemplos anteriores, el primero tendría una
varianza de 0,4 y el segundo de 10.
Cuando llevamos a cabo una investigación, encontramos que las
puntuaciones de la VD no son constantes, sino que existen diferen-
cias entre ellas. Es decir, hay una cantidad de variabilidad en la VD.
Esta variabilidad puede estar provocada por dos causas:
1. La que esperamos que se produzca por los cambios en la

variable independiente. Estos cambios, en caso de ocasio-
narse, producirán un aumento en la varianza de la VD. Su-
pongamos un grupo que recibe un tratamiento y un segun-
do grupo que no recibe nada. Presumiblemente, al recibir el
tratamiento, las puntuaciones de esos participantes aumen-
tarán, mientras que los que no lo reciben no lo harán. Esas
diferencias entre unas y otras puntuaciones incrementará la
varianza de la VD. Esta variabilidad, relacionada directa-
mente con los cambios provocados en la VI, se llama varian-
za sistemática.
2. Sin embargo, en una investigación hay múltiples causas no
controladas directamente por el investigador que también
producirán diferencias en la VD. Por ejemplo, las diferencias
ERRNVPHGLFRVRUJ
entre participantes, las variables de confundido y los errores

en los instrumentos de medida producen variaciones que no
están relacionadas con la VI. Esta segunda fuente de varia-
ción se llama varianza error.
Lo que hemos explicado en los párrafos anteriores puede con-

densarse en una sentencia, los cambios que se producen en la VD
dependen de dos cosas: la manipulación de la VI y otros factores no
tenidos en cuenta. Esto puede expresarse de la siguiente manera:
Varianza total = varianza sistemática + varianza error.
El objetivo de todo diseño de investigación es maximizar la

varianza sistemática y minimizar la varianza error, o lo que es lo
mismo, conseguir que la mayor parte de los cambios en la VD es-
tén producidos por nuestra manipulación y no por otros factores.
Esto puede lograrse de la siguiente manera: se puede aumentar la
varianza sistemática utilizando niveles más extremos de la VI; por
ejemplo, si quiero comprobar con dos grupos el efecto de un medi-
camento y utilizo las cantidades de 0 y 20 mg, podría aumentar las
diferencias entre ellos y, por tanto, la varianza sistemática, usando
0 y 40 mg. Por supuesto, esta estrategia no siempre será viable.
La minimización de la varianza error es el principal esfuerzo
que tendrá que realizar el investigador en su estudio. Para ello
tendrá que identificar todas las posibles variables de confundido,
tanto las que provengan de los individuos como las que lo ha-
gan de la propia situación experimental, e intentar controlarlas
por diversos procedimientos, como los que se verán en el próximo
capítulo. En el fondo, toda la metodología de investigación está
dedicada a esta tarea. Otra segunda forma de minimizarla es uti-
lizando siempre los instrumentos de medida con mejores propie-
dades psicométricas.
2.6.2. Dónde realizar el estudio
Otra decisión importante a la hora de planificar una investigación

es la elección del escenario donde se recogerán los datos. Genera-
ERRNVPHGLFRVRUJ
lizando, suele hablarse de dos entornos muy diferenciados: el labo-

ratorio y el campo.
El laboratorio es un escenario creado específicamente para la re-
colección de los datos. Tiene la ventaja de permitir un altísimo con-
trol sobre la situación experimental, con lo que evitaremos muchas
posibles causas de contaminación. Nos facilita notablemente la ma-
nipulación de las variables independientes y permite sistemas más
precisos de recogida de datos, ya que se pueden utilizar instrumen-
tos de medida automáticos como los ordenadores y demás aparatos.
Tiene el inconveniente de presentar una situación muy artificial, en
la que algunas conductas puede que no se produzcan de manera
natural, que no ocurran o que lo hagan de manera distorsionada.
Por campo entendemos situaciones más naturales y cotidianas
en la vida de los participantes, como puede ser su propia casa, la es-
cuela, el trabajo, etc. Sus ventajas e inconvenientes son los opuestos
al laboratorio. Por su bajo control de la situación pueden ocurrir
simultáneamente múltiples variables de confundido, pero, por otro
lado, su naturalidad favorece la aparición de ciertas conductas.
La elección de uno u otro escenario vendrá impuesta por el tipo
de diseño que queramos llevar a cabo y por la naturaleza del fenó-
meno. Por ejemplo, si deseamos llevar a cabo un experimento que-
rremos tener el máximo control, por lo que optaremos por el la-
boratorio. Por otro lado, si se desean investigar conductas sociales,
como por ejemplo las habilidades conversacionales con iguales en
niños, necesitaremos desplazarnos hasta un entorno natural como
la escuela o el hogar, donde es más normal que se produzcan, aun-
que suponga una pérdida de control de la situación.
En general, los diseños se suelen asociar a un entorno concreto.
Los experimentos y cuasiexperimentos suelen llevarse a cabo en
entornos más controlados, mientras que los diseños correlaciona-
les y los cualitativos son más naturalistas. Puede establecerse una
sencilla regla que es cierta para la mayoría de las situaciones: en los
laboratorios tendremos mayor validez interna y en el campo mayor
validez externa; aumentar una de ellas suele implicar disminuir la
otra. Estos conceptos de validez se explicarán en el apartado 2.12.
La elección del entorno es crucial para los resultados de un es-
tudio; por ejemplo, es sabido que cuando se estudia la decisión de
compra en el laboratorio, los consumidores parecen utilizar crite-
ERRNVPHGLFRVRUJ
rios basados en el razonamiento, mientras que en situaciones rea-

les, como un supermercado, los aspectos emocionales cobran mayor
importancia.
2.6.3. El tiempo en los diseños
La recogida de los datos puede realizarse en dos marcos temporales

distintos que lleva a dos grandes grupos de diseños muy diferen-
ciados: los diseños transversales y los longitudinales. En los dise-
ños trasversales, la recogida de datos se lleva a cabo en un único
momento temporal. No quiere decir que se tome una única medi-
ción, se pueden tomar múltiples medidas de la VD, pero todas ellas
dentro de una ventana temporal tal que los participantes no sufran
cambios sustanciales. En los diseños longitudinales, tomamos repe-
ticiones de las medidas en un periodo largo, en el que el sujeto ne-
cesariamente va a cambiar por efecto del tiempo. A veces, cuando el
número de repeticiones es alto, estos diseños reciben el nombre de
series temporales. La utilidad de los diseños longitudinales es pre-
cisamente el estudio de los procesos de cambio que se producen
en los participantes; por ejemplo, el desarrollo emocional de niños
con TEA, la evolución de la opinión política con la edad, etc. Estos
diseños longitudinales son menos frecuentes que los transversales y
más costosos en cuanto a recursos y tiempo. En ellos hay que tener
especial cuidado con el control de las diversas fuentes de contami-
nación, como la mortalidad experimental y la historia diferencial.
2.7. Selección de los participantes

(etapa 6)
En esta etapa debemos determinar el número de participantes ne-

cesarios para la investigación y las condiciones que deben cumplir
para incluirlos en el estudio. Para poder explicarlo adecuadamente
es necesario recurrir a dos conceptos de la estadística: población y
muestra.
Una población es el conjunto formado por todos los individuos
que cumplen las características de interés definidas por el investi-
ERRNVPHGLFRVRUJ
gador. Por ejemplo, si deseamos investigar si el tratamiento basado

en el entrenamiento conversacional es efectivo para pacientes con
afasia, entonces nuestra población estará compuesta por todos los
pacientes diagnosticados de afasia. De este ejemplo ya se deduce
que va a ser imposible llevar a cabo el estudio con todos esos parti-
cipantes, por lo que se elegirá un subgrupo de ellos, llamado mues-
tra, a partir del cual generalizaremos los resultados encontrados al
resto de la población.
Una muestra no es más que un subconjunto de una población, y
la dificultad reside en elegir una que cumpla adecuadamente con dos
condiciones: su tamaño debe ser suficiente y los elementos, represen-
tativos. El tamaño necesario viene determinado por el tipo de análisis
de datos, la varianza de las variables y la seguridad y precisión que
deseemos en nuestras conclusiones. Cuanta más seguridad y preci-
sión queramos, más participantes necesitaremos. Existen fórmulas y
tablas que nos indican cuántos participantes deberíamos reclutar y
que resultan imprescindibles en los diseños correlacionales y epide-
miológicos. Como el tema excede los contenidos de este libro se reco-
mienda consultar Martínez Arias (1995a) para profundizar en ello. La
segunda de las condiciones es la representatividad, y se refiere a que
cualquier característica relevante de los participantes de la población
debe estar igualmente presente en los participantes de la muestra.
En el momento de reclutar a los participantes es necesario dis-
tinguir entre población teórica y población accesible. La primera es
la que el investigador define, y la segunda es a la que realmente va a
tener acceso. Otra distinción importante es entre muestra intentada y
muestra real. La primera es la muestra elegida por el investigador y la
segunda es la que realmente se utilizará en la investigación. Veámos-
lo con el ejemplo anterior: la población son todos los diagnosticados
de afasia (población teórica), sin embargo, si el equipo de investi-
gación está en Madrid, difícilmente se va a desplazar a Venezuela,
Colombia o incluso Cádiz, así que se centrará en los diagnosticados
de su ciudad. Posiblemente tenga contactos en dos o tres centros y
buscará sus participantes entre sus pacientes. De todos los pacientes
de esos centros (población real), realizará una selección a través de
algún tipo de muestreo, y les solicitará amablemente que participen
en su estudio de manera voluntaria, sin ningún tipo de compensación
por las molestias y su tiempo (muestra intentada). Aunque todos es-
ERRNVPHGLFRVRUJ
tán muy interesados en ayudar al progreso de la ciencia en general y

de la logopedia en particular, es posible que muchos no puedan, por
cuestiones de tiempo u organización, y rechacen participar, por lo
que quedarán solamente unos cuantos que sí accedan (muestra real).
Como se ve, puede existir una gran diferencia entre la pobla-
ción teórica y la muestra real. La cuestión es ¿tan importante es esa
diferencia como para invalidar todo el estudio? Pues depende. En
cada paso hemos ido quedándonos con subconjuntos cada vez más
reducidos de la población. Si esos subconjuntos son igualmente re-
presentativos y no poseen características discriminativas relevantes,
no supondría mayor problema. Sin embargo, si las tuviesen, acaba-
ríamos con una muestra que representa a una población diferente
de la que hemos establecido al principio. Por ejemplo, la afasia po-
see causas físicas y biológicas, por lo que su etiología difícilmente se
verá influida por la cultura de un país, una ciudad o el tipo de centro
en el que se trate. En este caso, podríamos pensar que la muestra
real es igualmente representativa de la población teórica. En otros
casos, como el de un tratamiento para el TEA, los referentes cul-
turales podrían ser relevantes; incluso el hecho de ser tratado en
un centro privado o público podría conllevar grandes diferencias
(mayor estatus económico y cultural de los padres, posicionamiento
político, etc.). En ese caso, siendo justos, solo podríamos generalizar
a una población mucho más restrictiva.
Brevemente enunciamos aquí los diferentes tipos de muestreo
sin entrar en demasiado detalle en ellos. Se puede profundizar en
estas estrategias en Martínez Arias (1995a). Se distinguen dos gran-
des grupos de muestreos: los probabilísticos y los no probabilísticos:
2.7.1. Muestreos probabilísticos
Son aquellos en los que la probabilidad de seleccionar un elemento

cualquiera es conocida. Son los que mejor garantizan la representa-
tividad de la muestra. La mayoría de las técnicas estadísticas exigen
este tipo de muestreo entre sus supuestos.
a) Muestreo aleatorio simple. Todos los elementos de la población

(N) tienen la misma probabilidad de ser seleccionados como
ERRNVPHGLFRVRUJ
un elemento de la muestra; p = 1/N. La selección de los ele-

mentos se realiza a través de algún procedimiento aleatorio.
b) Muestreo aleatorio sistemático. Igual que el anterior, pero, en
vez de seleccionar los participantes aleatoriamente, se uti-
liza un procedimiento sistemático. Se determina el número
de elementos que deseamos en la muestra (n) y se calcula
k = N/n. Aleatoriamente, se elige un elemento de inicio y se
seleccionan los participantes de k en k hasta alcanzar n selec-
cionados.
c) Muestreo aleatorio estratificado. Se divide la población a través
de una variable, por ejemplo, la edad, y se forman subgrupos
exhaustivos y excluyentes (por ejemplo, de 21 a 40, de 41 a 60
y de 61 a 80). A continuación, se seleccionan aleatoriamente
participantes de cada estrato para la muestra. Esta selección
puede ser proporcional (la proporción de elementos de cada
estrato en la muestra es igual que en la población) y no propor-
cional (hay estratos en los que el número seleccionado puede
ser mayor o menor de lo que le correspondería proporcional-
mente). Por ejemplo, suponiendo 100 elementos en la pobla-
ción y la edad como variable de estratificación con los siguien-
tes elementos: 20 jóvenes, 60 adultos y 20 mayores; y siendo
n = 20 el número de participantes que deseamos en la muestra, con
el estratificado proporcional elegiríamos 4, 12 y 4 respectiva-
mente (el 20 % de cada estrato). De esta manera, conseguiría-
mos que los tres estratos estén perfectamente representados
como en la población. Con un muestreo estratificado no pro-
porcional podríamos elegir, por ejemplo, 10, 6 y 4; de esta for-
ma sobrerrepresentaríamos a los jóvenes para conseguir una
mayor precisión en las estimaciones de ese grupo concreto.
d) Muestreo aleatorio por conglomerados. Se utilizan unidades
de participantes previamente formadas. Por ejemplo, en
vez de muestrear a todos los estudiantes de la Comunidad
de Madrid, se muestrean los colegios, que son muchos menos,
simplificando el proceso. Normalmente esta técnica se utiliza
en combinación con alguna de las otras, como el muestreo
aleatorio o el estratificado.
e) Muestreo aleatorio poliétapico. Consiste en combinar dos o más
técnicas. Por ejemplo, una primera por conglomerados y des-
ERRNVPHGLFRVRUJ
pués, en los colegios, utilizar un estratificado proporcional para

garantizar que haya la misma cantidad de niños que de niñas.
2.7.2. Muestreos no probabilísticos
Son aquellos en los que la probabilidad de elegir un elemento no

es conocida. No son los más deseables, ya que no pueden realizar-
se fuertes inferencias con ellos, limitándose las conclusiones casi a
nivel de anécdota. Sin embargo, en muchas ocasiones, no hay más
remedio que utilizarlos y son, de hecho, la base de la mayoría de los
diseños cualitativos:
a) Muestras de conveniencia o muestro accidental (haphazard).

Son muestras reclutadas sin muestreo. Por ejemplo, las en-
cuestas en televisión o de Facebook.
b) Muestreo propositivo. Se elige a los participantes por poseer
un conjunto de características clave. Por ejemplo, haber su-
frido un ictus en el último año. Se accede a los elementos a
través de distintos medios, como los registros oficiales, infor-
mantes clave, etc.
c) Muestreo por cuotas. Es similar al estratificado (la cuota es
equivalente al concepto de estrato), pero la selección no es
aleatoria, sino similar al propositivo. Igual que en su equi-
valente probabilístico, la selección en cada cuota puede ser
proporcional y no proporcional.
d) Muestreo por bola de nieve. Se comienza identificando a un
sujeto o conjunto de participantes que poseen características
clave para el estudio. A partir de ellos, y utilizando sus con-
tactos y relaciones, se recluta al resto de participantes que
cumplan con los requisitos.
2.8. Recogida de datos

(etapa 7)
Una vez que hemos terminado de diseñar el estudio es el momento

de llevarlo a la práctica. Si hemos diseñado correctamente todos los
ERRNVPHGLFRVRUJ
puntos anteriores no nos costará demasiado esfuerzo implementar-

lo con nuestros participantes.
Existen múltiples opciones para recoger nuestros datos; algunas
de las más utilizadas son las siguientes:
a) Entrevistas: consisten en preguntar directamente al sujeto

cuestiones sobre las que queremos obtener información e ir
registrando las respuestas. Es una técnica muy versátil, ya que
puede aplicarse con cualquier tipo de participantes y permite
profundizar en las respuestas hasta obtener la información
deseada. Suelen ser costosas, en el sentido de que requieren
una gran inversión de tiempo, por lo que no es aplicable en
estudios en los que se necesiten muestras numerosas. Debido
a la alta participación del entrevistador en el proceso, existe
una fuerte posibilidad de introducir sesgos como la reactivi-
dad del entrevistado ante la situación o las expectativas que
genere el entrevistador.
b) Cuestionarios: consiste en construir un formulario con una
serie de preguntas, en formato completamente cerrado,
que será contestado por los participantes. Tiene la venta-
ja de permitir obtener información sobre una gran cantidad
de participantes de una forma muy sencilla y económica, lo
que es ideal en estudios donde se buscan muestras numero-
sas para una correcta representación de las variables en la
población.
c) Observación: se trata de ver, oír y registrar lo que ocurre en
una situación determinada. Para utilizarla bajo un paradigma
científico es necesario prestar atención a la sistematización y
control de los registros (quién, cómo, cuándo y qué registrar).
Tiene el inconveniente de introducir mucha subjetividad,
pero a cambio permite estudiar conductas en el ambiente na-
tural del fenómeno, lo que es ideal para conductas espontá-
neas como el habla.
d) Pruebas estandarizadas: son instrumentos de medida pre-
viamente calibrados y validados. En este apartado podemos
incluir los test, las escalas o los instrumentos mecanizados,
como las pruebas biológicas y sistemas de medición automá-
ticos (por ejemplo, un espirómetro).
ERRNVPHGLFRVRUJ
2.9. Análisis estadísticos

(etapa 8)
Una vez realizado el estudio y recogidos los datos, el paso siguiente

consiste en analizarlos, lo que supone el uso de herramientas esta-
dísticas. El tipo de técnicas estadísticas que debemos emplear de-
pende del diseño del estudio, el tipo de datos recogidos y de las
preguntas de la investigación. La estadística ayuda a los investiga-
dores a extraer conclusiones de los datos recogidos, minimizando la
probabilidad de extraer conclusiones erróneas sobre las variables
estudiadas.
El análisis de datos constituye una cantidad de material extenso
y que requiere de sus propios cursos y manuales, por lo que no po-
demos llevar a cabo una explicación precisa sobre ellos. Simplemen-
te vamos a presentar la lógica del análisis de datos y recordar al lec-
tor los aspectos clave y más relevantes que están relacionados con
el proceso de investigación. Probablemente el lector ya haya cur-
sado alguna asignatura de estadística, por lo que la mayoría de los
conceptos le serán conocidos. De no ser así o si necesita una puesta
a punto o profundizar en ellos, existen numerosos manuales de es-
tadística de buena calidad, de entre los que se podrían recomendar
los siguientes: Pardo y San Martín (1998), Botella, León, San Mar-
tín y Barriopedro (2001), Peña y Romo (1997), Peña (2002), Amón
(1996) y Martínez Arias, Chacón y Castellanos (2015).
2.9.1. Paquetes estadísticos
El análisis de los datos se realiza a través de softwares especiali-

zados en análisis estadísticos. Aunque hay multitud de programas
distintos, en nuestra área el más famoso es el SPSS® (Statistical
Package for the Social Sciences), que en la actualidad pertenece
a la empresa IBM. Presenta una interfaz gráfica razonablemen-
te cómoda e intuitiva y dispone de manuales con gran cantidad
de documentación que pueden adquirirse. Algunos otros paque-
tes estadísticos famosos son SAS®, STATA®, SYSTAT® o STAT-
GRAPHICS®. Además de estos grandes paquetes de propósito
general, es muy habitual utilizar pequeños programas especiali-
ERRNVPHGLFRVRUJ
zados en un único tipo de análisis, como por ejemplo el programa

FACTOR®, para llevar a cabo análisis factoriales exploratorios,
o LISREL®, para análisis factoriales confirmatorios y ecuaciones
estructurales. Un listado bastante completo sobre softwares esta-
dísticos se encuentra en http://en.wikipedia.org/wiki/List_of_sta-
tistical_packages.
Desde hace años viene utilizándose cada vez más en nuestras
disciplinas un software llamado R. Este posee distribución GNU,
por lo que es libre y gratuito. Dispone de un motor o interprete
estadístico que funciona con línea de comandos. Los análisis se
realizan usando un lenguaje llamado R. Su fuerza está en la co-
munidad de usuarios, donde millones de expertos trabajan con él
cada día, creando librerías, nuevas funcionalidades, herramientas
y documentación completamente gratuita y accesible a todo el
mundo. Los estudiantes siempre habían tenido reparo en usarlo
debido a la necesidad de aprender su lenguaje, pero recientemen-
te han aparecido interfaces gráficas (como Rcommander o Rstu-
dio) que facilitan trabajar con él, por lo que su popularidad se ha
incrementado, haciendo que el uso de los otros programas decaiga
rápidamente. Es accesible gratuitamente en www.r-project.org y
una versión integrada con Rcommander puede descargarse desde
la Universidad de Cádiz, en http://knuth.uca.es/R. Si los autores
tuviesen que recomendar al lector una herramienta para iniciarse
en el análisis de datos, por su versatilidad, potencia, comunidad y
costes nulos, sin duda sería esta.
2.9.2. Etapas en el análisis de datos
A) Preprocesamiento de los datos
Es una etapa previa al análisis estadístico de los datos en la

que convertiremos la información recogida de los participantes
en un conjunto de códigos (mayoritariamente numéricos) alma
cenados digitalmente. Estos serán posteriormente procesados por
el programa estadístico. Esta etapa se puede subdividir en las si
guientes tareas:
ERRNVPHGLFRVRUJ
1. Construcción del libro de códigos. El libro de codificación

(codebook) contiene la definición sobre qué información se
va a codificar y cómo va a hacerse. Incluye los nombres de
las variables, sus etiquetas, los valores numéricos asignados
a las diferentes respuestas de las preguntas, valores perdidos,
etc. Cualquier posible respuesta de los participantes debe es-
tar previamente especificada aquí.
2. Codificación de los datos. Es la conversión de las respuestas
de los participantes a los códigos establecidos en el libro de
códigos y su almacenamiento en algún formato electrónico.
Aunque los paquetes estadísticos permiten y asisten en esta
codificación, en realidad puede llevarse a cabo con cualquier
editor de textos o incluso con Excel®. Cuando se están utili-
zando sistemas de registro automático, como las respuestas
que se dan a través de un teclado, el programa ya genera au-
tomáticamente este fichero de datos.
3. Verificación de datos y eliminación de errores. Cuando la in-
troducción de los datos es manual, es fácil que se produzcan
errores en la codificación. Estos errores pueden tener efectos
graves en los posteriores análisis y conviene revisar la base de
datos para eliminarlos. Esta tarea puede ser tediosa, pero es
imprescindible para los análisis posteriores de calidad. Una
forma rápida de detectar errores es realizando análisis des-
criptivos de frecuencias, que nos indicarán valores extraños y
estadísticos descriptivos en los que podemos observar valo-
res medios muy diferentes de los esperados.
4. Procesamiento de los datos perdidos. Cuando el participante
tiene que completar él mismo una encuesta, es habitual que
omita la respuesta a ciertas preguntas. Estos datos no dis-
ponibles (missing data) pueden ser muy conflictivos en los
análisis posteriores. A veces, los datos se dejan como están
si no van a suponer un problema serio, pero otras veces es
necesario “imputarlos”, es decir, suponer el valor que habría
puesto el sujeto si hubiese contestado. La forma más sencilla
de imputación es sustituir los valores perdidos por la media o
la mediana de la variable, pero existen técnicas que permiten
imputaciones más sofisticadas.
ERRNVPHGLFRVRUJ
B) Descripción de los datos
Una vez hemos creado el fichero con los datos, podemos pasar
a analizarlo. Lo primero es utilizar la estadística descriptiva para
tratar de comprender y organizar, de la forma más clara posible,
la información contenida en nuestras variables. Estas descripciones
suelen hacerse de la siguiente forma:
1. Descripciones mediante gráficos. Un gráfico es la forma más

directa para hacer explícita una determinada información y
facilitar su interpretación. Existen multitud de opciones en
función de lo que queramos representar y la naturaleza de las
variables; siendo los más típicos los gráficos de barras, secto-
res, líneas, histogramas y gráficos de dispersión.
2. Descripciones mediante estadísticos. Los gráficos suelen apor-
tar una interpretación intuitiva, pero es necesaria una des-
cripción más precisa. Esta se lleva a cabo a través de los es-
tadísticos descriptivos, que pueden dividirse en estadísticos
de tendencia central (media, mediana, moda), de variabilidad
(desviación típica, varianza, rango, índice intercuartílico), de
posición (percentiles, deciles, cuartiles, puntuaciones típi-
cas) y estadísticos de la forma de la distribución (asimetría
y apuntamiento). Cuando describimos la relación entre dos
variables pueden usarse los estadísticos bivariados, como ji
cuadrado y las correlaciones (Pearson, Spearman, etc.).
C) Intervalos de confianza y contrastes de hipótesis
Finalmente, con los datos obtenidos en la muestra, desearemos

hacer afirmaciones sobre lo que ocurre en la población. Esta parte
la lleva a cabo la estadística inferencial, y gracias a ella podemos
construir intervalos de confianza que nos permiten afirmar, con un
grado de error conocido, cuál es el verdadero valor de una variable
en la población.
Por ejemplo, conociendo que en nuestra muestra la incidencia
del trastorno del espectro autista es del 0,5 %, usando apropiada-
mente la construcción de intervalos de confianza, podríamos afir-
ERRNVPHGLFRVRUJ
mar que con un 99 % de seguridad la incidencia en la población

estará entre el 0,4 % y el 0,6 %. Además de los intervalos de con-
fianza, disponemos de las técnicas de contraste de hipótesis con las
que podremos poner a prueba hipótesis estadísticas. Sobre la dife-
rencia entre hipótesis teóricas e hipótesis estadísticas ya se habló en
el apartado 2.4, por lo que no volveremos a ello. Sí comentaremos
algunos aspectos que creemos cruciales que se tengan en cuenta
cuando se lleve a cabo un contraste:
1. Los supuestos. Cada contraste está basado en unas suposicio-

nes teóricas sobre cómo hemos adquirido los datos, la forma
de su distribución o el comportamiento de algunos valores en
la población. A estas suposiciones teóricas se las llaman su-
puestos y es necesario cumplirlos para obtener unos resulta-
dos válidos. El tipo de supuestos cambia en función del análi-
sis que se realice y es necesario comprobar su cumplimiento,
ya que de no ser así, podría llevarnos a conclusiones erróneas
sobre las hipótesis y a una pérdida de la validez del estudio.
2. El tamaño del efecto. Los contrastes de hipótesis están basa-
dos en un proceso de decisión que es ampliamente utilizado,
pero también muy criticado. Aunque hayamos encontrado
diferencias estadísticamente significativas, estas pueden ser
teóricamente insignificantes, ya que rechazar la hipótesis
nula podría ocurrir simplemente por tener una muestra muy
numerosa. Por tanto, es sumamente importante que en las
distintas áreas de investigación se defina qué es un tamaño
del efecto con significado e importancia relevante para la re-
lación que sea objeto de estudio. El tamaño del efecto es una
medición estandarizada del efecto causado por la variable in-
dependiente sobre la variable dependiente. Se considera una
medida más adecuada para describir la relación entre ambas
variables que el simple aceptar o rechazar la hipótesis nula.
Uno de los autores que más han trabajado en esta área ha
sido Cohen (1988). Solo ante la falta de existencia de un refe-
rente teórico o empírico en la interpretación del tamaño del
efecto, pueden emplearse guías para considerar si el efecto
encontrado es relevante. Por ejemplo, para una diferencia de
medias, Cohen propone los valores d igual a 0,2, 0,5 y 0,8 para
ERRNVPHGLFRVRUJ
considerar que el efecto de la VI sobre la VD ha sido peque-

ño, moderado y grande, respectivamente.
2.9.3. Técnicas inferenciales más comunes
A continuación se enumeran las técnicas de estadística inferencial

que más comúnmente suelen aparecer en las publicaciones. Para
profundizar en ellas se recomienda ver las referencias aportadas al
principio del apartado.
a) Diferencia de medias para muestras independientes. Se utiliza

cuando queremos saber si para una misma variable las me-
dias obtenidas de dos grupos de participantes distintos son
iguales o no. Este contraste está basado en la distribución
t de Student (cuyo nombre real era William S. Gosset) y pone
a prueba la hipótesis nula de que las medias de los dos grupos
son iguales.
b) Diferencia de medias para muestras relacionadas. Se utiliza
cuando estamos interesados en saber si las puntuaciones de
un único grupo de participantes en dos condiciones distintas
(o la misma condición en dos momentos temporales distin-
tos) son iguales o diferentes.
c) ANOVA. El término viene del inglés (analysis of variance) y,
aunque a veces se puede encontrar como ANDEVA, lo nor-
mal es verlo siempre escrito con las siglas inglesas. Es una
de las técnicas más utilizadas, ya que es imprescindible para
comprobar los efectos de dos o más variables independientes
sobre una variable dependiente, lo que sucede en los diseños
factoriales. El análisis se denota por el número de factores o
variables independientes y la situación de las mediciones. Por
ejemplo, ANOVA II de muestras independientes indica un
análisis de varianza en el que tenemos dos factores en una
situación de muestras independientes (se forman grupos). Al
existir más de dos VI se pueden dar tres situaciones: una de
muestras independientes en el que todas las variables forman
grupos; una de muestras repetidas en el que las variables for-
man repeticiones, y una mixta en la que al menos una variable
ERRNVPHGLFRVRUJ
formará grupos y al menos otra formará repeticiones (véase

capítulo 3). Esta técnica permite poner a prueba los efectos
principales y las interacciones de los factores implicados.
d) Regresión lineal. Es una técnica que permite pronosticar los
valores de una variable Y (llamada criterio) conociendo los valo-
res en una variable X (llamada predictora). Esta técnica pue-
de generalizarse a una situación en la que tengamos múltiples
variables predictoras. No es una herramienta que se utilice
mucho en metodología experimental, pero sí ampliamente en
investigaciones cuantitativas no experimentales.
e) Independencia de dos variables categóricas. Permiten poner
a prueba la hipótesis nula de que dos variables categóricas
son independientes y, por tanto, no están relacionadas. Está
basada en la distribución ji cuadrado (χ2).
f) Pruebas no paramétricas. Se utilizan cuando no se cumplen
las condiciones para usar alguna de las anteriores. Por ejem-
plo, cuando el nivel de medida no es el adecuado o cuando
tenemos severas violaciones de los supuestos. Estas pruebas,
en general, poseen condiciones más fáciles de cumplir por los
datos, pero no tienen la misma potencia estadística y suponen
trabajar con pérdida de información. Las pruebas no paramé-
tricas equivalentes a las anteriores son:
–– Diferencias de medias independientes → Mann-Whitney.

–– ANOVA un factor, muestras independientes → Kruskal-
Wallis.
–– Dos medias relacionadas → Wilcoxon.
–– ANOVA un factor, medidas relacionadas → Friedman.
g) ANCOVA. Acrónimo del inglés analysis of covariance. Se

utiliza cuando se quiere controlar el efecto de una o más va-
riables de confundido (llamadas covariables en el análisis)
sobre la variable dependiente que se va a contrastar. Con-
ceptualmente es la unión de un ANOVA y una recta de re-
gresión. Como se verá en el siguiente capítulo es muy útil
cuando tenemos variables de confundido que no es posible
controlar por medio del diseño, y queremos eliminar su efec-
to sobre la VD.
ERRNVPHGLFRVRUJ
h) Análisis factorial. Es una técnica estadística multivariada de

reducción de dimensionalidad. Consiste en partir de un con-
junto de n variables y, usando ciertos cálculos, poder expli-
car la mayor cantidad de la información contenida en ellas a
través de un conjunto menor de n’ nuevas variables (n’ < n)
llamadas factores. Esta técnica puede usarse con diversos
propósitos, como estudiar la validez de un instrumento de
medida, analizar las dimensiones de constructos teóricos o
condensar variables para simplificar los modelos explicativos.
i) Regresión logística. Supone una extensión de la regresión li-
neal para el caso de que la variable dependiente sea de tipo
categórico.
j) Ecuaciones estructurales. También son conocidas por sus
siglas en ingles SEM (structural equating models). Son un
conjunto de técnicas que abarcan el path-analysis, el análisis
factorial confirmatorio y la regresión estructural. El objetivo
consiste en construir un diagrama de relaciones de unas va-
riables sobre otras para explicar la variabilidad existente en
los datos y poner a prueba modelos teóricos. Son complica-
dos de llevar a cabo debido a las restricciones impuestas para
la estimación de los parámetros. Una excelente explicación
sobre ellos puede leerse en Kline (2011) y Mulaik (2009).
2.10. Conclusiones (etapa 9)
En esta etapa se deben relacionar los resultados obtenidos en el

análisis de datos con nuestras hipótesis y el marco teórico que ela-
boramos al principio de la investigación, expresando hasta qué
punto los datos apoyan, contradicen, cualifican o aportan nuevos
aspectos sobre el fenómeno estudiado. Debemos concluir si nues-
tros objetivos se han cumplido, si las hipótesis se han verificado y, lo
más importante, hay que indicar qué repercusiones tienen nuestros
resultados en el estado de conocimiento del área. También se suelen
comentar posibles limitaciones o defectos que se hayan producido
en la investigación y que se deberían subsanar en futuros estudios
para, por último, terminar con una sugerencia de temas o ideas de-
rivados de estos resultados para futuras investigaciones.
ERRNVPHGLFRVRUJ
2.11. Redacción del informe (etapa 10)
Terminada la investigación es necesario comunicar nuestros resul-

tados al resto de la comunidad científica escribiendo un informe
que cumpla con los siguientes propósitos: definir los objetivos, ex-
plicar cómo se ha hecho y detallar los resultados encontrados. El
propósito de este informe es que cualquier investigador, al leerlo,
pueda tener rápidamente toda la información que le permita eva-
luar la calidad y repercusión del estudio, e incluso, si lo desea, poder
replicarlo.
Este informe puede tener múltiples formatos, pero el más co-
mún en psicología y logopedia es el establecido por la APA (Ame-
rican Psychological Association). En su Manual de Publicaciones se
recogen las normas para la correcta publicación de los resultados.
La versión más actual de dicho manual es la sexta (APA, 2010). En
el capítulo 8 se verá cómo escribir este informe siguiendo las direc-
trices de la APA.
2.12. La validez de una investigación
Antes de empezar, cabe realizar una pequeña aclaración para evitar

confusiones comunes entre los lectores. Aunque ambos conceptos
guardan cierta relación, sobre todo respecto al significado último
del término, no puede confundirse la validez de un instrumento de
medida, que es juzgada por procedimientos psicométricos, con la
validez de un estudio de investigación, que es la que veremos en
este apartado, ya que las técnicas y los conceptos implicados difie-
ren. Para evitar confusión, en muchos manuales se utilizan los tér-
minos de validez psicométrica y validez experimental.
Para conocer la calidad de una investigación es necesario estu-
diar su validez. Esta es una valoración a veces cuantitativa, pero la
mayoría de las veces cualitativa (a través de un juicio razonado)
de los aspectos relevantes de un estudio. Según la definición de
Campbell y Stanley (1966), “la validez es un juicio integrador sobre
el grado en que las evidencias derivadas de los resultados apoyan
las inferencias o conclusiones extraídas de la misma”. Aunque en el
texto original estos autores solo hablaban de dos tipos de validez,
ERRNVPHGLFRVRUJ
hoy suele hablarse de cuatro tipos, que presentamos muy resumida-

mente antes de pasar a verlas en detalle y a estudiar sus amenazas:
–– Validez interna. Seguridad de que los cambios en la VD se

han producido exclusivamente por el efecto de la VI.
–– Validez externa. Capacidad de generalizar los resultados en-
contrados en el estudio a otras situaciones y a otros partici-
pantes.
–– Validez de constructo. Valora hasta qué punto los conceptos
teóricos están correctamente relacionados con las acciones
llevadas en el estudio. También, si la teoría utilizada es la más
adecuada para explicar los resultados.
–– Validez de las conclusiones estadísticas. Valora si los análisis
de datos llevados a cabo son adecuados y sus conclusiones
estadísticas acertadas.
Dependiendo de los objetivos del estudio, un tipo de validez

será más importante que los otros. Por ejemplo, si deseamos poner
a prueba una teoría en el laboratorio, obtener una buena validez
interna resultará imprescindible; mientras que, si deseamos estimar
la incidencia de un trastorno en la población, nuestra principal pre-
ocupación será la validez externa. En general, algunos diseños son
más fuertes en una de ellas que en las otras y, habitualmente, una
gran seguridad en la validez interna conlleva niveles bajos en la
externa. Por ejemplo, los diseños experimentales son los que más
control ejercen sobre la situación, por lo que suelen tener una va-
lidez interna muy alta. Sin embargo, ese control obliga a que el
estudio se realice en situaciones artificiales, como un laboratorio,
lo que implica una baja validez externa. Si disminuimos el control,
disminuiremos la validez interna, pero permitiremos diseños más
naturales y, habitualmente, con mayor número de participantes
(aumentaremos la validez externa). El investigador, con sus deci-
siones, debe llegar a un compromiso entre ellas que mejor satisfaga
sus objetivos.
Como se ha indicado, el estudio de la validez no puede llevarse a
cabo exclusivamente de forma cuantitativa, sino a través de pregun-
tas a las que se contesta de forma razonada. Para cada aspecto de
ellas se conoce cuáles serían las acciones correctas y se evalúa hasta
ERRNVPHGLFRVRUJ
qué punto cada una de ellas está contaminada por posibles ame-
nazas. Algunas de las amenazas que se expondrán a continuación
pueden tener efecto sobre dos o más tipos de validez.
2.12.1. La validez interna
Decimos que tenemos alta validez interna cuando somos capaces de

demostrar que la variable independiente es directamente respon-
sable de los cambios encontrados en la variable dependiente y que
ninguna otra explicación alternativa puede explicar esos cambios.
Cualquier aspecto que pueda influir en la relación entre ambas va-
riables, como otras variables de confundido o variables mediadoras,
se consideran amenazas a la validez interna:
a) La selección diferencial de los participantes. Esta amenaza se

produce en aquellos diseños en los que se van a formar gru-
pos de participantes. Si los grupos formados no son inicial-
mente equivalentes en todas las variables relevantes podría
ocurrir que la explicación del efecto de la VD venga dado
por alguna variable con desigual presencia en los grupos. Por
ejemplo, imagine un diseño con un grupo experimental que
recibe un tratamiento y un grupo control que no lo recibe, y
que en la formación de los grupos las personas más motiva-
das han sido asignadas al primero. No sería posible distinguir
si los resultados son efecto del tratamiento o de las diferen-
cias en motivación de los grupos. La mejor forma de combatir
esta amenaza, aunque no es infalible, es mediante una asigna-
ción aleatoria de los participantes a los grupos. En los diseños
cuasiexperimentales en los que esa asignación no es posible,
esta amenaza estará siempre presente, existiendo estrategias
de diseño y de análisis para no confundir su efecto sobre la
variable de interés.
b) Historia. Esta amenaza se refiere a cualquier suceso que du-
rante el trascurso de un estudio pudiera afectar a los resul-
tados. Se produce cuando el investigador toma mediciones
longitudinales a lo largo del tiempo. Al tener distintas medi-
das, si ocurriese algo que pudiera afectar a las puntuaciones,
ERRNVPHGLFRVRUJ
como un cambio en la política del centro, la aparición de una

nueva medicación, un cambio en la sensibilidad social hacia
un trastorno, etc., hará que las siguientes mediciones estén
afectadas por el cambio.
c) Maduración. Es similar a la anterior, pero se refiere exclusi-
vamente a procesos de cambio que experimentan los partici-
pantes de forma natural y que podrían explicar los resultados.
Por ejemplo, en el estudio sobre la fluidez verbal en niños,
estos, con el tiempo, tienden a mejorar como efecto de su de-
sarrollo. Un diseño en el tiempo podría encontrarse que las
últimas mediciones son mejores y achacarlo al tratamiento,
cuando es solo efecto de la maduración.
d) Repetición de las mediciones. Tomar medidas repetidas de la
VD a lo largo del tiempo puede tener efectos sobre las pun-
tuaciones, ya que se producen efectos de aprendizaje, cansan-
cio o práctica que pueden distorsionarlas.
e) Instrumentación. Es una amenaza similar a la anterior, pero,
si antes la causa estaba en los participantes, ahora la causa
se debe al propio instrumento de medida. Por ejemplo, un
sistema de registro que al llegar el calor se vuelve más im-
preciso, o varios instrumentos de recogida que requieren ser
calibrados, o simplemente cuando usamos dos observadores
distintos para un mismo estudio, con el riesgo que ello supo-
ne de utilizar diferentes criterios de puntuación.
f) Mortalidad experimental. Se refiere a la pérdida de partici-
pantes durante la realización del estudio. Especialmente en
los diseños longitudinales, cuanto mayor es el tiempo, más
probable es que algunos participantes, por diversas causas,
dejen de colaborar en él. Si la pérdida es estrictamente alea-
toria no es especialmente peligrosa más allá de la pérdida
de tiempo y esfuerzo (se necesitan participantes completos
en todas las mediciones para los análisis), pero muchas veces
la pérdida está relacionada con factores fuertemente conta-
minantes. Por ejemplo, en un estudio sobre la eficacia en el
tiempo de un tratamiento vamos perdiendo precisamente
a aquellos que evolucionan mejor (porque se desentienden
de la investigación), y al final el tratamiento no parecerá tan
efectivo como lo ha sido en realidad.
ERRNVPHGLFRVRUJ
g) Combinación del sesgo de selección con otras amenazas. Es

especialmente peligrosa. Se produce cuando los participantes
de uno de los grupos, por pertenecer a ese grupo, tiene mayor
riesgo de sufrir amenazas. Por ejemplo, los participantes del
grupo que no reciben el tratamiento experimentan una ma-
duración mayor que el experimental, aumentando sus pun-
tuaciones e igualándolas con las del grupo experimental.
h) Amenazas relacionadas con el grupo de control. Cuando utili-
zamos grupos de control pueden darse situaciones que supo-
nen una amenaza a la validez interna. Por ejemplo, cuando se
produce una imitación o difusión de las conductas del grupo
experimental al grupo control. Esto suele ocurrir si ambos
no está físicamente separados (como dos clases en un mis-
mo colegio en el que los alumnos comentan las tareas en los
descansos). Otras veces, por mucho que queramos evitarlo,
los grupos son conscientes de que son el control o el expe-
rimental, lo que afecta a las conclusiones del estudio, ya que
pueden aparecer conductas de rivalidad compensatoria (el
grupo control quiere hacerlo mejor para no dejarse ganar) o
de desmoralización.
2.12.2. La validez externa
Se refiere al grado en que los resultados obtenidos en un estudio

pueden generalizarse más allá de las condiciones en las que se ha
llevado a cabo, es decir, a situaciones más comunes y a toda la po-
blación. Diferentes amenazas pueden reducir la validez externa de
un estudio:
a) Los participantes elegidos. Si la muestra no es adecuadamen-

te representativa de la población teórica la capacidad de ge-
neralizar los resultados va a verse comprometida. Como ya
se ha estudiado en el apartado sobre la selección de los par-
ticipantes, deben seguirse procedimientos de muestreo que
aseguren esa representatividad.
b) El entorno del estudio. Las situaciones controladas de labo-
ratorio suelen presentar una artificiosidad que tiende a fa-
ERRNVPHGLFRVRUJ
vorecer la eficacia de ciertos tratamientos que después no se

muestran tan efectivos en la vida real. Las diferencias entre
la situación común en las que se produce un fenómeno, con
múltiples estímulos y condiciones afectando simultáneamen-
te, y una situación de laboratorio, en el que la situación esti-
mular está minimizada, pueden llevar a resultados muy dis-
tintos. Por ejemplo, en investigaciones sobre pragmática en
laboratorio se obtienen diferentes resultados que en situacio-
nes reales. En muchos manuales a esta amenaza en concreto
se la suele llamar validez ecológica.
c) El efecto Hawthorne. Cuando los participantes son conscien-
tes de que están participando en una investigación, sus con-
ductas pueden cambiar notablemente. El efecto Hawthorne
puso de manifiesto en 1939 cómo la atención recibida por
pertenecer a un grupo experimental, y no las propias condi-
ciones manipuladas, fueron las que explicaron la mejora de la
producción en un contexto industrial.
d) La reactividad al estudio. Similar al anterior. Los participan-
tes evaluados pueden modificar sus respuestas en función de
su opinión personal sobre los objetivos del estudio o el inves-
tigador, esforzándose por mejorar las puntuaciones o sabo-
teando el estudio si no está de acuerdo con las hipótesis.
e) El tiempo de la medida. En un tratamiento, la elección del
momento en el que se produce su medición puede ser una
fuente de error. Hay tratamientos que son efectivos, pero su
eficacia decae rápidamente. Otros necesitan cierto “reposo”
para que las conductas modificadas se asienten. Dependien-
do de si elegimos un momento inmediatamente posterior o
postergado en el tiempo, podríamos encontrar efectos que en
realidad no lo son y a la inversa.
2.12.3. La validez de constructo
Se refiere al grado de congruencia existente entre las bases teóri-

cas que han guiado la investigación y los resultados obtenidos. La
cuestión clave es si la teoría utilizada es la mejor explicación de los
resultados e implica una correcta conexión entre los conceptos teó-
ERRNVPHGLFRVRUJ
ricos y su operacionalización. Si la forma en que estamos manipu-

lando las variables independientes y midiendo las dependientes no
es correcta, podemos encontrar efectos positivos, pero que en rea-
lidad no están relacionados con los constructos teóricos que quería
mos poner a prueba.
Cook y Campbell (1979) proponen las siguientes estrategias para
reducir esta amenaza: partir de definiciones precisas de las variables
implicadas y definir operacionalizaciones muy claras y sin ambigüe-
dad. Validar la operacionalización demostrando empíricamente que
esa manipulación o medición produce el resultado teórico esperado
y, simultáneamente, demostrar que otras operacionalizaciones al-
ternativas no lo producen. Es decir, lo que proponen estos autores
es, antes de realizar el estudio, llevar a cabo una validación que de-
muestre que son esas y no otras las operacionalizaciones correctas
de los conceptos clave. Una falta de validez de constructo llevará
necesariamente a una falta de validez interna, por lo que en algunos
manuales incluyen la primera en la segunda.
Algunas de las amenazas que se producen a esta validez vie-
nen derivadas del contexto social en el que se produce el estudio.
Entre ellas, las más conocidas y estudiadas son las expectativas del
investigador. Las expectativas, creencias y deseos del investigador
pueden influir significativamente en los resultados. Pequeñas accio-
nes no voluntarias o inconscientes pueden influir en las acciones de
los participantes a favor de la hipótesis. También pequeños erro-
res de evaluación pueden hacer que el investigador vea un caso
neutro como favorable al tratamiento. Rosenthal y Rosnow (1991)
proponen ciertas estrategias para minimizarlas, como reducir en lo
posible la interacción de los participantes con los investigadores o
utilizar diseños doble ciego en los que ni el sujeto ni el evaluador
conocen si el participante ha sido asignado al grupo control o al
experimental.
2.12.4. La validez de las conclusiones estadísticas
Después de recoger los datos, estos tendrán que ser analizados a

través de alguna técnica estadística. Las más comunes proponen hi-
pótesis estadísticas que plantean la igualdad (hipótesis nula) o dife-
ERRNVPHGLFRVRUJ
rencia (hipótesis alternativa) entre las medias de dos o más conjun-

tos de mediciones. Otras técnicas plantean la existencia de relación
entre dos o más variables, pero la lógica de las hipótesis nula y al-
ternativa es similar. La correcta decisión de aceptar o rechazar las
hipótesis puede cuestionarse si se presentan alguna de las siguientes
amenazas:
a) Errores tipo I. Se producen cuando se concluye que existe un

efecto (se rechaza la hipótesis nula) que en realidad no existe.
Este error no es demasiado preocupante porque, en general,
las pruebas estadísticas tienden a ser conservadoras y prote-
ger la hipótesis nula, fijando de antemano el nivel de error
(significación o alfa) al 5 % o 1 %. Cuando aparece, viene
dado por la violación de alguno de los supuestos de las prue-
bas. Cada una de las pruebas estadísticas requiere de ciertos
supuestos que deben cumplirse. En caso de que no se cum-
plan, la validez de las decisiones estará comprometida, lle-
vándonos a decisiones erróneas sobre las hipótesis. Especial-
mente grave es la violación del supuesto de independencia de
las puntuaciones, que es común a la mayoría de las técnicas.
Otro error común se produce en las comparaciones múltiples
que se realizan después de detectar un efecto en un ANOVA.
Al realizarse un conjunto de contrastes, es necesario contro-
lar la cantidad de error total para que no se eleven los errores
tipo I. Para ampliar más este concepto se recomienda recurrir
a los libros de estadística ya citados.
b) Errores tipo II. Se producen cuando se concluye que no exis-
te efecto (se acepta la hipótesis nula) cuando en realidad sí
existe. Este tipo de error es mucho más común y siempre se
debe a una pobre potencia estadística. A mayor potencia de
un contraste, menor probabilidad de cometer un error tipo II.
La potencia puede aumentar con un número mayor de par-
ticipantes, disminuyendo la seguridad (permitiendo mayo-
res errores tipo I) y reduciendo la variabilidad de los datos.
Normalmente se opta por la primera opción, que es la más
sencilla de aplicar, ya que la segunda es contraproducente.
La tercera opción puede llevarse a cabo eligiendo siempre
instrumentos de medida con una fiabilidad alta. Cuando te-
ERRNVPHGLFRVRUJ
nemos medidas muy poco precisas obtenemos una variabili-

dad error que puede enmascarar los posibles efectos, por lo
que siempre serán preferibles mediciones con alta fiabilidad.
El diseño tendrá que estar construido de tal forma que minimice

todas estas posibles amenazas y nos permita un equilibrio satisfac-
torio entre los diversos tipos de validez.
2.13. Panorámica de los métodos de investigación
Para llevar a cabo una investigación, disponemos de diversas opcio-

nes o estrategias generales que nos ayudan a contestar a las cues
tiones e hipótesis planteadas. La elección de una de ellas dependerá
de nuestros objetivos y la naturaleza de las variables. La prime-
ra gran división de los métodos se produce entre el paradigma cuan-
titativo y el paradigma cualitativo. El primero utiliza instrumentos
cuantitativos en sus mediciones. Los segundos no trabajan con nú-
meros sino con características cualitativas. En realidad, la diferencia
entre ellos es más profunda que la mera utilización de instrumen-
tos cuantitativos y el respectivo análisis de los datos, y va más en
relación con el posicionamiento ontológico del investigador. Estas
diferencias se verán detalladamente cuando se traten los métodos
cualitativos en próximos capítulos. Estos grandes paradigmas a su
vez se dividen en distintas estrategias o diseños de investigación.
Siguiendo a Trochim (2001), podemos entender el diseño como
una planificación sistemática de la investigación que nos permite
llegar a conclusiones válidas. La elección de un diseño en concreto
influirá determinantemente en la validez del estudio, tanto en la va-
lidez interna como en la externa, así como en la fuerza de las con-
clusiones a las que lleguemos. Por ejemplo, si elegimos un diseño
experimental tendremos la validez interna más fuerte, permitiéndo-
nos establecer relaciones causales entre las variables implicadas. Si,
por otro lado, elegimos utilizar un diseño cualitativo, como la teo-
ría fundamentada, prácticamente careceremos de validez interna,
pero ciertos elementos de la validez externa serán muy fuertes. En
general, en la clasificación que presentamos a continuación, según
descendemos en la lista, vamos perdiendo control en las variables,
ERRNVPHGLFRVRUJ
disminuyendo la validez interna. Al mismo tiempo, el número de

participantes suele ser mayor y las situaciones menos artificiales,
con lo que se tiende a aumentar la validez externa. Como se ha di-
cho, no existe un diseño mejor o peor, todos existen por una razón
y es el investigador el que debe elegir el que mejor se adapte a sus
propósitos.
Aquí presentamos brevemente cada uno de los grandes grupos
de diseños para que el lector se haga una composición de lugar. En
los siguientes capítulos del libro iremos desgranando cada uno de
ellos y explicándolos con el detalle adecuado. Antes de comenzar,
vamos a presentar una nomenclatura que será común para el resto
del libro:
–– Una investigación es el conjunto de acciones dirigidas a res-

ponder una pregunta científica planteada en forma de hipó-
tesis.
–– Un experimento es una tarea aplicada al menos a un grupo
de participantes que puede constar de una o varias sesiones.
–– Una sesión es una aplicación concreta de una o varias tareas,
a un sujeto o conjunto de participantes, en un momento par-
ticular. Cada sesión puede componerse de uno o varios en-
sayos.
–– Un ensayo es cada uno de los ítems que se aplican a un sujeto
y de cuya acción se recoge una medida.
Los diseños suelen representarse a través de esquemas en los

que se explicita de forma sencilla qué es lo que va a ocurrir durante
el proceso. En los esquemas se utilizará la siguiente simbología:
–– Las mediciones u observaciones recogidas de los participan-

tes en los ensayos se representarán con la letra O, y si hay
varias se usarán subíndices: O1, O2…, Ok.
–– Los niveles de una variable independiente se llaman condi-
ciones o tratamientos y se representan normalmente con la
letra X (X1, X2…), aunque puede utilizarse cualquier letra
mayúscula. Cuando existen varias variables independientes,
como en el caso de los diseños factoriales, los tratamientos
son la combinación de los niveles de las VI y se representan
ERRNVPHGLFRVRUJ
con las letras de las variables en minúscula y el respectivo

subíndice. Por ejemplo, si tenemos dos VI a las que llamamos
A, con dos niveles, y B, con otros dos niveles, los cuatro trata-
mientos resultantes serían a1b1, a1b2, a2b1, a2b2.
–– Los grupos formados se representan siempre en filas con la
letra G.
–– La forma de asignación de los participantes a los grupos se
representará con una A cuando sea aleatoria, BA cuando sea
un bloqueo aleatorio, etc.
–– Cuando en un diseño se repita varias veces el experimento,
la secuencia resultante se representará en distintas columnas.
Toda esta nomenclatura puede ser un poco apabullante al prin-

cipio, pero todo quedará más claro según se vayan viendo los distin-
tos diseños. Veamos los más comunes.
2.13.1. Paradigma cuantitativo
Utilizan descripciones numéricas y cuantitativas de las variables y si-

guen una lógica deductiva. El investigador plantea una hipótesis y el
diseño busca comprobar empíricamente si es válida o no. Cualquier
conclusión del estudio solo puede referirse a la hipótesis original. Si
esta resulta no ser cierta, puede reformularse, iniciando una nueva
investigación. Dentro de los cuantitativos los más comunes son:
a) Diseños experimentales. Son los más sencillos y persiguen es-

tablecer relaciones causales entre las variables. La lógica es
tan sencilla como manipular una VI y medir qué efecto ha
provocado sobre la variable dependiente. La palabra clave es
el control de todas las demás posibles causas explicativas. Son
los diseños con mayor validez interna, aunque debido al con-
trol necesario tienden a tener peor validez externa. Para que
un diseño pueda ser considerado como un experimento, de-
ben cumplirse dos condiciones: haber un reparto aleatorio de
los participantes a los grupos o condiciones y llevarse a cabo
la manipulación de la VI. Cuando no podemos cumplir algu-
na de ellas debemos utilizar alguno de los siguientes diseños.
ERRNVPHGLFRVRUJ
b) Diseños cuasiexperimentales. Similares en todo a los experi-

mentales, pero no tienen la asignación aleatoria de los par-
ticipantes a los grupos o tratamientos. Por eso no se pueden
considerar verdaderos experimentos, pues es más difícil es-
tablecer relaciones causales. Poseen una validez interna más
baja que los experimentos, ya que la falta de asignación alea-
toria abre la puerta a numerosas amenazas.
c) Otros diseños cuantitativos. Aquí pueden agruparse todos los
diseños cuantitativos que no son experimentos o cuasiexperi-
mentos. Es decir, los que no cumplen con la manipulación de
la variable independiente, siendo esta simplemente seleccio-
nada. Existen múltiples clasificaciones para ellos, como por
ejemplo la de Kerlinger (1973), que los denominó ex post fac-
to, o las clásicas que los denominan diseños observacionales,
correlacionales o de encuesta. En este libro hemos decidido
utilizar la clasificación de Johnson (2001), que clasifica todos
estos diseños a través de dos criterios: el objetivo del estudio
(descriptivo, relacional-predictivo y explicativo); y la dimen-
sión temporal (retrospectivo, transversal y longitudinal). La
validez interna es menor que en los anteriores, ya que al no
existir manipulación pueden darse multitud de explicaciones
alternativas para los resultados. En investigación aplicada
son los más frecuentes, como los diseños de caso-control.
2.13.2. Paradigma cualitativo
Están basados en la lógica inductiva, por lo que no parten de una

hipótesis inicial que se comprueba empíricamente, sino de la obser-
vación de los participantes, para acabar formulando una explicación
teórica. Dentro de ellos se puede distinguir entre los cualitativos y
los mixtos.
a) Diseños cualitativos. Aquí se agrupan los diseños cualitativos

clásicos, como la teoría fundamentada, la etnografía, el estu-
dio de casos, la investigación-acción, los grupos de discusión,
etc. Proponen un acercamiento no empírico ni controlado al
estudio de los fenómenos, por lo que la forma de valorar la
ERRNVPHGLFRVRUJ
validez es sustancialmente diferente. En principio se asume

que carecen prácticamente de validez interna, pero presentan
la mejor validez ecológica.
b) Diseños mixtos. De relativamente reciente aparición, buscan
fundir las características de los diseños cuantitativos y los
cualitativos, permitiendo diseños más flexibles e inductivos,
pero con la fuerza de los muestreos aleatorios y las conclu-
siones cuantitativas.
1. El conjunto de personas elegidas en un muestreo y a las que solici-

tamos que participen en nuestra investigación se llama:
a) Muestra intentada. 
b) Población teórica. 
c) Muestra real. 
d) Población accesible. 
e) Muestra estratificada. 
2. La técnica estadística que permite comparar las medias de una va-

riable dependiente obtenidas por la combinación de dos o más
variables independientes es:
a) Regresión lineal. 
b) Análisis factorial exploratorio. 
c) ANOVA. 
d) Diferencias de medias para muestras independientes. 
e) Wilcoxon. 
3. La capacidad para generalizar los resultados obtenidos en un estu-

dio a nuevas situaciones o participantes se llama:
a) Validez interna. 
b) Validez externa. 
c) Validez de constructo. 
d) Validez de las conclusiones estadísticas. 
e) Validez de contenido. 
ERRNVPHGLFRVRUJ
4. En un análisis de datos la probabilidad de un error tipo I:

a) Suele ser muy alta. 
b) Es siempre el 1 % o el 5 %. 
c) Suele estar en torno al 50 %. 
d) Depende de la potencia del contraste. 
e) Se produce solo en los ANOVA. 
5. Cuál de los siguientes diseños tendrá, en principio, mayor validez

interna:
a) La etnografía. 
b) Los diseños cuasiexperimentales. 
c) Los diseños cuantitativos. 
d) Los grupos de discusión. 
e) Los experimentos. 
ERRNVPHGLFRVRUJ
Diseños 3
experimentales
En este capítulo veremos la forma más sencilla y a la vez más po-

tente para investigar en cualquier ciencia: el experimento. La lógica
subyacente a estos diseños suele resumirse en una locución latina:
caeteris paribus, que podría traducirse como “permaneciendo el res-
to constante”. Esa es la esencia de un experimento: manipular algo
para ver qué efectos provoca, manteniendo todos los demás aspec-
tos constantes, de tal forma que el efecto solo pueda ser atribuido a
la manipulación. Es causa y efecto. Cuando el experimento se reali-
za adecuadamente, y estamos seguros de que la manipulación de la
VI (variable independiente) es lo que provoca los cambios sobre
la VD (variable dependiente), podemos establecer una causalidad
entre ambas. Los diseños experimentales son los que más posibi-
lidades tienen de establecer esas inferencias causales. Cuando las
condiciones necesarias para llevar a cabo un verdadero experimen-
to no se dan, se debe recurrir a otro tipo de investigaciones que se
verán en los próximos capítulos.
Dentro de este capítulo veremos las distintas posibilidades de
las que disponemos, como son los diseños simples o con una única
VI y los complejos o factoriales en las que tendremos dos o más VI.
Además estudiaremos las posibles situaciones experimentales con
las que podremos organizar el experimento (formando grupos o re-
pitiéndolo). Para terminar, explicaremos una situación especial: las
investigaciones en las que solo disponemos de un sujeto.
ERRNVPHGLFRVRUJ
3.1. Manipulación y control
Empecemos por una definición y posteriormente pasaremos a ex-

plicarla en detalle.
Un experimento es una situación en la que el investigador
observa fenómenos en una situación estrictamente controlada,
donde una o más variables se manipulan o varían (variables in-
dependientes) para ver sus efectos sobre otra u otras variables
(variables dependientes), manteniendo controlados los posi-
bles efectos de otras variables.
Como se puede extraer de la definición anterior las dos caracte-

rísticas esenciales que definen a un experimento son la manipula-
ción de la variable independiente y el control de otras variables que
también pudieran afectar a la variable dependiente, confundiendo
sus efectos con los provocados por la primera.
3.1.1. Manipulación
Existen múltiples formas de manipular la variable independiente.

El investigador deberá determinar cuál es la más adecuada para
su estudio en función de la naturaleza de la variable y los objetivos
de la investigación. Algunas de las opciones de las que disponemos
son:
–– Presencia/ausencia. Supone la forma más básica de manipula-

ción. En su forma más simple consiste en presentar una con-
dición o tratamiento a un grupo de sujetos, mientras que a un
segundo grupo no se le presenta nada. A estos dos grupos se
les suele llamar grupo experimental y grupo de control, res-
pectivamente.
–– Variación de la cantidad de la VI. Muchas variables indepen-
dientes pueden presentarse en diversos grados, cantidades o
intensidades, así que podemos manipularlas para que cada
grupo reciba un nivel distinto. Por ejemplo, podemos mani-
pular la cantidad de una determinada sustancia que recibe
un paciente, la temperatura de una habitación, el número de
ERRNVPHGLFRVRUJ
Diseños experimentales 79
palabras que debe recordar una persona o las semanas de re-

poso vocal.
–– Variación por el tipo o condición. En este caso, cada uno de
los niveles de la VI suponen un tipo o condición diferente.
Por ejemplo, podríamos estar interesados en evaluar cuál de
tres tratamientos para la dislexia (fonológico, motor y visual)
obtiene mejores resultados. En ese caso, cada uno de los tra-
tamientos supone una condición diferente de la VI.
3.1.2. Control
En todas las investigaciones con finalidad explicativa o causal, es

muy importante asegurar que todas las variables diferentes a la VI
que puedan provocar cambios en la VD estén controladas. Cuando
trabajamos con personas, la mayoría de estas variables no se pueden
eliminar, por eso se prefiere el término control al de eliminación.
Por ejemplo, en un experimento para evaluar un tratamiento para
la fluidez verbal, la edad de los pacientes puede ser una “variable
de confundido”, pero no es posible eliminar la edad de una persona.
La solución será controlarla de alguna forma para que su posible
efecto no genere cambios en la VD. Podríamos elegir solo pacientes
de un determinado rango de edad o, si vamos a utilizar un grupo de
control y otro experimental, asegurarnos de que en ambos grupos
tienen la misma media de edad. En este caso no hemos eliminado
la variable (porque no se puede), pero ahora, al estar controlada, ya
no puede producir distorsiones en la VD, es decir, no va a producir
efectos diferentes en los grupos. Veamos las principales formas de
control de las que disponemos.
La aleatorización es sin duda la mejor y la más potente. Consiste
en asignar aleatoriamente los niveles de la variable de confundido
que queremos controlar a los diferentes tratamientos. Siguiendo el
ejemplo anterior, podríamos asignar aleatoriamente sujetos a los
grupos control y experimental; al ser aleatorio posiblemente acaba-
ríamos obteniendo la misma media de edad en ambos grupos. Y no
solo controlaremos la variable edad, sino que cualquier otra varia-
ble que no hubiésemos tenido en cuenta (estudios, motivación, etc.)
también se habría controlado simultáneamente. De hecho, la rele-
ERRNVPHGLFRVRUJ
vancia de la aleatorización es tal que supone una de las condiciones

necesarias para decir que hemos realizado un experimento. Como
se verá en el capítulo siguiente, cuando no es posible llevar a cabo
una asignación aleatoria de los sujetos a los tratamientos, se habla
de un cuasiexperimento, cuya fuerza causal está comprometida.
A veces, la mera asignación aleatoria no es suficiente para
controlar las variables de confundido. La ley débil de los grandes
números establece que el valor esperado de un suceso se obtiene
según aumenta el número de ensayos. Por ejemplo, la probabilidad
de obtener una cara en una moneda es 0,5; pero si tiro al aire seis
veces una moneda difícilmente encontraré tres caras y tres cruces.
Sin embargo, si tirase al aire la moneda 10 000 veces, aproxima-
damente el 50 % saldrá cara y el otro 50 % cruz. En palabras más
claras: el azar solo funcionará cuando la cantidad de elementos por
repartir sea suficientemente numerosa. Si en el caso anterior con-
tamos con, digamos, trescientos pacientes para repartir, la aleatori-
zación será un método perfecto; sin embargo, si solo contamos con
diez (lo que suele ser habitual en nuestros estudios), difícilmente
será un método válido. Por este y otros motivos, se han diseñado
los procedimientos de control que vemos a continuación. Son me-
nos eficaces y se usan a menudo cuando no es posible la asignación
aleatoria, como en los cuasiexperimentos. En ocasiones, cuando se
usan junto con la asignación aleatoria (experimento verdadero),
pueden contribuir a la reducción de la varianza error, haciendo
más potente el diseño. Entre estas técnicas las más frecuentes son
las siguientes:
a) Constancia de la variable extraña. Consiste en utilizar en el

experimento solo uno de los posibles niveles de la variable de
confundido. Siguiendo con el ejemplo anterior, utilizaríamos
solamente pacientes de un rango de edad, por ejemplo, de 60
a 70 años.
b) Emparejamiento. Consiste en emparejar sujetos con los mis-
mos niveles en la variable de confundido, para posteriormen-
te asignar cada uno de ellos a los diferentes niveles de la VI.
De esta forma, se garantiza que cada grupo formado por los
niveles de la VI contiene la misma cantidad de la variable de
confundido. Siguiendo con el ejemplo de los dos tratamien-
ERRNVPHGLFRVRUJ
tos, en el que la edad es una variable de confundido, empare-

jaríamos de dos en dos a los sujetos por su edad (60-60 años)
y, posteriormente, de manera aleatoria, asignaríamos a uno
de los sujetos el grupo de control y al otro el experimental. Al
utilizar en este paso la asignación aleatoria estaremos en un
verdadero experimento, y al utilizar el emparejamiento he-
mos garantizado que por cada sujeto con una edad (60 años)
existe siempre otro sujeto en el grupo de control con la mis-
ma edad. De esta forma la edad no puede producir cambios
en las medias de los grupos.
Este emparejamiento no se limita a parejas o dupletas,
sino que depende del número de grupos que vayamos a for-
mar con la VI. Si hacemos un experimento con tres grupos
experimentales, habrá que formar primero tripletas con pa-
cientes de la misma edad (60-60-60), y luego asignarlos alea-
toriamente a los tres grupos.
Otra situación común es no tener sujetos suficientes con
todos los niveles de la variable de confundido para llevar a
cabo el emparejamiento. Esto suele ocurrir cuando la varia-
ble de confundido es continua con múltiples valores. En el
ejemplo de la edad, esta puede variar desde los 18 años hasta
los 90 años. En este caso sería mucho más sencillo crear blo-
ques en la variable. Por ejemplo, podríamos crear bloques de
50 a 60, de 61 a 70 y de 71 a 80 años. Una vez creados los blo-
ques, dentro de cada uno de ellos los sujetos se asignan alea-
toriamente a cada grupo experimental, de tal forma que por
cada sujeto de un bloque que haya en un grupo existe un su-
jeto del mismo bloque en los otros grupos. En este caso suele
hablarse de bloqueo aleatorio en vez de emparejamiento.
c) Introducción de la variable extraña en el diseño. En ocasiones
puede introducirse la variable de confundido como otra VI
en el diseño, lo que permite extraer su efecto de la varian-
za error y añadirlo a la varianza sistemática, examinando sus
posibles efectos moderadores sobre la VD. En este caso se
tratarían de diseños factoriales que se verán más adelante en
este mismo capítulo. Por supuesto, esta solución está limitada
a muy pocas variables de confundido, ya que se complicaría
excesivamente el diseño.
ERRNVPHGLFRVRUJ
d) Controles estadísticos. Los efectos de potenciales variables de

confundido también pueden “eliminarse” mediante procedi-
mientos estadísticos. No es que estrictamente se elimine o se
controle la variable, sino que su efecto puede ser estudiado y
estimado para, a través de un procedimiento estadístico, ser
“descontado” de la VD. Por ejemplo, el análisis de covarianza
(ANCOVA) permite eliminar efectos de potenciales varia-
bles influyentes en la VD, que deben estar identificadas y me-
didas antes de la realización del experimento. Siguiendo con
nuestro ejemplo, mediríamos la edad de nuestros pacientes
y haríamos el reparto aleatorio de estos a los grupos experi-
mentales. Posteriormente, ya que conocemos la edad de cada
uno de ellos, podríamos estimar con el ANCOVA la influen-
cia de la edad sobre la VD, para eliminar esa influencia de
las puntuaciones finales. Este procedimiento es, en general,
menos deseable que los anteriores, aunque debido a la com-
plejidad de la investigación con personas muchas veces es la
única alternativa.
Los procedimientos anteriores se utilizan con frecuencia en los

diseños cuasiexperimentales como un medio de eliminar hipótesis
rivales que amenazan a la validez interna. No obstante, sin la asig-
nación aleatoria que caracteriza al experimento, es difícil garantizar
la validez de la explicación causal, puesto que las diferencias entre
los grupos pueden deberse a estas otras variables no controladas.
Estos procedimientos, cuando se usan junto con la asignación alea-
toria, permiten construir verdaderos experimentos, contribuyendo
a la reducción de la varianza error y aumentando su potencia, es
decir, la probabilidad de encontrar diferencias entre las condiciones
experimentales.
Con la asignación aleatoria podemos controlar las variables de
confundido que provienen de las diferencias individuales de los
sujetos y su amenaza a la formación diferencial de los grupos. Sin
embargo, no permite controlar otras amenazas a la validez interna
como son los efectos causados por el experimentador, las expectati-
vas de los sujetos, los efectos de práctica, la mortalidad experimen-
tal, etc. En estos casos tendremos que recurrir a las técnicas vistas
en este apartado y a otras que se verán más adelante en el capítulo.
ERRNVPHGLFRVRUJ
3.2. Posibles diseños experimentales
Existen múltiples clasificaciones de los diseños experimentales y

cada una de ellas da lugar a listas interminables de nombres impo-
sibles de recordar. Aquí exponemos lo que creemos que puede ser
más útil para el lector: un conjunto de posibles estrategias de in-
vestigación experimental que el investigador puede adaptar y com-
binar, para que se ajuste a sus necesidades. En esencia, los diseños
se clasifican utilizando dos criterios o estrategias; el primero es el
número de variables independientes manipuladas y el segundo la
situación experimental en la que se presentan los tratamientos a los
sujetos.
Empecemos a explicar el primero. Supongamos que un investi-
gador quiere comparar la efectividad de dos tratamientos para la
afasia, así que dispone de una única variable independiente (el tra-
tamiento) con dos niveles, que son los dos tratamientos (terapia del
lenguaje inducido por restricción-CIAT y una rehabilitación basada
en la promoción de la efectividad comunicativa de los afásicos-PA-
CE). La forma más sencilla de ponerlo a prueba será utilizando dos
grupos de sujetos y que cada uno de ellos reciba un tratamiento
diferente. Supongamos que el investigador también sospecha (o
mejor, hipotetiza) que el tiempo de cada sesión es relevante para la
efectividad de estos tratamientos, siendo más efectivos con sesiones
cortas que largas, y desea comprobarlo. Ahora, en este caso, el in-
vestigador cuenta con dos variables independientes: el tratamiento
(T) con dos niveles (T1 y T2) y la duración de la sesión (D), con otros
dos niveles (DC y DL). Ahora en vez de dos grupos necesitará cuatro,
resultado de combinar los niveles de ambas variables independien-
tes (T1DC, T1DL, T2DC y T2DL). Así, el primer grupo recibirá el tra-
tamiento 1 en sesiones cortas (T1DC); el segundo grupo recibirá el
tratamiento 1 en sesiones largas (T1DL); el tercero, el tratamiento 2
en sesiones cortas (T2DC), y el último, el tratamiento 2 en sesiones
largas (T2DC). Cuando tenemos más de una variable independiente,
los diseños se llaman factoriales, y se explicarán más adelante en
este capítulo. La gran ventaja de estos diseños no es tanto el estudio
de ambas VI, sino el estudio de la interacción entre ellas.
El segundo criterio es la situación experimental. Hasta ahora,
cuando hemos puesto un ejemplo, siempre hemos utilizado grupos
ERRNVPHGLFRVRUJ
de sujetos que se asignaban aleatoriamente a las condiciones o ni-

veles de la VI. Si la VI tiene dos niveles, formaremos dos grupos
aleatorios; si tiene tres niveles formaremos tres grupos aleatorios y
así, sucesivamente. Esta estrategia tiene la ventaja de su sencillez,
pero conlleva el problema de tener que conseguir que los grupos
sean completamente equivalentes, y aunque hemos visto ya formas
de control que pueden ayudarnos esto puede ser complicado de
lograr, especialmente si contamos con pocos sujetos o numerosos
grupos que formar.
Se podría utilizar una estrategia diferente que no exija formar
grupos y en la que cada sujeto ejerza de control de sí mismo. Uti-
lizando el ejemplo de los dos tratamientos, en vez de formar los
dos grupos de sujetos que recibirán tratamientos distintos, lo que
haríamos es tener un único grupo sujetos, y a todos ellos les apli-
caríamos, primero, el primer tratamiento (T1), midiendo su efecto
sobre la VD; posteriormente, aplicaríamos a todos el segundo tra-
tamiento (T2) y de nuevo medimos la VD. De esta forma, cualquier
variable de los sujetos, como el sexo, la edad, la motivación, etc.,
será irrelevante para la VD ya que si un sujeto, por ejemplo, tiene
alta fluencia verbal, la tendrá cuando reciba ambos tratamientos y
por tanto su influencia sobre la VD será nula. Es decir, los sujetos
ejercen de control de sí mismos, y cualquier variable de confundido
relacionada con los sujetos está controlada.
Sin duda, la validez interna de este tipo de diseños es mayor que
en los que se forman grupos, sin embargo conlleva otros inconve-
nientes, derivados de la repetición del experimento y los cambios
que puedan haberse producido en los sujetos. Podría ocurrirnos que
al aplicar T1 los pacientes mejoren y, por tanto, al aplicar T2 no de-
tectemos su efectividad. A veces, es posible separar en el tiempo T1
y T2 hasta que los efectos del primero desaparezcan, pero aun así
hay tratamientos cuyos efectos son indelebles. Estos problemas bá-
sicamente son debidos a la persistencia y la práctica; aunque existen
formas de atenuarlos como se verá más adelante.
Al primer tipo de diseños se les conoce como situación inter-
grupos o diseños de muestras independientes o con sujetos distintos,
y al segundo tipo se le llama situación intrasujeto o diseños de me-
didas repetidas o con los mismos sujetos. El lector se habrá dado
cuenta de que existe una tercera posibilidad cuando tenemos un
ERRNVPHGLFRVRUJ
diseño factorial (más de una VI), y es que una de las variables for-
me grupos (muestras independientes) y que otra forme repeticio-
nes (medidas repetidas). En ese caso se dice que es una situación
mixta.
Utilizando estos criterios, podemos clasificar todos los diseños
experimentales que se nos ocurran y que nos encontremos en la
literatura científica.
3.3. Diseños para sujetos distintos
Existen múltiples formas de llamarlos: diseños de sujetos distintos,

intergrupos o de grupos independientes. Lo importante en ellos es
que los sujetos son asignados a los diferentes niveles de la VI o
combinaciones de VV. II., de tal forma que cada sujeto solo reci-
be un nivel o combinación, y solo uno. Es decir, cada sujeto reali-
za una única vez el experimento. La forma de asignarlos debe ser
aleatoria para poder hablar de un verdadero experimento, aunque
es posible combinarla con otras formas de control, como se vio en
el apartado anterior. La condición imprescindible para asegurar
su validez es garantizar que los grupos formados son realmente
equivalentes. En algunos de estos diseños, a veces se introduce un
grupo que no recibe ningún nivel de la VI y que suele denominarse
grupo de control, que es una especie de línea de base con el que se
pueden comparar los resultados del grupo experimental. No hay
limitaciones respecto al número de grupos, sino que puede haber
varios grupos experimentales y varios grupos de control simultá-
neamente si el estudio los requiere.
Los más frecuentes diseños de grupos independientes se mues-
tran a continuación.
3.3.1. Diseño aleatorizado de dos grupos
En su forma más sencilla, los experimentos verdaderos se compo-

nen como mínimo de dos grupos: normalmente uno de los grupos
recibe la intervención (grupo experimental) y el otro no la recibe
o recibe algún tratamiento inocuo (grupo de control). También es
ERRNVPHGLFRVRUJ
posible que los dos grupos sean dos niveles distintos de la VI; por
ejemplo, dos cantidades distintas del mismo fármaco o dos fárma-
cos distintos. Los sujetos se asignan aleatoriamente a las dos condi-
ciones. El diseño se presenta en el cuadro 3.1.
Cuadro 3.1. Diseño aleatorio de dos grupos (experimental y control)

Grupo Asignación VI VD
Experimental (GX) A X O1
Control (GC) A O2
En el cuadro puede verse la forma de representar simbólicamen-

te los diseños que iremos viendo en este capítulo y posteriores; es
una manera sencilla de entender rápidamente qué va a ocurrir en
el experimento. Los grupos se representan en filas distintas y con la
letra A se indica que han sido compuestos aleatoriamente. Bajo
la columna VI se indica con una X el grupo que va a recibir el tra-
tamiento, y se deja en blanco el grupo de control. Por último, en la
columna VD, se explicita que en ambos grupos se tomarán medidas
de la VD. Si la composición de los grupos es realmente equivalente
y el procedimiento ha sido adecuado, al comparar las puntuaciones
de O1 con las de O2, sabremos si los sujetos que han recibido el tra-
tamiento han obtenido puntuaciones significativamente diferentes
respecto a los que no lo han recibido.
Fíjese que es la existencia del grupo de control lo que le da fuer-
za a este diseño, ya que con él podemos reducir amenazas a la va-
lidez interna como la historia, maduración, selección y aplicación
de las mediciones. Al buscar que todo sea igual en ambos grupos
y siendo la única diferencia entre ellos la presencia o ausencia del
tratamiento, cualquier diferencia entre las puntuaciones solo puede
ser atribuible al efecto producido por el tratamiento.
Pueden plantearse algunas situaciones especiales en la forma-
ción de los grupos de control, como se detalla en Kazdin (2003):
–– Hay veces en las que no sería ético la existencia de un grupo

de control que no reciba ningún tratamiento, como podría
ERRNVPHGLFRVRUJ
ser en la investigación del cáncer o en enfermedades graves.

En estos casos suele utilizarse el término grupo de control
en lista de espera, y sus miembros no reciben el tratamiento
mientras se realiza el estudio, pero lo reciben inmediatamen-
te después. Otras veces, cuando se está probando una terapia
nueva, los sujetos del grupo de control reciben el tratamiento
estándar y la comparación permite conocer cuánto mejora el
nuevo tratamiento frente al tradicional.
–– Está ampliamente demostrado que las expectativas de los
sujetos pueden cambiar drásticamente los resultados de un
estudio. Simplemente, por el hecho de participar en una in-
vestigación y tener ciertas perspectivas de que va a mejorar
la situación personal, se pueden registrar mejoras en las con-
ductas y las VV. DD. medidas, de tal forma que los cambios
detectados en la VD no dependan totalmente del tratamien-
to, sino de las expectativas de los pacientes. Para evitar esta
situación suele utilizarse grupos de control atención-placebo,
en los que los sujetos del grupo de control siguen el mismo
proceso que los del grupo experimental (mismo sistema de
diagnóstico, mismas sesiones, mismos terapeutas, ingesta
de pastillas, utilización de aparatos, etc.), pero recibiendo un
tratamiento “falso”. En el caso de la medicina es fácil susti-
tuir un fármaco por una sustancia inocua como suero, sin
embargo, en el caso de las terapias clínicas no resulta tan
fácil “simular” un tratamiento que en realidad no lo es. Nor-
malmente se utilizan tratamientos para dolencias distintas
que hayan demostrado ser ineficaces para la que queremos
investigar. Si el diseño está adecuadamente realizado, ambos
grupos experimentarán las mismas expectativas, así que de
existir diferencias significativas entre el grupo de control y el
experimental, estas solo podrán ser atribuidas al efecto del
tratamiento.
Como se ha comentado al principio, no es necesario que uno de

los grupos sea un grupo de control; ambos grupos también pueden
ser dos grupos experimentales con dos niveles distintos de la VI, o
dos formas de intervención diferentes. En este caso el diseño que-
daría representado de la siguiente forma (cuadro 3.2):
ERRNVPHGLFRVRUJ
Cuadro 3.2. Diseño aleatorio de dos grupos (ambos experimentales)

Grupo 1 A X1 O1
Grupo 2 A X2 O2
Donde X1 y X2 representan los dos niveles, condiciones o trata-

mientos de la VI, y O1 y O2, sus respectivas mediciones en la VD.
Al realizar el análisis estadístico tendremos que comparar las
medias obtenidas con las puntuaciones de ambos grupos. El análisis
adecuado es la diferencia de medias para muestras independientes,
también conocido como prueba de t para muestras independientes.
3.3.2. Diseño aleatorizado con tres o más grupos
El diseño anterior puede extenderse fácilmente a tres o más grupos

a los que se les asignan diferentes condiciones o niveles de la VI
(cuadro 3.3).
Cuadro 3.3. Diseño aleatorio de dos grupos

Grupo 1 A X1 O1
Grupo 2 A X2 O2
Grupo 3 A X3 O3
Al igual que en el diseño anterior, los grupos pueden ser expe-

rimentales o de control, por ejemplo, un grupo experimental y dos
de control. El número de grupos es ilimitado, pero hay que recor-
dar que un número excesivo de grupos dificulta conseguir que su
composición sea realmente equivalente, pro lo que pueden perder
validez interna.
En el análisis de datos compararemos las medias provenientes
de O1, O2 y O3. Para ello es necesario utilizar un análisis de varianza
ERRNVPHGLFRVRUJ
(ANOVA) para muestras independientes y, en caso de encontrar

diferencias entre las medias, realizar comparaciones múltiples de las
medias de los grupos dos a dos. Para ello utilizaremos alguna téc-
nica de contrastes a posteriori que permita el control de los errores
tipo I, como Bonferroni, Tukey o Scheffé.
3.3.3. Diseño de grupos aleatorios con bloques
En el apartado 3.1.2, ya hemos introducido los conceptos de blo-

queo y emparejamiento. En el bloqueo los sujetos se clasifican en
grupos (a los que llamamos bloques) que son homogéneos en la
variable de confundido y cuyo efecto se quiere controlar. A conti-
nuación, se asignan los tratamientos aleatoriamente dentro de cada
bloque. Los bloques se forman con el objetivo de reducir la varianza
error de los datos, de tal manera que cada grupo en el experimen-
to queda proporcionalmente “contaminado” por la misma cantidad
de la variable extraña, eliminándose su efecto sobre la VD. Poste-
riormente, en el análisis de datos se puede analizar el efecto de los
bloques como un factor más y estudiar su efecto sobre la VD y su
interacción con la VI.
Se puede aumentar el número de bloques hasta un máximo en
el que en cada bloque haya tantos sujetos como condiciones en el
experimento. Esto puede considerarse un caso extremo de bloqueo
y es lo que hemos llamado anteriormente emparejamiento, con el
que conseguimos que para cada sujeto con un valor en la variable
de confundido exista un sujeto equivalente, con el mismo valor o
muy similar, en cada uno de los restantes grupos del experimento.
Esta característica permite que el análisis de datos se realice como
una situación de medidas repetidas en vez de grupos independientes,
ya que se considera que los sujetos apareados son la misma unidad
de respuesta en la VD, a la que se le han tomado varias mediciones
distintas.
Es importante recordar que para que sea un verdadero experi-
mento es necesario que exista una asignación aleatoria, por lo que,
tanto en el bloqueo como en el emparejamiento, los miembros de
los bloques (o parejas o n-duplas en el emparejamiento) deben ser
finalmente asignados aleatoriamente a los grupos.
ERRNVPHGLFRVRUJ
Variable de Variable de
Confundido Confundido
60 60
60
60
Rand()
59 60
59
59
59 59
Rand() 59
Rand()
Rand()
58
58
57
57 58
57 57
57
G. Ex Rand()
Rand() G. Ex
56
56 57
56
56 56
56
49
49
48
G. C
48 49 G. C
48
48 48
48
48 48
48 Rand() Rand()
Rand()
48 48
47
47 48
47
47 47
46 Rand()
Rand()
46 47
46
46
46
46
56
Figura 3.1. Ejemplo de control de una variable de confundido
56
por bloqueo aleatorio y emparejamiento.
En la figura 3.1 puede verse gráficamente cómo se llevaría a cabo

un bloqueo y un emparejamiento. En la imagen de la izquierda tene-
mos una variable de confundido que queremos bloquear (por ejem-
plo, la edad), una vez medida, sus valores se ordenan y se establecen
los bloques. En esta imagen hemos representado dos bloques, uno
con edades entre 46 y 50 años y el otro entre 56 y 60 años. Una vez
creados los bloques, los sujetos se reparten aleatoriamente entre los
grupos experimentales. En la figura, este proceso aleatorio se re-
presenta por rand(), que es un nombre común en informática para
las funciones que generan pseudoazar. La formación de los bloques
puede hacerse con múltiples criterios, por ejemplo, utilizando puntos
de corte teóricamente significativos como en este caso, pero también
podríamos haber usado percentiles, puntuaciones típicas, etc. En la
imagen de la derecha tenemos la misma variable de confundido,
pero controlada con un emparejamiento. Al tener solo dos grupos
experimentales formaremos duplas de sujetos con el mismo valor en
la variable de confundido, y que posteriormente se asignarán aleato-
riamente a los grupos. Es habitual que se tengan que eliminar sujetos
con los que no se pueden formar parejas, en cuyo caso lo convenien-
te es eliminarlos aleatoriamente. Si el número de casos desestimados
ERRNVPHGLFRVRUJ
es alto podría conllevar una amenaza para la validez y habría que

replantearse la utilización de esta estrategia.
Cuando se analiza un diseño de bloques aleatorios suele ser ha-
bitual analizar tanto el efecto de la VI como el producido por la
variable bloqueada. En este caso se suelen usar ANOVA de dos
factores para muestras independientes, donde uno de los factores
es la VI y el otro el bloque. Si no estamos interesados en estudiar el
efecto del bloqueo pueden analizarse como los diseños anteriores:
una diferencia de medias de muestras independientes si la VI forma
solo dos grupos; o un ANOVA de muestras independientes si for-
mase más. Para los diseños apareados, como se ha comentado antes,
se utilizan análisis de medidas repetidas: diferencias de medias o un
ANOVA de un factor, dependiendo de si se han emparejado dos o
más sujetos.
3.4. Diseños con los mismos sujetos
Para evitar la contaminación del experimento producida por las di-

ferencias individuales o la variabilidad de los participantes, lo mejor
es no formar grupos y que los sujetos que reciben los distintos nive-
les de la VI sean los mismos. La comparación de su actuación en los
distintos tratamientos permite evaluar los efectos de la VI y, a la vez,
al ser los mismos sujetos, controlar cualquiera de sus características
individuales que pudieran afectar a la VD, ya que serán constantes
para todos los niveles de la VI.
Otra de sus ventajas es la menor cantidad de esfuerzos en el
reclutamiento de los participantes, ya que el número requerido es
menor. A este tipo de diseños se les denomina diseños intrasujeto
o diseños de medidas repetidas. Una representación esquemática
puede verse en el cuadro 3.4. En este diseño tenemos una VI con
tres niveles (A, B y C). Todos los sujetos (representados ahora en
las filas en vez de los grupos) pasan por las tres condiciones (XA,
XB y XC). De cada condición se toma una medida (O1, O2 y O3),
secuencialmente. El hecho de representarlos en ese orden (A, B y
C) no implica que, necesariamente, ese sea el orden de realización
del experimento.
ERRNVPHGLFRVRUJ
Cuadro 3.4. Diseño de medidas repetidas

Sujeto VI O VI O VI O
1 XA O1 XB O2 XC O3
2 XA O1 XB O2 XC O3
3 XA O1 XB O2 XC O3
4 XA O1 XB O2 XC O3
5 XA O1 XB O2 XC O3
… … … … … … …
N XA O1 XB O2 XC O3
Doncaster y Davey (2007) distinguen dos situaciones que pue-

den darse en los diseños de medidas repetidas. En la primera, a ve-
ces llamada diseño de sujetos por tratamiento, el investigador puede
manipular la VI e introducir cada nivel en el orden y momento que
desee. Este sería el caso del ejemplo anterior. En la segunda, llama-
da diseño de sujetos por ensayo, la VI no es controlable de esa for-
ma, sino que ocurre de manera natural y en un orden determinado.
El no poder controlar el orden de presentación genera una fuerte
amenaza a la validez interna del estudio. Por ejemplo, cuando estu-
diamos el desarrollo fonológico infantil, las distintas etapas no son
manipulables, sino que aparecen sucesivamente en función del cre-
cimiento. Estos diseños de sujeto por ensayo no son estrictamente
un verdadero experimento y serán vistos con detalle en el capítulo
relacionado con la investigación cuantitativa no experimental.
Aunque los diseños con los mismos sujetos mejoran sustancial-
mente la validez interna de un diseño al controlar las características
de los participantes, no están exentos de otras amenazas, la mayoría
derivadas de la participación repetida de los sujetos en las distin-
tas condiciones. Estas amenazas pueden clasificarse en dos grandes
grupos: efectos de la práctica y efectos de la persistencia del trata-
miento (carryover).
A) Efectos de la práctica
Aquí podemos situar todos los efectos producidos por el cam-

bio que se provoca en los sujetos a lo largo del experimento.
ERRNVPHGLFRVRUJ
Por ejemplo, si utilizamos como variable dependiente la lectura de

una lista de palabras, es más probable que la segunda vez lea mejor
esas palabras, simplemente porque ya las ha leído antes. En general,
cuando un primer tratamiento tiene un efecto positivo sobre otro
tratamiento posterior se denomina efecto de la práctica. Y, al revés,
cuando un primer tratamiento tiene un efecto negativo sobre otro
tratamiento posterior hablamos de efectos de la fatiga. Otros efectos
debidos a la práctica pueden ser la habituación, en el que la expo-
sición repetida a los tratamientos puede llevar a una pérdida de la
respuesta del paciente; la sensibilización, en la que el proceso es
justo el contrario, un exposición a un tratamiento puede provocar
una sensibilidad que haga que al siguiente tratamiento se responda
más intensamente, o el contraste, en el que los pacientes comparan
tratamientos y, de esa comparación, se puede producir un juicio so-
bre la valía de estos y provocar cambios en la respuesta.
B) Efectos de la persistencia
Los efectos de la persistencia surgen cuando la exposición a uno

de los tratamientos influye en los tratamientos posteriores, porque
el efecto provocado en el sujeto aún no ha desaparecido cuando se
presentan los siguientes. Cuando esto pasa, al efecto del segundo
tratamiento, hay que sumarle el efecto residual del primero. Se en-
tiende mejor con un ejemplo. Supongamos que estudiamos el efecto
de dos fármacos, A y B. El primer día se administra el fármaco A y
se mide la VD, y el segundo día se administra el fármaco B y se mide
la VD. Las primeras mediciones se ven afectadas exclusivamente
por el efecto de A, pero, si un día no es tiempo suficiente para que
se elimine del organismo cualquier rastro de A, las segundas medi-
ciones estarán afectadas tanto por B como por el residuo que queda
todavía de A. En este caso podríamos concluir erróneamente que
B es más efectivo que A, cuando solamente ha ocurrido eso por el
efecto de persistencia del fármaco.
A veces, estos dos tipos de efectos pueden eliminarse simple-
mente dejando periodos de tiempo “seguros” entre las condiciones
del experimento. En el caso anterior del fármaco, podríamos ha-
berlo solucionado dejando pasar una semana en vez de un día, con
lo que estaríamos completamente seguros de que al administrar B,
ERRNVPHGLFRVRUJ
A ya sería indetectable en los pacientes. Esta es una buena solu-

ción; sin embargo, si el tiempo entre las aplicaciones es muy largo
hay que tomar precauciones para que la maduración de los sujetos
(cambios naturales producidos por el simple paso del tiempo) o la
historia (sucesos y acontecimientos que ocurren al margen de nues-
tro estudio) no afecten a los resultados. Otro problema aún más ex-
tremo que hay que tener en cuenta en general en el ámbito clínico
es que la mayoría de los tratamientos generarán un cambio indele-
ble en los pacientes. No hay forma de que desaparezca el efecto si
el tratamiento ha sido una operación como una laringectomía, o ha
sido entrenado con una terapia conductual. Los diseños de medidas
repetidas son sin duda más potentes y con mayor validez interna
que los diseños en los que se forman grupos, pero no van a poder
utilizarse en cualquier circunstancia. La naturaleza de nuestras va-
riables nos dirá si son indicados o no para nuestro caso.
Si finalmente optamos por este tipo de diseños, el mejor control
para enfrentarnos a los efectos antes explicados es por medio de la
variación sistemática del orden de presentación. Es decir, llevar a
cabo el experimento en un orden tal que “reparta”, de alguna forma,
estos efectos entre todas las condiciones o tratamientos experimen-
tales, de forma que no haya ninguna condición favorecida o perjudi-
cada por ellos, y queda su efecto controlado respecto a la VD.
3.4.1. Técnicas de control de la secuencia experimental
Cuando razonablemente pensamos que la cantidad de error gene-

rado por cada aplicación (tanto efecto de práctica como de per-
sistencia) es proporcional y se incrementa linealmente, se pude
utilizar una estrategia basada en la simetría. Que el error se incre-
mente linealmente supone que, si al aplicar la primera condición se
generan diez unidades de aprendizaje (o de cansancio), al aplicar
las siguientes condiciones también se generarán diez unidades de
aprendizaje (o cansancio). Por supuesto, esto es difícilmente com-
probable, pero el conocimiento del área y experimentos previos
indicarán al investigador la validez de esta suposición. En caso de
que sea sostenible, la estrategia de la simetría consiste en volver a
repetir el experimento en orden inverso. Por ejemplo, supongamos
ERRNVPHGLFRVRUJ
un diseño de medidas repetidas con dos niveles en la VI, A y B, y

que cada vez que se realiza el experimento se acumulan diez uni-
dades de aprendizaje. Al hacerlo simétrico pasaríamos a todos los
sujetos la secuencia ABBA. Es decir, tomaríamos cuatro medidas,
dos para A y dos para B. Las mediciones de la primera A no estarán
contaminadas por el aprendizaje, las de la primera B estarán con-
taminadas en diez unidades, la segunda B en veinte y la segunda A
en treinta. Si sumamos la cantidad de error que tenemos en total en
A será 0 + 30 = 30, y la cantidad de error en B 10 + 20 = 30. De esta
sencilla forma hemos conseguido compensar el efecto de presenta-
ción, logrando que las medias que calculemos de A y B contengan
la misma cantidad de error y se vean afectadas por igual respecto
al aprendizaje (treinta unidades cada una). Esta estrategia puede
generalizarse a tantos niveles de la VI como deseemos. Por ejemplo,
con tres niveles la secuencia sería ABCCBA, con cuatro ABCDDC-
BA y así, sucesivamente.
Esta estrategia solo es aplicable cuando tengamos pocos trata-
mientos experimentales en el diseño, ya que se extendería excesi-
vamente el número de repeticiones, haciéndolo inviable. Además,
suponer la linealidad del error no es tan razonable como pueda pa-
recer, ya que no tienden a acumularse de forma lineal. En el ejem-
plo anterior, hemos supuesto que acumulábamos diez unidades de
aprendizaje cada vez que pasábamos una condición, pero lo habi-
tual es que el aprendizaje sea mucho mayor en los primeros ensayos
que en los siguientes. Cuando dudamos de la linealidad del error se
prefiere optar por otras estrategias que están basadas en la forma-
ción de subgrupos de sujetos, como veremos a continuación.
Un subgrupo es un subconjunto de los sujetos experimentales.
Lo que define a un subgrupo no pueden ser los tratamientos que
va a recibir, ya que, al ser un diseño de medidas repetidas, todos
los sujetos deben pasar por todos los tratamientos, sino el orden de
presentación de estos. Por ejemplo, en el caso anterior de dos ni-
veles, en vez de utilizar la secuencia ABBA podríamos formar dos
subgrupos de sujetos; uno recibiría la secuencia AB y el otro la se-
cuencia BA. Todos los sujetos, independientemente del subgrupo al
que pertenezcan, reciben todos los tratamientos (A y B), diferen-
ciándose exclusivamente en el orden de la secuencia. Veamos de
qué posibilidades disponemos para formar los subgrupos:
ERRNVPHGLFRVRUJ
A) La aleatorización
Consiste en crear una secuencia aleatoria distinta para cada uno

de los participantes. Las secuencias podrían crearse con las con-
diciones que se deseen, por ejemplo, de una longitud arbitraria y
con reposición (la misma condición experimental podría aparecer
más de una vez en la secuencia), pero normalmente suelen ser de
la misma longitud que el número de condiciones de la VI y sin re-
posición; de tal forma que, una vez realizada una condición, esta no
vuelve a repetirse. Si el número de sujetos es suficiente, cada con-
dición aparecerá aproximadamente el mismo número de veces en
cada posición de la secuencia. Así se compensará cualquier efecto
producido por el orden, independientemente de si el error es lineal
o no. Sin embargo, si el número de sujetos no es alto, o el número de
condiciones sí lo es (volvemos a la ley débil de los grandes núme-
ros), es posible que no se produzca totalmente esa compensación
si alguna condición no aparece el mismo número de veces en cada
posición de la secuencia. Por ejemplo, si tuviese tres condiciones y
trescientos sujetos, cada una de las seis posibles secuencias (ABC,
ACB, BCA, BAC, CAB, CBA) será realizada por aproximadamente
300/6 = 50 sujetos. Sin embargo, si tuviese seis condiciones llevaría,
al ser permutaciones, a 6! = 6 × 5 × 4 × 3 × 2 × × 1 = 720 secuencias
distintas, que son más que los sujetos de los que disponemos, por lo
que habría secuencias que no se llevarían a cabo.
Este sistema es el que utilizaron Logeman et al. (2008) para con-
trolar la secuencia experimental en su investigación. Los autores
estaban interesados en comprobar la efectividad de tres métodos
para evitar la aspiración de líquidos en pacientes con párkinson
cuando se les aplican pruebas que requerían su ingesta, como en
los estudios de videofluoroscopia. Los tres tratamientos puestos a
prueba fueron un cambio de postura (flexión anterior de cuello),
un compuesto líquido espesado en textura néctar y otro espesado
en textura miel. Debido a la alta disponibilidad de pacientes (711)
y los pocos tratamientos, optaron por una aleatorización completa
de la secuencia. Esto llevó aproximadamente a unas 120 repeti-
ciones de cada una de las seis posibles secuencias. Los resultados
mostraron una ventaja (menos aspiración de líquido) en textura
ERRNVPHGLFRVRUJ
miel, seguido por la textura néctar y, por último, la estrategia del

cambio de postura.
B) El contrabalanceo completo
La mayoría de las veces se le llama simplemente contrabalanceo.
Es similar a una aleatorización sin reposición en el que el número
de elementos es el número de condiciones de la VI. En primer lugar,
se crean las secuencias para cada subgrupo y después se asignan
aleatoriamente los sujetos a los grupos. El número de secuencias
son permutaciones del número de niveles de la VI.
Cuadro 3.5. Secuencias para los seis subgrupos formados en un contrabalanceo

Contrabalanceo
A B C
A C B
B A C
B C A
C A B
C B A
En el cuadro 3.5 tenemos las seis secuencias posibles para una

variable con tres niveles (A, B y C) y un contrabalanceo comple-
to. Al igual que con la aleatorización, el número de secuencias se
dispara al introducir más niveles en la VI (24 secuencias para 4, 120
para 5, 720 para 6, etc.) por lo que normalmente se utiliza en diseños
muy simples.
C) Contrabalanceo parcial
Si en el contrabalanceo completo son necesarias todas las per-

mutaciones de las condiciones de la VI, en el parcial solamente
se utilizan algunas de ellas, seleccionando a priori un conjunto de
secuencias y asignando aleatoriamente los sujetos a cada una
de ellas.
ERRNVPHGLFRVRUJ
Cuadro 3.6. Contrabalanceo parcial

Cuadrado latino Cuadrado latino
con tres niveles (b) con cuatro niveles (c)
A B C A B C D
C A B B A D C
B C A C D A B
D C B A
Una forma de obtención de dichas secuencias es por medio de

los denominados cuadrados latinos. En ellos, el número de secuen-
cias distintas es igual al número de condiciones de la VI (formando
un cuadrado de n × n casillas). El procedimiento es el siguiente:
primero, se crean tantos subgrupos aleatorios como niveles de la VI;
a cada subgrupo se le asigna aleatoriamente una de las posibles per-
mutaciones existentes, cumpliendo la restricción de que cada nivel
de la VI solo puede aparecer una vez en cada posición de la secuen-
cia; es decir, si el nivel A aparece en la primera secuencia en primer
lugar, ya no puede volver a aparecer en ninguna otra secuencia en
primer lugar.
En el cuadro 3.6, cada fila representa un subgrupo de sujetos
y su respectiva secuencia. En la columna de la izquierda tenemos
un contrabalanceo parcial para un diseño con una variable con tres
niveles y, en la de la derecha, con cuatro niveles. En cada posición
solo aparece una vez cada una de las condiciones. No existe un úni-
co cuadrado latino para cada diseño, ya que son un subconjunto
de todas las posibles secuencias. La mejor opción para evitar otros
efectos es elegir entre ellas aleatoriamente.
Un cuadrado latino no elimina completamente las amenazas pro-
ducidas por el orden, ya que cada tratamiento no está precedido ni
seguido por todos los demás tratamientos. En la columna de la de-
recha, B nunca sigue a D, ni C sigue a A. No es posible eliminar la
influencia que determinadas ordenaciones podrán provocar (deno-
minada transferencia diferencial). Puede haber una interacción entre
los efectos del tratamiento y el lugar en el que el tratamiento aparece
en la secuencia. Este efecto podría eliminarse utilizando el contra-
balanceo completo, el problema es que el número de grupos y de
sujetos será prohibitivo (el número de sujetos sería n!, factorial de n).
ERRNVPHGLFRVRUJ
Al analizar los datos de un diseño de medidas repetidas, se pue-

de prescindir de estudiar el efecto del orden de la presentación,
simplificando la codificación y posterior análisis. Partimos de que
el control ha sido adecuado y no se estudia el efecto del orden.
Para ello, se crea una columna para cada nivel de la VI y se pone el
valor que haya obtenido el sujeto, independientemente de en qué
posición fue presentado ese tratamiento. Ahora, para analizarlo,
se pueden usar ANOVA de medidas repetidas de un factor. En el
caso de querer comprobar si hay efecto de orden, es necesario co-
dificar tanto el valor obtenido como el orden de presentación. Si el
número de niveles es pequeño, el orden puede introducirse como
un factor más en el ANOVA. Pero, si el número es grande, deberán
usarse otros modelos estadísticos que exceden los contenidos de
este libro. Cuando se toman varias medidas del mismo nivel de la
VI, como por ejemplo en la secuencia ABBA, donde se cogen dos
medidas por cada nivel, pueden tomarse dos criterios en la codifi-
cación. El más común consiste en codificar cada medición por se-
parado (por ejemplo, A1, A2, B1, B2) e introducir el orden como un
segundo factor. Otra opción menos deseable pero muy utilizada es
crear algún tipo de puntuación resumen de ambas (parcel) como la
suma, media, porcentaje de acierto, etc.
Para concluir, hay que recordar que el tipo de variables estu-
diadas condiciona la posibilidad de utilizar o no diseños de trata-
mientos múltiples con los mismos sujetos. Algunas variables no se
pueden estudiar fácilmente con este diseño.
3.5. Diseños factoriales
En algunos libros de texto aparecen como diseños complejos, tér-

mino que hace referencia a las interacciones entre sus elementos.
Sin embargo, esta nomenclatura puede asustar al lector innecesa-
riamente, así que los llamaremos diseños factoriales, que es el tér-
mino más ampliamente utilizado. Un diseño factorial es aquel en
el que se comprueba el efecto simultáneo de dos o más variables
independientes sobre la variable dependiente. La mayoría de los
diseños factoriales son de tipo completo o completamente cruzados.
En ellos, los niveles de las variables independientes se combinan
ERRNVPHGLFRVRUJ
para formar los tratamientos experimentales que serán aplicados a

los sujetos; de tal manera que el número de tratamientos es siem-
pre la multiplicación de los niveles de las variables independientes.
Por eso, suelen representarse como la multiplicación de los niveles
de sus VI (por ejemplo, 2 × 2, 2 × 4, 3 × 2 × 2, etc.). Un ejemplo: si
tenemos dos variables independientes llamadas A y B, con dos y
tres niveles respectivamente (A: a1 y a2; y B: b1, b2 y b3) el número
de tratamientos existentes es su multiplicación, 2 × 3 = 6 (a1b1, a1b2,
a1b3, a2b1, a2b2 y a2b3). Estos seis tratamientos serán asignados a los
grupos o repeticiones, como veremos más adelante, dependiendo de
si elegimos una situación de muestras independientes (completa-
mente aleatorizado), medidas repetidas o una situación mixta. Ade-
más de los diseños factoriales completos, existe un segundo tipo de
diseños que son los llamados incompletos, en los que no se produce
la combinación de todos los niveles de las variables independientes,
y por tanto el número de tratamientos es diferente a la multiplica-
ción. Estos diseños, menos frecuentes que los completos, se verán
en el apartado 3.5.4. En este tipo de diseños, las VV. II. suelen deno-
minarse factores.
3.5.1. Diseños factoriales completamente aleatorizados
Son los que comúnmente se conocen como de muestras indepen-

dientes o con los mismos sujetos. Su principal característica es que
se van a formar tantos grupos de sujetos como tratamientos expe-
rimentales tengamos. Así, en el diseño A × B, 2 × 3, del párrafo an-
terior, será necesario crear seis grupos aleatorios de sujetos y cada
uno de ellos recibirá un único tratamiento o condición. Es decir,
solo se tomará una medida de la VD por cada sujeto. Una represen-
tación simbólica de este diseño puede ser la del cuadro 3.7; ahora,
cada medida de la variable dependiente la representamos con dos
subíndices, cada uno identificando el nivel de la respectiva variable
independiente.
El número de factores y el número de niveles por factor es ilimita-
do; aunque, por encima de dos o tres factores el experimento se vuel-
ve farragoso, ya que el número de sujetos necesarios aumenta con
cada nuevo grupo y se complica conseguir la equivalencia de estos.
ERRNVPHGLFRVRUJ
Cuadro 3.7. Diseño factorial 2 × 3 completamente aleatorizado

Grupo Asignación Tratamiento VD
Grupo 1 A a1b1 O11
Grupo 2 A a1b2 O12
Grupo 3 A a1b3 O13
Grupo 4 A a2b1 O21
Grupo 5 A a2b2 O22
Grupo 6 A a2b3 O23
Además, resulta complejo interpretar adecuadamente los re-

sultados, especialmente las interacciones entre los factores, por lo
que no son demasiado recomendables. Al igual que ocurría con los
diseños unifactoriales con los mismos sujetos, la principal preocu-
pación es la composición de los grupos, es decir, conseguir que re-
sulten equivalentes respecto a las variables relevantes. Para ayudar
en esta tarea, puede recurrirse a las técnicas que hemos visto ante-
riormente, como el bloqueo o el emparejamiento. En el cuadro 3.8
se representa un diseño A × B × C, 2 × 2 × 2, cuyos grupos han
sido formados por bloqueo aleatorio. Ahora, se utilizan las letras
BA para indicar que la composición se ha realizado con un bloqueo
y las observaciones tienen tres subíndices, cada uno referido a cada
variable independiente.
Cuadro 3.8. Diseño factorial 2 × 2 × 2 con bloqueo aleatorio

Grupo Asignación Tratamiento VD
Grupo 1 BA a1b1c1 O111
ERRNVPHGLFRVRUJ
Como se ha dicho, la gran ventaja de estos diseños factoriales

es que permiten poner a prueba tanto el efecto de cada uno de los
factores por separado como su efecto combinado. Suele decirse que
un diseño factorial es más que dos diseños unifactoriales indepen-
dientes porque permite obtener más información (por esta razón se
les conoce como diseños complejos). Cuando analizamos los datos
de un diseño de un único factor, la variación (las diferencias entre
las mediciones) que existe en la VD se explica por dos razones, lla-
madas fuentes de variación. La primera son las diferencias que han
sido provocadas por el hecho de recibir los distintos niveles de la VI
(variación debida al tratamiento) y la segunda son las diferencias
provocadas por errores de medida, características de los sujetos, etc.
(variación debida al error). En un diseño factorial pueden exami-
narse más fuentes de variación que influyan en la VD. Por ejemplo,
en un diseño factorial con dos variables independientes, las fuentes
de variación serán las siguientes:
–– El efecto principal del factor A: cambios en la VD producidos

por el factor A.
–– El efecto principal del factor B: cambios en la VD producidos
por el factor B.
–– El efecto combinado o interacción entre A y B: cambios en
la VD producidos por la combinación de los factores A y B.
–– El error o variación residual: son las variaciones debidas a
errores, imprecisiones de las medidas, etc. Esta última no se
comprueba, sino que sirve de denominador para contrastar
las otras tres.
Veámoslas más detenidamente:
A) Los efectos principales de A y B
Los efectos principales no son sino el efecto aislado de cada una

de las VI, sin tener cuenta el resto de variables independientes. Con
el efecto principal de A valoramos si los niveles de dicho factor pro-
ducen cambios significativos en la VD, sin importarnos el efecto que
produzca el factor B. Con el efecto principal de B valoramos los
cambios producidos por el factor B, independientemente del efecto
ERRNVPHGLFRVRUJ
que produzca A. En un diseño factorial habrá tantos efectos princi-

pales como factores implicados. Por ejemplo, en un diseño de cuatro
factores tendremos cuatro efectos principales, los de A, B, C y D.
B) La interacción entre A y B
Se dice que hay interacción entre dos variables o factores cuan-

do el efecto de una de ellas difiere a lo largo de los niveles de la otra.
Es decir, si el comportamiento de una VI es similar para todos los
niveles de la otra VI, entonces no hay interacción. Sin embargo, si el
comportamiento es distinto, entonces sí habrá interacción. Véase en
el ejemplo de la figura 3.2.
Variable A Efecto principal de A:

Variable B a1 a2 Efectos de B
b1 4 6 5
b2 2 8 5
Efectos de A 3 7
Interacción AB: Efecto principal de B:
Figura 3.2. Ejemplo de los efectos en un diseño factorial 2 × 2.
En la figura 3.2 se representan los resultados ficticios para un

diseño A × B, 2 × 2. En la tabla de la esquina superior izquierda
se encuentran las medias obtenidas para cada combinación de A y
B. En la fila “efectos de A” y la columna “efectos de B” se encuen-
tran las medias marginales o efectos principales. En A encontramos
las medias que obtenemos si colapsamos los niveles de B, y en B las
medias si colapsamos los niveles de A. Los efectos principales se
representan situando los niveles de la variable en el eje horizontal
ERRNVPHGLFRVRUJ
y simplemente unimos con una recta las medias. Puede apreciarse

directamente en el gráfico que para A sí hay diferencia entre a1 y a2
(la recta es creciente), pero que en B los dos niveles tienen la misma
media (la recta es paralela al eje horizontal).
La interacción se representa de manera similar. Se elige arbitra-
riamente una de las variables (en nuestro gráfico, hemos elegido A),
cuyos niveles irán en el eje horizontal, y después, utilizando líneas
diferentes, se representan las medias de los niveles de la otra va-
riable (B). En este ejemplo, se aprecia que para b1, pasar de a1 a a2
supone un incremento, pero en b2, al pasar de a1 a a2 ese incremento
es mucho mayor (la recta tiene mayor pendiente). Es decir, el efecto
de A es mayor sobre el nivel b2 que sobre el nivel b1, por lo que po-
demos concluir que existe interacción entre las variables. Si ambas
rectas, la de b1 y la b2, hubiesen resultado ser paralelas, habríamos
concluido que no existe interacción entre las dos variables.
A vista de los gráficos podríamos concluir que ha habido efecto
de la variable A, no efecto de la variable B y efecto de la interac-
ción; sin embargo, sería necesario llevar a cabo un análisis estadís-
tico (en este caso un ANOVA de dos factores para muestras inde-
pendientes) para confirmar el resultado. Los gráficos son de mucha
ayuda a la hora de dar un significado a lo obtenido, pero siempre
debe hacerse el correspondiente análisis de datos que lo confirme.
En diseños más complejos, en los que el número de factores es
mayor, el número de efectos se incrementa, ya que es necesario cal-
cular todos los órdenes de interacción. Por ejemplo, en un diseño
con tres factores tendremos siete efectos: los efectos principales de
A, B y C; las interacciones de primer orden (los factores se toman
de dos en dos) que son AB, AC y BC; y la interacción total o de se-
gundo orden (los factores se toman de tres en tres) ABC.
3.5.2. Diseños factoriales de medidas repetidas (o intrasujeto)
En el diseño anterior debíamos formar tantos grupos experimenta-

les como tratamientos y estos se construían con la combinación de
los niveles de los factores (su multiplicación). Ahora, en este caso, el
número de tratamientos es el mismo, pero al ser un diseño de medi-
das repetidas no formaremos grupos, sino que todos los sujetos pa-
ERRNVPHGLFRVRUJ
sarán la secuencia de todos los tratamientos. Por ejemplo, en el cua-

dro 3.9, tenemos un diseño 2 × 2 en situación de medidas repetidas.
Cuadro 3.9. Diseño factorial de medidas repetidas

Sujeto Trat. O Trat. O Trat. O Trat. O
1 a1b1 O11 a1b2 O12 a2b1 O21 a2b2 O22
2 a1b1 O11 a1b2 O12 a2b1 O21 a2b2 O22
3 a1b1 O11 a1b2 O12 a2b1 O21 a2b2 O22
… … … … … … … … …
n a1b1 O11 a1b2 O12 a2b1 O21 a2b2 O22
La interpretación de los resultados es similar a la de muestras

independientes. Tendremos los efectos principales de A y B y la in-
teracción AB. Al igual que sucedía con los diseños unifactoriales
de medidas repetidas, es necesario controlar la secuencia de rea-
lización del experimento para controlar los efectos de práctica y
persistencia. Para ello, se pueden aplicar las mismas técnicas que
las vistas para el caso de una única variable independiente (alea-
torización de la secuencia, contrabalanceo total y contrabalanceo
parcial), lo único que, ahora, en vez de considerar los niveles de la
VI, consideraremos los tratamientos, que son combinaciones de
esos niveles. Por ejemplo, en el diseño anterior, podemos utilizar
un contrabalanceo parcial con un cuadrado latino y formar cuatro
subgrupos de sujetos, cada uno con una secuencia distinta, como se
ve en el cuadro 3.10.
Cuadro 3.10. Ejemplo de contrabalanceo parcial

Subgrupos Secuencias
1 a1b1 a1b2 a2b1 a2b2
2 a2b1 a1b1 a2b2 a1b2
3 a2b2 a2b1 a1b2 a1b1
4 a1b2 a2b2 a1b1 a2b1
ERRNVPHGLFRVRUJ
3.5.3. Diseños factoriales mixtos
En los diseños factoriales puede darse una tercera situación, que es

el resultado de combinar las dos anteriores. En esta situación, una o
más de las VI forman grupos (muestras independientes o completa-
mente aleatorizado), y una o más VI formarán repeticiones (medidas
repetidas). Estos diseños son originarios del mundo de la agricultura
con el nombre de split-plot, aunque rápidamente fueron adoptados por
otras ciencias. Tienen una ventaja muy interesante, permiten encontrar
un equilibrio entre el número de grupos y el número de repeticiones,
haciendo la realización del experimento más viable. Por ejemplo, un di-
seño con dos factores 3 × 3 da lugar a nueve tratamientos. En un diseño
completamente aleatorizado, debemos formar nueve grupos de sujetos
equivalentes, lo que puede ser difícil si no se dispone de muchos sujetos.
Por otro lado, con un diseño de medidas repetidas, podríamos exceder
la paciencia de los sujetos con nueve repeticiones, haciendo muy com-
plicado el control de la secuencia experimental. Con un diseño mixto,
al tener una variable formando grupos (el factor A) y la otra repeti-
ciones (el factor B), el resultado es más viable, ya que solo habrá que
formar tres grupos (los que provienen de las variables intergrupos) con
tres repeticiones (las que provienen de las variables intrasujeto). Aho-
ra, la realización del experimento se ha simplificado. La representación
de este ejemplo con sesenta sujetos puede verse en el cuadro 3.11.
Cuadro 3.11. Diseño factorial mixto

B1 B2 B3
O01.1 O01.2 O01.3
O02.1 O02.2 O02.3
A1 O03.1 O03.2 O03.3
⁞ ⁞ ⁞
O20.1 O20.2 O20.3
O21.1 O21.2 O21.3
O22.1 O22.2 O22.3
A2 O23.1 O23.2 O23.3
⁞ ⁞ ⁞
O40.1 O40.2 O40.3
[…/…]
ERRNVPHGLFRVRUJ
O41.1 O41.2 O41.3

O42.1 O42.2 O42.3
A3 O43.1 O43.2 O43.3
⁞ ⁞ ⁞
O60.1 O60.2 O60.3
La construcción de estos diseños mixtos a veces puede resultar con-

fusa a los lectores, pero solo hasta que se entiende la lógica. Para ayudar
un poco, proponemos construir los siguientes diseños y compararlos
con sus respectivas representaciones simbólicas. Para simplificar, se han
omitido los sujetos, de tal forma que las filas representan los grupos
formados y las columnas las repeticiones. Los factores en medidas re-
petidas se representan entre paréntesis, así un diseño 2 × (3) indica un
factorial mixto con dos factores, el primero con dos niveles en muestras
independientes y el segundo con tres factores en medidas repetidas.
Véase cómo se combinan por separado los factores inter- e intra- (en
negrita) para después formar el tratamiento completo simplemente con
su unión (dentro de cada casilla). El último ejemplo con cuatro factores
se expone por razones didácticas, para que el lector generalice la lógica
de estos diseños, pero como se ha dicho antes, resultaría un experimen-
to demasiado complejo y no sería muy deseable trabajar con él.
Cuadro 3.12. Ejemplos de diseños factoriales mixtos

Factorial mixto 2 × (3) Factorial mixto 2 × (2 × 2)
[b1] [b2] [b3] [b1 c1] [b1 c2] [b2 c1] [b2 c2]
[a1] a1b1 a1b2 a1b3 [a1] a1b1c1 a1b1c2 a1b2c1 a1b2c2
[a2] a2b1 a2b2 a2b3 [a2] a2b1c1 a2b1c2 a2b2c1 a2b2c2
Factorial mixto 2 × 2 × (2 × 2)
[c1 d1] [c1 d2] [c2 d1] [c2 d2]
[a1 b1] a1 b1 c1 d1 a1 b1 c1 d2 a1 b1 c2 d1 a1 b1 c2 d2
ERRNVPHGLFRVRUJ
Muchos de los diseños que aparecen con nombre propio en

los temarios de metodología, en realidad, pertenecen a la catego-
ría de los diseños mixtos. Algunos de los más conocidos son los
siguientes:
A) Pretest-postest con grupo de control
Uno de los diseños de medidas repetidas más simple y más

utilizado para la comprobación de tratamientos clínicos es el pre-
test-postest. Consiste en tomar una primera medición en la VD a
los sujetos (medida pretest) para luego aplicarles el tratamiento y
tomarles una segunda medida (medida postest). La comparación
de las medias entre la primera y la segunda medición nos indica-
rá si el tratamiento ha sido efectivo. Este diseño tiene una validez
interna muy comprometida, ya que factores como las expectativas
de mejorar, la historia o la maduración pueden aumentar la efica-
cia del tratamiento. Una forma de mejorar este diseño consiste en
convertirlo en un diseño mixto introduciendo un grupo de control,
como se representa en el cuadro 3.13. En este cuadro, a la derecha,
se presentan los resultados del estudio de Pulvermüller et al. (2001)
que utiliza este tipo de diseño para comprobar la efectividad de
una nueva terapia del lenguaje inducido por restricción (CI-apha-
sia), frente al tratamiento convencional (conventional) en el caso
de afasias en pacientes con daño cerebral adquirido. Para ello crean
aleatoriamente dos grupos, uno experimental que recibe la nueva
terapia y uno de control con tratamiento estándar. A ambos grupos
se les toman medidas pretest y postest. Como se aprecia en la gráfi-
ca de resultados, el nuevo tratamiento presentó una eficacia mucho
mayor que el convencional.
Al grupo de control se le suele aplicar algo que también genere
expectativas de cambio, como hemos visto en los grupos de aten-
ción-placebo. Si los grupos han sido adecuadamente construidos,
para ello se puede recurrir a bloqueos y emparejamientos de las
variables de confundido, podremos evaluar distintos efectos: si en
ambos grupos las mediciones postest son significativamente mejo-
res que las pretest, nos indicaría un efecto de las expectativas; si se
encuentran diferencias en el postest entre los grupos, estas se debe-
rán al efecto del tratamiento.
ERRNVPHGLFRVRUJ
Cuadro 3.13. Diseño pretest-postest con grupo de control
Grupo Asignación O1 VI O2
G1 A O X O
G2 A O O
Fuente: adaptado de Pulvermüller et al. (2001).
Este diseño puede analizarse con un ANOVA mixto, en el que

el factor independiente es el que forma los grupos (presencia o au-
sencia del tratamiento) y el factor de medidas repetidas son las me-
diciones (pretest y postest).
B) Tratamientos múltiples con pretest
No es más que una extensión del anterior, en el que en vez de

un grupo experimental y otro de control tenemos dos o más grupos
experimentales, con dos o más modalidades o niveles diferentes de
tratamiento. También podríamos enriquecerlo combinando varios
grupos experimentales con uno o varios grupos de control, lo que
suele llamarse diseño de tratamientos múltiples y de control con pre-
test (cuadro 3.14). El análisis es similar al diseño anterior.
Cuadro 3.14. Diseño de tratamientos múltiples y control con pretest

G1 A O Xa O
G2 A O Xb O
G3 A O O
C) Diseño de Solomon
Habitualmente se lleva a cabo con cuatro grupos, aunque

la lógica es generalizable al número de grupos que se desee.
ERRNVPHGLFRVRUJ
Este diseño está pensado para estudiar el efecto que las medicio-
nes pueden tener sobre la VD, y para ello combina la existencia
o no de tratamiento con la existencia o no de la medida pretest
(cuadro 3.15).
Cuadro 3.15. Diseño de Solomon

G1 A O X O
G2 A O O
G3 A X O
G4 A O
D) Diseño con replicación cambiada
Es un diseño en el que se tienen dos grupos experimentales y dos

tratamientos. En un primer momento, se aplica cada tratamiento a
un grupo y se toma la medida de la VD. En un momento posterior,
se invierten los tratamientos y cada grupo recibe el otro tratamiento
y se toma una segunda medición. Aunque este diseño tiene nombre
propio, en el fondo, no sería más que un diseño de medidas repe-
tidas (los dos tratamientos), en el que se ha controlado la secuen-
cia experimental con un contrabalanceo total y se han formado dos
subgrupos. El análisis de los datos es similar a los anteriores, solo
hay que prestar atención a que, a la hora de codificar, es necesario
reordenar las mediciones de los grupos para que coincidan en las
columnas los niveles de la VI.
Cuadro 3.16. Diseño con replicación cambiada

Grupo Asignación VI1 O1 VI2 O2
G1 A Xa O Xb O
G2 A Xb O Xa O
ERRNVPHGLFRVRUJ
3.5.4. Diseños factoriales incompletos
Los diseños vistos hasta ahora se denominan factoriales completa-

mente cruzados o completos, ya que se asignan participantes a todas
las combinaciones de niveles de las variables independientes. Sin
embargo, hay otros diseños que analizan los efectos de dos o más
factores, pero en los que no se produce la combinación de todos los
niveles de las variables independientes y, por tanto, el número de
tratamientos es diferente a la multiplicación de sus niveles. Son los
factoriales incompletos, cuyos diseños más frecuentes son los facto-
riales anidados y los factoriales fraccionarios.
En los diseños factoriales anidados se dice que un factor está ani-
dado dentro de un segundo factor si cada nivel del primer factor ocu-
rre solamente en combinación con un nivel del segundo factor. En la
figura 3.3 se muestra un diseño con dos factores, A con dos niveles y
B con cuatro. Puede verse que, en vez de las ocho combinaciones que
saldrían en un factorial completo, solamente hay observaciones en
algunas combinaciones (a1b1, a1b2, a2b3 y a2b4). El factor B se dice que
está anidado dentro de los niveles de A. El nivel 1 de B, solamente se
produce en combinación con el nivel 1 de A. Al ser diseños factoria-
les, podríamos tener un factor anidado dentro de combinaciones de
dos o más factores, lo que complicaría aún más el diseño y análisis.
La exposición de estos diseños excede del nivel del texto.
VI A: VI B:
B1
A1
B2
B3
A2
B4
Figura 3.3. Esquema de un diseño anidado.
Otro tipo de diseños factoriales incompletos son los factoriales

fraccionarios. Su construcción es similar a la de un factorial completo,
pero posteriormente solo se elige un subconjunto de los tratamientos
ERRNVPHGLFRVRUJ
experimentales, que son los que serán evaluados. La base que subyace
a estos diseños es la siguiente: cuando tenemos un número elevado de
VI, acabamos con un número muy elevado de tratamientos (su mul-
tiplicación) y con un número muy elevado de efectos principales y de
interacciones. Por ejemplo, en un diseño sencillo, como un 2 × 2, tene-
mos cuatro tratamientos y tres efectos: dos principales de A y B y la
interacción AB. Para comprobar esos tres efectos, necesitamos poner
a prueba los cuatro tratamientos. Cuando el diseño es más complejo,
por ejemplo, 2 × 4 × 3 × 2 × 4, tendremos 192 tratamientos con los que
poner a prueba una gran cantidad de efectos, empezando por los efec-
tos principales: A, B, C, D, E; los efectos de las interacciones de primer
orden: AB, AC…; de segundo orden: ABC, ABD…; así hasta la inte-
racción completa ABCDE. Sin embargo, es muy poco probable que
nos interese poner a prueba todos esos efectos, ya que seguramente no
sean teóricamente significativos y queramos centrarnos solamente en
aquellos que a priori la teoría establece como relevantes (por ejemplo,
aquellos relacionados con los factores A y B). Para ello no es necesa-
rio utilizar los 192 tratamientos experimentales, sino un subconjunto
mucho menor. Perdemos la capacidad de comprobar la mayoría de las
interacciones, pero simplificamos notablemente la realización del estu-
dio. Un excelente tratamiento de estos diseños, tanto de los anidados
como de los fraccionarios, puede encontrarse en Kirk (1995).
3.6. Diseños con un único sujeto
Todos los experimentos utilizan múltiples unidades experimentales, lo

que en nuestro caso son sujetos o pacientes. Encontrar que a una perso-
na en concreto un determinado tratamiento le ha sido efectivo resulta
poco esclarecedor, ya que la mejoría o cambio puede explicarse por in-
finidad de variables asociadas a ese individuo. Sin embargo, si encontra-
mos ese mismo efecto en un conjunto numeroso de personas, podemos
estar razonablemente seguros de que está producido por el tratamiento
y no por las características o peculiaridades de cada una de ellas; ya que,
si hemos hecho un muestro adecuado, estas peculiaridades se repartirán
aleatoriamente entre los tratamientos y el promedio de los resultados
no estará contaminado. En resumen, utilizamos múltiples sujetos para
ejercer un control sobre las variables de confundido y los errores.
ERRNVPHGLFRVRUJ
Sin embargo, hay veces que solo disponemos de un único sujeto

y queremos llevar a cabo la investigación con él. En algunas áreas de
investigación es frecuente encontrarse con sujetos únicos, que poseen
alguna característica que les hace especiales (una determinada lesión
cerebral, malformaciones genéticas, una enfermedad de baja preva-
lencia en la población, etc.). En estos casos, la lógica de los múltiples
sujetos no es posible, y se tiene que recurrir a los diseños de caso
único. Igual que en otros diseños, se intenta eliminar las amenazas
a la validez demostrando que (1) los cambios en la VD siguen a la
introducción de la VI (precedencia temporal) y (2) identificando di-
ferencias entre las diversas condiciones del estudio. En estos diseños
hay diferencias con los anteriores sobre cómo establecen el control y
justifican los cambios, que suele hacerse tomando líneas base estables
antes de la introducción de los tratamientos; pero la lógica es similar.
Veremos algunos de los diseños de caso único más comunes.
A) Diseño AB
Puede verse en la figura 3.4. Primero se toman repetidas medicio-

nes de la VD hasta que se establece una línea base estable y bien de-
finida. Posteriormente se introduce el tratamiento y continuamos con
las mediciones de la VD. Si el tratamiento es efectivo, se producirá
un cambio duradero en las mediciones de esta etapa frente a las de la
línea base. Lógicamente, este diseño está muy afectado respecto a su
validez, ya que no tenemos ninguna certeza de que el cambio se haya
producido exclusivamente por el tratamiento y no por otras causas,
como la historia y la maduración. Este diseño puede mejorarse incor-
porando diferentes estrategias que veremos a continuación.
Figura 3.4. Diseño de caso único AB.
ERRNVPHGLFRVRUJ
B) Diseño ABAB
Similar al anterior, pero después de la etapa de tratamiento este

se retira para volver a introducirlo posteriormente. Existe una versión
más simple, ABA, en la que el tratamiento no se vuelve a introducir
después de retirarlo, aunque no se utiliza mucho por los problemas
éticos que conlleva. Si el cambio se produce como en la figura 3.5, don-
de las etapas sin tratamiento producen mediciones claramente infe-
riores a las etapas en las que sí lo hay, podremos concluir que el efecto
se produce por el tratamiento, ya que el control sobre la historia y la
maduración es mucho mayor. En este diseño hay que tener en cuenta
los aspectos prácticos. Como se ha comentado antes, hay tratamientos
cuyo efecto es indeleble y con los que no sería viable esta estrategia.
Figura 3.5. Diseño de caso único ABAB.
C) Diseño con variable dependiente no equivalente
En este diseño se utilizan dos variables dependientes distintas

e independientes entre sí, pero que en principio poseen la misma
sensibilidad al tratamiento, es decir, serían igualmente susceptibles
al cambio si el tratamiento se aplicase sobre ellas. Se empieza to-
mando la línea base de las dos conductas, y cuando esta es estable,
se aplica el tratamiento sobre una. Si las mediciones de la variable
que ha recibido el tratamiento cambian y se mantienen iguales las
de la segunda variable, podremos estar bastante seguros de que el
cambio no se ha producido por efecto de otras variables, ya que pre-
sumiblemente, en ese caso, habrían cambiado las dos (figura 3.6).
ERRNVPHGLFRVRUJ
Figura 3.6. Diseño de caso único con variable dependiente no equivalente.
D) Líneas bases múltiples
Se puede aumentar el control utilizando varias líneas bases en

las que se va introduciendo de forma secuencial el tratamiento. Las
líneas bases pueden corresponder a distintas conductas, como en el
caso anterior, a tratamientos, o lo más frecuente, a distintos sujetos.
En este último caso, aunque hay más de un sujeto, sigue siendo un
diseño de caso único, ya que no se analiza la variabilidad entre suje-
tos, sino que se interpretan los resultados dentro de cada sujeto. La
principal diferencia con el anterior es que es la secuencia temporal
de tratamientos la que garantiza la validez interna. En la figura 3.7
hay un esquema de este diseño, en él se representa a cada sujeto con
un símbolo diferente (círculos, rombos y cuadrados).
Figura 3.7. Diseño de caso único con líneas bases múltiples.
ERRNVPHGLFRVRUJ
E) Diseños con cambio de criterio
Estos diseños se pueden aplicar cuando la VI se puede escalar en

distintos niveles de intensidad y se espera que, a cada nivel, se pro-
duzca proporcionalmente un cambio en la VD. Primero, se estable-
ce adecuadamente la línea base para la conducta y, posteriormente,
en etapas sucesivas, se va incrementando el nivel del tratamiento. Si
los cambios son concomitantes a los niveles, se obtendrá una fuerte
certeza de la eficacia del tratamiento.
En la figura 3.8 pueden verse los resultados obtenidos por Facon,
Sahiri y Rivière (2008) para un diseño de este tipo. Los autores lle-
varon a cabo una investigación con un único sujeto diagnosticado
de mutismo selectivo y discapacidad intelectual. El objetivo del es-
tudio era demostrar la eficacia del condicionamiento operante para
aumentar la intensidad de las verbalizaciones. Para ello, constru-
yeron un tratamiento en el que se reforzaba al sujeto cuando sus
vocalizaciones alcanzaban ciertos decibelios (dB). A la izquierda de
la línea vertical discontinua se presenta la línea base sin ningún tipo
de refuerzo y a su derecha los resultados obtenidos con refuerzo.
Cada conjunto de puntos unidos por una línea representa un nivel
de decibelios mínimo para recibir el refuerzo. El estudio empezó
con un criterio de 43 dB y fue subiendo progresivamente hasta los
70 dB (última línea en la figura). Como puede comprobarse, el tra-
tamiento resultó muy efectivo, y se encontró una relación muy esta-
ble entre el cambio de criterio y el aumento de la intensidad de las
verbalizaciones. Además, los autores hallaron una gran permanen-
cia del efecto, cuyos niveles se mantuvieron en mediciones tomadas
al cabo de diez meses.
F) Diseños con múltiples tratamientos
Hasta ahora, los diseños de caso único vistos nos permitían

evaluar la eficacia de un único tratamiento frente a la línea base.
Sin embargo, en muchas ocasiones, podemos estar interesados en
poner a prueba la eficacia de dos tratamientos distintos. En este
caso el problema es mayor, pues lleva a diseños más complejos. La
primera estrategia que podríamos ejecutar es realizar una exten-
sión de un diseño con retirada del tratamiento, en el que una vez
ERRNVPHGLFRVRUJ
Figura 3.8. Diseño de caso único con cambio de criterio.

Fuente: adaptado de Facon et al. (2008).
retirado, se introduce el segundo: ABACA, donde A es la línea base

sin ningún tratamiento, y B y C son los dos tratamientos que se
quiere poner a prueba. Si las mediciones en B o C son mejores indi-
cará una ventaja de ese tratamiento frente al otro. Evidentemente,
no es sencillo llevar a cabo este tipo de diseño. Hay que cumplir
estrictas condiciones, como estar seguro de que el efecto de B no va
a generalizarse a C, con el respectivo aumento de su eficacia. Esta
secuencia puede ser adaptada a las necesidades de la investigación.
Por ejemplo, la secuencia ABACABA termina volviendo al primer
tratamiento. Igual que hemos hecho con el diseño con retirada, se
podrían construir diseños para dos tratamientos siguiendo las res-
tantes estrategias que hemos visto, pero el resultado puede llevar a
diseños muy complejos y confusos.
Otra estrategia, que se utiliza frecuentemente y simplifica nota-
blemente lo visto en el párrafo anterior, consiste en ir alternando
aleatoriamente las sesiones de los tratamientos y tomar una medi-
ción de la VD posterior a cada sesión. En este caso, no es necesario
tomar una línea base previa, ya que las comparaciones se realizarán
entre las tendencias de los tratamientos. Por ejemplo, en la figu-
ra 3.9 tenemos dos tratamientos alternativos (uno representado con
círculos y otro con cuadrados), que han sido administrados aleato-
riamente al sujeto. En el eje horizontal se representa la secuencia de
sesiones. Puede observarse cómo la línea de tendencia del segundo
ERRNVPHGLFRVRUJ
tiene mejores puntuaciones tras cada sesión. Cuando las líneas de

tendencia son claras, como en este ejemplo, es posible concluir la
ventaja de un tratamiento sobre el otro.
Figura 3.9. Diseño de caso único con múltiples tratamientos.
El análisis de los datos en los diseños de caso único difiere sus-

tancialmente de los diseños en los que contamos con múltiples suje-
tos. En una buena parte de los estudios, las conclusiones se alcanzan
por la simple inspección visual de las mediciones. Si, por ejemplo, se
produce un significativo cambio en la etapa de tratamiento frente
a la línea base, puede concluirse con cierta seguridad su eficacia.
Sin embargo, diversos estudios han indicado que al proceder así se
tiende a aumentar los errores tipo I, es decir, a identificar un efecto
cuando no lo hay. A veces, algunos autores analizan los datos utili-
zando estadísticos clásicos, agrupando las medidas de la línea base
y comparándolas frente a las medidas de la etapa con tratamiento.
Cuando se procede así, los datos no suelen cumplir las condicio-
nes requeridas para hacerlo, como que las mediciones sean inde-
pendientes, por lo que se llega a conclusiones inseguras. La forma
adecuada de analizarlos sería utilizando modelos de series tempo-
rales que parten del supuesto de que las mediciones no son inde-
pendientes. No podemos entrar en más detalle en estos diseños ni
en sus análisis, ya que superan los objetivos de este libro. Una buena
introducción puede encontrarse en Kazdin (2003), y una revisión
bastante actualizada en Byiers, Reichle y Symons (2012).
ERRNVPHGLFRVRUJ
3.7. Experimentos con variables independientes

no manipuladas
Las dos condiciones necesarias para que una investigación se con-

sidere un verdadero experimento son la asignación aleatoria de los
sujetos y la manipulación de la variable independiente. Sin embar-
go, en el área de las ciencias de la salud, muchas de las variables de
interés no pueden ser manipuladas. Ciertas características definito-
rias de los sujetos, como el sexo, la edad, el nivel de vocabulario, la
comprensión lectora o poseer determinado trastorno, no son sus-
ceptibles de ser cambiadas al antojo del investigador y, por tanto, no
pueden ser variables independientes experimentales.; sin embargo,
habitualmente son las variables sobre las que queremos adquirir
conocimiento.
Para trabajar con ellas, existe una metodología diferente que se
verá en los siguientes capítulos, como son los cuasiexperimentos
y los diseños cuantitativos no experimentales, pero aquí haremos
mención a esas situaciones en las que, teniendo un verdadero ex-
perimento (hay una VI manipulada), también contamos con otras
variables no manipuladas. Estas variables no manipuladas se llaman
variables de selección, ya que la única acción que podemos hacer
con ellas es seleccionar a individuos que cumplan la característica
requerida. A veces, a este tipo de diseños se les llama diseños hí-
bridos, otras veces, diseños experi-corr o experi-orbs (Leary, 2001),
para hacer hincapié en que se están mezclando metodologías expe-
rimentales y correlacionales. La notación en estos casos es similar a
la experimental.
Por ejemplo, si estudiamos la habilidad fonológica (alta, media y
baja) y el tipo de texto (con y sin imágenes) sobre la comprensión
lectora, se indicaría como un diseño 3 × 2 independientemente de
la naturaleza de las variables. La forma de realizarlos es también
idéntica, con una obviedad: la única forma de trabajar con las varia-
bles de selección es a través de la formación de grupos. Por tanto,
formaremos tantos grupos de sujetos como condiciones no manipu-
lables tengamos, y después asignaremos aleatoriamente dentro de
cada grupo las condiciones de las variables que sí son manipulables
en los sujetos. El análisis de los datos es idéntico al experimental, ya
que la naturaleza de la variable no influye en la técnica estadística,
ERRNVPHGLFRVRUJ
por lo que obtendremos los mismos efectos principales e interaccio-

nes. Sin embargo, la fuerza de las conclusiones sí será diferente. En
aquellos efectos compuestos por variables manipuladas, podremos
establecer inferencias causales, pero en los efectos en los que parti-
cipe alguna variable no manipulada no será del todo posible.
1. Cuando asociamos dos a dos los sujetos experimentales en fun-

ción de sus valores en una variable de confundido, estamos apli-
cando la técnica de:
a) Emparejamiento. 
b) Constancia. 
c) Bloqueo aleatorio. 
d) Contrabalanceo. 
e) Covariación. 
1. Si en un diseño con dos variables independientes tenemos tantos

tratamientos como la multiplicación de sus niveles, entonces es un
diseño:
a) Factorial fraccionario. 
b) Factorial anidado. 
c) Con los mismos sujetos. 
d) Factorial completo. 
e) Con sujetos distintos. 
3. En un contrabalanceo total tendremos tantas secuencias distintas

como:
a) Sujetos. 
b) Permutaciones del número de tratamientos. 
c) La suma de los niveles de las variables independientes. 
d) La multiplicación de los niveles de las variables
independientes. 
e) El número de variables independientes. 
ERRNVPHGLFRVRUJ
4. En un diseño factorial mixto A × B × C, 2 × 2 × (4), formaremos:

a) Un único grupo de sujetos. 
b) Seis grupos de sujetos. 
c) Dos grupos de sujetos. 
d) Ocho grupos de sujetos. 
e) Cuatro grupos de sujetos. 
5. Si en un diseño de caso único utilizamos una segunda variable

dependiente como control estamos en un diseño:
a) De líneas bases múltiples. 
b) Con cambio de criterio. 
c) Con múltiples tratamientos. 
d) Con variable dependiente no equivalente. 
e) ABAB. 
ERRNVPHGLFRVRUJ
ERRNVPHGLFRVRUJ
Diseños
cuasiexperimentales
4
Los diseños cuasiexperimentales se diferencian de los diseños expe-

rimentales en que la asignación de los sujetos a los tratamientos no
es aleatoria. Esta diferenciación supone una amenaza a la validez in-
terna de la investigación y, por tanto, las afirmaciones e inferencias
que hagamos a partir de los resultados obtenidos en un estudio de
estas características deben realizarse cautelosamente. Estos diseños
se utilizan ampliamente en el ámbito clínico, en logopedia y psicología
aplicada, en general, y también en educación. A lo largo del capítulo se
presentarán los diseños más empleados en este ámbito. Además, se es-
tudiarán las estrategias de cada diseño para intentar controlar la ame-
naza que supone la asignación no aleatoria de los sujetos a los grupos.
Recordemos que el objetivo de los diseños experimentales es poder
establecer una relación causal entre variables, es decir, asegurar que
los valores en una variable objeto de nuestra investigación (variable
dependiente) cambian por influencia de otra u otras variables que
manipulamos en el estudio (variables independientes o factores).
Como se ha visto en el capítulo anterior, los diseños experimen-
tales cumplen unas condiciones que facilitan establecer esta rela-
ción causa-efecto. Estas condiciones son la manipulación de los
niveles de la variable independiente por parte del investigador, la
asignación aleatoria de los sujetos a los grupos y el control de posi-
bles variables extrañas.
ERRNVPHGLFRVRUJ
En los diseños cuasiexperimentales el objetivo es el mismo que

en los diseños experimentales, a saber, encontrar una posible ex-
plicación o factor que afecte a la variable dependiente, sin embar-
go, estos diseños se diferencian de los experimentales en que no
se cumple la condición de asignación aleatoria de los sujetos a los
grupos o grupos generados por los niveles de la variable indepen-
diente o variables independientes. Coinciden ambos diseños en que
el investigador manipula la variable independiente.
Una forma de imaginarse la imposibilidad de asignación alea-
toria de los sujetos a los grupos y, por tanto, a las condiciones de la
variable independiente en este tipo de diseños es que no es posi-
ble intercambiar los sujetos de un grupo a otro. El incumplimiento
de esta condición previa supone una amenaza a la validez inter-
na del estudio.
Si los sujetos no se asignan aleatoriamente a los grupos, es más
probable que estos grupos no sean equivalentes y, por tanto, puedan
surgir explicaciones alternativas al efecto del factor sobre la varia-
ble dependiente. En realidad, el grave problema de estos diseños es
no ser consciente precisamente del hecho de que, al no ser presu-
miblemente equivalentes los grupos antes de la medición, pueden
existir variables extrañas (denominadas en el capítulo 2 como varia-
bles de confundido) que pueden estar dando cuenta de parte de los
resultados, incluso de todos ellos.
Será, por tanto, tarea del investigador en este tipo de diseños in-
tentar equilibrar los grupos, hacer que estos sean similares en todo
menos en la variable independiente. De esta manera, el grado de
seguridad al realizar inferencias a partir de los datos será mayor. A
medida que los grupos de sujetos sean lo más equivalentes posible,
las diferencias que encontremos entre ellos se podrán atribuir con
más seguridad a la variable independiente estudiada.
La equivalencia no se establece a partir de grupos formados
por individuos iguales, sino que dentro de cada grupo debe exis-
tir una representación proporcionada de ciertas características. Por
ejemplo, en cada uno de los grupos debe incluirse una proporción
similar de hombres –y por tanto de mujeres–; o, por ejemplo, en
cada grupo, la variable edad debe quedar representada de forma
similar. Debemos asegurarnos de que el promedio y la dispersión
de otras variables cuantitativas, como puede ser la motivación o el
ERRNVPHGLFRVRUJ
Diseños cuasiexperimentales 125
desarrollo lingüístico de los participantes, son iguales entre los gru-

pos y así para cualquier variable que pensemos que pueda influir
sobre los resultados. La asignación al azar de los sujetos a los gru-
pos, en los diseños experimentales, es un procedimiento que suele
garantizar la equivalencia previa, controlando los efectos de las va-
riables extrañas, manteniéndolas por igual en los diferentes grupos.
Pero la aleatorización no es garantía de la equivalencia, de hecho,
suele funcionar solamente cuando los grupos son grandes. Por ello,
en ambos tipos de diseños, experimentales y cuasiexperimentales,
es necesario comprobar si los grupos son iguales antes de comenzar.
En los diseños cuasiexperimentales que, como se ha dicho ante-
riormente, están caracterizados por la imposibilidad de asignación
aleatoria de los sujetos a los grupos de tratamiento, pueden em-
plearse técnicas de emparejamiento de los grupos (matching, en in-
glés) para conseguir esa equivalencia inicial (véanse apartados 3.1.2
y 3.3.3). Esta técnica consiste en igualar a los grupos en una variable
(denominada de emparejamiento) que, mediante criterios teóricos,
el investigador considera que pueda tratarse de una variable ex-
traña y, por tanto, influya en los resultados que se obtengan en la
investigación. Un primer paso consiste en realizar una medición de
esa variable y formar parejas de sujetos según valores similares en
esta variable. El siguiente paso consiste en asignar a cada grupo un
componente de cada pareja, de tal modo que los grupos, finalmen-
te, puedan considerarse equivalentes en cuanto a esta variable de
emparejamiento. Este mismo procedimiento puede realizarse con
varias variables, pero a medida que aumenta el número de ellas la
formación de los grupos se vuelve más complicado.
Hay que tener en cuenta que aunque la aleatorización y la com-
probación de la equivalencia de los grupos es una estrategia para
controlar los sesgos o amenazas debidas a la selección, no controla
otras amenazas que se producen en otros aspectos del diseño y que
se verán más adelante en el capítulo.
No todo son desventajas en estos diseños. Frente a los diseños
experimentales, cuyas investigaciones se desenvuelven en muchas
ocasiones en situaciones de laboratorio, los diseños cuasiexperi-
mentales suelen garantizar un grado más elevado de validez externa
o ecológica, es decir, suele ser más fácil establecer generalizaciones
a otros ámbitos más allá de la propia investigación.
ERRNVPHGLFRVRUJ
4.1. La importancia de los diseños

cuasiexperimentales en el ámbito clínico
Según Maxwell y Satake (2006), los diseños cuasiexperimentales se

emplean habitualmente en logopedia clínica y en investigación en
audiología. En realidad, estos diseños surgen principalmente de la
práctica clínica y la educativa y son fundamentales en la evaluación
de programas e intervenciones.
En estas áreas los investigadores ponen un énfasis especial en
la validez externa de los estudios, en su deseo de comprobar si
un tratamiento funciona para la práctica. También es en esta área
donde la asignación aleatoria de los sujetos a los grupos es más
complicada. Imaginemos, por ejemplo, que deseamos conocer el
efecto de un nuevo tratamiento dirigido a pacientes diagnosticados
con dislalia. Nuestro interés principal reside en comprobar que el
tratamiento es eficaz para que los pacientes mejoren. Un grupo
de pacientes recibirá el tratamiento (grupo experimental); además,
podemos formar otro grupo, también de pacientes, que no recibirá
el nuevo tratamiento (grupo de control), así comprobaremos los
efectos. Este grupo de control debe ser lo más equivalente posible
al grupo experimental.
Como se ha mencionado anteriormente, un procedimiento que
suele garantizar la equivalencia de los grupos es la asignación alea-
toria de los participantes a los grupos de tratamiento. Sin embargo,
en el ámbito clínico es difícil este procedimiento. La razón princi-
pal es de carácter ético. No se suele decidir aleatoriamente qué pa-
cientes van a recibir los posibles efectos de un nuevo tratamiento.
Por esta razón, en muchas ocasiones, la adhesión de los participan-
tes a los grupos es voluntaria. En otras ocasiones, la selección de
pacientes a los grupos se hace según unas características concretas
que poseen los pacientes, por ejemplo, aquellos pacientes que al-
cancen un nivel crítico.
Dado que los diseños cuasiexperimentales suelen emplearse en
contextos aplicados, las investigaciones suelen desarrollarse fuera
del laboratorio, por ejemplo, en hospitales, clínicas, colegios, etc.
Esto dificulta en mayor medida el control de las variables extrañas.
Los investigadores deberán ser conscientes de estas limitaciones e
intentar controlarlas.
ERRNVPHGLFRVRUJ
4.2. Estrategias para el aumento de validez interna

y tipos de diseños cuasiexperimentales
Hemos comenzado el capítulo comentando que en este tipo de di-

seños, donde la asignación de los sujetos a los grupos o tratamien-
tos de la variable independiente no es aleatoria, la validez interna
(grado en que la manipulación de la variable independiente es res-
ponsable de los cambios en la variable dependiente) puede verse
comprometida. Al no tratarse, en principio, de grupos equivalentes,
pueden coexistir otros factores que no estemos controlando y que
estén explicando, al menos en parte, los resultados obtenidos.
Según Campbell y Stanley (1966), las principales amenazas de la
validez interna (como se vio en el capítulo 2) que aparecen en los
cuasiexperimentos son:
1. La historia. Se trata de los eventos que ocurren entre la pri-

mera y la segunda medición además de la variable indepen-
diente o experimental.
2. La maduración. Son procesos que cambian en los sujetos por
el paso del tiempo en sí mismo, sin la necesidad de que haya
ocurrido ningún evento, por ejemplo, envejecer, cansarse, etc.
3. La repetición de la medida. Puede producir efectos de prácti-
ca, adaptación o desmotivación.
4. La instrumentación. Diferentes mediciones producidas por
cambios en los observadores o en la calibración de las prue-
bas entre las sucesivas mediciones.
5. La regresión a la media. Se refiere al efecto que puede suce-
der cuando se seleccionan a los sujetos según puntuaciones
extremas. Algunos sujetos tienden a puntuar siempre alto
o bajo, pero otros sujetos con puntuaciones extremas, si se
volvieran a medir, mostrarían puntuaciones más moderadas,
es decir, regresarían a la media. Esto es así porque, debido a
una circunstancia especial, fueron momentáneamente altas o
bajas.
6. La selección de las muestras. En función de sus características
para realizar la comparación de los grupos.
7. La mortalidad experimental diferencial. O pérdidas no alea-
torias de participantes durante la realización del estudio.
ERRNVPHGLFRVRUJ
8. Cualquier interacción entre ellas.
En definitiva, la validez interna de un estudio disminuye cuando

surgen otras variables, en principio enmascaradas, que no estamos
controlando y que confundimos con los efectos de la variable expe-
rimental sobre la variable dependiente.
Los diferentes tipos de diseños cuasiexperimentales incluyen
distintas estrategias para hacer frente a los peligros que suponen
explicaciones alternativas en los cambios de nuestra variable de-
pendiente, más allá de la acción de la variable independiente.
Una de las principales acciones o estrategias empleadas para in-
tentar controlar los efectos negativos de las variables extrañas es la
inclusión en el diseño de un grupo de control. En algunos manuales
puede encontrarse el término de grupo de cuasicontrol, que hace
referencia al hecho de que la asignación de los sujetos a este grupo
no ha sido aleatoria. La lógica sería la siguiente: si se producen cam-
bios cuando medimos a los sujetos que conforman el o los distintos
grupos experimentales, y estos cambios no se producen en el grupo
de control, estaremos más seguros de que son efecto de la varia-
ble independiente o experimental. Esta medida de control tiene, sin
embargo, el problema del sesgo de la selección.
Otra estrategia empleada en los diseños es la introducción de otra
variable dependiente. Esta variable dependiente debe ser lo suficien-
temente similar a la variable dependiente objeto de nuestro estudio,
de modo que si existen efectos de la maduración, de la historia, de
la repetición, etc., afecte a ambas puntuaciones; pero, por otro lado,
lo suficientemente diferentes para que el tratamiento o efecto de la
variable independiente solamente afecte a la variable dependiente
principal. La lógica en este caso sería que si encontramos variación
en los resultados en ambas variables, lo más probable es que se deba
a los efectos de variables extrañas, mientras que si solamente encon-
tramos un cambio en la variable dependiente de interés aumenta la
seguridad de que los efectos se deban al tratamiento.
Algunos diseños incluyen la medición repetida en el tiempo de
la variable dependiente. En algún momento, entre esas mediciones,
se introduce el o los tratamientos. Si existía una tendencia estable
en los datos anteriores a la introducción de la variable independien-
te y al introducir la variable esta tendencia se ve alterada, también
ERRNVPHGLFRVRUJ
de forma estable, tendremos cierta seguridad de que se debe al tra-

tamiento y no a otros efectos.
Estas estrategias pueden combinarse entre ellas y formar nuevos
diseños. Sin embargo, siempre hay que valorar el coste-beneficio
que supone aumentar el número de mediciones.
A continuación vamos a revisar algunos de los diseños emplea-
dos con más frecuencia en el área de logopedia y otras ciencias de la
salud. Se puede complementar esta información en Cook y Camp-
bell (1979) y Shadish, Cook y Campbell (2002). En castellano puede
consultarse León y Montero (2015) y Martínez-Arias, Castellanos
y Chacón (2014).
Como ya se vio en el capítulo anterior, en cada diseño se pre-
senta un diagrama para su comprensión. En ellos, se denota con la
letra G a los grupos. Si el diseño se compone de grupos formados
por sujetos distintos, se denota como G1, G2, etc. La letra O aparece
referida a la observación de los grupos, es decir, a la medición de la
variable dependiente (VD). Las distintas mediciones en el tiempo
aparecen señaladas como O1, O2, O3, etc. La medida pretratamiento,
por tanto, será O1 (en algunos diseños habrá más de una). Por úl-
timo, la aplicación del tratamiento o introducción de una variable
independiente (VI) se denota mediante una X y la retirada del tra-
tamiento como RX.
Estos diseños pueden agruparse en:
1. Diseños de grupos no equivalentes.

2. Diseños de series temporales.
3. Diseño de discontinuidad en la regresión.
4.2.1. Diseños de grupos no equivalentes
Estos diseños se refieren, generalmente, a aquellos donde se reali-

zan mediciones pretratamiento y postratamiento con, al menos, un
grupo experimental y un grupo de control. Debido a la asignación
no aleatoria de los sujetos a los grupos es posible que se produzcan
diferencias entre estos en la medida pretratamiento. Por esta razón,
muchas veces, se denomina a estos diseños de grupo de control no
equivalente.
ERRNVPHGLFRVRUJ
Recordemos que debemos asegurarnos de que este grupo de

control es lo más similar posible al grupo experimental en las va-
riables que consideremos que puedan influir sobre los valores de la
variable dependiente. De este modo minimizaremos la mayor ame-
naza en estos diseños, a saber, que los grupos son distintos debidos
a una selección diferencial previa al tratamiento.
A) Diseño pretest-postest con grupos no equivalentes

(grupo de control no equivalente)
En la versión más simple de estos diseños, se comparan las di-

ferencias en la variable dependiente entre dos grupos: un grupo
experimental que ha recibido tratamiento y un grupo de control
que no lo ha recibido. Versiones más complejas incluyen también
las comparaciones entre varios grupos de control con varios grupos
experimentales.
Aunque al grupo de control no se le aplique el tratamiento como
tal, generalmente recibe un tratamiento placebo, y se les dedica a
estos sujetos el mismo tiempo que a los que conforman el grupo
experimental. De este modo, se intenta controlar la influencia de
posibles variables extrañas. Por supuesto, el tratamiento placebo o
la tarea que realice el grupo de control no debe producir cambios
en la variable dependiente; si fuera así, en vez de controlar posibles
amenazas a la validez de nuestras conclusiones, estaríamos incre-
mentándolas.
En cuanto que estos diseños están formados por al menos un
grupo experimental y un grupo de control y han sido medidos o
evaluados en dos ocasiones (antes y después de la aplicación de un
tratamiento) se trata de diseños mixtos. Esquemas de este tipo de
diseño pueden consultarse en los cuadros 4.1. y 4.2.
Cuadro 4.1. Diseño pretest-postest

con un grupo de control no equivalente
Grupo O1 VI O2
G1 O X O
G2 O O
ERRNVPHGLFRVRUJ
Cuadro 4.2. Diseño pretest-postest

con varios grupos
Grupo O1 VI O2
G1 O X O
G2 O X O
G3 O O
G4 O O
En el primer diseño, el G2 representa el grupo de control, pues-

to que no ha recibido tratamiento. En el segundo diseño, tanto G3
como G4 representan grupos de control.
Veamos un ejemplo del diseño más simple. Se desea comprobar
el efecto de un tratamiento sobre la disfonía producida en profe-
sores en situación de esfuerzo vocal. Para ello, seleccionamos un
conjunto de profesores afectados por disfonía. Los dividimos en
dos grupos de forma que el grupo experimental (G1) estará cons-
tituido por profesores que deseen someterse voluntariamente al
tratamiento y, el resto, conformará el grupo de control (G2), que no
será sometido. Ambos grupos deberán ser lo más similares posible
en aquellas variables que conocemos con anterioridad que pueden
afectar a las mediciones de la variable dependiente (grado de dis-
fonía).
Por ejemplo, ambos grupos deberán ser equivalentes en edad,
en horas de docencia impartidas, tener la misma proporción de
hombres y mujeres, de fumadores y no fumadores, etc. Después
de haber medido el grado de disfonía en ambos grupos –medida
pretratamiento (O1)–, aplicamos el tratamiento (X) solamente a
G1. El grupo G2 mientras tanto realizará otra tarea. Así podremos
controlar, por ejemplo, que no sometan la voz a fuertes esfuerzos
durante el tiempo de tratamiento del grupo experimental. Por úl-
timo, ambos grupos serán evaluados otra vez en el grado de dis-
fonía –medida postratamiento (O2)–. Si encontramos un efecto de
interacción sobre la variable dependiente, es decir, si se produce el
cambio esperado en O2 para el grupo de profesores que ha recibido
el tratamiento (G1), podremos decir con mayor o menor seguridad
que el tratamiento ha funcionado.
ERRNVPHGLFRVRUJ
B) Diseño de doble pretest con grupos no equivalentes
Como hemos comentado anteriormente, una de las amenazas a

la validez interna de los diseños cuasiexperimentales es la madura-
ción. Si ambos grupos maduraran de forma equivalente no sería un
problema, puesto que las posibles diferencias que encontráramos en
la medida postratamiento no podrían deberse entonces a esta varia-
ble. El problema surge cuando un grupo madura en distinto grado
que otro. En este caso, las diferencias encontradas en la medida pos-
tratamiento podrían deberse en parte a esta maduración desigual.
Una forma de intentar comprobar su posible influencia es evaluan-
do dos veces a los grupos antes de la aplicación del tratamiento.
Es decir, realizar dos medidas pretest tomadas en dos momentos
temporales distintos. Si se encuentra un efecto de interacción entre
el grupo y el momento de evaluación pretest, en otras palabras, si se
produce un cambio distinto para cada grupo en la medición antes
del tratamiento, al menos ya sabremos que la evaluación se va a ver
afectada por la influencia de esta variable. Corregir este efecto es
impracticable, pero podremos minimizarlo con técnicas estadísticas.
En el cuadro 4.3. puede verse el esquema correspondiente a este
diseño.
Cuadro 4.3. Diseño de doble pretest con un grupo de control

Grupo O1 O2 VI O3
G1 O O X O
G2 O O O
En este diseño, las medidas pretest corresponden a O1 y O2 y la

medida postest a O3.
C) Diseño pretest-postest con muestras diferentes
Estos diseños son similares a los anteriores excepto en que las

mediciones pretest y postest se realizan sobre grupos de perso-
nas diferentes (cuadro 4.4). Este tipo de diseños suelen emplearse
ERRNVPHGLFRVRUJ
cuando resulta especialmente interesante evitar la repetición de la

medida. Como contrapartida, a estos diseños les afecta aún más
la amenaza de la validez de las conclusiones debida a la selección
de los grupos.
Dentro de estos diseños podríamos incluir muestras formadas
por generaciones distintas (cohorte anterior) o muestras distintas
creadas ad hoc.
Cuadro 4.4. Diseño pretest-postest con muestras diferentes

Grupo O1 VI O2
G1 O
G2 X O
G3 O
G4 O
En este caso el G2 representa el grupo experimental; es el único

grupo que recibe tratamiento. Si no difieren entre sí las dos medidas
pretratamiento sería en cierto modo una garantía de que los grupos
son equivalentes. En caso de producirse un efecto del tratamiento,
O2 será mayor en G2 que en G4. Los posibles efectos de maduración
pueden comprobarse si O2 en G4 es distinto a O1 en G1 y G3.
En todos estos diseños se pueden incluir tantos grupos experi-
mentales y de control como niveles de tratamiento tenga la variable
independiente.
D) Diseño de variables dependientes no equivalentes
En este tipo de diseños existe un solo grupo evaluado, pero más

de una variable dependiente (cuadro 4.5). Tal y como habíamos
avanzado en el apartado 4.3, estas variables dependientes deben ser
similares, de modo que si existen variables extrañas estas afecten
por igual a los resultados de ambas mediciones, pero sean lo sufi-
cientemente diferentes como para que los efectos del tratamiento
solamente modifiquen la evaluación de la variable que interesa o es
objeto de estudio.
ERRNVPHGLFRVRUJ
Cuadro 4.5. Diseño de variables dependientes no equivalentes

Grupo VD O1 VI O2
A O X O
G1
B O O
En este esquema, A representa la variable dependiente de in-

terés y B la variable dependiente que sirve para estudiar posibles
efectos de variables extrañas sobre A.
Si encontramos un cambio sobre las puntuaciones de la variable
dependiente A que no encontramos en B, podremos afirmar con
mayor seguridad que este cambio se debe al efecto del tratamiento
y no por efecto de variables extrañas, como pueda ser la madura-
ción o la historia.
4.2.2. Diseños de series temporales interrumpidas
Estos diseños suponen la evaluación repetida en el tiempo de un

grupo de sujetos, y en algún momento de la evaluación se introduce
el tratamiento. Posteriormente, la evaluación continúa a lo largo de
distintos momentos temporales. Se espera que, si hay un efecto del
tratamiento, existan cambios entre las puntuaciones recogidas antes
de la aplicación del tratamiento y las recogidas después.
Podríamos distinguir, por tanto, tres fases en el procedimiento
de estos diseños:
–– Fase I o preexperimental: serie de mediciones antes de la apli-

cación del tratamiento.
–– Fase II o intervención: aplicación del tratamiento a, como mí-
nimo, un grupo experimental.
–– Fase III o posexperimental: serie de mediciones después del
tratamiento.
Este diseño se denomina de series temporales interrumpidas, preci-

samente, porque se espera que la aplicación del tratamiento suponga
un punto de interrupción en la medida evaluada. Se espera que al apli-
ERRNVPHGLFRVRUJ
car el tratamiento se produzca un cambio en la variable medida. Estos

cambios pueden darse a nivel de intensidad o de dirección o tendencia.
En las figuras 4.1 y 4.2 se muestran dos gráficas con los resultados
hipotéticos de una intervención en un grupo de pacientes con afasia
global tras haber sufrido un ictus. El diseño fue el mismo en ambos
casos: series temporales interrumpidas, pero los resultados son dis-
tintos. En ambas gráficas se observa un cambio en la intensidad del
trastorno tras la intervención, pero mientras que en la figura 4.1 la
tendencia o evolución es similar antes y después de la intervención
(la pendiente o inclinación de la recta es similar en ambos casos), en
la figura 4.2, hay un cambio en la evolución, observándose un decre-
mento más acusado en las mediciones realizadas tras la intervención.
Figura 4.1. Serie temporal interrumpida con cambio de nivel.

Figura 4.2. Serie temporal interrumpida con cambio de nivel y de tendencia.
En algunos casos estos diseños utilizan como puntuaciones pre-

tratamiento las obtenidas de datos de archivo, es decir, datos exis-
tentes o registrados con anterioridad al estudio.
La medición repetida en el tiempo antes de la aplicación del
tratamiento permite comprobar los posibles efectos asociados
ERRNVPHGLFRVRUJ
al cambio de las puntuaciones por el paso del tiempo (efectos de

maduración, incluyendo, periodo de recuperación espontánea) o
efectos de la historia. Además, la evaluación repetida de la variable
dependiente después de la aplicación del tratamiento nos garantiza
la estabilidad de los posibles efectos encontrados. Solo el efecto de
un evento o variable que fuera concurrente con la aplicación del
tratamiento podría suponer una amenaza para la validez de las con-
clusiones que extrajéramos en un diseño como este.
Estos diseños de series temporales interrumpidas son similares a
los de N = 1 en la lógica.
A) Diseño de series temporales con un único grupo
Estos diseños suponen la versión más sencilla de diseños de se-

ries temporales. Únicamente se requiere un grupo al que se evalúa
en repetidas ocasiones antes y después del tratamiento. La mayor
amenaza en este diseño sería la selección del grupo. El esquema
sería el siguiente (cuadro 4.6):
Cuadro 4.6. Diseño de series temporales con un único grupo

Grupo O1 O2 O3 O4 O5 VI O6 O7 O8 O9 O10
G1 O O O O O X O O O O O
El número de observaciones antes y después de la aplicación

del tratamiento depende de cada estudio en concreto, pero como
mínimo hay que garantizar que existe una estabilidad en las pun-
tuaciones pretratamiento (línea base) y postratamiento.
El ejemplo recogido en las figuras 4.1. y 4.2. se ajusta, precisa-
mente, a este tipo de diseño.
B) Diseño de series temporales con grupo de control

no equivalente
En este diseño se ha incluido un grupo de control con el que

comparamos las puntuaciones obtenidas en el grupo experimental.
ERRNVPHGLFRVRUJ
Al introducir esta estrategia experimental quedan reducidas serias

amenazas a la validez debidas a la selección del grupo experimental,
a efectos de la historia, de la instrumentación o de la repetición.
El esquema sería el siguiente (cuadro 4.7):
Cuadro 4.7. Diseño de series temporales

con grupo de control no equivalente
Grupo O1 O2 O3 O4 O5 VI O6 O7 O8 O9 O10
G1 O O O O O X O O O O O
G2 O O O O O O O O O O
C) Diseño de series temporales con variables dependientes

no equivalentes
Al igual que los diseños de variables dependientes no equiva-

lentes, se trata de medir a un mismo grupo en dos o más variables
dependientes, pero en este tipo de diseños se realizan series de me-
diciones antes y después del tratamiento. El tratamiento solo de-
bería producir efecto sobre la variable dependiente que es objeto
de estudio. La otra variable dependiente (u otras) se mide simul-
táneamente como estrategia de control. La lógica es la siguiente:
si solo se han encontrado cambios en la variable dependiente ob-
jetivo es seguramente por efecto del tratamiento, si se encuentran
cambios en ambas variables dependientes, posiblemente se deban
a efectos de la historia, maduración o, en este caso, a la repetición
de la medida.
A continuación se presenta el esquema (cuadro 4.8).

con variables dependientes no equivalentes
Grupo VD O1 O2 O3 O4 O5 VI O6 O7 O8 O9 O10
A O O O O O X O O O O O
G1
B O O O O O O O O O O
ERRNVPHGLFRVRUJ
D) Diseño de series temporales con retirada del tratamiento
En estos diseños se trata de evaluar si la retirada del trata-

miento produce un cambio nuevo en las puntuaciones de la va-
riable dependiente (cuadro 4.9). Hay que considerar que una
retirada del tratamiento no implica necesariamente una vuelta
al estado previo, es decir, como si el tratamiento nunca se hu-
biera aplicado. De hecho, el efecto más esperado en el ámbito
clínico es, precisamente, que una vez retirado el tratamiento la
mejoría persista en el tiempo. En otras ocasiones, una vez que se
retira el tratamiento, se espera que se produzcan cambios en la
intensidad o en la tendencia obtenida durante la aplicación del
tratamiento.

con retirada del tratamiento
Grupo O1 O2 O3 VI O4 O5 O6 VI O7 O8 O9
G1 O O O X O O O RX O O O
Una extensión de este diseño es aplicar el tratamiento y retirar-

lo en sucesivas ocasiones. Entre cada una de ellas hay una serie de
mediciones. Habría que sopesar en cada caso particular si compen-
sa mejorar el diseño sometiendo a los sujetos a tantas mediciones.
Seguramente, en este caso, sería mejor un diseño con muestras dis-
tintas.
E) Diseño de series temporales con intercambio de replicaciones
En este tipo de diseños se utilizan al menos dos grupos. En

ambos grupos se ha realizado una serie de mediciones pretra-
tamiento. Después se aplica el tratamiento a uno de los grupos,
mientras el otro grupo actúa de grupo de control. Al finalizar las
mediciones de la fase postratamiento, el grupo de control recibe
el tratamiento.
El esquema de este diseño puede consultarse en el cuadro 4.10.
ERRNVPHGLFRVRUJ
Cuadro 4.10. Diseño de series temporales con intercambio de replicaciones

Grupo O1 O2 O3 VI O4 O5 O6 VI O7 O8 O9
G1 O O O X O O O
G2 O O O O O O X O O O
Las ventajas que ofrecen estos diseños son claras. Por un lado,
permiten controlar posibles amenazas a la falta de validez por la
comparación con un grupo de control, como en el diseño de series
temporales con grupo de control no equivalente. Por otro lado, per-
mite la replicación del estudio en una fase posterior, cuando se ad-
ministra el tratamiento al grupo de control. Además, según el ám-
bito de estudio, administrar a todos los individuos el tratamiento
supera el inconveniente ético de dejar al grupo de control sin trata-
miento durante la investigación.
4.2.3. Diseños de discontinuidad en la regresión
Estos diseños son similares a los diseños de grupos no equivalentes,

pero en este caso la asignación de los participantes a los grupos
experimental y de control se realiza bajo una regla de asignación
conocida. A partir de un punto de corte en las puntuaciones pretest
(o en alguna variable asociada a la variable dependiente) los parti-
cipantes serán asignados a un grupo u otro. Dependiendo de cada
caso, el grupo experimental (el que reciba el tratamiento) habrá ob-
tenido puntuaciones inferiores o superiores a ese punto de corte. La
variable a partir de la que realicemos la asignación debe ser cuantita-
tiva y guardar una relación lineal con la variable dependiente.
El esquema de este diseño se puede consultar a continuación en
el cuadro 4.11.
Cuadro 4.11. Diseño de discontinuidad en la regresión

G1 ≤PC O X O
G2 >PC O O
ERRNVPHGLFRVRUJ
En estos diseños lo que se busca es estudiar la discontinuidad

que se produce en la recta de regresión en el punto de corte que ha
clasificado a los participantes en los dos grupos.
Veamos un ejemplo: supongamos que en una clínica logopédica
se va a realizar un estudio sobre el impacto de un nuevo tratamien-
to para la disfemia o tartamudez. Sin embargo, este tratamiento es
individualizado y requiere largas sesiones de entrenamiento del
habla con los pacientes. Para comprobar su eficacia va a llevarse a
cabo una selección de aquellos pacientes más afectados. Por tan-
to, en esta situación van a ser las mediciones en la variable depen-
diente tomadas en un momento pretratamiento las que nos sirvan
para asignar los pacientes a los grupos. Se van a incluir en el grupo
experimental aquellos pacientes que tengan un porcentaje de dis-
fluencias por encima de un determinado punto de corte (en nuestro
caso, pacientes con un porcentaje de disfluencias igual o superior al
15 %). El resto de pacientes actuará como grupo de control y recibi-
rá el tratamiento habitual.
Los resultados se muestran en la figura 4.3.
Grupo de control Grupo experimental

Porcentaje de disfluencias postratamiento
Porcentaje de disfluencias pretratamiento
Figura 4.3. Discontinuidad en la recta de regresión.
Las líneas que aparecen en el gráfico representan las rectas de

regresión a las que se ajustan los datos del grupo experimental y
del grupo de control. Estas rectas se emplearán para pronosticar los
ERRNVPHGLFRVRUJ
resultados en la variable dependiente (grado de disfemia después

del tratamiento), a partir de sus puntuaciones antes del tratamiento.
Con este diseño se estudia la discontinuidad en la recta justo en
el punto de corte que ha servido para clasificar a los sujetos en los
grupos. Si no existe efecto del tratamiento, no se producirá ninguna
discontinuidad en la recta. En nuestro ejemplo, esta discontinuidad
muestra una mejora en el grado de disfemia para aquellos pacientes
que recibieron el tratamiento.
4.3. Ejemplos de diseño cuasiexperimental
A continuación analizaremos una serie de investigaciones publica-

das en revistas científicas que utilizan diseños cuasiexperimentales.
Veremos en cada caso qué estrategias emplean los investigadores
para tratar los efectos de variables extrañas y controlar, por tanto, la
amenaza a la validez de las conclusiones extraídas de los resultados.
– Smith-Lock, Leitao, Lambert y Nickels (2013) ponen a prue-

ba un tratamiento para el trastorno específico del lenguaje
(TEL) en condiciones naturales. Este tratamiento había de-
mostrado su eficacia en contextos de laboratorio, pero los re-
sultados en contextos naturales eran controvertidos. La inter-
vención y sus efectos se evalúan en un colegio especializado
para este tipo de trastorno del lenguaje.
Se crean dos grupos: el grupo experimental, constitui-
do por veintidós niños, y el grupo de control, por dieciocho.
Sabemos que estos grupos no se generaron aleatoriamente,
puesto que los autores lo incluyen como una de las limita-
ciones de la investigación. Por lo tanto, se trata de un diseño
cuasiexperimental de grupos no equivalentes (o de grupo de
control no equivalente). Los autores no especifican cómo han
sido asignados los niños a los grupos.
Este trastorno se caracteriza por un déficit gramatical, por
lo que el tratamiento va a ir dirigido a modificar este déficit.
La variable dependiente del estudio es el nivel de competen-
cia gramatical medido a través de en un test de gramática
(grammar elicitation test). Se evalúa a los participantes del
ERRNVPHGLFRVRUJ
estudio en tres momentos, dos antes de la aplicación del tra-

tamiento y una después. Es decir, se trata de un diseño de
doble pretest con grupos no equivalentes.
La existencia de estabilidad entre los dos grupos de pun-
tuaciones gramaticales pretest nos permite estar más seguros
de que esta medida no se ha visto influida o alterada por va-
riables temporales.
El grupo experimental recibió el tratamiento puesto a
prueba y el grupo de control su tratamiento habitual, de esta
forma los investigadores se aseguran de que el tiempo dedi-
cado a los niños de ambos grupos era similar, con lo que se
reduce el efecto de variables extrañas.
En todo momento, se puede apreciar el interés de los in-
vestigadores por generalizar los resultados a contextos aplica-
dos, propio de este tipo de diseños; por ejemplo, el ámbito de
aplicación es un colegio de niños con TEL, además, son pro-
fesores y asistentes los que aplican el tratamiento. También se
observa que los investigadores, siendo conscientes de las di-
ficultades y peligros que ello conlleva, tratan de controlar las
amenazas de variables no incluidas en el diseño que pueden
influir sobre los resultados: uso de un grupo de control, eva-
luación pretratamiento en dos fases y grupo de control con
tratamiento. Otro de los controles es equilibrar los dos gru-
pos lo máximo posible en distintas variables. Por último, dos
de los tres investigadores que analizaban los resultados des-
conocían qué grupo estaban analizando. Los resultados entre
ellos fueron consistentes.
Se comprobó la eficacia del nuevo tratamiento, ya que la
medida postratamiento (nivel de competencia gramatical tras
el tratamiento) fue mayor en el grupo experimental que en el
grupo de control, además en ninguno de los grupos se pro-
dujo mejora entre la medida pretest 1 y la medida pretest 2.
– Armson y Stuart (1998) desean estudiar los efectos de la
exposición extendida a una retroalimentación auditiva de
frecuencia alterada (FAF en inglés) sobre pacientes con tar-
tamudez durante tareas de lectura y monólogo. Para ello se-
leccionan a un grupo de doce pacientes. Además de compro-
bar la eficacia de dos tratamientos distintos que se diferencian
ERRNVPHGLFRVRUJ
en si el cambio de frecuencia es ascendente o descendente, los

autores comprueban los efectos de la presencia del tratamiento.
El diseño en este caso es de series temporales con reti-
rada del tratamiento. Los pacientes comienzan con una fase
pretratamiento de cinco minutos, después una fase con trata-
miento de duración de diez minutos y terminan con una fase
postratamiento de cinco minutos. Los registros se toman cada
minuto. Cada paciente realiza la tarea de lectura y la tarea de
monólogo de forma balanceada, para controlar efectos en el
orden de presentación.
Al no existir grupo de control, ocurren problemas en la
validez de las conclusiones extraídas, debidas principalmente
a la selección del grupo, efectos de la historia, la repetición
o la instrumentación. Esta información hay que tenerla en
cuenta a la hora de interpretar los resultados.
Según sus resultados, en la tarea de lectura parece existir
una reducción en la tasa de disfluencias y un incremento del
número de sílabas pronunciadas durante la fase experimental
comparada con las fases preexperimental y posexperimental.
Estas diferencias no se aprecian para la tarea de monólogo.
Sin embargo, analizando caso a caso, los autores encuentran
mucha variabilidad de las respuestas.
Los autores afirman que los análisis estadísticos más apro-
piados para realizar inferencias sobre cambios en el nivel o
tendencia de la variable dependiente no se han podido llevar
a cabo por el escaso número de registros tomados. Esto suce-
de con frecuencia en contextos clínicos.
– Hakuta, Bialystok, y Wiley (2003) quieren confirmar la existencia
de un periodo crítico en la adquisición de un segundo lenguaje.
Tal y como explican, el periodo crítico se ha empleado habitual-
mente para explicar las diferencias encontradas en la habilidad
de aprendizaje de un segundo idioma entre niños y adultos, y ha
servido para introducir nuevas políticas educativas.
Los autores utilizan los datos del censo americano desde
1990 y toman como muestra a inmigrantes con ascendencia
hispano-hablante y china con residencia en Estados Unidos
de, al menos, diez años. La muestra final está compuesta por
2 340 761 participantes.
ERRNVPHGLFRVRUJ
La variable dependiente es el nivel de inglés, medido con

un ítem de cinco categorías de respuesta. Los autores recono-
cen que les hubiera parecido más apropiada una medida más
objetiva del nivel de inglés, pero que era muy difícil atendien-
do al tamaño de la muestra. Además, se registró la edad, el
año de llegada a Estados Unidos y el nivel educativo.
Los autores investigan si se produce un cambio en la recta
de regresión que predice el nivel de inglés en función de la
edad de inmigración en dos puntos críticos (15 años y 20 años).
Además, este posible cambio, que puede producirse tanto en
la intensidad como en la tendencia o en ambos, se estudia para
distintos niveles de educación.
Según sus resultados, existe una tendencia decreciente sua-
ve que puede observarse en la recta de regresión entre el nivel
de inglés adquirido y la edad de entrada en los Estados Unidos,
en el sentido de que hay una ligera tendencia a adquirir un
nivel de inglés inferior si la entrada al país se realizó en edad
más avanzada, y esto es así para todos los niveles de educación.
Sin embargo, no se encontró evidencia de la existencia de una
discontinuidad de la recta de regresión en los dos puntos de
corte estudiados. Los resultados sí apoyan una relación directa
media entre el nivel educativo y el nivel de inglés adquirido.
Hay que resaltar que en este estudio no hay un grupo ex-
perimental que haya recibido un tratamiento, por lo que el
ejemplo solo nos sirve para entender el diseño. Esta inves-
tigación se trata de un estudio no experimental, que tratare-
mos en el capítulo siguiente.
1. Un diseño cuasiexperimental se diferencia de un diseño experi-

mental en que:
a) El investigador no manipula los niveles de la variable
independiente. 
b) No se pueden generalizar los resultados obtenidos. 
c) No se pueden establecer relaciones causales. 
ERRNVPHGLFRVRUJ
d) No se asignan aleatoriamente los sujetos a los grupos. 

e) Los grupos generados no son equivalentes. 
2. Una variable extraña es una variable que:

a) No estamos controlando y da cuenta de cambios
producidos en los resultados. 
b) Junto con la variable independiente o tratamiento nos
ayuda a explicar los cambios en la variable dependiente. 
c) Se encuentra siempre presente en los diseños
cuasiexperimentales y no podemos mitigar sus efectos. 
d) No afecta a los resultados de un estudio si en el diseño
empleamos un grupo de control. 
e) Estamos midiendo en vez de medir la variable
dependiente. 
3. Una variable extraña es la selección de los grupos que consiste en

el efecto sobre los resultados debido a:
a) La repetición de la medida. 
b) Una pérdida diferencial no aleatoria de sujetos. 
c) La formación de los grupos según una característica. 
d) Un evento que ocurre entre la primera y la segunda
medición. 
e) Cambios en los observadores entre distintas mediciones. 
4. La mejor estrategia para minimizar los efectos de la maduración es:

a) Introducir un grupo de control. 
b) Medir a los grupos en más de una ocasión antes del
tratamiento. 
c) Introducir al menos dos variables dependientes. 
d) Medir a los grupos antes y después del tratamiento. 
e) Construir grupos de sujetos equivalentes. 
5. Una ventaja de los diseños de series temporales con intercambio

de replicaciones frente a otros diseños de series temporales es que:
a) Se minimizan los efectos de la maduración. 
b) Utilizan un grupo de control no equivalente para
comprobar los efectos del tratamiento. 
ERRNVPHGLFRVRUJ
c) La evaluación repetida postratamiento garantiza cierta

seguridad de los resultados sobre la variable
dependiente. 
d) Minimiza los efectos de la evaluación repetida al tratarse
de grupos distintos. 
e) Permite replicar los resultados obtenidos y que el grupo
de control recibe el tratamiento en una fase posterior. 
ERRNVPHGLFRVRUJ
Diseños cuantitativos
no experimentales,
diseños cualitativos 5
y diseños mixtos
En este capítulo se abordan inicialmente los diseños cuantitativos

no experimentales, cuya diferencia principal con los diseños experi-
mentales y cuasiexperimentales es la ausencia de manipulación de
las variables independientes, lo que imposibilita el establecimiento
de conexiones causales entre las variables estudiadas. A continua-
ción, se exploran tanto el método observacional como los princi-
pales diseños cualitativos utilizados en investigaciones más natura-
listas. Por último, se estudian los diseños mixtos, que tratan de unir
las ventajas de los métodos cuantitativos y cualitativos superando las
limitaciones que presentan cada uno de ellos.
5.1. Diseños cuantitativos no experimentales

u observacionales
Como acabamos de señalar en la introducción, la característica que

distingue a los diseños cuantitativos no experimentales de los expe-
rimentales y cuasiexperimentales es que en los primeros el investi-
gador no manipula la variable independiente o factor. Es decir, en
estos estudios el investigador no introduce un tratamiento o tarea a
uno o varios grupos experimentales esperando que se produzcan di-
ferencias entre ellos en la variable dependiente. Sino que los grupos
están formados de antemano por los niveles de la variable indepen-
ERRNVPHGLFRVRUJ
diente y se estudian las diferencias que se manifiestan entre ellos en

la variable de interés. Por esta razón, la falta de manipulación, estos
estudios se denominan también observacionales, puesto que el in-
vestigador en este caso se limita a observar y medir las diferencias
entre los grupos.
Una parte importante de la investigación en el campo de las
ciencias de la salud y de ciencias sociales es no experimental. La
imposibilidad de manipulación de la variable independiente pue-
de deberse al hecho de que sea una característica de la naturaleza
(por ejemplo, edad, sexo, presencia o ausencia de un trastorno, etc.),
al hecho de que, aun pudiendo ser manipulada, no sea éticamente
apropiado hacerlo (nivel de ansiedad, número de cigarrillos consu-
midos, etc.) o, simplemente, por carencia de recursos.
La ausencia de manipulación de la variable independiente tie-
ne como consecuencia la imposibilidad de establecer relaciones
causales entre la o las variables independientes introducidas en los
diseños y la variable dependiente. Esto es así debido a que los cam-
bios producidos en la variable dependiente se pueden deber al efec-
to de otras variables concomitantes con las del estudio. Con este
tipo de diseños, no somos capaces de eliminar posibles explicacio-
nes rivales que compiten con la explicación ofrecida por la variable
independiente.
Para el establecimiento de una relación causal, es necesario que
se cumplan tres condiciones (Cook y Campbell, 1979):
1. Existencia de una relación entre las dos variables.

2. La variable independiente (causa) debe anteceder a la varia-
ble dependiente (efecto).
3. La relación observada no debe ser efecto de variables extra-
ñas de confundido (ausencia de una explicación alternativa).
Los diseños experimentales generalmente cumplen las tres con-

diciones, lo cual permite al investigador determinar que los cam-
bios producidos en la variable objeto de estudio se deben a los
cambios en (o es efecto de) la variable independiente. Sin embargo,
aunque los diseños cuantitativos no experimentales permiten el es-
tablecimiento de las relaciones entre las variables (condición pri-
mera), a menudo fallan en la segunda (condición de temporalidad
ERRNVPHGLFRVRUJ
Diseños cuantitativos no experimentales, diseños cualitativos y diseños mixtos 149
de las variables) y en la tercera condición (el grado de control de las

variables extrañas), lo que posibilita el surgimiento de explicacio-
nes alternativas a la relación que se estudie.
5.1.1. Tipos de diseños cuantitativos no experimentales

u observacionales
Existen diferentes clasificaciones y denominaciones para este tipo

de diseños, lo que ha llevado a que, en ocasiones, ocurra confusión
entre diseños y técnicas de análisis, así como en las propiedades de
los diseños.
Una clasificación habitual en los libros de texto es la que dife-
rencia entre la investigación comparativo-causal y la investigación
correlacional. La primera incluye una variable independiente o de-
pendiente categórica, mientras que la investigación correlacional
incluye solamente variables cuantitativas. La denominación utiliza-
da en esta clasificación ha llevado en muchas ocasiones a suscitar
la creencia de que el primer tipo de investigación, comparativo-
causal, permite el establecimiento de relaciones causales, mientras
que el segundo tipo, los estudios correlacionales, solo permitiría
establecer el grado de relación entre las variables. Es importante
dejar claro que, como diseños no experimentales que son, ninguno
de ellos permite ofrecer explicaciones causales de los resultados
obtenidos. Tal y como se ha estudiado anteriormente, la causalidad
solo puede establecerse cuando otras explicaciones rivales se man-
tienen controladas. Los diseños experimentales permiten un con-
trol más riguroso de estas condiciones que los diseños cuasiexperi-
mentales, por eso la seguridad del investigador es mayor al ofrecer
explicaciones. En los diseños no experimentales, el investigador ob-
serva y registra, y el nivel de control de otras fuentes de variación
es mucho más bajo.
Johnson (2001) analiza los posibles motivos que han llevado a
los profesionales a otorgar propiedades de otros diseños a los di-
seños comparativos-causales, haciéndolos a su vez superiores a los
correlacionales. Una razón puede ser que los estudios comparativos-
causales se parecen más a los experimentos por tener una varia-
ble categórica que forma grupos. Esto puede llevar a la creencia de
ERRNVPHGLFRVRUJ
que los estudios comparativos-causales, por tanto, son capaces de

controlar mejor las variables extrañas que los correlacionales. Otra
razón es la confusión de la técnica estadística con los diseños em-
pleados. La creencia de que el ANOVA se emplea en investigacio-
nes explicativas y la correlación/regresión para las investigaciones
puramente predictivas. La propia denominación de los diseños, en
sí, también lleva a confusión:
Es cierto que la correlación no implica causación en sí misma. Es

igualmente cierto, sin embargo, que una diferencia entre dos o más
medias no implica causación en sí misma. Es desafortunado que este
segundo punto no se resalte en los libros de texto de investigación.
(Johnson, 2001)
Estos diseños también han sido denominados ex post facto, por-

que el investigador actúa cuando los hechos (o valores de la varia-
ble) ya han sucedido. En algunas investigaciones se parte de los va-
lores tanto de la variable dependiente como de la o de las variables
independientes; en otras palabras, los valores que ya están definidos
son solamente los de las variables independientes y esperamos ver
qué sucede en la variable dependiente.
En este libro se ha adoptado la clasificación de los diseños cuan-
titativos no experimentales propuesta por Johnson (2001). Esta cla-
sificación considera dos dimensiones:
–– La primera, y más clara, está basada en el objetivo primario

de la investigación. Así, las investigaciones quedarían clasifi-
cadas en tres categorías: investigación descriptiva, investiga-
ción predictiva e investigación explicativa.
–– La segunda dimensión es temporal. Los tipos de investiga-
ción según esta dimensión serían transversal, longitudinal
prospectiva (denominado en muchas ocasiones longitudinal)
y longitudinal retrospectiva (denominado retrospectiva).
Atendiendo a estas dos dimensiones se obtienen nueve tipos

de investigación cuantitativa no experimental recogidas en el cua-
dro 5.1.
ERRNVPHGLFRVRUJ
Cuadro 5.1. Clasificación de Johnson (2001)

de la investigación cuantitativa no experimental
Dimensión temporal
Objetivo de
Retrospectiva Transversal Longitudinal
investigación
Descriptivo Descriptivo Descriptivo
Descriptiva retrospectivo transversal longitudinal
(tipo 1) (tipo 2) (tipo 3)
Predictivo Predictivo Predictivo
Predictiva retrospectivo transversal longitudinal
Explicativo Explicativo Explicativo
Explicativa retrospectivo transversal longitudinal
Según este autor, una investigación se debe considerar descripti-

va si el investigador tiene como objetivo primario describir el fenó-
meno o tratar de documentar las características del fenómeno. Si el
objetivo del investigador es predecir o pronosticar un evento futuro,
sin intentar establecer las causas, entonces la investigación se consi-
dera predictiva. Por último, si el investigador está intentando desa-
rrollar o probar una teoría sobre el fenómeno, intentando explicar
cómo y por qué opera y tratando de encontrar factores causales que
operan sobre él, entonces la investigación se tiene que considerar
explicativa.
En cuanto a la dimensión temporal, una investigación es trans-
versal si los datos se recogen en un único momento en el tiempo o
en un momento relativamente breve (denominado medida contem-
poránea). La investigación es longitudinal si se realizan múltiples
mediciones de la o las variables dependientes a lo largo del tiempo
y se realizan comparaciones con los datos obtenidos. Y, por último,
la investigación es retrospectiva si el investigador busca hacia atrás
en el tiempo las posibles variables relacionadas con una variable de
interés. Generalmente, se parte de los valores de la variable depen-
diente y se busca información en variables antecedentes (variables
independientes) con las que esté asociada esta variable.
ERRNVPHGLFRVRUJ
A continuación, se verá cada uno de estos tipos de investigación

con más detalle.
A) La investigación descriptiva
Como se ha señalado anteriormente, la investigación descriptiva
tiene como objetivo general describir un fenómeno dado o unas
características propias de una población de interés. Estas caracte-
rísticas suelen ser cuestiones de salud, comportamiento, creencias o
actitudes, intereses, etc. En algunas ocasiones, estas investigaciones
forman parte de las primeras etapas de una investigación más am-
plia.
Aunque existen distintos métodos para la recogida de informa-
ción en una investigación descriptiva, la más frecuente es la encues-
ta. Generalmente, una encuesta está formada por un conjunto de
preguntas que se administran a una muestra representativa de la
población que se quiere estudiar, y su administración debe realizar-
se basándose en unas reglas, es decir, debe ser sistemática. Pero, sin
embargo, puede haber encuestas que incluyen variables no medidas
por cuestionarios, por ejemplo, las clínicas (niveles de colesterol,
etc.). Para un estudio más amplio de las encuestas se puede acudir a
Martínez Arias (1995b).
En algunas ocasiones, las encuestas tienen como objetivo no
solo describir características, sino también establecer relaciones
entre esas características presentadas por distintos subgrupos de la
población estudiada.
Al conjunto de preguntas de una encuesta se le denomina cues-
tionario. En los cuestionarios, la mayor parte de las preguntas for-
muladas son cerradas, es decir, la respuesta ya aparece fijada en el
propio cuestionario entre un conjunto de alternativas. Habrá que
tener en cuenta que en muchas ocasiones no se está accediendo a
un aspecto de la realidad, sino a la opinión que una persona tiene
sobre ella e, incluso, a veces ni siquiera, pues no podremos estar se-
guros de que los encuestados contesten sinceramente. Esto supone
una amenaza a la validez de las conclusiones extraídas a partir de
los resultados de la encuesta.
Algunos fenómenos, como la aquiescencia, la deseabilidad so-
cial o el efecto halo modifican las respuestas de los encuestados.
ERRNVPHGLFRVRUJ
La aquiescencia se refiere a una tendencia a contestar afirmativa-

mente a las preguntas con independencia del contenido. La desea-
bilidad social se refiere a contestar lo que socialmente se considera
más favorable. Por ejemplo, es difícil que un encuestado reconozca
tener actitudes machistas, incluso cuando el cuestionario es anóni-
mo. Por último, el efecto halo consiste en contestar de forma gene-
ral con independencia de las preguntas concretas.
Las encuestas pueden realizarse personalmente, por correo, por
teléfono o telemáticamente. Cada uno de estos métodos tiene sus
ventajas y sus inconvenientes. La principal ventaja para la encuesta
personal es el alto índice de participación y que el entrevistador
puede aclarar dudas que surjan a los encuestados, sin embargo, su
presencia puede producir el sesgo del investigador o, incluso, un ses-
go en las respuestas de los encuestados por el mero hecho de sentir-
se observados. Las ventajas de realizar una encuesta por internet es
que resulta más económico, pero por otra parte la muestra a la que
tendremos acceso en muchos casos no será representativa de la po-
blación que estemos estudiando.
La muestra a la que va dirigida la encuesta debe ser representati-
va de la población objeto de estudio. Ello implica que deben quedar
representadas sus características y que el tamaño debe ser adecua-
do. Los procedimientos que suelen garantizar la representatividad
se denominan técnicas de muestreo. El muestreo probabilístico es
imprescindible, por ejemplo, en las encuestas epidemiológicas. Al-
gunas de estas técnicas, que se explicaron con detalle en el capítu-
lo 2, son:
–– El muestreo aleatorio simple: donde cada elemento de la po-

blación tiene la misma probabilidad de ser incluido en la
muestra.
–– El muestreo aleatorio estratificado: cuando se desea incluir en
la muestra una representación proporcional de grupos (estra-
tos) que forman la población.
–– El muestreo por conglomerados: donde se seleccionan pri-
mero conglomerados y después individuos. Por ejemplo, se
seleccionan primero colegios y después alumnos.
–– El muestreo por conglomerados y etapas (polietápico): donde
es necesario realizar varios tipos de conglomerados en dis-
ERRNVPHGLFRVRUJ
tintas etapas para seleccionar la muestra. Por ejemplo, se se-

leccionan municipios de un país, después colegios y después
clases, para seleccionar una muestra de alumnos.
El método de encuestas a menudo se ha utilizado para estudiar

diversos tópicos en investigación en logopedia y audiología. Por
ejemplo, Zipoli y Kennedy (2005) realizaron una investigación des-
criptiva y predictiva para conocer las actitudes, la utilización y las
barreras percibidas sobre la práctica basada en la evidencia (EBP,
en inglés). Para ello seleccionaron aleatoriamente a un grupo de
quinientos logopedas de aquellos que estaban certificados por la
ASHA (American Speech-Language-Hearing Association) y les
enviaron un cuestionario por correo. El estudio se realizó con las
respuestas de 240 logopedas. Al ser un estudio realizado mediante
correo postal, los autores incluyeron una carta explicando breve-
mente el objeto de estudio, así como una definición de las variables
que se iban a tratar. En este tipo de estudios es muy importante
considerar si la tasa de respuesta es diferencial, es decir, si por al-
guna razón los participantes que contestaron se diferenciaban en
términos generales en alguna característica de aquellos que no con-
testaron. Una situación como esta podría afectar a la generalización
de los resultados.
A continuación se detallan las características de los principales
diseños descriptivos clasificados según el criterio temporal visto an-
teriormente.
La mayor parte de la investigación descriptiva es transversal.
Los diseños transversales (tipo 2) son aquellos que recogen la infor-
mación en un solo momento temporal. El objetivo en este caso es
conocer el estado actual del fenómeno, describiendo un conjunto de
características actuales de una población que es objeto de estudio.
Generalmente se presenta la información segmentada por grupos
para comprobar si las descripciones son distintas dependiendo de
los grupos, es decir, en los diseños transversales es frecuente que el
objetivo también sea encontrar relaciones entre variables incluidas
en la investigación. Por ejemplo, ¿es más frecuente una determi-
nada patología en un subgrupo de la población? Estas respuestas
pueden dar comienzo a otras investigaciones más específicas que
estudien la relación en profundidad.
ERRNVPHGLFRVRUJ
Para poder analizar las relaciones entre las distintas variables,

es necesario haber incluido aquellas variables que sean de interés
y puedan ofrecer resultados interesantes. Esto solo es posible si la
redacción de las preguntas se guía por un entendimiento extenso
sobre la materia.
Existe un tipo de investigación descriptiva en el área de ciencias
de la salud denominada epidemiología, que se detalla en el capí-
tulo siguiente. Cuando estas investigaciones se realizan de forma
transversal ofrecen datos de prevalencia de trastornos o afecciones.
Por ejemplo, Hoffman et al. (2005) estudian en la población de be-
neficiarios de los servicios de cuidados médicos la prevalencia de
discapacidades de comunicación y su relación con la insatisfacción
de estos servicios. La justificación de esta investigación es que una
capacidad comunicativa reducida (ya sea para hablar, escuchar o
escribir) puede ser un factor crítico en la seguridad de estos pa-
cientes y en la obtención de una máxima calidad de sus cuidados
médicos en general. La hipótesis que sostienen los autores es que
individuos con una capacidad comunicativa reducida tienen una
probabilidad mayor de malinterpretar la información médica o des-
encadenar una baja adherencia a los tratamientos recomendados.
Para la selección de la muestra se empleó un muestreo aleatorio
estratificado polietápico. Se seleccionaron 12 769 beneficiarios de
centros médicos de 65 años de edad o más. Los autores ofrecen los
resultados de la prevalencia del tipo y del grado de capacidad re-
ducida de comunicación y analizan la relación de las características
de esta población con la insatisfacción de estos pacientes con los
servicios médicos recibidos.
En los diseños longitudinales (tipo 3) el objetivo del investiga-
dor es examinar si las características o variables introducidas en el
estudio cambian con el paso del tiempo para una misma población.
Podemos distinguir entre:
1. Estudios de panel. Caracterizados por emplear los mismos

sujetos. Cuando se emplean los mismos sujetos en la inves-
tigación es porque el objetivo es estudiar el cambio que se
produce en el desarrollo de los individuos (variaciones in-
dividuales). Un área de aplicación de estos diseños es, por
ejemplo, en el desarrollo del lenguaje. Este tipo de investiga-
ERRNVPHGLFRVRUJ
ciones son largas y costosas, suelen llevar asociadas una alta

mortalidad experimental y el sujeto puede sensibilizarse al
estudio.
2. Estudios de tendencias. Emplean muestras de sujetos distin-
tas a lo largo del tiempo, pero que pertenecen a la misma
población. A todos ellos se les pregunta las mismas cuestio-
nes.
Cuando los diseños epidemiológicos son longitudinales, se ob-

tienen datos de incidencia (tasa de aparición de nuevos casos).
Un ejemplo de estudio longitudinal lo encontramos en
Roseberry-McKibbin, Brice, y O’Hanlon (2005). En este estudio
se plantea el hecho de que la tasa de alumnos de habla no inglesa
sea cada vez mayor en Estados Unidos ha generado la necesidad
de aumentar el número de profesionales logopedas bilingües o
con altas capacidades comunicativas interculturales. Los autores
señalan que muchos logopedas enfatizan la importancia de pres-
tar un mejor servicio en estas situaciones, incluyendo el uso de
otros materiales y métodos insesgados culturalmente. En 1990,
se envió una encuesta a nivel nacional a logopedas para exami-
nar las siguientes cuestiones: servicio prestado a niños en fase de
aprendizaje del idioma, así como las necesidades e intereses de
los profesionales respecto a ello. En 2001 los autores quisieron
describir este fenómeno, así como los posibles cambios aconteci-
dos entre 1990 y 2001. Para ello se enviaron 6 000 encuestas alea-
torias mediante servicio postal a través de la ASHA (American
Speech-Language-Hearing Association) y se analizaron los datos
de las 1 736 que fueron devueltas por los profesionales. Llegaron a
la conclusión de que los profesionales estaban mejor preparados y
atendían más casos que en 1990.
Los diseños retrospectivos (tipo 1) son aquellos que parten de
los datos en una variable de interés (por ejemplo, la presencia de un
trastorno) y mediante preguntas sobre la vida del paciente obtienen
información de factores relacionados con esa variable. Un ejemplo
de este tipo de investigación pudieran ser las encuestas diseñadas
para conocer posibles factores antecedentes relacionados con el
cáncer de laringe en pacientes que han sido sometidos a distintos
tipos de laringectomía.
ERRNVPHGLFRVRUJ
B) La investigación predictiva
En este tipo de investigaciones el objetivo fundamental es bus-

car una relación entre las variables implicadas en el estudio (la o
las variables independientes y la variable dependiente), general-
mente con el propósito de establecer predicciones. Es decir, el ob-
jetivo es el mismo que en los experimentos o cuasiexperimentos,
la diferencia reside, tal y como se explicó anteriormente, en que en
estos diseños el investigador no manipula la variable independiente
y, por tanto, los grupos no reciben tratamientos diferenciales. Esta
característica propia de los diseños no experimentales impide al in-
vestigador establecer relaciones causales ante posibles diferencias
entre los grupos en la variable dependiente, pues otras posibles ex-
plicaciones pueden surgir como alternativas a la acción de la varia-
ble independiente. Los resultados en estos diseños se interpretan
en términos de relación. Por ejemplo, ¿existe relación entre la edad
y el grado de éxito en la reeducación logopédica tras un implante
coclear?, ¿existe una tendencia mayor en niños que en niñas a sufrir
alteraciones de la comprensión del lenguaje?
Pudiera decirse que, en muchas ocasiones, carece de sentido la
denominación de variable independiente y variable dependiente y
se prefiere la denominación de variable predictora o factor asociado
(ya sean antecedentes o no) y variable resultado o criterio, que es el
objeto de estudio.
Como puede comprobarse, los factores pueden ser variables ca-
tegóricas que generan grupos (por ejemplo, el sexo) o puede tra-
tarse de una característica cuantitativa (por ejemplo, la edad). La
selección de variables o factores para estudiar, como en todos los
casos, debe hacerse basándose en un marco teórico que permita a
los investigadores establecer las hipótesis adecuadas para el estudio.
Según el criterio temporal, los diseños predictivos quedan clasi-
ficados en diseños predictivos transversales, retrospectivos y longi-
tudinales.
En los diseños predictivos transversales (tipo 5) el objetivo es
estudiar la relación entre variables cuyos valores acontecen en el
momento en que se realiza el estudio. En ciencias de la salud, una
de las variables objeto de estudio más común es la presencia o au-
sencia de un problema (una experiencia o trastorno) y se desea es-
ERRNVPHGLFRVRUJ
tudiar con qué factores está asociada esta variable. Se denominan

diseños transversales de caso-control. Un grupo estaría constituido
por las personas afectadas (casos) y otro grupo estaría formado por
personas no afectadas (controles). A partir de ahí, se estudia qué
factores actuales pueden estar asociados a esta característica.
Si los factores que se estudian han tenido lugar en el pasado se
trataría de un diseño predictivo retrospectivo (tipo 4). Al igual que
en los diseños transversales, se selecciona a los sujetos por sus valo-
res en una variable dependiente (por ejemplo, rendimiento lingüís-
tico, padecer un trastorno, etc.) y se busca hacia atrás los posibles
factores o variables antecedentes que hayan podido producir tales
valores. Se trataría, por tanto, de intentar reconstruir lo sucedido.
Dentro de este tipo de diseños se pueden incluir los diseños re-
trospectivos simples, los diseños retrospectivos de caso-control y los
diseños retrospectivos de grupo único.
En el diseño retrospectivo simple se selecciona un único grupo
que posee una característica que se desea estudiar y después se bus-
can variables que puedan estar asociadas o relacionadas con esta
variable. Un ejemplo de este tipo de diseño consistiría en la selec-
ción de un grupo de pacientes adolescentes afectados de disfemia y
la comprobación de si habían pasado por situaciones emocionales
difíciles en los últimos meses, pues pudiera tratarse este de un factor
desencadenante.
Como se puede ver, este tipo de diseños es simple y el control
de la validez interna es menor que en otros diseños, pues otras va-
riables pueden rivalizar con las seleccionadas para dar explicación
de los resultados. En el ejemplo, ¿forma parte el estrés del desenca-
denamiento de la disfemia? o ¿casi todos los adolescentes sienten
haber sufrido acontecimientos emocionalmente difíciles? Este mis-
mo esquema de preguntas se podría generalizar para otras investi-
gaciones.
El diseño retrospectivo de caso-control es similar al transversal
de caso-control, pero en estos diseños los factores estudiados an-
teceden a la aparición de los casos. Tal y como se ha señalado
anteriormente, la selección de factores o variables independientes
depende de la consideración de estos como clave en la generación
de los casos. Estos diseños suponen una mejora respecto al diseño
retrospectivo simple, pues incluye un grupo de comparación que
ERRNVPHGLFRVRUJ
debe ser similar o equivalente al grupo de casos en todas aquellas

variables que se considere que pueden afectar a los resultados (me-
nos en el valor de la variable dependiente).
Por último, el diseño retrospectivo de grupo único tiene como
objetivo el estudio de la relación entre las variables, más que en-
contrar las variables que puedan ser los antecedentes o causas de
la variable dependiente, como sucede en los diseños retrospectivos
simples o de caso-control. En estos diseños, el investigador seleccio-
na un grupo de sujetos cuyo rango de valores en la variable objeto
de estudio sea lo más elevado posible. Por ello, el tamaño muestral
suele ser mayor que en los diseños retrospectivos anteriores. Para
comprobar el grado de asociación entre variables antecedentes y la
variable dependiente, el investigador emplea técnicas de análisis co-
rrelacionales, por esta razón a estos diseños se les ha denominado,
a menudo, diseños correlacionales, lo que puede generar confusión
entre técnica estadística y diseño.
Tanto en los diseños transversales como en los retrospectivos,
el investigador parte de los valores en la variable dependiente (o
variable de interés), generando los grupos a partir de ella y busca
una asociación con variables o factores predictores. En ambos tipos
de diseño el investigador tiene toda la información relativa a las va-
riables, es decir, conoce los valores de las variables, bien porque ya
han acontecido, bien porque se producen en el momento en que se
lleva a cabo el estudio.
Sin embargo, la estrategia es diferente para los diseños predicti-
vos longitudinales (tipo 6), en los cuales el valor de la variable de-
pendiente no se conoce, ya que esta todavía no ha acontecido. En
estos diseños, el investigador genera grupos de sujetos en función
de los valores en la variable independiente o predictora y mide, una
vez pasado el tiempo, los valores que toma la variable dependiente
en cada grupo. Es común también denominar a estos diseños pros-
pectivos. Es necesario en estos estudios, por tanto, hacer un segui-
miento temporal de los sujetos.
En el ámbito de ciencias de la salud a este tipo de diseños se les
denomina a menudo diseños de cohorte, porque el grupo de sujetos
que se estudia a lo largo del tiempo está caracterizado por haber ex-
perimentado un suceso común o cumplen todos ellos una condición
concreta. Dentro de este tipo de diseños se encuentran los diseños
ERRNVPHGLFRVRUJ
de cohorte única, si se es estudia en el tiempo a un solo grupo de

personas y de cohortes múltiples, si se compara al grupo de perso-
nas que ha experimentado el suceso o cumplen con una condición
(casos) con un grupo que no (control).
Los diseños predictivos longitudinales se pueden clasificar en
diseño prospectivo simple, diseño prospectivo complejo y diseño
prospectivo de grupo único.
En el diseño prospectivo simple se selecciona una sola variable in-
dependiente y se generan tantos grupos de individuos como valores
toma la variable independiente. Posteriormente, se mide a los indi-
viduos en la variable dependiente. Una amenaza que se comentó en
el capítulo anterior que afecta a estos diseños es la selección de los
grupos. En un intento de control de posibles variables extrañas que
puedan dar explicación, al menos en parte, a los resultados, se pue-
den introducir variables que se sospeche como extrañas en el diseño.
Esto daría lugar a los diseños prospectivos complejos, que in-
corporarían, por tanto, al menos dos variables independientes: una
cuya relación se quiere comprobar y otra que se considere contami-
nante y se quiera controlar.
En los diseños prospectivos de grupo único la estrategia es simi-
lar a la de los retrospectivos de grupo único, pero en este caso se
selecciona un grupo de individuos que representan un rango amplio
de valores en, al menos, una variable independiente. Posteriormen-
te, se registra o se mide a estos individuos en la variable dependien-
te en un intento de encontrar asociación entre las variables.
Un ejemplo de diseño longitudinal de caso-control sería la inves-
tigación de Harrison, McLeod, Berthelsen y Walker (2009). Los au-
tores quieren investigar la asociación entre el deterioro del lenguaje
y del habla y variables de rendimiento académico y de aprendizaje
general en edades tempranas. Para ello se registran las variables en
dos momentos temporales: cuando los niños tenían 3-4 años y cuan-
do tenían 6-7 años. Se llevó a cabo una técnica de muestreo aleato-
rio estratificado. Un total de 3 632 niños participaron en el estudio.
La variable de clasificación es la presencia (sí/no) de trastorno del
lenguaje y del habla. En concreto, en esta investigación, se mide a
través de cuatro variables diferentes (informe de los padres sobre
problemas de expresión, informe de los padres sobre problemas de
comprensión, uso de servicios de clínica logopedia y puntuación en
ERRNVPHGLFRVRUJ
el test Peabody picture vocabulary). Mediante estas variables se ge-

neran dos grupos de individuos que poseen, o no, la característica
de tener un trastorno. Los autores plantean la hipótesis de que el
trastorno se asocia a un peor rendimiento escolar y a una peor ca-
pacidad de aprendizaje general, medidos en el segundo momento
temporal. Las variables dependientes del estudio son el rendimien-
to escolar (competencias en lenguaje y pensamiento matemático) y
la capacidad de aprendizaje general. Según sus resultados, los niños
que presentaban trastorno del lenguaje a la edad de 3-4 años tienen
un rendimiento académico inferior a la edad de 6-7 años frente a
aquellos que no presentaban ese trastorno. Los autores analizan los
datos con diferentes técnicas estadísticas, pero en cualquier caso, tal
y como ellos mismos expresan, se trata de un estudio observacional,
por lo tanto, no se puede inferir una relacional causal entre tener
un trastorno y obtener un peor rendimiento. Cabe imaginarse mu-
chas variables que puedan estar dando cuenta de los resultados. Por
ejemplo, piense el lector que a los alumnos con trastorno del len-
guaje, por un efecto halo, se les evalúa más bajo en distintas compe-
tencias. En cualquier caso, estos estudios son muy importantes para
estudiar qué factores están asociados con las variables de interés y
avanzar en programas clínicos, educativos y formativos.
Un tipo de diseños longitudinales que merece una consideración
especial son los diseños evolutivos, por su especial relevancia en el
desarrollo del lenguaje, la logopedia y otras ciencias de la salud. En
estos estudios la variable independiente es la edad. Estas investiga-
ciones tienen como objetivo encontrar los cambios en las variables
dependientes debidas a la edad. Las perspectivas de estudio pueden
ser longitudinales, transversales o secuenciales.
Los diseños evolutivos longitudinales miden una variable depen-
diente en un grupo de sujetos a lo largo de distintos momentos tem-
porales y estudian los cambios ocurridos. Estos diseños tienen la
ventaja de que controlan las posibles diferencias individuales, pues
son los mismos sujetos los que son evaluados en repetidas ocasio-
nes. Por otro lado, tal y como se ha visto, son diseños que a menudo
son costosos, largos y con mayor mortalidad experimental. Además,
en estos diseños se puede confundir el efecto de la edad con el lla-
mado efecto de la cohorte, que consiste en que el haber nacido en un
determinado año y, por tanto, pertenecer a una generación concreta
ERRNVPHGLFRVRUJ
pueda influir en los resultados. Pudiera darse el caso, por ejemplo,

de que, en el estudio de las habilidades lectoras de los niños, los
cambios encontrados no se debieran a la edad, sino a la implemen-
tación en ese momento histórico de un cambio de plan de estudios
que lo facilitara.
Los diseños evolutivos transversales recogen las medidas de la
variable dependiente en un solo momento temporal a grupos de
sujetos con distintas edades. Estos diseños son menos potentes que
los longitudinales a la hora de establecer relaciones, pues pueden
existir múltiples variables extrañas que estén explicando los cam-
bios que se obtienen en la variable medida.
Un diseño que resulta de la combinación de los dos anteriores
es el diseño evolutivo secuencial, en el cual se estudia el efecto de
la edad y el efecto de la cohorte. Existen distintos tipos de diseños
secuenciales, pero en todos ellos se refieren al estudio de distintas
cohortes medidas en distintos momentos temporales. De este modo
se controlan los efectos de la cohorte. Como desventaja principal es
que requiere muchos participantes en el estudio y, por lo tanto, no
es fácil desarrollarlo en la práctica. Además, conlleva un coste más
elevado que los diseños evolutivos longitudinales.
Una ventaja de los diseños longitudinales frente a los trans-
versales o retrospectivos es que el investigador tiene la seguridad
de que la medida de las variables independientes anteceden a la de
la dependiente. Tal y como se ha comentado anteriormente, esto
supone un requisito a la hora de establecer posibles relaciones
causales. Algunos de los inconvenientes es que suelen ser estu-
dios más largos, caros y suele haber una mayor mortalidad expe-
rimental.
Aun no tratándose de diseños experimentales o cuasiexperimen-
tales, estos diseños han servido en la práctica para dar información
sobre qué factores están asociados o son capaces de predecir otras
variables. En la práctica clínica es de especial importancia para el
diseño de programas preventivos.
C) La investigación explicativa
A partir de los datos obtenidos de los distintos grupos generados

de forma natural, algunas investigaciones (ya sean de tipo 7, 8 o 9)
ERRNVPHGLFRVRUJ
tienen por objetivo intentar explicar los fenómenos estudiados o

confirmar teorías previamente establecidas.
Se utilizan fundamentalmente modelos de ecuaciones estruc-
turales, que aun sin poder establecer relaciones causales entre las
variables, sí permiten poner a prueba qué relaciones entre las varia-
bles son más probables y otros aspectos como la relación temporal,
las variables mediadoras, etc.
5.2. La observación
La metodología observacional resulta de interés en aquellas investi-

gaciones que tienen como objeto el estudio de los fenómenos espon-
táneos en contextos naturales. En estos casos al investigador no le
interesa tanto controlar las variables para poder establecer relacio-
nes de causa-efecto entre las variables manipuladas y las variables
medidas, sino cómo se comportan los individuos de forma natural,
sin intervención. Por ejemplo, cómo se comporta un niño, qué fun-
ciones desarrolla o cómo es la interacción con otros elementos de la
situación en la que se encuentra. Un investigador podría decidir em-
plear una estrategia o método observacional para estudiar la etapa
de aparición del balbuceo en los bebés, observando en un ambiente
natural la interacción comunicativa entre los padres y el niño.
La observación científica debe proporcionar datos fiables y vá-
lidos que se puedan replicar en futuras investigaciones, por lo que
el investigador debe ser riguroso y sistemático en cada etapa o fase
del proceso.
En este punto es conveniente que se aclare la diferencia entre la
observación como método y la observación como técnica.
La observación como método tiene entidad suficiente para llegar
al conocimiento del fenómeno, describiéndolo, explicándolo y esta-
bleciendo las relaciones entre los elementos. Sin embargo, la obser-
vación como técnica es una estrategia para la recogida de los datos
y queda subordinada a las exigencias y planteamientos de otras me-
todologías en las cuales se esté aplicando la técnica observacional
(Anguera, 1995). Es decir, la recogida de información mediante al-
guna de las técnicas que se verán a continuación puede realizarse
incluso en situación experimental o de laboratorio.
ERRNVPHGLFRVRUJ
En muchas ocasiones es difícil encontrar un límite claro entre

ambas. Esta dificultad no es más que un reflejo de cómo son los
fenómenos en la realidad.
El método observacional se caracteriza por la falta de interven-
ción del investigador en el fenómeno de estudio y la no restricción
de las respuestas de los individuos en las tareas que realizan o de las
técnicas de evaluación a las que son sometidos. Puede ver el lector
qué alejada queda esta estrategia de la que debe adoptar un inves-
tigador que sigue un diseño experimental.
5.2.1. Clasificación de los métodos de observación
La clasificación de estos métodos puede establecerse en torno a dos

criterios. Por un lado, el grado de estructuración de la situación y,
por otro, el grado de participación.
En cuanto al grado de estructuración, los métodos de observa-
ción se clasifican en:
–– Observación natural. Es la metodología empleada cuando se

estudia el fenómeno en su ambiente natural sin ninguna res-
tricción o regla. Por ejemplo, cuando se utilizan vídeos anali-
zando cómo los padres realizan vocalizaciones a los niños de
un año y medio que comienzan a hablar.
–– Observación estructurada. Implica que el investigador ofre-
ce unas reglas que los participantes deben seguir en un mo-
mento dado. Estas reglas pueden ser las de seguir un material
estimulante, como por ejemplo “cada vez que su hijo intente
pronunciar un fonema concreto, dirija su mirada hacia él, de
modo que él pueda observar su boca y pronúncielo alto y
claro en dos ocasiones. Luego siga jugando”.
En cuanto al grado de participación, los métodos de observación

se pueden clasificar como:
–– Observación externa o no participante. En ella el investigador

no participa, o participa escasamente, en el desarrollo del fe-
nómeno observado. En este caso, el investigador registra la
ERRNVPHGLFRVRUJ
actividad e interfiere escasamente en la dinámica del objeto

estudiado, lo que proporciona mayor validez externa.
–– Observación participante. En la cual el investigador forma
parte del grupo, integrándose en las actividades que se lle-
van a cabo. Conlleva riesgos de pérdida de objetividad en los
resultados obtenidos, aunque en este caso el investigador se
encuentra en una posición desde la cual accede a información
muy valiosa.
–– Autoobservación. En este caso es el propio individuo el que
se observa y registra. Suele emplearse para conductas encu-
biertas, como son sentimientos o pensamientos en una situa-
ción de disfluencia en una persona con disfemia, y en las cua-
les el investigador no tiene acceso a la información de forma
directa.
5.2.2. Amenazas y peligros en los métodos de observación
Tal y como se ha comentado, uno de los peligros de la observación

consiste en la pérdida de objetividad por parte del investigador o el
sesgo del investigador. Aunque es muy difícil controlar esta amena-
za, sí que es posible intentar minimizar los riesgos empleando para
ello algunas estrategias:
–– Definir operativamente las variables que se van estudiar, se-

leccionando una muestra correcta de conductas para estudiar
el fenómeno.
–– Generar un registro adecuado.
–– Utilizar a varios observadores simultáneos y calcular un ín-
dice de acuerdo entre ellos (por ejemplo, el índice kappa de
Cohen).
–– Que los observadores no conozcan el objetivo del estudio.
Otra amenaza para la validez de los resultados es la reactividad.

Esta característica supone que aquello que se desea registrar se ve
modificado por la presencia del investigador. En la observación no
participante este peligro, aunque también está presente, es menor
que en los casos de observación participante.
ERRNVPHGLFRVRUJ
5.2.3. Medición de las conductas
Un aspecto clave en la metodología observacional es la definición

de forma clara y precisa del conjunto de conductas que van a dar
explicación del fenómeno, así como el conjunto de individuos a los
que se va a observar y cuándo.
Al igual que en otras metodologías, el investigador se basará en
un marco teórico para la definición operativa de las variables. De
este modo evitará incluir conductas irrelevantes y dejar sin definir
conductas que forman parte de la definición del fenómeno estu-
diado.
Habitualmente, se incluye en los registros medidas de:
–– Ocurrencia: si una conducta ha sucedido o no.

–– Frecuencia: la cantidad de veces que ha sucedido por unidad
de tiempo.
–– Latencia: tiempo que transcurre desde un evento hasta la
aparición de la conducta estudiada.
–– Duración: tiempo que se mantiene la conducta.
–– Intensidad: grado en que se produce la conducta.
El muestreo de participantes y de conductas por registrar debe

ser representativo de la población objeto de estudio. Se sabe que el
muestreo aleatorio conlleva una alta representatividad, pero en mu-
chas de estas investigaciones es inviable. Generalmente se realiza:
–– Muestreo focal: se elige a un sujeto y se registran todas sus

conductas.
–– Muestreo de barrido: cada cierto tiempo, generalmente muy
breve, se registran todas las conductas que realiza un suje-
to distinto del grupo. En algunas ocasiones, se registra varias
veces al mismo individuo después de haber registrado a los
demás.
–– Muestreo por suceso: se espera hasta que un individuo realice
una conducta clave y comienza el registro.
Además, se puede encontrar en la literatura el muestreo ad li-

bitum, que consiste en registrar lo que en cada momento al inves-
ERRNVPHGLFRVRUJ
tigador le parece interesante. En realidad, no es un verdadero tipo

de muestreo y supone una amenaza importante debido a los sesgos
que conlleva.
Hoy en día, la mayor parte del registro conductual se realiza
analizando los vídeos resultantes de las grabaciones de la conducta.
En la actualidad, los investigadores se apoyan en softwares específi-
cos para el análisis de datos observados (por ejemplo, The Observer
de Noldus) que, mediante el establecimiento previo de áreas o con-
ductas de interés, son capaces de analizar algunos datos y devolver
resultados.
Sin embargo, el procedimiento de registro de la conducta puede
tener lugar cuando esta se está desarrollando, cuando se realiza ob-
servación directa (in vivo). Para ello es necesario el entrenamiento
previo de los observadores y hojas de registros e instrumentos de
evaluación que faciliten la tarea en el momento de la observación.
Puede completarse la información sobre la observación en Sarriá
Sánchez (2010).
Un ejemplo del empleo de la metodología observacional lo en-
contramos en el estudio de Bartanusz y Šulová (2003) sobre el aná-
lisis de la comunicación entre los niños pequeños y sus padres mien-
tras leen libros ilustrados. El estudio se justifica en la importancia
encontrada en la literatura sobre el impacto que la comunicación
parental tiene sobre el desarrollo del lenguaje en los niños.
La muestra en este caso está compuesta por siete niños y siete
niñas, con edades comprendidas entre los 30 y 36 meses de edad, y
sus padres. Los autores no especifican cómo fueron reclutados los
participantes, pero comentan que encontraron dificultades para ta-
les efectos.
Las sesiones tuvieron lugar en las casas de las familias, dando
importancia al ambiente natural. En cuanto que las sesiones fueron
grabadas en vídeo, se puede suponer que el investigador no estaba
presente, es decir, que se trata de una observación no participan-
te. Cada padre leyó un libro 5 minutos. Para que no afectara a los
resultados, se balanceó la posición de comienzo del padre-madre.
La instrucción que recibieron los padres fue que leyeran como lo
harían habitualmente. Esta indicación favorece el comportamiento
natural de los padres, de los niños y de la interacción, que es lo que
se pretende con esta metodología.
ERRNVPHGLFRVRUJ
La codificación de las conductas verbales que después se anali-

zaron fueron las siguientes:
–– Afirmaciones asertivas, que describen el estado del mundo.

–– Afirmaciones expresivas relacionadas con el estado psicoló-
gico del hablante y del niño.
–– Afirmaciones directivas demandantes de acción, de informa-
ción o de atención.
–– Lenguaje de feedback de aprobación.
–– Lenguaje de feedback de desaprobación.
–– Clarificaciones.
–– Reformulaciones exactas.
–– Reformulaciones simplificadas.
–– Reformulaciones extendidas.
Después de analizar los resultados, los autores parecen encontrar

una serie de tendencias en la comunicación diferentes entre padres
y madres. En concreto, la tendencia de los padres a utilizar menos
lenguaje de aprobación y más de desaprobación que las madres, a
reformular afirmaciones de los niños en vez de utilizar la repetición
(como hacen las madres) y la tendencia a pedirles más aclaraciones.
Los autores consideran interesante incluir otros aspectos, como el
impacto de la cultura, la influencia de la situación o, por ejemplo, la
comunicación no verbal.
5.3. Los diseños cualitativos
La metodología cualitativa surge como opción frente al empirismo

y al intento de dar explicación a los fenómenos desde una sola rea-
lidad. Dentro de esta metodología se incluyen diseños más flexibles,
abiertos a la interpretación y que permiten adaptarse a investiga-
ciones más naturalistas. La elección de un tipo u otro de estrategia
va a depender del fenómeno de estudio.
En Martínez-Arias, Castellanos y Chacón (2014), se pueden en-
contrar las principales diferencias entre ambas metodologías. Algu-
nas de estas son:
ERRNVPHGLFRVRUJ
1. La metodología cuantitativa es deductiva; parte de fuertes hi-

pótesis deducidas a partir de teorías anteriores y pone a prue-
ba estas hipótesis empíricamente. La metodología cualitativa,
sin embargo, es inductiva; parte de una recogida de datos y en
el proceso se van estableciendo las hipótesis o teorías.
2. La metodología cualitativa está enfocada a la identificación
de procesos, es decir, a la identificación y al estudio de las
emociones, pensamientos, deseos, etc., que están en la base
de las relaciones entre las variables. En la metodología cuan-
titativa el objetivo se centra en la búsqueda de relaciones
causales entre variables más que en el conocimiento de los
procesos que subyacen a tales relaciones.
3. La cualitativa es una metodología más flexible que la cuanti-
tativa, puesto que el diseño se puede reformular en cualquier
fase de la investigación y se pueden eliminar o añadir par-
tes nuevas una vez comenzada la investigación. Se trata de
ir aprendiendo sobre un fenómeno, no de seguir un proceso
estandarizado.
4. Los estudios cualitativos requieren un conocimiento previo
del fenómeno muy alto, ya que al ser un proceso abierto y
flexible es más fácil equivocarse.
5. En los estudios cualitativos suele existir un mayor interés por
la aplicabilidad de las conclusiones, más que por un avance en
los conocimientos teóricos.
6. Los datos empleados en los estudios cuantitativos son nu-
méricos, lo cual puede suponer en muchas ocasiones una re-
ducción de la información del fenómeno, mientras que las in-
vestigaciones cualitativas manejan descripciones basadas en
materiales como los vídeos, las grabaciones, las entrevistas,
etc., que permiten matizar y obtener una información más
detallada del fenómeno.
7. En las escasas ocasiones en que en los diseños cualitativos
se obtienen datos numéricos, el uso de las técnicas estadísti-
cas es un complemento de la investigación, sin ser el objetivo
central del estudio.
8. En los diseños cuantitativos la subjetividad del investiga-
dor se rechaza como fuente de error, mientras que desde las
ERRNVPHGLFRVRUJ
erspectivas cualitativas, aun considerándose el sesgo del ob-

p
servador, se considera inherente al proceso de obtención de
información.
9. El objetivo de muchas investigaciones cualitativas es explora-
torio, es decir, construir o establecer una hipótesis durante el
proceso de investigación, mientras que en las investigaciones
cuantitativas el objetivo es confirmatorio, se parte de una hi-
pótesis establecida y se contrasta empíricamente.
10. Habitualmente, en los diseños cualitativos la muestra es infe-
rior que en los diseños cuantitativos. Esto imposibilita que se
puedan generalizar las conclusiones obtenidas con el mismo
grado de seguridad, aunque, por otra parte, se obtiene infor-
mación más detallada y precisa del fenómeno.
11. Las investigaciones de un tipo u otro dependen del objeto de
estudio y no tienen por qué ser unas mejores que las otras.
Mientras que en los diseños cuantitativos se habla de concep-
tos como la fiabilidad o la validez, en los cualitativos se habla
de consistencia lógica, credibilidad o transferencia.
Por tanto, la metodología cualitativa se caracteriza por atender a

las particularidades que están sujetas a diversos contextos e inten-
tar dar explicación a los fenómenos investigando desde dentro las
situaciones. El investigador se introduce en el contexto para cono-
cer de primera mano cómo se comportan, sienten, reaccionan, etc.,
los participantes. Para ello, el investigador tratará de controlar sus
propias creencias e intentará que su presencia altere lo menos po-
sible la situación natural de comportamiento para no interferir con
los resultados del estudio.
5.3.1. Etapas en la investigación cualitativa
En muchos manuales aparecen fases o etapas específicas para cada

diseño cualitativo, sin embargo, se pueden agrupar fases comunes
con independencia de la técnica que se emplee en cada estudio.
En primer lugar, el investigador se plantea el objeto de estudio.
Generalmente, el tema proviene de un estudio profundo de literatu-
ra previa o de un problema real que se necesita resolver.
ERRNVPHGLFRVRUJ
Posteriormente, en una fase de planificación, el investigador

debe considerar el lugar donde se va a llevar a cabo la investiga-
ción. Lo idóneo en una investigación cualitativa es que se trate del
contexto habitual, en el que los participantes se comporten de for-
ma natural. En esta fase también el investigador se debe plantear
la elección de la o las técnicas o estrategias que va a emplear para
el estudio del fenómeno, lo que dependerá de la naturaleza de este.
La triangulación es la estrategia empleada por el investigador para
garantizar cierto rigor en este tipo de investigaciones, empleando
distintas técnicas y confirmando la información desde diferentes
fuentes de información. Por ejemplo, comenzar con entrevistas y
continuar con una técnica de observación. De este modo, emplean-
do dos o más técnicas, se obtiene una visión más global del fenóme-
no y la convergencia de datos ofrece un grado superior a la validez
de las inferencias realizadas por el investigador.
A continuación hay una etapa de toma de contacto y de fami-
liarización con los participantes. Una vez que el investigador se
encuentra dentro del contexto de investigación es cuando decide
qué participantes forman parte del estudio. En este sentido, la in-
vestigación cualitativa es distinta a la cuantitativa. En la primera se
pretende representar al fenómeno, mientras que en la metodología
cuantitativa se pretende representar a los individuos. Esta distinción
hace que, habitualmente, en los estudios cualitativos el número de
casos de estudio sea menor. El muestreo también es distinto, mien-
tras que en la metodología cuantitativa la mayor parte de las técni-
cas exigen muestreos probabilísticos, en la investigación cualitativa
el muestreo se realiza por condición, es decir, se incluyen aquellos
casos que cumplen una condición que el investigador considera re-
levante para el estudio del fenómeno, etc.; por ejemplo, seleccionar
a los más representativos, a los más extremos, etc.
La recogida y el análisis de datos es una fase donde ambos pro-
cesos se realizan simultáneamente. Por tanto, el investigador sigue
recogiendo datos siempre y cuando el nivel de información vaya
en aumento. Generalmente, el análisis de los datos se realiza sin
acudir a los números, sino que se utiliza el lenguaje natural como
herramienta. El investigador debe establecer un orden para una
gran cantidad de información recogida y tiene que reducir la infor-
mación de modo que le permita establecer conclusiones.
ERRNVPHGLFRVRUJ
Es importante recordar en este punto que, en contraposición

con la investigación cuantitativa, la subjetividad no se rechaza.
Durante la recogida y el análisis de los datos, la experiencia de los
participantes y del propio investigador es parte fundamental de la
información recogida, evitando siempre en lo posible que la infor-
mación quede sesgada por prejuicios previos. El proceso es cíclico,
una vez quedan organizados los datos en unidades más elementa-
les, se plantean nuevas hipótesis que llevan a la recogida de nue-
va información. El proceso termina cuando los datos recabados no
aportan información nueva a la investigación. Este punto se conoce
como saturación. Para más información sobre los procesos de análi-
sis de los datos cualitativos, véase Anguera (1995).
Por último, el investigador hace público, generalmente mediante
la escritura del informe final, los resultados obtenidos. El investi-
gador debe presentar la información de forma tan precisa como si
se tratara de un estudio cuantitativo. El informe debe incluir datos
sobre las decisiones tomadas acerca de las técnicas, el muestreo, la
recogida y análisis de la información y todos los procedimientos
que se hayan utilizado para aumentar la validez de las conclusiones
extraídas en el estudio.
5.3.2. Técnicas en la recogida de datos
En este apartado se analizan algunas de las técnicas más habituales

en el ámbito de la investigación cualitativa, sus características, al-
gunas de las ventajas que presentan, así como sus limitaciones. En
muchos de los estudios cualitativos se incluyen técnicas ya comen-
tadas anteriormente. En muchas ocasiones, se requiere del proceso
de triangulación, que, como se ha expuesto anteriormente, permite
contrastar distintas fuentes de información y, además, acercarse al
fenómeno de estudio de una forma más global, que es una de las
características de estos estudios.
A) La observación
Como se comentó anteriormente, la observación es una técnica

que se emplea con mucha frecuencia en las investigaciones cualita-
ERRNVPHGLFRVRUJ
tivas. Como su propio nombre indica, consiste en observar y recoger

información. Aunque esta técnica la puede emplear el investigador
desde fuera del escenario del fenómeno, generalmente, en este tipo
de estudios, el investigador se introduce en el contexto o escenario
para estudiar el fenómeno desde dentro. Se denomina, entonces,
observación participante.
En muchos casos la inmersión en el escenario es compleja y re-
quiere de periodos de adaptación por parte del investigador y de
los participantes. Es fácil entender que en ciertos contextos la pre-
sencia del investigador puede alterar los comportamientos habitua-
les de las personas o grupos de estudio. Imagínese, por ejemplo, el
estudio del lenguaje en niños, adolescentes, el estudio de algunas
patologías, etc.
La observación es una técnica con muchas ventajas, entre ellas,
que se puede incluir información no prevista de antemano u ob-
servar situaciones de las que los participantes han informado pre-
viamente en entrevistas. Las limitaciones principales son que los
participantes no acepten al investigador y el posible sesgo del in-
vestigador, que le lleve a una recogida, análisis e interpretación de
los datos guiado por prejuicios.
B) La entrevista
El investigador emplea la entrevista cuando desea obtener in-

formación de las personas y de cómo han experimentado las situa-
ciones. La entrevista es una técnica que puede variar en cuanto al
grado de estructuración, pero, por lo general, en la investigación
cualitativa, se suelen emplear entrevistas en profundidad frente a
otro tipo de entrevistas más estructuradas. En una entrevista es-
tructurada el conjunto de preguntas, ya sean cerradas o abiertas,
está previamente determinado; sin embargo, en una entrevista en
profundidad o no estructurada, el número y el contenido final de
las preguntas se desconoce al comenzar. El entrevistador lleva con-
sigo un guion con las primeras cuestiones que va a formular o, sim-
plemente, ciertos temas o aspectos clave que desea que se traten,
pero el ritmo de la entrevista varía en función de las respuestas
de los entrevistados. En este sentido, la entrevista es una situación
social en la que los datos se recogen a partir del diálogo. Son abier-
ERRNVPHGLFRVRUJ
tas, flexibles, no directivas y no estandarizadas. El objetivo del in-

vestigador cuando se emplean entrevistas en profundidad es com-
prender o explorar, más que explicar, recogiendo información más
detallada y profunda que aquella que se puede recabar mediante
cuestionarios o encuestas. En realidad, se pretende que sea una
conversación o diálogo y no un intercambio formal de preguntas y
respuestas. Es fundamental que se garantice la confidencialidad de
los datos recogidos.
Un ejemplo de entrevista en profundidad puede encontrarse en
Ballin y Balandin (2007). Los autores emplean esta técnica en un
estudio cualitativo que tiene como objetivo analizar la soledad ex-
perimentada por personas mayores con parálisis cerebral. A partir
del material de las entrevistas, los autores identifican los principales
tópicos o patrones relacionados con el sentimiento de soledad en
estos pacientes. Según sus resultados, los principales factores aso-
ciados a sus sentimientos de soledad son, por un lado, la incomuni-
cación y, por otro, la ausencia de red social o de apoyo.
C) Los grupos de discusión o enfoque
Un grupo de discusión (focus group o group interview, en inglés)

es una entrevista grupal diseñada para obtener información sobre
un área de interés, previamente planificada y consensuada con los
participantes. Generalmente participan pocos miembros (hasta diez
personas), aunque en algunos casos, en los que el tema se puede
considerar íntimo o muy personal, se recomienda menos personas
en los grupos de discusión.
Habitualmente, la composición de los grupos se realiza con par-
ticipantes que tienen un perfil similar, de modo que los grupos re-
sulten homogéneos, aunque esto depende también del objetivo de
la investigación. Un grupo de participantes homogéneos genera un
clima de discusión más cómodo, pero, por otro lado, un grupo hete-
rogéneo puede aumentar la riqueza de opiniones.
Se planifican varias reuniones con los miembros para debatir so-
bre el tema objeto de estudio. Es necesaria la presencia de un mode-
rador experto en el tema que regule de manera flexible, abierta y no
directiva la actuación de los miembros. Es interesante que los miem-
bros participen en la discusión de manera equitativa. Se pretende lle-
ERRNVPHGLFRVRUJ
gar a un acercamiento de posturas, tal y como sucede en el método

Delphi, pero en este caso los participantes no son expertos sobre la
materia. Tampoco llegar a un consenso absoluto es necesario, es más
importante recopilar información sobre el tema estudiado.
Hay que tener en cuenta que esta forma de acercarse a la realidad
es muy diferente a la que se consigue mediante entrevistas personales,
pues en los grupos de discusión hay una interacción continua entre sus
miembros, con la consiguiente influencia mutua entre sus opiniones.
Se utiliza con frecuencia en áreas de intervención y evaluación de
programas sociales, sanitarios y educativos, así como en investigación.
D) La recogida de material documental

Dentro de este apartado se incluyen diversas técnicas de recogida
de la información. Esta recogida de datos se puede realizar median-
te documentos escritos (libros, publicaciones, diarios, etc.) o material
audiovisual (vídeos, fotografías, grabaciones de audio, etc.). Existen
diversos programas (como ATLAS.ti, NVivo, etc.) para tratar los da-
tos así obtenidos y poder integrar la información recopilada.
5.3.3. Tipos de diseños cualitativos
A continuación se presentan algunos de los diseños más empleados

en investigaciones cualitativas. En concreto, se abordarán la teoría
fundamentada, la investigación-acción, el estudio de casos, el método
Delphi, y el análisis narrativo.
A) La teoría fundamentada (grounded theory)
La teoría fundamentada es un método de investigación en el que

la teoría emerge de los datos (Glaser y Strauss, 1967). Según los
autores:
La teoría fundamentada es el camino de llegar a una teoría

adecuada para sus supuestos usos. Contrastaremos esta posición
con la teoría generada por deducción lógica a partir de unas
suposiciones a priori.
ERRNVPHGLFRVRUJ
Es decir, desde esta perspectiva, se entiende que se pueden for-

mular hipótesis, conceptos o teorías a partir de la inducción de los
datos y no únicamente de la deducción de supuestos. Se basa en el
método comparativo constante y en el muestreo teórico. Por el mé-
todo comparativo constante se entiende que el investigador reco-
pila y analiza los datos simultáneamente, desarrollando conceptos
que le llevan a tomar nuevos datos. El muestreo es teórico porque
selecciona los casos en función de los conceptos desarrollados.
Se considera que las teorías formuladas son de rango medio, es
decir, que sirven para dar explicación de un fenómeno en un con-
texto determinado. A continuación, se presenta el diseño sistemáti-
co (Strauss y Corbin, 1998) que pone énfasis en la construcción de
las categorías que surgen de los registros de los sujetos:
1. Codificación viva: es la transcripción directa del material pro-

porcionado por los sujetos. Esta información ha podido ser
recopilada mediante entrevistas, grabaciones, vídeos, etc.
2. Codificación abierta: después de recopilar el material, el inves-
tigador comienza a generar unas categorías iniciales de signifi-
cado, elevando la información a un grado mayor de abstracción.
Las categorías surgen por el manejo de los datos. Estas catego-
rías pueden ser de distinto tipo: ambientales, perspectivas de los
sujetos, actuaciones, procesos cognitivos o emocionales, percep-
ciones de los sujetos, estrategias o relaciones entre los sujetos.
3. Codificación axial: de las categorías resultantes, se extrae
aquella que mejor represente el fenómeno de estudio, y se
denomina categoría central; el resto de las categorías deben
relacionarse con ella. Se termina esta fase con la creación de
un diagrama, denominado paradigma codificado, que es el
que se empleará para volver a los registros iniciales y compa-
rar su capacidad explicativa.
Un ejemplo de este tipo de diseño se puede encontrar en Shor-

land y Douglas (2010). El objetivo de esta investigación consistió
en el análisis de las alteraciones comunicativas en las relaciones de
amistad en pacientes con traumatismo craneoencefálico. Después
de las transcripciones de las entrevistas en profundidad semies-
tructuradas realizadas a los pacientes, se llevó a cabo un análisis
ERRNVPHGLFRVRUJ
de los datos con el propósito de extraer categorías relevantes. A

su vez, estas categorías fueron relacionadas en tópicos de categoría
superior. Según sus resultados, los tres tópicos de orden superior
extraídos a partir del análisis de los datos son detección de cam-
bios en el mantenimiento y establecimiento de amistades; detección
de cambios en las habilidades de comunicación, y dificultades para
“abrirse a los demás” asociadas a sentimientos negativos de miedo
o vergüenza. Los autores, además, exponen métodos para la mejora
de la credibilidad del estudio, en concreto: aplicación sistemática de
codificación, revisión por parte de un segundo investigador de las
categorías o tópicos y revisión de las transcripciones para asegurar
la ausencia de entrevista dirigida.
B) La investigación-acción
Consiste en un conjunto de acciones que no solo tratan de com-

prender un fenómeno, sino también de transformarlo. Es decir, es
un enfoque práctico. El objetivo de la investigación-acción es pro-
ducir un cambio que mejore la situación o los problemas que están
viviendo los participantes del estudio. Se utiliza a menudo en inves-
tigaciones para el desarrollo educativo y social.
Una característica fundamental de la investigación-acción es
que estos estudios no solo se hacen en la comunidad o grupo de
estudio, sino con ellos. Es decir, la investigación-acción es altamente
participativa. La investigación se comparte entre el investigador y
los participantes. En este sentido, el individuo no solo es objeto de
estudio, sino que colabora aportando ideas a la investigación y, ade-
más, tiene el rol de transformador del cambio.
El procedimiento en estos estudios es cíclico. Se comienza
con una etapa de planificación del cambio; después, una etapa de
actuación (intervención) y observación; se continúa con una re-
flexión sobre los cambios producidos, y se vuelve al punto inicial
de planificación hasta conseguir los objetivos propuestos en la in-
vestigación.
Se puede ver un ejemplo de este tipo de investigación en Ca-
ballero (2005). La autora expone una investigación realizada por
la Universidad de La Laguna, en colaboración con varios centros
de educación infantil y primaria, que tiene como objetivo abordar
ERRNVPHGLFRVRUJ
y estudiar la respuesta de los centros educativos al alumnado con

trastorno específico del lenguaje (TEL). En este artículo se recogen
las fases de la investigación y las estrategias de recogida y análi-
sis de la información. Se pretende desarrollar líneas de actuación
participativa con el alumnado en su totalidad –los profesores, los
padres y logopedas–, de modo que las prácticas y cambios introdu-
cidos también se analizan de manera colaborativa. La investigación
se realizó en cuatro fases cíclicas, cada una de ellas con sus objetivos
y estrategias. Las fases del estudio fueron las siguientes:
–– Identificación del problema y diagnóstico. Se contactó con los

centros que iban a formar parte del estudio y se negoció con
ellos, en total cinco. Al comienzo del estudio, el equipo de
investigación estaba formado por profesores universitarios,
pero posteriormente se incluyó a profesores de los centros
con alumnado con TEL y a logopedas. La recogida de infor-
mación se llevó a cabo mediante observación narrativa o no
estructurada, con el objetivo de observar y analizar las prácti-
cas en el aula, entrevistas a los padres, profesores, logopedas y
psicopedagogos de niños con TEL, sociogramas para analizar
las relaciones y cohesión de los grupos y análisis de material
documental. Para el análisis de los datos se utilizó el progra-
ma informático de análisis cualitativo ATLAS.ti.
–– Propuestas y desarrollo de la acción. Se situó el centro escolar
y el hogar como espacios de acción colaborativo, con el ob-
jetivo de implementar las pautas de intervención que favo-
recieran las necesidades específicas de los alumnos con TEL.
–– Observación y reflexión. La evaluación del programa se hizo
mediante observación no participante en el aula, con registros
narrativos y de tipo inventario no estructurado. Los resultados
apuntaron hacia una mejora en las habilidades de comunica-
ción en la integración y en la colaboración profesional.
C) El estudio de casos
El estudio de casos consiste en la selección de uno o varios ca-

sos que se consideran ilustrativos para estudiar en profundidad un
fenómeno. El investigador selecciona los casos más representativos
ERRNVPHGLFRVRUJ
que desea estudiar, aunque también pueden seleccionarse diferen-

tes casos que representen los distintos aspectos del fenómeno, pro-
curando que quede representado en su totalidad. En algunas oca-
siones, los investigadores estudian fenómenos no planificados si se
encuentran con un caso que puede aportar conocimiento al área.
Es una estrategia de investigación muy empleada en ciencias de
la salud, en ciencias sociales, en educación, etc.
Es necesario aclarar que el estudio de casos es distinto al diseño
de caso único visto con anterioridad. Este último se aborda desde
una perspectiva cuantitativa, en la que el investigador trata de ma-
nipular y controlar las variables que entran en juego en el estudio
del fenómeno. Desde la perspectiva cualitativa, aunque el número
de casos sea muy bajo o igual a uno, el objetivo del investigador es
comprender el fenómeno de forma global, dentro de su contexto, sin
alterar la realidad.
D) El método Delphi
El método Delphi es una estrategia de comunicación grupal que

permite a un grupo de expertos realizar predicciones, consensos o
diagnósticos sobre problemas complejos.
El procedimiento es el siguiente: se selecciona un grupo o pa-
nel de expertos sobre la materia o cuestión que se vaya a tratar y
se les envían cuestionarios para que expongan sus opiniones. Estos
cuestionarios deben garantizar el anonimato de los encuestados y
la máxima autonomía en cuanto a sus respuestas. El investigador
analiza los datos tanto cualitativa como cuantitativamente y extrae
unas conclusiones que se envían a los expertos junto con un nuevo
cuestionario. El proceso es cíclico. En cada ronda, analizando las
respuestas, se van acercando posturas y la dispersión de las opinio-
nes es cada vez menor. Se realiza hasta que los expertos llegan a un
consenso en sus respuestas.
Para garantizar la calidad del estudio, hay que tener cuidado en
la selección del panel de expertos y en la elaboración de los cues-
tionarios.
El uso de las nuevas tecnologías y herramientas actuales, como
por ejemplo los cuestionarios online, favorecen y facilitan el empleo
de estas estrategias metodológicas.
ERRNVPHGLFRVRUJ
E) El análisis narrativo
Se trata de un conjunto de técnicas de investigación mediante las

cuales se recopilan datos sobre la vida y las experiencias de ciertas
personas o grupos con el objeto de analizarlos y describirlos. Los
datos provienen de narraciones e historias creadas por las personas
y se pueden ser escritas (autobiografías), orales (grabaciones de en-
trevistas) o visuales (fotografías, vídeos, etc.).
El contenido del análisis puede referirse a la historia de vida, a
una etapa o a un suceso o acontecimiento concreto. Las historias,
posteriormente, se analizan en cuanto a su contenido con la inten-
ción de reconstruir la experiencia.
5.4. Los diseños mixtos
Existe una comparación histórica entre los métodos cuantitativos

y los cualitativos, entre las ventajas e inconvenientes que presentan
cada uno de ellos a la hora de interpretar o de acercarse a conocer la
realidad de un fenómeno. Tal y como se ha visto en capítulos ante-
riores, los métodos cuantitativos ofrecen la ventaja de trabajar con
amplias muestras, controlando variables y posibilitando hasta cierto
grado la generalización de los resultados. Por su parte, los métodos
cualitativos ofrecen una visión holística del fenómeno, aportando
datos más ricos y referidos a aspectos, como los procesos internos,
cuyo acceso es difícil desde otras perspectivas.
En un intento de aunar las ventajas o evitar los problemas de
cada una de estas perspectivas, surgen los métodos mixtos (no hay
que confundirlos con los diseños cuantitativos mixtos vistos en el
capítulo 3).
Los problemas estudiados por los investigadores de las ciencias

sociales y de la salud son complejos, y el uso de una aproximación
cuantitativa o cualitativa por sí misma es inadecuado para dirigir
esta complejidad. La naturaleza interdisciplinar de la investigación,
también, contribuye a la formación de equipos de investigación con
individuos de intereses metodológicos y aproximaciones diversas.
Finalmente, existe una mayor ganancia en la combinación de la
investigación cuantitativa y cualitativa que de cada una por sepa-
ERRNVPHGLFRVRUJ
rado. Su uso combinado provee un entendimiento expandido de

los problemas de investigación. (Creswell, 2009)
La característica principal que presentan estos métodos es que per-

miten abordar fenómenos complejos o multidimensionales superando
las limitaciones de cada método por separado. Es decir, por un lado la
falta de profundidad de los métodos cuantitativos y, por otro, la falta de
control y generalidad de los métodos cualitativos. Además, la conver-
gencia de los datos provenientes de ambas metodologías va a propor-
cionar un mayor grado de validez al estudio, mientras que la falta de
convergencia no supone necesariamente un grado menor de validez,
sino que puede considerarse un complemento de información. Estos
diseños, en general, conllevan varias fases cuantitativas y cualitativas,
por lo que son más costosos en tiempo y económicamente. En cuan-
to que suponen más de una medición, en algunos casos en distintos
momentos temporales, habrá que considerar las potenciales amenazas
que pueda conllevar, como puedan ser los efectos de la repetición.
Estos estudios se llevan a cabo, generalmente, cuando la inten-
ción del investigador es comparar datos cuantitativos y cualitativos
para mejorar las condiciones de un estudio experimental, para pro-
fundizar en las causas de los fenómenos, para seleccionar a poten-
ciales participantes de un estudio cualitativo o para identificar cues-
tiones de interés y profundizar después con un estudio cuantitativo.
Las posibilidades son tantas como objetivos pueda plantearse el
investigador.
5.4.1. Sistema de clasificación
Existen numerosas clasificaciones de los diseños mixtos. En esta

sección hacemos referencia al sistema de clasificación propuesto
por Creswell (2009) para, posteriormente, comentar algunos de los
principales diseños mixtos. Según el autor, hay cuatro aspectos im-
portantes a la hora de clasificar los diseños: el tiempo, el peso, la
integración y la teorización.
Los investigadores deben considerar el factor tiempo, es decir, si
las fases del estudio serán secuenciales o concurrentes. Si las fases
son secuenciales, tanto los aspectos cuantitativos como los cualitati-
ERRNVPHGLFRVRUJ
vos pueden ser considerados primero. Ello, en gran parte, dependerá

del interés del investigador, del objetivo de estudio y de las condicio-
nes en las que se realice este. Generalmente, cuando se toman datos
cualitativos primero, la intención del investigador es tener un primer
contacto con el objeto de estudio, explorándolo. Después, en una se-
gunda fase cuantitativa, se extiende el conocimiento utilizando una
mayor muestra representativa de la población. La razón, en muchos
casos, de que las fases sean concurrentes es la imposibilidad de ex-
tenderse en el tiempo, por ejemplo, en áreas de investigación clínica.
Otro factor que hay que considerar en los diseños mixtos es el
peso o la importancia diferencial que el investigador otorgue a unos
datos, cuantitativos o cualitativos, frente a los otros. En algunos es-
tudios el peso es el mismo, pero en otros el investigador pone un
énfasis mayor en un tipo de datos frente a los otros.
La integración de los datos, en un amplio sentido, desde la reco-
pilación, análisis e interpretación, es otro factor que el investigador
considera a la hora de diseñar una investigación con datos mixtos.
Por último, se considera también si la perspectiva teórica guía el
diseño completo. En los diseños mixtos, generalmente, las teorías se
encuentran generalmente al comienzo de la investigación guiando
otras cuestiones como el tipo de datos recopilados, los participantes
empleados o las implicaciones finales del estudio.
Cuadro 5.1. Clasificación de los diseños mixtos

atendiendo a los criterios de tiempo y peso
Orden de tiempo
Peso o énfasis
Concurrente Secuencial
CUAL → CUAN
Estatus igual CUAL + CUAN
CUAN → CUAL
CUAL → cuan
CUAL + cuan Cual → CUAN
Estatus dominante
CUAN + cual CUAN → cual
Cuan → CUAL
Nota: “cual” se refiere a diseños cualitativos, “cuan” a diseños cuantitativos, “+” a fases concurrentes,
“→” a fases secuenciales y letras mayúsculas denotan prioridad en la investigación.
Fuente: adaptado de Johnson y Onwuegbuzie (2004).
ERRNVPHGLFRVRUJ
5.4.2. Tipos de diseños mixtos
Atendiendo a los factores vistos en el apartado anterior, se van a

definir las características principales de varios diseños mixtos, reco-
gidos en Martínez-Arias, Castellanos y Chacón (2014).
A) El diseño explicativo
En este diseño el objetivo es recopilar información en una pri-
mera fase cuantitativa y, posteriormente, en una etapa cualitativa,
completar información explicando algunos de los resultados obte-
nidos en la primera fase. Puede utilizarse, por ejemplo, para exami-
nar y seleccionar potenciales participantes de un estudio cualitativo
posterior. Estas dos fases son secuenciales y no existe integración
de los datos más allá de una interpretación global final.
B) El diseño exploratorio
En este caso, las fases también son secuenciales, pero el orden de

recopilación de la información está invertido. Primero, se comien-
za con una etapa cualitativa, por ejemplo, mediante entrevistas en
profundidad u observación. Después de analizar la información, se
plantean hipótesis que se ponen a prueba mediante un diseño cuan-
titativo.
C) El diseño de triangulación
Es un diseño concurrente, es decir, la recogida de datos se reali-

za en el mismo momento temporal para las dos fases y se pretende
interpretar la información conjuntamente. Además, es un diseño de
estatus igual, es decir, no existe superioridad o más peso de una fase
sobre la otra; se pretende que ambas aporten aspectos complemen-
tarios o redundantes a las conclusiones finales, pero con la misma
importancia. La fusión de datos de ambas fuentes es compleja cuan-
do no están bien estructuradas las bases de datos.
Bien empleado, este tipo de diseño supone una importante fuen-
te de información y tiene gran poder de generalización.
ERRNVPHGLFRVRUJ
D) El diseño integrado (embedded design)
En este tipo de diseños la información también se recopila de

forma concurrente, pero existe una clara jerarquía entre las fases
(estatus dominante), es decir, en el peso o prioridad que el inves-
tigador quiera dar a los datos. El peso puede recaer sobre la fase
cuantitativa o sobre la fase cualitativa, siendo más común la prime-
ra. Se emplea la fase subordinada para aportar o dar apoyo a la fase
dominante.
5.4.3. Ejemplo de diseño mixto
Hughes, Gabel, Irani y Schlagheck (2010) realizan una investiga-

ción cuyo objetivo es evaluar las actitudes hacia las personas con
tartamudez. Para ello emplean un diseño mixto con énfasis cuali-
tativo.
Los autores señalan que la recopilación de datos cualitativos so-
bre las experiencias y opiniones de los participantes permite a los
investigadores generar nuevas teorías para explicar cómo los par-
ticipantes entienden el mundo que los rodea y el modo en que sus
actitudes, pensamientos y comportamientos se van formando por
este conocimiento. Sin embargo, también señalan que los métodos
cuantitativos proveen un entendimiento más generalizable. Es por
esta razón, y dado que la muestra empleada en el estudio lo permite,
por la que los autores eligen un diseño mixto que combina ambos
paradigmas, para intentar contribuir de una forma más completa al
conocimiento de las percepciones que tienen las personas con una
fluencia normal sobre las personas con tartamudez.
En concreto, el diseño empleado por los autores es un diseño mix-
to de conversión que podría clasificarse dentro de los diseños mixtos
exploratorios secuenciales.
Los autores comienzan con una etapa de recogida de informa-
ción cualitativa mediante encuestas con preguntas cerradas y abier-
tas y con entrevistas personales. Las entrevistas se emplearon para
clarificar si las respuestas a las encuestas se estaban interpretando
correctamente. En el análisis de los datos, las respuestas de los par-
ticipantes se organizaron y clasificaron hasta que, del propio proce-
ERRNVPHGLFRVRUJ
so, surgieron códigos superiores. Posteriormente, las descripciones

se clasificaron como positivas o negativas. El análisis cuantitativo se
realizó en este punto.
También los autores exponen un conjunto de estrategias que
se llevaron a cabo para aumentar la credibilidad y la fiabilidad del
estudio, como por ejemplo la triangulación mediante más de una
fuente de información (encuestas más entrevistas) o el cálculo del
grado de acuerdo entre distintos revisores en el establecimiento de
los códigos desde las respuestas de los participantes.
1. La característica que define a los diseños cuantitativos no experi-

mentales es que:
a) El investigador pretende dar explicación al fenómeno
solo en los casos estudiados. 
b) Son estudios de campo. 
c) No se manipula la o las variables independientes. 
d) Son estudios abiertos y flexibles. 
e) Aunque se recogen datos en la investigación, no existe
un interés fuerte por su análisis estadístico. 
2. En un diseño predictivo longitudinal o prospectivo:

a) Se pueden establecer relaciones causales entre las
variables empleadas en el estudio. 
b) El establecimiento de los grupos se realiza a partir
de los valores en la variable dependiente. 
c) Presentan la ventaja frente a los retrospectivos y a los
transversales de que la variable independiente antecede
a la dependiente. 
d) El investigador parte con los valores en todas las
variables al comenzar el estudio. 
e) Suele emplearse para buscar los factores de riesgo
asociados a ciertas patologías presentes en el
momento del estudio. 
ERRNVPHGLFRVRUJ
3. La observación natural consiste en:

a) Estudiar un fenómeno en su contexto bajo unas reglas
ofrecidas por el investigador. 
b) Que el propio individuo es el que observa y registra. 
c) La descripción de los fenómenos sin registros cuantitativos. 
d) Estudiar el fenómeno en su ambiente natural sin
ninguna restricción o regla. 
e) El registro de todas las conductas observadas de un
fenómeno de la naturaleza de interés para el
investigador. 
4. La investigación-acción es un tipo de diseño cualitativo:

a) Formado por un conjunto de acciones que no solo
tratan de comprender un fenómeno, sino transformarlo. 
b) Que representa una estrategia de comunicación grupal
entre expertos para predecir un fenómeno o llegar a un
consenso sobre una cuestión. 
c) Mediante el cual se recopilan datos sobre la vida y
experiencia de algunas personas con el objeto de analizarlo. 
d) Donde se ha seleccionado uno o varios casos que
presentan un fenómeno para estudiarlo en profundidad. 
e) Basado en entrevistas grupales, previamente
planificado y consensuado con los participantes. 
5. Dentro de los diseños mixtos, el diseño exploratorio está forma-

do por:
a) Fases concurrentes, donde el énfasis se pone por igual
en ambas fases. 
b) Fases secuenciales, se comienza con una etapa cualitativa
y se termina con una fase cuantitativa. 
c) Fases concurrentes, donde el énfasis o el peso de la
investigación recae sobre la fase cualitativa. 
d) Fases secuenciales, una primera fase cuantitativa y
posteriormente, en una etapa cualitativa. 
e) Fases concurrentes, donde el énfasis o el peso de la
investigación recae sobre la fase cuantitativa. 
ERRNVPHGLFRVRUJ
Investigación
epidemiológica
6
En este capítulo se presentan las investigaciones epidemiológicas,

que son un tipo de estudios centrados en la identificación de pro-
blemas de salud y sus factores de riesgo en poblaciones. En general,
estos trabajos poseen las mismas características que los que hemos
visto a lo largo del libro, pero presentan ciertas particularidades que
hay que tener en cuenta. En este capítulo veremos cuáles son las
medidas de ocurrencia y efecto que más se suelen utilizar y ana-
lizaremos cómo describir las propiedades de un instrumento de
diagnóstico a través de la sensibilidad y la especificidad. También
mencionaremos algunos de los diseños más comunes y estudiare-
mos qué sesgos principales amenazan la validez de estos estudios.
6.1. El concepto de epidemología
A mediados del siglo xix, el cólera seguía siendo una importante

causa de mortalidad. La bacteria que lo provoca, la Vibrio cholerae,
no había sido identificada aún (y no lo fue hasta 1884) y se desco-
nocían las causas de su propagación. La hipótesis generalizada era
la defendida por Von Liebig, que señalaba que se trataba de una
enfermedad miasmática, es decir, que se expande, de alguna forma
desconocida, a través del aire. William Farr, del Departamento de
Estadística del Gobierno inglés, frente a la epidemia de muertes
ERRNVPHGLFRVRUJ
que asolaba Londres y analizando los datos de los que disponía,

encontró una fuerte evidencia a favor de esta hipótesis. Allí donde
había un caso, se encontraban otros más (un hombre contaminado
contaminaba a los más cercanos). Sin embargo, el Dr. John Snow,
médico considerado posteriormente como uno de los padres de la
epidemiología, utilizó un enfoque diferente en 1849. Realizó un in-
tenso trabajo de campo, con entrevistas a enfermos, observaciones
y mapas de la distribución de la enfermedad para finalmente esta-
blecer que, la mejor explicación era que el cólera estaba causado
por un agente desconocido que se encontraba en el agua, y que se
transmitía al beber de ella. Posteriormente, esta hipótesis obtuvo
la confirmación definitiva cuando al cerrar todas las fuentes de la
ciudad de Londres marcadas por el Dr. Snow como sospechosas,
cesaron los casos de cólera. Este se considera el primer caso (o al
menos el más carismático) de la utilización de la epidemiología en
la historia moderna.
Podemos continuar con una definición:
La epidemiología es la disciplina científica que estudia la

frecuencia y distribución de fenómenos relacionados con la sa-
lud y sus determinantes en poblaciones específicas; y la aplica-
ción de esos conocimientos al control sanitario. (Royo y More-
no, 2009)
La epidemiología no solo estudia enfermedades, sino todo tipo

de fenómenos relacionados con la salud, como hábitos de consu-
mo, dieta, calidad de vida y uso de los servicios de salud. Entre
sus determinantes se encuentran factores que engloban todos los
niveles de los seres humanos, desde los más físicos y biológicos
hasta los más sociales y culturales. Hoy en día, no se comprende
una ciencia de la salud sin los conocimientos aportados por la epi-
demiología.
Es habitual dividir la epidemiología en dos ramas bien dife-
renciadas. Una epidemiología general o de la salud pública, que
hace hincapié en la cadena de sucesos que llevan a un individuo a
enfermar, y otra, epidemiología clínica que estudia la frecuencia y
distribución de las consecuencias de una enfermedad. El momen-
to temporal es el que crea estas dos ramas; la primera se centra
ERRNVPHGLFRVRUJ
Investigación epidemiológica 189
en el tiempo anterior a la enfermedad, y la segunda en el tiempo

posterior.
Sin querer ser exhaustivos podemos establecer algunas de las
características principales de la epidemiología:
–– Está centrada en el estudio de poblaciones a lo largo del tiem-

po, aunque también se realizan estudios en laboratorio. Una ca-
racterística común es el análisis poblacional. Los hallazgos en-
contrados en el laboratorio pueden ser poco informativos para
la salud de una persona. Por ejemplo, en el laboratorio puede
encontrarse que la exposición a niveles altos de una sustancia
puede producir la muerte; sin embargo, un individuo nunca es-
tará expuesto a esos niveles, sino que recibirá pequeñas dosis
a lo largo de un periodo muy largo de tiempo. El estudio so-
bre cómo esas pequeñas dosis pueden inducir la enfermedad a
unos individuos y a otros no es el objetivo de la epidemiología.
–– Estar centrados en las poblaciones y buscar su descripción
más precisa conlleva una preocupación mayor que en otras
áreas metodológicas para utilizar correctos procedimientos
de muestreo.
–– Los estudios, por sus características casi siempre descriptivas,
contendrán una gran cantidad de variables de confundido
que provocan efectos mediados y moderados. Los estudios
epidemiológicos no suelen poseen una fuerte validez interna,
pero lo compensan con estudios muy ecológicos.
–– En áreas muy sensibles, en las que la manipulación de las cau-
sas es imposible, trabajar con estudios epidemiológicos es la
mejor manera de acercarse a estas enfermedades. Esto ocu-
rre por ejemplo en los casos de muerte por cáncer, tabaquis-
mo, tuberculosis, etc.
–– Debido a las características de sus diseños, los estudios epide-
miológicos utilizan medidas de las variables que le son pro-
pias y que no comparten con otros tipos de estudios. Estas
medidas se estudiarán en el siguiente apartado.
Los estudios epidemiológicos aportan un conocimiento que

puede sernos de gran utilidad para las siguientes tareas relaciona-
das con la salud:
ERRNVPHGLFRVRUJ
–– Identificar las causas de las enfermedades. Este es el objetivo

de la epidemiología general. Identificar cuáles pueden ser los
motivos que llevan al desarrollo de una enfermedad. Estos
motivos o factores de riesgo se estudian a través de los dise-
ños de cohortes. Por ejemplo, Halawa, Fernández-Freire y Pé-
rez (2012) utilizaron un diseño de cohorte única para identifi-
car los factores de riesgo en el desarrollo de nódulos vocales,
para una población diagnosticada previamente de disfonía;
se encontró un efecto significativo de la edad, la ansiedad, la
depresión, el consumo de tabaco y la rinitis alérgica.
–– Medir el tiempo de inducción, incubación o duración de las
enfermedades. Al utilizar estudios longitudinales, con múlti-
ples mediciones en el tiempo, es posible estimar el tiempo
medio de incubación o propagación de una enfermedad.
Esta información es crucial a la hora de diseñar estrategias
de cuarentena, para la prevención de epidemias y procesos
contagiosos. En el estudio anterior sobre los nódulos vocales,
al tratarse de un estudio longitudinal, pudieron concluir que
la duración media del cuadro de disfonía era de cuatro años.
–– Establecer pronósticos sobre las enfermedades. Además de
identificar las causas de una enfermedad, en los estudios epi-
demiológicos prospectivos se pretende establecer cuál será
el progreso más probable, desarrollando estrategias que se
adapten a él.
–– Los conocimientos aportados permiten a los organismos de
salud pública, tanto nacionales como internacionales, crear
programas de intervención sobre enfermedades específicas.
–– Distintas poblaciones pueden tener necesidades preventivas
diferentes, en función de variables como la alimentación, la
situación geográfica, los hábitos de consumo, etc. Al poseer
conocimientos sobre las causas de la enfermedad y también
de las características de la población, es posible diseñar estra-
tegias de intervención adaptadas a las condiciones de cada
grupo. Por ejemplo, en su estudio, Skeat et al. (2014) anali-
zaron los factores sociales que facilitaban el acceso a los
servicios especializados a niños con problemas del lengua-
je. Encontraron que, exclusivamente, la preocupación de los
progenitores, y no otras variables, eran los predictores de ese
ERRNVPHGLFRVRUJ
uso del servicio; concluyeron que era necesario desarrollar

otros métodos de apoyo a las familias.
–– Cualquier plan de intervención debe llevar un seguimiento
para poder evaluar la eficacia de las medidas adoptadas en él.
Esta evaluación deberá contemplar tanto la eficacia (efectos
positivos bajo condiciones ideales) como la efectividad (efec-
tos positivos bajo condiciones reales) y eficiencia (relación
entre los costes y los beneficios). Por ejemplo, Bovo, Galce-
ran, Petruccelli, y Hatzopoulos (2007) pusieron a prueba la
efectividad de un programa preventivo de disfonía en docen-
tes, y encontraron beneficios a largo plazo del grupo que reci-
bió el tratamiento sobre el grupo que no lo recibió.
–– Desde hace años, se ha instalado en los organismos públicos
la obligatoriedad de tomar decisiones basadas en evidencia
empírica (evidence-based practice). Es decir, cualquier de-
cisión de relevancia para los individuos de un grupo o co-
munidad debe estar respaldada por estudios empíricos que
la avalen. Esta estrategia pretende proteger a los individuos
de decisiones arbitrarias guiadas por los propios intereses o
creencias. Sin la epidemiología no sería posible una salud pú-
blica basada en evidencia empírica, ya que una buena parte
de los conocimientos parten de ella.
6.2. Medidas usadas en epidemiología
En epidemiología, es frecuente utilizar medidas específicas que nos

informan de la presencia o evolución de una enfermedad en una
población. Aunque existen infinidad de ellas, aquí presentamos las
más comunes, porque son las más ampliamente utilizadas en los es-
tudios. En general, la mayoría de las otras medidas no son sino mo-
dificaciones o extensiones de estas que presentamos.
Las medidas se dividen en tres tipos: medidas de ocurrencia, que
nos indican cuantos casos positivos o nuevos diagnósticos se produ-
cen en una población en un periodo determinado; medidas de efecto,
que nos permiten calcular la influencia de un factor de riesgo en una
enfermedad, y medidas de diagnóstico, que describen las propiedades
métricas de herramientas construidas para diagnosticar pacientes.
ERRNVPHGLFRVRUJ
6.2.1. Medidas de ocurrencia
Se suelen utilizar dos tipos importantes de medidas: las de preva-

lencia y las de incidencia. La prevalencia son los casos positivos
existentes en una población en un periodo de tiempo; mientras que
la incidencia son los nuevos casos positivos diagnosticados en ese
periodo. Se suele hablar de dos tipos de incidencia: la acumulada y
la tasa o densidad de incidencia. Por último, veremos una medida
similar a la prevalencia que son los odds.
Para ejemplificar las diferentes medidas, vamos a utilizar la fi-
gura 6.1, en la que se representa la evolución de un grupo de diez
sujetos. En el eje horizontal se sitúa el tiempo, medido en meses, y
cada sujeto se representa por una línea horizontal. La entrada del
sujeto en el estudio se representa con un círculo. Como puede verse,
algunos sujetos (1, 2 y 7) se incorporan más tarde a la investigación.
El momento del diagnóstico de la enfermedad, se representa con un
aspa; a partir de ahí, la línea será discontinua.
10
9
8
7
6
Sujetos
5
4
3
2
1
0
0 5 10 15 20
Tiempo (meses)
Figura 6.1. Ejemplo de diez sujetos y su diagnóstico en el tiempo.
A) Prevalencia
Es la proporción de casos positivos en un momento o periodo.

Es una medida estática, como una fotografía, de la situación de una
enfermedad en un momento determinado. El periodo puede ser
muy corto, y entonces se hablaría de prevalencia puntual, o de ma-
yor duración, en cuyo caso se hablaría de prevalencia de periodo.
ERRNVPHGLFRVRUJ
número de casos positivos en el periodo

P = .
total de la población
En nuestro ejemplo, en el momento t5 (a los cinco meses del ini-

cio del estudio), tenemos tres casos diagnosticados en una pobla-
ción de ocho (todavía los sujetos 1 y 7 no se han incorporado al
estudio) por lo que tenemos una prevalencia de:
3
P(5 meses ) = = 0, 37.
8
A los 15 meses, esa prevalencia será de 7/10 = 0,7; estas serían

prevalencias puntuales, porque han sido calculadas para un mo-
mento concreto (t5 y t15). Si calculásemos una prevalencia periodo
para los 20 meses, el valor sería ocho casos diagnosticados de diez,
P = 8/10 = 0,8.
La interpretación de la prevalencia es sencilla, ya que en una
proporción sus valores estarán entre 0 y 1 y, al multiplicarlos por
100, se convierten en porcentajes. Por ejemplo, el último cálculo lo
interpretaríamos como, estudiando un periodo de 20 meses, el 80 %
de los sujetos tienen la enfermedad.
B) Incidencia acumulada
Se define como la proporción de personas que han sido diagnos-
ticadas como casos positivos, en un periodo de tiempo, respecto al
total de personas que podían enfermar en ese periodo.
número de nuevos casos positivos en el periodo

IA = .
número de personas diagnosticables al inicio del periodo
Es la proporción de personas que han enfermado en un periodo.

La diferencia con la prevalencia es que en la anterior considerába-
mos todos los casos positivos, aunque estos hubiesen sido diagnos-
ticados en un periodo previo. Ahora solo se consideran los nuevos
diagnósticos. Es una medida dinámica porque nos informa de la ve-
ERRNVPHGLFRVRUJ
locidad de contagio de una enfermedad. Partimos de un grupo de

sujetos al que observamos continuamente y, cuando se produce la
enfermedad, se considera un nuevo caso. Un aspecto fundamental
en la incidencia es la definición del periodo, que debe ser ni de
masiado pequeño, para que no se produzcan nuevos casos, ni dema-
siado largo, en el que toda la población se ha convertido en casos
positivos, y por tanto, su valor sea 1. La incidencia se mide siempre
sobre una cohorte cerrada, es decir, partimos de un grupo de sujetos
que estudiamos desde el principio y sobre el que no pueden incor-
porarse nuevos sujetos.
Con nuestros datos, supongamos que establecemos dos periodos
de diez meses consecutivos cada uno. En el primer periodo parti-
ríamos de una cohorte de siete sujetos, ya que los sujetos 1, 2 y 7
no pueden ser considerados, al no estar desde el inicio del periodo;
tendríamos cuatro casos de siete, por tanto, IA = 4/7 = 0,57. En el se-
gundo periodo, partiríamos de cinco casos, aquellos que todavía no
han sido diagnosticados y que están desde el inicio del periodo (por
eso el caso 1 no se tiene en cuenta); tendríamos tres diagnósticos,
por lo tanto, IA = 3/5 = 0,60.
La interpretación de la incidencia acumulada es similar a la pre-
valencia, porque también es una proporción, pero la IA nos informa
de lo virulenta que es una enfermedad o la velocidad de su expan-
sión. En nuestro caso, hemos pasado de 0,57 a 0,60. Se podría in-
terpretar como que nuestra enfermedad ha pasado de un 57 % de
nuevos casos a un 60 %, es decir, en el paso de diez meses, hay un
3 % más de probabilidad de sufrirla.
A veces también se la interpreta como riesgo, pero en ese caso
debemos estar seguros de que todos los sujetos que consideramos
en el denominador pueden realmente desarrollar la enfermedad.
Por ejemplo, habría que eliminar los sujetos inmunes o los que por
edad u otras características no podrían desarrollarla.
C) Tasa de incidencia
La incidencia acumulada no permite introducir nuevos sujetos

en el estudio si no es al principio de un periodo. Sin embargo, la tasa
de incidencia sí lo permite, porque la unidad de análisis no son los
casos, sino el tiempo de observación por sujeto.
ERRNVPHGLFRVRUJ
La tasa de incidencia se define como el número de casos nue-

vos por cada unidad-tiempo de observación. A veces, se la conoce
simplemente como incidencia o densidad de incidencia. Esta tasa
permite que se incorporen nuevos sujetos al grupo de observa-
ción, porque estos están ponderados por el tiempo que se les ob-
serva.
número de casos nuevos

TI = .
número de personas × tiempo en observación
El numerador es el mismo que para la incidencia acumulada,

pero el denominador es diferente. Veamos cómo calcularlo para
el periodo de los diez primeros meses: el primer sujeto no está
ningún mes en observación en ese periodo (0); el segundo está sie-
te meses en observación (desde su entrada el tercer mes hasta
el fin del periodo); el tercero está cuatro meses (desde el inicio
del periodo hasta su diagnóstico el cuarto mes). El resto de los
meses del tercer sujeto no se tienen en cuenta, ya que no puede ser
rediagnosticado, si pudiera (por ejemplo, porque se registran los
contagios múltiples), entonces sí se considerarían. Con el resto de
sujetos obtendríamos los valores: 2, 10, 5, 3, 10, 10 y 10. Y el total
de periodos observados serían 61, por lo que la tasa de incidencia
para el primer periodo sería:
4
TI (t -t = = 0,065.
0 10 )
61
Esta tasa está medida en el inverso del tiempo, así que se

puede interpretar como que se producen 0,065 diagnósticos por
cada mes. También es común calcular el inverso de la tasa de
incidencia = 1/TI, que en nuestro caso sería 1/0,065 = 15,38, y
se puede interpretar como el tiempo medio de observación (en
meses) hasta que se produce un diagnóstico. Pero, cuidado, ese
valor no es el tiempo de vida o de diagnóstico para un sujeto, ya
que esos quince meses se reparten entre el conjunto de sujetos
observados.
ERRNVPHGLFRVRUJ
D) Odds
Es la división de la proporción de casos positivos entre la pro-

porción de casos negativos.
casos positivos
prop. de positivos =
Odd = casos totales = casos positivos .
casos negativos casos negativos
prop. de negativos =
casos totales
En la fórmula, al tener en el numerador y denominador los casos

totales, estos son eliminados, dando lugar a la fórmula simplificada
de la división de los casos positivos entre los casos negativos. El
término odd no tiene una traducción clara al castellano, y en la ma-
yoría de los manuales se deja con el término inglés odd aunque en
algunos libros se traduce como posibilidades o momios.
Con nuestros datos, si calculamos el odd de ser diagnosticado en
todo el periodo observado (los veinte meses) obtendríamos:
8
Odds = = 4.
2
Y ese 4 lo interpretaríamos como que es cuatro veces más pro-

bable ser diagnosticado con la enfermedad que no serlo. Los odds
tienen valores entre 0 y más infinito, y mantiene una distribución
desigual de las puntuaciones. En caso de que haya más casos negati-
vos que positivos estará entre 0 y 1; en caso de que haya los mismos
su valor será 1, y si hay más casos positivos que negativos irá entre
1 y más infinito.
6.2.2. Medidas del efecto
Se calculan cuando se quiere conocer el efecto que un determinado

factor de riesgo produce en el desarrollo de la enfermedad. Para
ello se comparan los índices de dos poblaciones distintas. Una de
ERRNVPHGLFRVRUJ
ellas con presencia del factor de riesgo (llamado grupo de compa-

ración o grupo 1), y la otra sin su presencia (grupo de referencia o
grupo 0). La comparación puede hacerse como una resta, en el caso
del riesgo atribuible, o como una división, en el riesgo relativo y los
odds ratios. Para que la comparación tenga cierta validez, es nece-
sario presuponer que los dos grupos son exactamente iguales en
todo, excepto en la presencia o ausencia del factor de riesgo. Si no,
el cálculo estaría afectado por múltiples amenazas.
A) Diferencia de tasas y diferencia de riesgo
De forma genérica se conoce a las dos como riesgo atribuible, y

no son más que la diferencia entre dos tasas de incidencia, en caso
de la primera, y dos incidencias acumuladas, en caso de la segunda.
Como todas las medidas de efecto, sirven para comparar el efecto
producido por la exposición a un factor de riesgo. Por ejemplo, su-
pongamos que la tasa de incidencia para el diagnóstico de un tras-
torno en personas con un factor de riesgo es de 0,8; y para aquellas
que no tienen el factor de riesgo es de 0,3. La diferencia de tasas
sería 0,8 – 0,3 = 0,5; por lo que el efecto de tener el factor produce
un incremento de 0,5 por unidad de observación, frente a los que no
tienen el factor de riesgo.
Diferencia de riesgo = IAG.1 – IAG.0 .
Diferencia de tasas = TIG.1 – TIG.0 .
B) Riesgo relativo
Se define como la razón entre dos proporciones, bien dos preva-
lencias o, lo que es más común, la división de dos tasas de incidencia.
TI
RR = G .1
.
TI G .0
En el ejemplo anterior, si calculásemos el riesgo relativo sería

RR = 0,8/0,3 = 2,7. Esto se podría interpretar como que es 2,7 ve-
ERRNVPHGLFRVRUJ
ces más probable ser diagnosticado del trastorno perteneciendo al

grupo que posee el factor de riesgo, que perteneciendo al grupo
que no lo posee. A veces, se puede expresar como un porcentaje,
y para ello se multiplica por 100 el valor. En nuestro caso, se di-
ría que la incidencia es de un 270 % en la población con el factor
respecto a la población sin él. Al igual que sucede con los odds, es
muy común encontrárselo en los textos con el término inglés de
risk ratio.
C) Odds ratio
Es la división de dos odds. Se calculan los odds para dos pobla-
ciones distintas y se dividen. Es especialmente útil para el estudio
de casos y controles, y enlaza directamente con los modelos de re-
gresión logística, que se utilizan ampliamente en el análisis de datos
epidemiológicos. Supongamos unos datos ficticios en los que tene-
mos dos poblaciones distintas (caso-control) y en las que hemos
encontrado las siguientes frecuencias (cuadro 6.1):
Cuadro 6.1. Ejemplo para el cálculo de odds ratio

Caso Control
Sí 120 50
Enfermedad
No 80 250
odds G. 1
Odds ratio = .
odds G. 0
Veámoslo con nuestro ejemplo: definimos al grupo de casos

como G.1 y al grupo de controles como G.0. Calculamos los odds
para cada uno de ellos:
120 50
Odds G.1 = = 1,5; Odds G.0 = = 0,2.
80 250
ERRNVPHGLFRVRUJ
1,5
Odds ratio = = 7,5.
0,2
Este 7,5 es la relación que existe entre la probabilidad de ser

diagnosticado entre los casos y los controles. Los casos tienen siete
veces (7,05) más probabilidad de sufrir la enfermedad que los con-
troles. Al igual que los odds, los odds ratio tienen una distribución
no equivalente. Cuando el riesgo es mayor para el grupo de control
o de referencia, tienen un valor entre 0 y 1; cuando el riesgo es el
mismo, tiene un valor de 1, y cuando es mayor para el grupo compa-
rado o de casos, tiene un valor entre 1 y más infinito. Esta asimetría
puede ser confusa de interpretar y conlleva problemas en el análisis
de datos. Por ejemplo, los valores 0,13 y 7,5 tienen el mismo efecto.
El primero a favor del denominador (los controles) y el segundo a
favor del numerador (los casos). Sin embargo, sus valores absolutos
son muy diferentes, lo que puede ser un problema al usar técnicas
estadísticas con ellos. Una forma habitual de solucionarlo es calcu-
lando el logaritmo natural de los OR.
lnOR = logaritmo natural (odds ratio).
Después de esta trasformación, la distribución será simétrica en

torno al cero, con valores negativos y positivos a favor del denomi-
nador y numerador respectivamente. En nuestro caso, los valores
serían Ln(0,13) = –2,01 y Ln(7,5) = +2,01; como puede apreciarse,
el mismo efecto queda representado por el mismo valor, y el signo
explicita la dirección. Por supuesto, si se lleva a cabo la transfor-
mación, hay que ser cautos con la interpretación, ya que ahora no
representan la división de dos posibilidades, sino el logaritmo de
esa división.
Existe un riesgo de interpretar los odds ratio como riesgo rela-
tivo sobreestimando el efecto. Por ejemplo, en el caso anterior, si
hubiésemos calculado el RR, habríamos obtenido un valor de 3,6.
El riesgo consiste en calcular OR, pero interpretarlo como un RR,
sobredimensionando el efecto del factor de riesgo. Aunque su signi-
ficado es muy parecido, hay que recordar que los RR es una división
ERRNVPHGLFRVRUJ
de proporciones (se utiliza el total de la población en el denomina-

dor), mientras que los OR es una división de odds.
D) Proporción atribuible y proporción atribuible poblacional
Un valor que sería interesante conocer es qué porcentaje de los

diagnósticos se debe al factor de riesgo y no a otros factores. Este
valor puede obtenerse a través del cálculo de la proporción atribui-
ble. Estas proporciones pueden calcularse para todas las medidas
de efecto que hemos visto –las incidencias, el riesgo relativo y los
odds ratio– usando las siguientes fórmulas:
IAG .1 – IAG .0
Proporción atribuible (incidencia acumulada ) = .
IAG .1
RR – 1
Proporción atribuible (riesgo relativo) = .
RR
OR – 1
Proporción atribuible (odds ratio) = .
OR
En el ejemplo que pusimos para el cálculo de la diferencia de

riesgo sería:
0,8 – 0, 3
Proporción atribuible = = 0,62.
0,8
Se interpretaría que el 62 % de las personas observadas deben

su enfermedad al hecho de estar expuestos al factor de riesgo. Si se
eliminase ese factor de riesgo, se prevendría un 62 % de los casos
de enfermedad.
Y calculando a partir del ejemplo el riesgo relativo sería:
2, 7 – 1
2, 7
ERRNVPHGLFRVRUJ
Como se ve, coincide con la calculada a partir de la diferencia de

riesgo, ya que ambas parten de los mismos datos de ejemplo.
Y, por último, en el ejemplo del odds ratio quedaría como:
2,08 – 1
2,08
Esta interpretación de la proporción atribuible puede ser enga-

ñosa. En realidad no vamos a prevenir el 62 % de los casos de la
población total, ya que dependerá del número de personas que real-
mente están expuestas al factor de riesgo en ella. Por muy virulento
que sea un factor de riesgo, tendrá poco efecto si en la población
lo sufre un porcentaje muy pequeño de personas. Hay otro cálculo
similar que sí tiene en cuenta cuál es la proporción del factor de
riesgo en la población. Es la proporción atribuible poblacional y,
de igual manera, puede ser calculada para la diferencia de riesgo,
riesgo relativo y odds ratios introduciendo – 1 + 1 P en los denomi-
0
nadores.
Para el caso de la diferencia de riesgo:
IAG .1 – IAG .0
Proporción atribuible poblacional = .
IAG .1 – 1 + 1
P0
Para el caso del riesgo relativo:
RR – 1
RR – 1 + 1
P0
Donde P0 es la proporción de casos con el factor de riesgo en

la población. Por ejemplo, suponiendo que el factor de riesgo
(por ejemplo, tabaquismo) se da en el 20 % de la población to-
tal con nuestros datos, los cálculos, partiendo del riesgo relativo,
serían:
ERRNVPHGLFRVRUJ
2, 7 – 1
Proporción atribuible poblacional = = 0,25.
2, 7 – 1 + 1
0,20
Es decir, eliminando el factor de riesgo, mejoraríamos la enfer-

medad en un 25 % de la población total y no un 62 % como había-
mos obtenido antes.
Para el caso de los odds ratio la fórmula sería la siguiente:
OR – 1
OR – 1 + 1
P0
6.2.3. Medidas de diagnóstico
Cuando trabajamos con pruebas diagnósticas en las que el instru-

mento de medida debe decidir si el sujeto posee un trastorno o enfer-
medad, además de tenerse en cuenta sus propiedades psicométricas
generales, deben calcularse índices especiales como la sensibilidad y
especificidad. Estos indicadores no son sino comprobaciones empí-
ricas de la utilidad y validez de la prueba. Veamos un ejemplo: tene-
mos dos grupos de sujetos a los que, utilizando criterios muy seguros
(como técnicas de neuroimagen), se les ha diagnosticado como en-
fermos y sanos; de tal forma que tenemos una seguridad total en este
diagnóstico inicial. En segundo lugar, tenemos una segunda prueba,
de la que queremos estudiar su capacidad de clasificación. En este
caso acabaríamos obteniendo un cuadro como el siguiente:
Cuadro 6.2. Posibles resultados en una clasificación

Naturaleza de la enfermedad
Resultado de la prueba Enfermo Sano Total
VP FP
Positivo VP+FP
(Verdaderos positivos) (Falsos positivos)
FN VN
Negativo FN+VN
(Falsos negativos) (Verdaderos negativos)
Total VP+FN FP+VN Todos
ERRNVPHGLFRVRUJ
La naturaleza de la enfermedad viene determinada por el diag-

nóstico (supuestamente infalible) de la primera prueba. Pongamos
un ejemplo numérico para que se vean los cálculos más claros (cua-
dro 6.3):
Cuadro 6.3. Ejemplo numérico para el cálculo

de medidas de diagnóstico
Naturaleza
Prueba Enfermo Sano Total
Positivo 40 20 60
Negativo 10 30 40
Total 50 50 100
A) Sensibilidad y especificidad
Una pregunta que podría surgir al lector es “si ya disponemos

de una prueba altamente segura, ¿para qué construir y validar una
segunda prueba?”. Imagine que la primera prueba es muy costosa y
que requiere del traslado al hospital o una intervención peligrosa
(como en el caso de la extracción de líquido cefalorraquídeo para el
diagnóstico del alzhéimer), mientras que la segunda puede hacerse
en el lugar del propio paciente, con muy pocos riesgos y molestias
y con un coste ínfimo. Ese podría ser un buen motivo para querer
desarrollar una segunda prueba. Además, la situación puede com-
plicarse aún más; podríamos hacer los cálculos considerando que la
primera prueba no es 100 % confiable (o incluso no existiendo en
absoluto). Pero eso nos llevaría a modelos estadísticos más comple-
jos en los que no podemos entrar. Partamos de que, al pasar nuestra
prueba, somos capaces de conocer previamente si el sujeto tiene o
no la enfermedad. En este caso, podemos definir la sensibilidad y la
especificidad como:
VP VN
Sensibilidad = ; Especificidad = .
VP + FN VN + FP
ERRNVPHGLFRVRUJ
En la primera, lo que estamos calculando es, de todos los enfer-

mos, qué proporción hemos diagnosticado adecuadamente, y nos
informa de la capacidad de detectar un caso positivo real. La segun-
da es, de todos los sujetos sanos, qué proporción hemos detectado
como sanos. Es decir, la sensibilidad nos dice cuánto hemos acerta-
do con los enfermos y la especificidad cuánto hemos acertado con
los sanos.
Con los datos de nuestro ejemplo estos índices serían:
40 30
Sensibilidad = = 0,80; Especificidad = = 0,60.
50 50
Lo ideal sería trabajar con pruebas con alta sensibilidad y alta

especificidad, pero esto no siempre es posible. Normalmente, al
aumentar una, disminuimos la otra. Imaginemos que modificamos
la prueba para que sea más sensible, permitiéndonos diagnosticar
más verdaderos positivos. Por el contrario, al ser más liberales en
el diagnóstico positivo, provocaremos que más casos sean diag-
nosticados erróneamente como positivos, y aumenten los falsos
positivos, lo que provocará un descenso en la especificidad.
Dependiendo de los objetivos de la prueba, preferiremos op-
timizar la sensibilidad o la especificidad. Por ejemplo, las pruebas
de screening deben poseer mucha sensibilidad, ya que los falsos
positivos serán posteriormente descartados con otras pruebas. En
pruebas donde el tratamiento sea muy agresivo, como en el cán-
cer o la tuberculosis, con repercusiones fatales para los pacientes,
deberíamos preocuparnos de la especificidad, para no tratar a un
enfermo que no deba ser tratado.
B) Valores predictivos
En la práctica, cuando se realiza una prueba, solo sabemos si el

diagnóstico ha sido positivo o negativo, pero no es posible saber si
el sujeto tiene realmente o no la enfermedad. Para ello, se calculan
los índices de valor predictivo que indican cuál es la probabilidad de
que un sujeto diagnosticado positivamente tenga en realidad dicha
enfermedad.
ERRNVPHGLFRVRUJ
VP
Valor predictivo positivo = .
VP + FP
VN
Valor predictivo negativo = .
VN + FN
El valor predictivo positivo es la probabilidad de tener realmen-

te la enfermedad en caso de que la prueba haya dado un diagnósti-
co positivo. En nuestro ejemplo sería:
40
VPP = = 0,67.
60
Lo interpretaríamos como que un paciente diagnosticado por

la prueba tiene un 67 % de probabilidades de tener realmente la
enfermedad.
El valor predictivo negativo es justo lo contrario, la probabilidad
de que un sujeto con un diagnóstico negativo esté realmente sano, y
con nuestros datos sería:
30
VPN = = 0, 75.
40
La interpretación es equivalente al caso positivo: un paciente no

diagnosticado tiene una probabilidad del 75 % de estar realmente
sano.
C) Razón de verosimilitudes
La influencia de la prevalencia de una enfermedad afecta mu-

cho a los cálculos de los valores predictivos. En el ejemplo anterior,
hemos partido de un grupo en que la prevalencia de la enfermedad
era del 50 %, había 50 enfermos y 50 sanos. Esta prevalencia puede
darse en una cohorte o grupo especial, pero no es realista un valor
tan centrado en poblaciones reales. Imaginemos dos poblaciones de
ERRNVPHGLFRVRUJ
un millón de habitantes cada una de ellas y con dos enfermedades

distintas. La primera tiene una prevalencia de 0,2 y la segunda una
mucho más alta, de 0,9. En estos casos, teniendo el instrumento con
la misma sensibilidad y especificidad, habríamos obtenido valores
predictivos muy distintos. Los datos obtenidos para estas dos pobla-
ciones se encuentran en los cuadros 6.4 y 6.5.
Cuadro 6.4. Ejemplo de enfermedad con baja prevalencia

Naturaleza
Sensibilidad: 0,80
Prueba Enfermo Sano Total Especificidad: 0,60
Positivo 160 000 320 000 480 000 VPP: 0,33
VPN: 0,92
Negativo 40 000 480 000 520 000 RVP: 2,00
RNV: 0,33
Total 200 000 800 000 1 000 000
Cuadro 6.5. Ejemplo de enfermedad con alta prevalencia

Naturaleza
Sensibilidad: 0,80
Prueba Enfermo Sano Total Especificidad: 0,60
Positivo 720 000 40 000 760 000 VPP: 0,95
VPN: 0,25
Negativo 180 000 60 000 240 000 RVP: 2,00
RNV: 0,33
Total 900 000 100 000 1 000 000
Cuando tenemos enfermedades muy poco frecuentes, el VPP

tiende a ser muy bajo, como en el cuadro 6.4. Eso quiere decir que
un enfermo diagnosticado solo tiene el 33 % de probabilidad de
tener realmente la enfermedad. En el caso contrario (cuadro 6.5),
cuando la prevalencia es muy alta, el VPN pasa a ser del 25 %, eso
quiere decir que un paciente no diagnosticado, en realidad, solo tie-
ne un 25 % de probabilidad de no tener la enfermedad. Tanto en el
primer caso como en el segundo, los valores no están siendo dema-
siado informativos.
ERRNVPHGLFRVRUJ
Para evitar esta dependencia de los valores pronosticados de

la prevalencia de la enfermedad, se calculan las razones de proba-
bilidad, también llamadas razón de verosimilitudes o cocientes de
probabilidades. Estos valores, al no depender de la prevalencia, son
más informativos y permiten comparar entre distintos estudios aun-
que provengan de poblaciones distintas.
sensibilidad
Razón de verosimilitudes positiva = .
1 – especificidad
1 – sensibilidad
Razón de verosimilitudes negativa = .
especificidad
Véase como los cálculos de la positiva y la negativa dan el mismo

valor para ambas poblaciones (RPP = 2,0; RPN = 0,33; cuadros 6.4
y 6.5), ya que no dependen de la prevalencia. Los valores ahora se
sitúan entre 0 y más infinito, interpretándose de la siguiente mane-
ra: cuanto mayor sea la RVP, mejor capacidad de diagnóstico de la
prueba.; con un valor de 2,0, podríamos decir que un diagnóstico
positivo es el doble de probable en un sujeto enfermo que en uno
sano, y, por otro lado, con una RVN igual a 0,33, podríamos interpre-
tar que la probabilidad de obtener un diagnóstico positivo es solo
un tercio mayor en un sujeto sano que en un sujeto enfermo.
D) Curvas ROC
Normalmente, las pruebas diagnósticas no son tan sencillas como

lo hemos presentado hasta ahora. Lo normal es que existan distin-
tos umbrales de diagnóstico, y que cada uno de esos umbrales pre-
sente niveles distintos de sensibilidad y especificidad. Por ejemplo,
la prueba EAT-40 para el trastorno de la conducta alimentaria tiene
un umbral de 30 puntos para diagnosticar a alguien con un tras-
torno alimentario. Según fuésemos bajando el umbral de recuento
(se necesita menos puntos para el diagnóstico), aumentaremos la
sensibilidad, ya que se nos escaparán menos verdaderos positivos.
Por otro lado, al hacerlo, iremos disminuyendo la especificidad y
ERRNVPHGLFRVRUJ
aumentando los falsos positivos. Como se comentó al principio del

apartado, dependiendo de los objetivos de la prueba, debemos pres-
tar más atención a la especificidad o a la sensibilidad. Una buena
herramienta para encontrar un umbral con el balance adecuado en-
tre ellas son las curvas ROC (receiver operator characteristic curve),
utilizando estas curvas se ha encontrado que un valor de 21 en el
EAT-40 funciona mucho mejor que el de 30 (Irala et al., 2008).
En estas curvas se representan en el eje vertical la sensibili-
dad (relacionada con los verdaderos positivos) y en el horizon-
tal 1 – Especificidad (relacionada con los falsos positivos). En el
fondo, esta gráfica está representando la razón de verosimilitud
positiva, donde el eje x es el numerador, y el eje y el denominador
de la fórmula.
Figura 6.2. Ejemplo de curva ROC.
En la figura 6.2 puede verse un ejemplo de dos curvas ROC en

una prueba, una para hombres y otra para mujeres. Lógicamente,
lo que deseamos son los valores más altos de sensibilidad y los más
bajos de 1 – Especificidad, por lo que lo ideal serían valores lo más
cercanos a la esquina superior izquierda. Los umbrales que corres-
ponden a los puntos dentro del rectángulo de puntos parecen los
óptimos para esta prueba para ambos sexos. Hay muchos análisis
asociados con las curvas ROC, pero no podemos entrar en detalles
sobre ellos.
ERRNVPHGLFRVRUJ
6.3. Diseños y tipos de estudios epidemiológicos
No hay diseños específicos para la epidemiología, sino que la meto-

dología que se utiliza puede englobarse en la metodología general
que se ha visto en los capítulos de este libro. Algunos de los diseños
en los trabajos epidemiológicos adoptan nombres propios y otros
son adaptaciones de diseños más generales.
En los manuales de epidemiología suelen utilizarse diferentes
criterios de clasificación para los diseños. Según la finalidad del
estudio, se habla de diseños descriptivos y diseños analíticos. Los
primeros estudiarían la frecuencia y distribución de las enfermeda-
des en la población; mientras que los segundos profundizarían en la
búsqueda de relaciones de causa-efecto.
También se pueden distinguir entre aquellos cuya unidad de
análisis es el individuo y en los que la unidad de análisis es la po-
blación. Los primeros se centran en el paciente y tienden a ser más
analíticos; mientras que los segundos analizan datos agregados de
individuos, como países, regiones o ciudades. Dentro de estos se-
gundos destacan los llamados estudios ecológicos.
Otro factor de clasificación es la direccionalidad del estudio,
distinguiéndose entre diseños prospectivos y retrospectivos. En los
primeros, se llevará a cabo un seguimiento del grupo o cohorte
durante un tiempo determinado para identificar posibles causas
explicativas en aquellos individuos que desarrollen la enferme-
dad. En los segundos, se partirá de sujetos ya diagnosticados para,
utilizando la memoria y otros tipos de registros, identificar las cau-
sas y factores de riesgo relevantes.
El tiempo de duración del estudio puede llevar a dos tipos de
situaciones: situaciones transversales, de corta duración y comunes
en estudios analíticos; y situaciones longitudinales, de larga dura-
ción y más comunes en estudios descriptivos.
Y, por último, en función del control que el investigador ejerce
sobre las variables, se habla de estudios observacionales (sin nin-
gún control) y experimentales (existe manipulación de las causas).
A continuación, se verán algunos de los diseños más comunes
y comentaremos brevemente las similitudes y diferencias con los
diseños generales ya vistos.
ERRNVPHGLFRVRUJ
6.3.1. Estudios de cohortes
Se caracterizan por la identificación y seguimiento de un grupo de

individuos para detectar y cuantificar la aparición del evento o en-
fermedad a lo largo del tiempo. Cada grupo de estudio se denomina
cohorte y se define como un conjunto de personas que comparten
una exposición y que evolucionan juntas a lo largo del tiempo. La
mayoría de los estudios de cohortes son prospectivos, aunque tam-
bién son posibles estudios retrospectivos o de cohortes históricas,
donde las causas explicativas deben determinarse a través de regis-
tros.
Cuando se utiliza una única cohorte general, el objetivo del es-
tudio es describir las frecuencias de ocurrencia de un evento para
inferirlo a la población. Cuando se parte de una única cohorte que
viene definida por su exposición a un factor de riesgo, se compa-
ran las frecuencias obtenidas en la cohorte con las obtenidas en la
población. Los estudios que manejan dos o más cohortes suelen
utilizar una de ellas expuesta al factor y la otra no, para comparar
después las frecuencias.
Por ejemplo, como hemos mencionado antes, Halawa et al.
(2012) utilizaron un diseño de cohorte única para identificar los
factores de riesgo en el desarrollo de nódulos vocales para una po-
blación diagnosticada previamente de disfonía, y encontraron un
efecto significativo de la edad, la ansiedad, la depresión, el consumo
de tabaco y la rinitis alérgica.
6.3.2. Estudios de caso-control
Son estudios observacionales y descriptivos en los que se identifica

a un grupo de casos con una particular enfermedad o condición. A
estos se les asocia un grupo de control que no la posean. La selec-
ción de los sujetos (especialmente de los casos) no puede ser alea-
toria, por lo que están sujetos a fuertes amenazas. Estos estudios se
utilizan con dos objetivos: con un paradigma retrospectivo, sirven
para identificar factores de riesgo de una enfermedad, y desde un
paradigma prospectivo se utilizan para comparar la evolución y el
desarrollo de la enfermedad. Su principal ventaja es que son más
ERRNVPHGLFRVRUJ
baratos y rápidos que los estudios de cohortes, especialmente en

aquellas enfermedades de prevalencias bajas, en las que tendríamos
que tener una cohorte muy numerosa para obtener solo unos pocos
casos. Al no tener selección aleatoria, las amenazas son muy nume-
rosas y, para reducirlas en parte, se recomienda utilizar, si es posible,
casos incidentes (recién diagnosticados) frente a prevalentes (casos
con alta duración en la enfermedad), y casos poblacionales frente
a casos hospitalarios. Con estos diseños, normalmente se analiza el
efecto de factores de riesgo, a través de odds ratio y otras medidas
del efecto.
A veces estos diseños se combinan con los de cohortes, para me-
jorar su validez, como en el caso de los estudios de caso-control
anidado a una cohorte. En estos, se parte de una cohorte de sujetos
en la que cada vez que aparece un caso se le asocia aleatoriamente
otro sujeto de la misma cohorte como control. Tienen la ventaja
de contar con mediciones longitudinales, tanto de los casos como de
los controles, pero puede ser peligroso si los controles se convierten
sistemáticamente en casos durante su transcurso.
En su trabajo de 2014, Horcajuelo, Criado-Álvarez, Correa y
Romo-Barrientos utilizaron un diseño de caso-control para evaluar
la fluidez semántica en enfermos de alzhéimer y un grupo de con-
trol. Para ello, utilizaron el test Isaac, sobre el que estimaron la sen-
sibilidad y especificidad y con el que concluyeron la existencia de
diferencias entre los grupos.
6.3.3. Estudios de prevalencia o transversales
Son estudios de tipo descriptivo en los que, en un único momento

temporal, se toman mediciones a un grupo de sujetos. Estas medi-
ciones se hacen tanto de la exposición a múltiples factores de ries-
go como del diagnóstico de la enfermedad. La diferencia con los
anteriores es que, en estos, la fuerza de las conclusiones recae en
el muestreo, ya que se puede contar con muestras muy grandes y
representativas. Para realizarlos, primero se selecciona, mediante
muestreo probabilístico, una muestra en una población determina-
da. Sobre ellos se toman las mediciones, de tal forma que los datos
de prevalencia serán muy representativos de la población estudiada.
ERRNVPHGLFRVRUJ
Una vez identificados los casos y los controles, se puede calcular el

efecto que los diferentes factores de riesgo tienen sobre la aparición
de la enfermedad. Estos estudios tienen la ventaja de poder trabajar
con múltiples enfermedades simultáneamente, abaratando costes.
Normalmente, se utilizan como estudios previos antes de pasar a
los de cohortes. Una amenaza severa que tienen es que, en enfer-
medades graves y rápidas, la cantidad de casos prevalentes estará
sobredimensionada, con el consiguiente sesgo de los resultados. Es-
tos estudios serían equivalentes a la metodología correlacional y a
los diseños de encuesta.
6.3.4. Estudios ecológicos
Al igual que todos los anteriores, son de tipo descriptivo, pero se

diferencian de ellos en que la unidad de análisis no es el individuo,
sino alguna área geográfica, como un país, región o ciudad. En estos
estudios no se suelen tomar medidas individuales a los sujetos, ni
del factor de exposición, ni de la incidencia de la enfermedad, sino
que estas se estiman a través de algún tipo de registro. Por ejemplo,
para estudiar la relación entre las instalaciones nucleares y el cáncer
en un estudio ecológico, no se mide a los habitantes, sino que se in-
fieren los valores de ambas. Por ejemplo, el nivel de radiactividad de
una población se puede inferir a partir de su distancia a una instala-
ción nuclear; y el número de casos de cáncer, se obtendría a través
del registro obligatorio de enfermedades, llevado a cabo por los or-
ganismos de salud pública. Los estudios ecológicos suelen situarse
con niveles muy bajos de validez interna, ya que las posibilidades de
amenazas son incontables. Por otro lado, son muy baratos, ya que no
se necesita acceder a los individuos.
6.3.5. Estudios experimentales y cuasiexperimentales
Son idénticos a los que se han estudiado en los capítulos 3 y 4, con

las mismas exigencias para la causalidad (asignación aleatoria de
los sujetos y manipulación de las causas) y con las mismas amenazas
ERRNVPHGLFRVRUJ
y estrategias de control. Sin embargo, suelen utilizarse con nombres

propios:
–– Estudios no controlados. También llamados estudios an-

tes-después. Son equivalentes a los diseños pretest y postest,
sin grupo de control.
–– Estudios con controles históricos. Se comparan dos grupos
distintos con dos tratamientos diferentes, en dos momentos
temporales distintos. Por ejemplo, los resultados de un trata-
miento novedoso aplicado a un grupo se comparan con los
resultados que se obtuvieron en el pasado, con un tratamien-
to convencional, en un grupo anterior. La diferencia con los
pretest y postest con grupo de control es que no hay coinci-
dencia temporal entre los grupos. Las amenazas a la validez
son muy fuertes, pero, por otro lado, son sencillos y cómodos,
ya que siguen la trayectoria temporal del desarrollo de me-
dicamentos: se aplica el tratamiento existente a los pacientes
hasta que aparece uno nuevo; en ese momento se sustituyen
los tratamientos y empieza a aplicarse el moderno. Así, los
sujetos de uno y otro nunca coincidirán temporalmente.
–– Ensayos de campo. Se suelen utilizar para evaluar la efica-
cia de una intervención preventiva de una enfermedad. Se
selecciona un grupo de sujetos que, aleatoriamente, serán
asignados a los grupos con y sin intervención. Son equiva-
lentes a un diseño experimental de dos grupos con grupo de
control.
–– Ensayos clínicos. Igual que los anteriores, son experimentos
con grupo de control pero, en este caso, en vez de tener un
objetivo preventivo aplicado a personas sanas, se aplica
un tratamiento sobre enfermos. Esto conlleva importantes
cuestiones éticas para los grupos de control. En la literatura,
se suele distinguir entre ensayo clínico de grupos cruzados,
en el que al cabo del tiempo los grupos experimental y con-
trol intercambian los roles (el control recibe el tratamiento),
y ensayo clínico de grupos paralelos, en el que este cambio no
se produce. Todo lo comentado en el capítulo 3 es válido para
estos ensayos clínicos.
ERRNVPHGLFRVRUJ
6.4. Análisis de datos
Al igual que en el resto del libro, no es posible dar una explica-

ción detallada de las técnicas estadísticas y sus fundamentos, pero,
como hicimos en el capítulo 2, intentaremos presentar al lector un
listado con algunas de las más destacadas para que tenga cono-
cimiento de su existencia y, si así lo desea, pueda profundizar en
ellas.
Los estudios epidemiológicos hacen uso de la estadística gene-
ral aplicando las técnicas que se enunciaron en el capítulo 2, pero
también utilizan algunas más específicas y cuyo ámbito de aplica-
ción está más circunscrito a diseños concretos. Como ocurre con
los diseños de investigación, algunas de las técnicas que se utilizan
son idénticas a las estudiadas en los cursos generales de estadística,
pero con una terminología que es propia de los estudios epidemio-
lógicos.
Existe gran variedad de software para el análisis epidemiológico,
como Epi Info o Epidat. Los grandes paquetes estadísticos, como
SPSS o SAS, suelen añadir módulos especializados para su análisis.
El software R, que recomendamos en el capítulo 2, dispone de las
librerías EpiCalc y Epi Tools, que contienen los análisis más fre-
cuentes. Un listado de programas populares en epidemiología pue-
de encontrarse en www.ehdp.com/links/episw.htm.
A) Análisis crudo
En epidemiología, se utiliza el término análisis crudo para re-

ferirse a todos los análisis que solo tienen en cuenta dos variables
principales: la exposición y el efecto. Por ejemplo, las medidas que se
presentaron antes en este capítulo son medidas crudas, porque no
se estudian otras variables más que el tiempo de observación y el
diagnóstico.
Estas medidas crudas suelen completarse con la construcción de
intervalos de confianza y contrastes de hipótesis. En general, como
simplificación, se asume la normalidad de las distribuciones, y en el
caso de que estas sean asimétricas, como en todos los ratios, se suele
calcular el intervalo para su logaritmo natural, como vimos en los
odds ratio.
ERRNVPHGLFRVRUJ
B) Análisis estratificado
Consiste en la creación de subgrupos (estratos) en función de

una tercera variable cuyo factor de riesgo se quiere estudiar. Con
cada uno de los subgrupos creados, se calculan los estadísticos cru-
dos por separado y se comparan, para ver cómo cambian por efec-
to de esa tercera variable. En esa comparación, hay que tener en
cuenta que las características de cada estrato pueden ser muy di-
ferentes, con diferente número de casos, distribuciones distintas y
varianzas heterogéneas. Para poder llevar a cabo la comparación,
es necesario un proceso de “igualación” entre ellos, a través de una
estandarización de los datos, o utilizando los métodos de Woolf o
Mantel-Haenszel. A través de estos métodos, se pueden calcular
medidas del efecto ajustadas que no se vean afectadas por estas
diferencias. En las publicaciones, es más habitual aportar un OR
ajustado que el obtenido por el método crudo que vimos anterior-
mente, ya que estará menos sesgado.
C) Análisis de supervivencia
Son técnicas que permiten estudiar el desarrollo temporal de los

sujetos hasta la ocurrencia de un evento, como puede ser el conta-
gio, la muerte o el alta médica. En esencia, estos análisis construyen
una función de supervivencia que establece la probabilidad de que
en un individuo concreto, con determinadas características, no se
haya producido el evento en un momento t; por ejemplo, la probabi-
lidad de que un fumador siga vivo dos años después de su diagnós-
tico de cáncer. Existen multitud de técnicas de análisis de supervi-
vencia, pero las más comunes son los estimadores de Kaplan-Meier
y la regresión de Cox.
D) Modelos multinivel
Las causas que explican la evolución de una enfermedad suelen

organizarse en múltiples niveles, lo que es necesario tener en cuen-
ta. Por ejemplo, los determinantes como las causas genéticas y bio-
lógicas serán cruciales, pero también lo serán los hábitos persona-
les o, incluso, las características sociales. Estos modelos multinivel
ERRNVPHGLFRVRUJ
ermiten organizar la información de los individuos en estos nive-

p
les previamente determinados, y estudiar su relevancia en la expli-
cación de un fenómeno.
6.5. La validez en los estudios epidemiológicos
Como cualquier investigación científica, los diseños epidemioló-

gicos, se tienen que evaluar respecto a los cuatro tipos de validez
que vimos en el capítulo 2: validez interna, externa, de construc-
to y la validez de las conclusiones estadísticas. Como vimos en
los apartados 2.12 y 2.13, la utilización de uno otro, presentará
mejores niveles en una de ellas. Por ejemplo, los estudios experi-
mentales son los más altos en validez interna y los ecológicos en
validez externa.
Los comentarios sobre las amenazas a la validez del capítulo 2
siguen siendo igualmente válidos ahora; aunque hay algunas ame-
nazas que no han sido todavía vistas y que son importantes en epi-
demiología.
6.5.1. Amenazas por la selección de los sujetos
En epidemiología, la selección de los participantes es una parte

esencial del diseño. Debemos representar correctamente a la po-
blación para poder estimar las medidas poblacionales, como la pre-
valencia, incidencia, etc. Estas amenazas son más importantes en los
diseños de caso-control, aunque todos los diseños pueden sufrirlas.
Todos los sesgos de selección, provienen del hecho de que la rela-
ción entre la exposición y la enfermedad es diferente entre la mues-
tra y la población. Podemos citar las siguientes amenazas:
a) Utilización de voluntarios. Suelen presentar características

particulares que les convierten en un grupo diferenciado.
Este sesgo, que parece que pueda afectar solo a nivel psico-
lógico o social, puede también afectar a estudios biológicos.
Por ejemplo, en países donde la sanidad no es gratuita, la per-
tenencia al estudio puede ser el único modo de recibir trata-
ERRNVPHGLFRVRUJ
miento, con la consiguiente distorsión de los resultados por

las características peculiares de los voluntarios.
b) Sujetos que no responden. Los sujetos que no responden o
que rechazan participar en el estudio pueden tener caracte-
rísticas definitorias que no serán incluidas en la muestra. En
un estudio es conveniente insistir a estos sujetos hasta conse-
guir un porcentaje razonable de ellos.
c) Mortalidad experimental. Son sujetos que abandonan el es-
tudio. Especialmente importantes en los diseños de tipo lon-
gitudinal con largos periodos de tiempo. Si los abandonos
son aleatorios, producirán una pérdida de potencia y validez
externa del estudio; pero si están vinculados a alguna causa
relacionada con el fenómeno, además, conllevarán pérdida de
validez interna.
d) El sesgo de los trabajadores sanos. En muchos estudios,
se parte de los conglomerados naturales que son las empre-
sas para reclutar a sus participantes. En temas de salud esta
decisión es peligrosa ya que los trabajadores suponen un sub-
grupo más sano que la población general. Las empresas, con
sus políticas de contratación, ya han realizado una selección
sobre la salud y fortaleza de sus trabajadores, por lo que una
muestra que parta de ellos tenderá a infraestimar cualquier
enfermedad.
e) Sesgo de Berkson. Un sesgo opuesto al anterior es la paradoja
o sesgo de Berkson. Este se produce cuando se seleccionan a
los sujetos a través del hospital. Por ejemplo, en los estudios
de caso-control en los que, para igualar a los casos, se bus-
can controles también hospitalarios (registrados por el centro
pero sin la enfermedad bajo estudio). Esos controles pueden
tener características de salud diferentes a las poblacionales,
siendo más ecuánime utilizar controles no hospitalarios.
f) Sesgo de Neyman o sesgo de supervivencia. Ocurre en en-
fermedades con alta virulencia y gravedad. Se produce al
seleccionar casos prevalentes en vez de incidentes. Los ca-
sos incidentes son aquellos nuevos casos diagnosticados y
los prevalentes son los que ya llevan un cierto tiempo con el
diagnóstico. Si la enfermedad es mortal, los prevalentes re-
presentan a aquellos que han sobrevivido y, por tanto, pue-
ERRNVPHGLFRVRUJ
den tener características muy especiales que no se dan por

igual en la población. La recomendación es utilizar, si es posi-
ble, los casos incidentes para evitar este sesgo.
g) Sesgo por inclusión/exclusión. Es un sesgo típico de los estu-
dios de caso-control. Se produce cuando se incluyen (o exclu-
yen) determinados sujetos por padecer alguna enfermedad
supuestamente relacionada con la que se está estudiando.
Aunque el objetivo inicial es evitar la contaminación del es-
tudio con otras enfermedades, puede ocurrir que los sujetos
excluidos presenten características específicas. Por ejemplo,
para estudiar el efecto de la píldora sobre el cáncer, si los con-
troles se eligen entre mujeres sanas sin cáncer, se producirá
una infraestimación de los casos de cáncer, ya que ese grupo
habría demostrado ser más resistente a la enfermedad que la
población normal.
6.5.2. Amenazas por la clasificación de los sujetos
Cuando en un estudio hay que diagnosticar o clasificar a los sujetos

(por ejemplo, entre enfermos o sanos, caso o control, posee o no
posee un factor de riesgo), se pueden producir amenazas que afec-
tarán a la validez. En general, la utilización de instrumentos de me-
dida siempre es una amenaza en sí, especialmente en estudios de ca-
so-control. Cuando las propiedades del instrumento (sensibilidad y
especificidad) son iguales para ambos grupos, se ha demostrado que
existe una tendencia a infraestimar el efecto real (conocido como
clasificación errónea no diferencial). Por otro lado, cuando la sensi-
bilidad y especificidad sí son diferentes entre los grupos, también
se puede producir efectos de infra- y sobreestimación (clasificación
errónea diferencial). Algunas de las amenazas a esta clasificación
errónea diferencial son:
a) Sesgo de diagnóstico. Se produce cuando se dedican más es-

fuerzos a detectar una enfermedad en el grupo expuesto al
factor de riesgo que en el no expuesto. Por ejemplo, progra-
mando más revisiones o utilizando pruebas más sensibles.
ERRNVPHGLFRVRUJ
Esto producirá una clasificación errónea diferencial con una

sobreestimación del efecto.
b) Sesgo de exposición. Similar al anterior pero se produce en
los caso-control. En el anterior sesgo, a los que tenían un fac-
tor de riesgo se les forzaba el diagnóstico. En este caso, a los
que ya tienen el diagnóstico se les fuerza la identificación del
factor de riesgo. De igual forma producen una clasificación
diferencial y una sobreestimación.
c) Sesgo de recuerdo. Se produce en los estudios retrospectivos,
en los que se pide a los sujetos que recuerden si estuvieron ex-
puestos a un factor de riesgo. No es tanto un problema de me-
moria, que afectaría a ambos grupos, sino de que se produzca
un recuerdo diferencial; por ejemplo, que los enfermos recuer-
den mejor que los controles el haber estado expuestos al factor
de riesgo. Este sesgo de recuerdo también puede extenderse a
otras formas de registro; por ejemplo, cuando los médicos con-
sideran importante y hacen anotaciones de la frecuencia de
consumo de cigarrillos en los casos pero no en los controles, por
lo que se produce una sobreestimación del efecto del tabaco.
d) Sesgo protopático. También llamado de latencia. Se produce
cuando el factor de riesgo se convierte en un factor de pro-
tección. Por ejemplo, cuando se empiezan a percibir los pri-
meros síntomas de una posible enfermedad, el sujeto puede
modificar drásticamente sus hábitos antes del diagnóstico,
por lo que se produce una infraestimación del efecto.
1. La proporción de personas que han sido diagnosticadas en un

periodo de tiempo se llama:
a) Odds ratio. 
b) Riesgo relativo. 
c) Densidad de incidencia. 
d) Prevalencia. 
e) Incidencia acumulada. 
ERRNVPHGLFRVRUJ
2. La proporción de personas de la población que se beneficia de no

poseer el factor de riesgo se conoce como:
a) Riesgo relativo. 
b) Tasa de incidencia. 
c) Odds ratio. 
d) Proporción atribuible poblacional. 
e) Proporción atribuible. 
3. La proporción de personas sanas que han sido erróneamente

diagnosticadas con una enfermedad se llama:
a) Falsos positivos. 
b) Verdaderos positivos. 
c) Falsos negativos. 
d) Verdaderos negativos. 
e) No tienen un término especial. 
4. Si queremos comparar la sensibilidad y especificidad de dos en-

fermedades con diferentes valores de prevalencia en la población
debemos utilizar:
a) Odds ratios. 
b) Seis grupos de sujetos. 
c) La razón de verosimilitud. 
d) El valor predictivo positivo. 
e) El valor predictivo negativo. 
5. En epidemiología se llaman ensayos de campo a lo que en el resto

de la metodología se conoce como:
a) Diseño experimental de dos grupos con grupo
de control. 
b) Diseño cuasiexperimental de dos grupos con grupo
de control. 
c) Diseño experimental factorial. 
d) Diseño cuantitativo explicativo prospectivo. 
e) Diseño cuantitativo explicativo retrospectivo. 
ERRNVPHGLFRVRUJ
Metaanálisis
7
A lo largo de este capítulo se detallan las características del me-

taanálisis como método o herramienta de integración de diferen-
tes investigaciones que tratan un mismo objeto de estudio. Frente
a revisiones literarias o narrativas, el metaanálisis se caracteriza
principalmente por ser sistemático y objetivo, lo que posibilita, a
su vez, la replicabilidad de estos estudios, considerándose esta una
de las características más importantes del método científico. La
integración o acumulación de evidencia en torno a un problema
de investigación favorece un acercamiento entre los resultados de
la investigación y la práctica profesional. Es por ello por lo que los
metaanálisis son una herramienta fundamental para la práctica ba-
sada en la evidencia. A continuación, también se exponen las dis-
tintas fases propias del metaanálisis. El desarrollo de cada una de
estas fases va acompañado de la presentación de un ejemplo para
una mejor comprensión. Por último, se analizarán las principales
amenazas específicas a la validez de estos estudios.
7.1. La práctica basada en la evidencia
La práctica profesional debería considerar en su labor los últimos

avances científicos para la mejora de los diagnósticos, evaluaciones y
tratamientos que realiza. Sin embargo, esto no siempre ha sucedido
ERRNVPHGLFRVRUJ
así, debido en gran parte a la falta de integración del conocimiento

científico que versa sobre un tema específico de investigación en un
momento temporal dado.
La práctica basaba en la evidencia (PBE) es una corriente de ac-
ción que tiene como guía el empleo de la evidencia científica para el
diseño de las intervenciones (Botella y Gambara, 2006). Para supe-
rar las limitaciones expuestas, la PBE se basa en los últimos avances
metodológicos.
Hoy en día, existe una gran aportación a la comunidad científica
de estudios que evalúan programas de intervención o tratamientos,
y resulta una tarea complicada para el profesional decidir en cuál de
ellos debe basar su práctica.
La PBE se ha potenciado gracias al surgimiento y extensión
de nuevas herramientas metodológicas, como son las revisiones
sistemáticas y el metaanálisis, que van a ayudar al profesional en
el proceso de toma de decisiones en su labor diaria. En realidad,
la revisión sistemática es una primera fase dentro del metaaná-
lisis.
Glass (1976) define el análisis primario como el análisis original
de los datos en un estudio de investigación, es decir, lo que cono-
cemos como un estudio empírico. El análisis secundario lo define
como un re-análisis de los datos originales con el objetivo de con-
testar a la pregunta original con mejores técnicas o formular nuevas
cuestiones con los datos originales y, por último, denomina metaa-
nálisis al análisis estadístico de una gran colección de resultados de
estudios individuales con el propósito de integrarlos.
Hasta hace pocos años, las revisiones realizadas por los investi-
gadores sobre un tema objeto de estudio descansaban sobre la sub-
jetividad e interpretación que dicho investigador ofreciera al reali-
zar la revisión de un conjunto de trabajos recopilados. Este tipo de
revisiones son conocidas como revisiones literarias o narrativas; las
conclusiones extraídas de tales revisiones podrían estar cargadas de
subjetividad y sesgos de interpretación por parte del investigador.
Frente a este tipo de revisiones, surgen las sistemáticas, como par-
te de un proceso de extracción de evidencias con una metodología
objetiva, clara y rigurosa, que permita su posterior replicación; es
decir, se espera que cumplan los requisitos exigibles a cualquier in-
vestigación dentro del ámbito científico.
ERRNVPHGLFRVRUJ
Metaanálisis 223
Una revisión sistemática es un tipo de investigación cientí-

fica mediante la cual se revisa la literatura científica sobre un
tópico, partiendo de una pregunta formulada de forma clara y
objetiva, utilizando métodos sistemáticos y explícitos para lo-
calizar, seleccionar y valorar críticamente las investigaciones
relevantes a dicha pregunta y aplicando protocolos sistemáticos
para la recogida de datos e información de dichas investigacio-
nes, con el objetivo de alcanzar conclusiones válidas y objeti-
vas sobre qué es lo que dicen las evidencias sobre dicho tópico.
(Sánchez-Meca, 2010)
Cuando, además de una valoración de las evidencias recopiladas,

se obtiene un índice cuantitativo de la magnitud del efecto estudiado
o abordado por los estudios primarios, se denomina metaanálisis:
Podemos definir el meta-análisis, en una acepción muy gene-

ral, como la tarea de describir de forma comprensiva, integrar y
analizar, con procedimientos cuantitativos, los resultados obteni-
dos en las investigaciones científicas realizadas sobre un proble-
ma concreto. Se trata, por tanto, de intentar alcanzar generaliza-
ciones mediante la integración de los resultados obtenidos en un
cuerpo de investigaciones empíricas. (Botella y Gambara, 2002)
Se podría decir que un metaanálisis incluye siempre una revisión

sistemática, pero una revisión sistemática no tiene por qué conver-
tirse en un metaanálisis:
Si en una revisión sistemática somos capaces de cuantificar,

mediante algún índice estadístico del tamaño del efecto, los re-
sultados de cada estudio empírico integrado y de aplicar téc-
nicas de análisis estadístico para extraer la esencia de dichos
estudios, entonces una revisión sistemática se convierte en un
meta-análisis. (Sánchez-Meca y Botella, 2010)
Los estudios de metaanálisis van a favorecer la puesta en marcha

de la PBE, pues ahorra al profesional gran cantidad de tiempo en
la lectura y síntesis de una colección, a veces inabordable y contra-
dictoria, de literatura. Gracias al metaanálisis un profesional podrá
resolver cuestiones como saber cuál es la magnitud del efecto glo-
bal de los distintos tratamientos empleados o qué factores pueden
dar cuenta de la heterogeneidad de las conclusiones entre distintos
ERRNVPHGLFRVRUJ
estudios. Dar respuesta a estas preguntas es el objetivo principal de

un metaanálisis.
Una de las características de las revisiones sistemáticas y del me-
taanálisis, que supone una mejora en la calidad de estos estudios
frente a las revisiones narrativas, es que los criterios de inclusión de
los estudios primarios se definen de antemano y se hacen explícitos
en el proceso de publicación.
Tal y como exponen Sánchez-Meca, Boruch, Petrosino y Rosa-Al-
cázar (2002), la PBE debe basarse en dos principios fundamentales:
1. Las mejores evidencias científicas provienen de revisiones

sistemáticas.
2. Es preciso articular un sistema de comunicación que permita
llevar tales evidencias de una forma rápida a políticos, ges-
tores, profesionales que atienden a pacientes y receptores de
los programas, así como al público en general.
En los últimos años han surgido organizaciones internacionales

cuyo objetivo es promocionar los principios de la PBE, facilitando
el acceso a las revisiones sistemáticas. Así, en el área de la medici-
na y ciencias de la salud surgió en 1993 la Colaboración Cochrane
(http://www.cochrane.org/). Se trata de una organización mundial
de investigadores, profesionales y personas interesadas en la salud
desde distintos ámbitos; por ejemplo, en política sanitaria, metodo-
logía de investigación o defensa del consumidor. Hoy en día, for-
man parte más de cien países y más de quince mil profesionales. El
fin de la organización es aportar información para el proceso de toma
de decisiones en el ámbito sanitario. La organización ha publicado
un manual de revisiones sistemáticas en intervenciones (Higgins y
Green, 2011, y su traducción al castellano, Manual Cochrane de re-
visiones sistemáticas de intervenciones, 2012).
Otra organización internacional creada para los mismos fines
pero en el área de criminología, justicia, educación, desarrollo inter-
nacional y bienestar social es Colaboración Campbell (http://www.
campbellcollaboration.org/).
Un investigador que pretenda ahondar sobre un tema de estudio
también puede beneficiarse de las conclusiones extraídas de un me-
taanálisis previo. Los metaanálisis ponen de manifiesto hasta dónde
ERRNVPHGLFRVRUJ
Metaanálisis 225
se ha investigado anteriormente y qué variables pueden estar afec-

tando a los cambios observados.
Una página de interés por el número de metaanálisis publicados
puede consultarse en http://www.um.es/metaanalysis/ (Sánchez-
Meca et al., s. f.).
7.2. Fases en la elaboración de un metaanálisis
Las fases de un metaanálisis son muy similares a las fases que se

llevan a cabo en cualquier estudio empírico, pero la principal dife-
rencia estriba en la unidad de análisis. Mientras que en un estudio
empírico la unidad de análisis es, generalmente, una persona, sobre
todo si nos referimos al ámbito de ciencias de la salud, en un meta-
análisis, la unidad de análisis es un estudio empírico. Un resumen
de estas fases puede encontrarse en Sánchez-Meca y Botella (2010).
Las fases que se llevan a cabo a la hora de realizar un metaaná-
lisis son las siguientes:
1. Formulación del problema.

2. Búsqueda y selección de estudios.
3. Codificación de los estudios.
4. Cálculo de los tamaños del efecto.
5. Análisis estadístico e interpretación.
6. Realización del informe.
A continuación, se describe cada una de estas fases junto con un

metaanálisis realizado por Law, Garrett y Nye (2004) que servirá
como ejemplo ilustrativo.
7.2.1. Formulación del problema
En la primera fase de un metaanálisis, al igual que en un estudio

empírico, hay que formular una pregunta o plantearse un problema
de estudio de forma clara y objetiva.
En esta fase hay que definir muy bien cuáles son las variables
que van a estar implicadas en el estudio, además de cómo van a ser
ERRNVPHGLFRVRUJ
operativizadas dichas variables. De ello, en gran parte, dependerá el

éxito de las siguientes fases del estudio.
En esta fase, el investigador plantea la justificación y los objeti-
vos del metaanálisis. En caso de que el metaanálisis no sea mera-
mente exploratorio, el investigador puede plantear hipótesis dentro
del problema formulado.
Law et al. (2004) realizan un metaanálisis para estudiar la eficacia
de la intervención en niños con trastorno del desarrollo del lenguaje
y del habla. Según los autores, las conclusiones extraídas de revisiones
previas son poco concluyentes debido en gran parte a la metodología.
Los objetivos de los autores se exponen claramente: (a) ¿hay evidencia
de que la intervención sea eficaz?; (b) ¿para qué subgrupos de niños
(caracterizados por sus habilidades de comunicación) la intervención
es más eficaz?, y (c) ¿en qué medida el administrador de la interven-
ción (personal clínico o padres entrenados, por ejemplo) o la duración
de la intervención modifica los efectos de la intervención?
7.2.2. Búsqueda y selección de estudios
Un metaanálisis incluye estudios que tienen características comu-

nes de diseño, si no sería imposible realizar análisis conjuntos con
los datos extraídos de cada uno de ellos. Por lo tanto, antes de co-
menzar la búsqueda de estudios empíricos que formen parte del
metaanálisis, hay que especificar los criterios de inclusión y de ex-
clusión de los estudios. Estos criterios variarán de un metaanálisis a
otro, pero generalmente se incluyen criterios referidos a:
a) Diseño: por ejemplo, los estudios deben incluir una medida

pretratamiento y otra medida postratamiento, o los estudios
deben incluir un grupo control y un grupo con tratamiento
con asignación aleatoria, etc.
b) Participantes: por ejemplo, estudios que incluyan muestras de
un determinado rango de edad y severidad de un trastorno.
c) Variables implicadas en el estudio: tipos de intervención reali-
zadas en los estudios primarios, duración de los tratamientos,
medición de las variables objeto de estudio, etc.
ERRNVPHGLFRVRUJ
Metaanálisis 227
Además, hay que comprobar los datos estadísticos que aportan

los estudios primarios para calcular los tamaños del efecto (medias,
desviaciones típicas, pruebas t, etc.).
Los criterios de inclusión de estudios del metaanálisis realizados
por Law et al. (2004) atendieron a aspectos de diseño (sujetos asig-
nados aleatoriamente a grupo control y experimental), de partici-
pantes (niños y adolescentes con dificultades del lenguaje y del ha-
bla), de la intervención (focalizada a mejorar la fonética expresiva
o receptiva, la sintaxis o el vocabulario) y de los resultados (habla
o fonología, sintaxis o vocabulario, tanto en la vertiente expresiva
como en la receptiva).
Una vez establecidos los criterios de inclusión y exclusión de
los estudios que van a ser empleados en el metaanálisis, hay que
comenzar la búsqueda de los estudios empíricos. En todo metaaná-
lisis, se debe incluir qué procedimientos y fuentes de información se
han empleado en esta búsqueda. Al realizar una revisión de traba-
jos, lo más apropiado sería incluir todas las investigaciones realiza-
das que plantean la misma pregunta, no solo una muestra de ellas.
En la práctica, esto no es posible, por lo que el principio que hay
que seguir es incluir el mayor número posible de investigaciones e
intentar que la muestra sea representativa y no esté sesgada.
En este punto, el investigador debe resolver una cuestión: si
incluir solamente estudios publicados o incluir también en la re-
visión otros trabajos como las tesis doctorales, ponencias en con-
gresos, etc. Existe una postura que consiste en que los trabajos no
publicados no suelen alcanzar los estándares de calidad adecua-
dos y, por tanto, no deberían ser incluidos en las revisiones. Frente
a esta postura, otros investigadores consideran que los resultados
de estos trabajos representan una valiosa fuente de información,
pues existe una tendencia general a publicar solamente aquellos
trabajos en los cuales se han encontrado efectos del tratamiento
sobre las variables estudiadas, lo que se conoce como sesgo de
publicación. Una revisión sistemática desde esta postura consi-
dera importante incluir ambos tipos de trabajos, los publicados y
los no publicados, pues, de otro modo, se estaría sobreestimando
el tamaño del efecto global calculado sobre el conjunto total de
estudios.
ERRNVPHGLFRVRUJ
Pueden combinarse trabajos localizados a través de fuentes for-

males e informales. Dentro de las fuentes formales se incluyen (a)
las bases bibliográficas electrónicas, como son PsycINFO, Medline,
PubMed, ERIC, CINAHL, etc., que serán seleccionadas dependien-
do del tópico estudiado; (b) la búsqueda en revistas especializadas;
(c) la búsqueda ascendente de trabajos, que consiste en consultar la
bibliografía sobre el tema seleccionado para encontrar otras inves-
tigaciones que traten el mismo objeto de estudio, y (d) la búsqueda
de trabajos en congresos o conferencias, etc. Dentro de las fuentes
informales de búsqueda de trabajos puede incluirse la estrategia de
contactar directamente con expertos sobre el tema, recurrir a estu-
dios no publicados, tesis doctorales, etc. Estos trabajos se denomi-
nan grey literature en el ámbito del metaanálisis.
Con el objeto de aumentar la fiabilidad en el proceso de inclu-
sión y exclusión de estudios, es recomendable que al menos dos ex-
pertos realicen esta tarea y se calcule el grado de acuerdo. Se debe
recordar que la característica principal de una revisión sistemática
y un metaanálisis es la replicabilidad.
Los estudios seleccionados en el metaanálisis deben incluirse y
señalarse como tal dentro de las referencias del informe final.
En el metaanálisis realizado por Law et al. (2004) se incluyeron
dos fuentes formales de búsqueda: por un lado, una revisión siste-
mática en bases bibliográficas y búsqueda de revisiones sistemáticas
y narrativas existentes. Las bases consultadas fueron Colaboración
Campbell y Cochrane, CINAHL, Embase, ERIC, Medline, PsycIN-
FO y el National Research Register (NRR). Esta búsqueda dio lu-
gar a la selección de 630 estudios, de los cuales 82 eran trabajos du-
plicados. Sobre un total de 548 artículos se aplicaron los criterios de
inclusión y se seleccionó un total de veintiún artículos. Esta muestra
se aumentó hasta 36 trabajos finales, incluyendo metaanálisis pre-
vios, artículos seleccionados por los autores de la revisión y a través
de Colaboración Campbell.
7.2.3. Codificación de los estudios
Tal y como se ha expuesto anteriormente, uno de los objetivos de

un metaanálisis puede ser tratar de contestar a la pregunta de por
ERRNVPHGLFRVRUJ
Metaanálisis 229
qué existe disparidad en los resultados de distintas investigaciones

que evalúan o abordan un mismo objeto de estudio. Puede ser que
existan variables moderadoras que estén influyendo sobre los ta-
maños del efecto. Para ello, se codificarán ciertas características de
los estudios que se considere que puedan cumplir este papel. La
selección de estas características debe basarse en criterios teóricos
y ser guiada por expertos.
Siguiendo la clasificación de Lipsey (2009) se puede distinguir
entre características metodológicas, sustantivas y extrínsecas.
Las características metodológicas son aquellas variables que se
refieren a la metodología y diseño del estudio. Por ejemplo, cues-
tiones relacionadas con el tipo de diseño, número de medidas pos-
tratamiento, tamaño muestral, etc. En muchos metaanálisis tam-
bién se codifican valoraciones sobre la calidad metodológica de
cada estudio.
Las características sustantivas incluyen variables relacionadas
con los tratamientos, con los participantes y con el contexto. Por
ejemplo, personal que aplica los tratamientos, duración de estos, va-
riables demográficas de los participantes, lugar donde se adminis-
traron los tratamientos, etc.
Por último, las características extrínsecas son aquellas variables
que en principio no deberían estar asociadas a la relación entre las
variables estudiadas, pero que el investigador sospecha que pue-
den estar afectando a los resultados, como por ejemplo el año o el
país de publicación.
Es muy importante que este proceso de codificación de carac-
terísticas de estudios sea realizado por investigadores de forma
independiente y se calcule el grado de acuerdo entre ellos.
Law et al. (2004) codificaron los estudios en cuanto a carac-
terísticas de los participantes (edad y severidad del trastorno),
la intervención (objetivo, administrador, intensidad y duración,
intervención participativa frente a directiva) y los resultados
(medidas dependientes centradas en el target de la terapia, en
un desarrollo global o niveles superiores de funcionamiento).
Además, un segundo autor realizó la codificación sobre una
muestra de los estudios y el nivel de acuerdo alcanzado fue del
94 %. El desacuerdo fue resuelto mediante discusión con un
tercer autor.
ERRNVPHGLFRVRUJ
7.2.4. Cálculo del tamaño del efecto
Cohen (1988) define el tamaño del efecto como el grado en que un

fenómeno está presente en la población; es decir, el tamaño del efec-
to expresa en qué medida está presente en la población la relación
hallada entre las variables. Existen diversos índices que reflejan esta
relación dependiendo de la naturaleza de las variables.
Encontrar un efecto estadísticamente significativo, cuando este
es de pequeña magnitud, puede ser irrelevante para el ámbito o
área de investigación al que se están dedicando los recursos. Por
esta razón, la interpretación del tamaño del efecto que, como se
señaló anteriormente, tiene como objetivo cuantificar la relevancia
de las relaciones encontradas entre las variables, puede resultar de
gran utilidad. La interpretación del tamaño del efecto encontrado
va a depender del área concreta de investigación. Un mismo tama-
ño del efecto puede ser considerado pequeño o grande dependien-
do del ámbito de estudio.
En un metaanálisis, se requiere la utilización de una métrica
común que homogeneice los resultados de los estudios. Esta ho-
mogeneización se logra mediante la estimación o recopilación de
algún índice del tamaño del efecto estandarizado para cada estudio
primario. Es entonces cuando se realiza el análisis conjunto de los
estudios. Es decir, el objetivo del metaanálisis es estimar o recopilar
los tamaños del efecto de los estudios primarios para combinarlos
en un tamaño del efecto global con su correspondiente intervalo de
confianza.
Los distintos índices del tamaño del efecto pueden agruparse
atendiendo al tipo de relación entre las variables. Existen índices
del tamaño del efecto para proporciones, para diferencias de me-
dias y para correlaciones.
Para los datos basados en proporciones se calcula la familia
de índices de riesgo: odds ratio (OR) y risk ratio (RR), entre otros.
Están indicados cuando la variable dependiente es dicotómica, por
ejemplo, ingreso/no ingreso, recibir tratamiento/no recibir trata-
miento, etc.
Para los estudios basados en comparaciones de medias, se sue-
le utilizar la diferencia de medias estandarizada (d) propuesta por
Cohen (1977), y que se define como la distancia entre ambas me-
ERRNVPHGLFRVRUJ
Metaanálisis 231
dias divididas por la desviación típica común de ambas poblaciones.

También se emplea una corrección propuesta por Hegdes (1981), el
estadístico g. Otras modificaciones se refieren a la desviación típica
del denominador.
Las correlaciones son en sí mismas estimaciones del tamaño del
efecto, sin embargo, es común realizar la transformación a Zr de
Fisher para realizar la síntesis. El resultado se convierte después a
la métrica original.
Si el índice del tamaño del efecto no aparece en el estudio ori-
ginal, se puede calcular a partir de los estadísticos muestrales del
valor del estadístico de contraste junto con los tamaños de las mues-
tras o a partir del nivel de probabilidad asociado al estadístico de
contraste.
En el metaanálisis realizado por Law et al. (2004) se calcula
como índice del tamaño del efecto la diferencia de medias estan-
darizada (d).
7.2.5. Análisis estadístico e interpretación
A) Cálculo del tamaño del efecto global
Lo primero que hay que realizar antes de comenzar el análisis

es la elaboración de una base de datos en la que cada fila represen-
te un estudio primario distinto, considerando que en una misma in-
vestigación o artículo puede haber más de un estudio primario. En
esta base de datos se incluyen, como columnas, tanto las variables
previamente codificadas como potenciales variables moderadoras,
como los tamaños del efecto encontrados o calculados en cada es-
tudio.
Hay que tener en cuenta que cada estudio que se considere ha-
brá empleado un tamaño muestral diferente y esto afecta a la pre-
cisión de las estimaciones de los tamaños del efecto. Cuanto mayor
sea el tamaño muestral, mayor será la precisión en la estimación.
Generalmente, los índices del tamaño del efecto se ponderan por la
inversa de la varianza, de tal modo que aquellos estudios con tama-
ños muestrales mayores ejercen más peso en el cálculo del tamaño
del efecto global. Existen dos modelos diferentes que pueden adop-
ERRNVPHGLFRVRUJ
tarse antes de realizar esta transformación, y hay que plantearse

desde cuál de ellos se realiza. Estos modelos son:
–– Efectos fijos: que considera que todos los estudios provienen

de la misma población, por lo que solo existe un tamaño del
efecto y cualquier desviación se debe a errores de muestreo.
–– Efectos aleatorios: que considera que cada estudio proviene
de la misma o de distintas poblaciones, pues cada estudio po-
see características propias que pueden dar lugar a estimacio-
nes del tamaño del efecto diferentes.
Habitualmente, el modelo de efectos fijos se emplea más, pues

las estimaciones de los intervalos de confianza para el tamaño del
efecto global son más precisas. Sin embargo, la generalización que
puede realizarse empleando un modelo de efectos aleatorios es ma-
yor, es decir, pueden extenderse los resultados a una población más
amplia de estudios. Cuando se adopta un modelo de efectos fijos y
la heterogeneidad que se encuentra es elevada, es habitual explicar
parte de la variabilidad adoptando el modelo de efectos aleatorios
o buscando variables moderadoras que expliquen los resultados.
Para más información en castellano sobre el cálculo e interpreta-
ción del tamaño del efecto medio, puede consultarse Sánchez-Me-
ca, Marín y Huedo (2006).
Como se observa, Law et al. (2004) se basan en un modelo de
efectos aleatorios y ponderan los tamaños del efecto de cada estu-
dio por la inversa de su varianza.
El análisis de datos en metaanálisis comienza con el cálculo del
tamaño del efecto medio y su intervalo de confianza. En este punto
es muy común introducir una representación de los datos median-
te un gráfico de efectos (o forest plot). En estos gráficos se repre-
senta el tamaño del efecto de cada estudio junto con su intervalo
de confianza. También aparecen estos datos numéricamente. En
la parte inferior aparece el tamaño del efecto medio. En la figu-
ra 7.1, puede verse un ejemplo de forest plot, que, como se puede
apreciar, cada estudio aparece representado en filas distintas. Para
cada uno de ellos se representa numérica y gráficamente el tamaño
del efecto y su intervalo de confianza, además del peso en el cálcu-
lo del tamaño del efecto global, que aparece representado con un
ERRNVPHGLFRVRUJ
Metaanálisis 233
rombo en la última fila (en el ejemplo, se corresponde con un valor

d = 0,38 [0,21; 0,56]). También suelen incluirse algunos estadísticos
de interés, como pueden ser los relacionados con pruebas de hete-
rogeneidad que se verán en el apartado siguiente.
Figura 7.1. Ejemplo de forest plot o gráﬁco de efectos.
En los resultados presentados por Law et al. (2004) aparecen fo-

rest plot para cada área de estudio (sintaxis, fonética y vocabulario
expresivo, sintaxis y fonética receptiva, aplicación de la interven-
ción). Pueden consultarse en las figuras presentadas por los autores.
Los gráficos de chimenea (o funnel plot) se suelen emplear para
estudiar sesgos de publicación. En estos gráficos se espera encon-
trar, si no existe sesgo de publicación en el tópico abordado, que
a cada lado del tamaño del efecto medio (representado por una
marca específica o línea central del gráfico) y de forma más o menos
simétrica se sitúen los distintos estudios. Cada punto representa un
estudio con valor en el eje de abscisas correspondiente al tamaño
del efecto en el estudio y valor en el eje de coordenadas correspon-
diente al error típico. Además, cabe esperar que a medida que el
error típico del estudio sea menor (parte superior de la gráfica) sea
menor a vez su distancia al tamaño del efecto medio. Se puede ver
un ejemplo en la figura 7.2.
ERRNVPHGLFRVRUJ
Figura 7.2. Ejemplo de funnel plot o gráﬁco de chimenea.
B) Estudio de la heterogeneidad de los resultados
Como se ha introducido, una cuestión clave que se formula un in-

vestigador al realizar un metaanálisis es a qué se debe la dispersión
o falta de homogeneidad en los resultados. Una respuesta a esta pre-
gunta podría ser que se trate de diferencias debidas a la selección de
unidades de una misma población, solo que en este caso las unida-
des son estudios primarios. Sin embargo, esta falta de homogeneidad
se puede deber a la influencia de otras variables, como la aplicación
de tratamientos en ambientes distintos o la utilización de diseños
en los estudios originales que no son iguales. Algunas de estas va-
riables son las que se han codificado como potenciales o posibles
variables moderadoras. En este caso, el tamaño del efecto medio es-
timado no sería una buena representación de los estudios individua-
les. Habría que considerar primero qué variables están afectando a
la obtención de distintos resultados en cada estudio individual.
Mediante los gráficos, el lector puede hacerse una idea del gra-
do de heterogeneidad que se encuentra entre los diversos estudios,
sin embargo, lo más apropiado es introducir pruebas estadísticas que
aporten información al respecto. Dos estadísticos de uso habitual son:
1. Q (que se distribuye según χ2 con k – 1 grados de libertad,

siendo k el número de estudios considerados): que se utiliza
para contrastar la hipótesis nula de igualdad de los tamaños
de los efectos y cuyo rechazo implicaría aceptar la existen-
cia de heterogeneidad más allá de errores de muestreo.
ERRNVPHGLFRVRUJ
Metaanálisis 235
2. I2: que se interpreta como el porcentaje de varianza asociado

a la heterogeneidad y no a los errores de muestreo.
Si el resultado del análisis indica la presencia de heterogeneidad

entre los tamaños de los efectos, el investigador debe preguntarse
acerca de las causas. Para ello se realiza un contraste del efecto de las
variables potencialmente moderadoras sobre los tamaños del efec-
to. Es decir, las posibles variables moderadoras se van a considerar
variables independientes o predictoras y los tamaños de efecto, la
variable dependiente. Si las variables moderadoras son categóricas
el análisis realizado sigue una lógica similar al ANOVA. Si las va-
riables moderadoras son continuas se utilizan técnicas de regresión.
7.2.6. Realización del informe
Al igual que cualquier estudio empírico, la última fase de un me-

taanálisis es su publicación. El informe sobre un metaanálisis debe
reflejar los principios de cualquier estudio científico, es decir, rigor
y objetividad, de modo que permita la replicabilidad de sus resul-
tados.
En el apartado de introducción es importante incluir la informa-
ción relativa a las variables estudiadas y la justificación del estudio
metaanalítico. En el apartado sobre el método hay que incluir las
fuentes de búsqueda de estudios primarios, los criterios de inclu-
sión de los estudios en el metaanálisis, la codificación de variables
potencialmente moderadoras, así como la información relativa a los
análisis estadísticos. En el apartado de resultados, se presenta una
descripción de los estudios incluidos en el metaanálisis, por ejemplo,
cuántos estudios se han considerado finalmente frente al número de
estudios descartados siguiendo los criterios de inclusión, presentar
el número de estudios incluidos según la fuente de búsqueda, etc.
Después se presentan los resultados de la integración de los tamaños
del efecto y se presentan gráficas y contrastes de la heterogeneidad
de los resultados de los estudios primarios si se han llevado a cabo.
En la discusión, los resultados encontrados se ponen en relación con
las hipótesis planteadas, se analizan las limitaciones y se plantean las
implicaciones sociales, clínicas, educativas, etc., de estos resultados.
ERRNVPHGLFRVRUJ
A la hora de realizar el informe final resultará de gran ayuda con-

sultar la información contenida en la página web http://www.pris-
ma-statement.org/. PRISMA (preferred reporting items for systematic
reviews and meta-analyses) Statement es una guía que consiste en un
checklist de 27 ítems y un diagrama de flujo de cuatro fases, que ayuda
a los autores a redactar el informe de las revisiones sistemáticas y de
los metaanálisis. También puede consultarse la información de PRIS-
MA Statement en Moher, Liberati, Tetzlaff, y Altman (2009).
7.3. La validez de un metaanálisis
Botella y Sánchez-Meca (2015) resumen las principales amenazas

que presentan los estudios metaanáliticos, más allá de aquellas que
puedan tener como estudios científicos en general. Una de ellas es
la calidad de los estudios primarios, es decir, si la calidad metodo-
lógica de los estudios incluidos en un metaanálisis no es buena, el
resultado del metaanálisis tampoco lo será. El modo de tratar este
problema ha sido codificar mediante escalas y checklists la calidad
de cada estudio individual, de modo que el resultado pueda servir
como criterio de inclusión, como criterio de ponderación o incluir la
variable en análisis posteriores como potencialmente moderadora
de los resultados. Otra amenaza es la heterogeneidad de los estudios.
Es importante la definición del objeto de estudio y establecer los
criterios de inclusión y exclusión de los estudios primarios. Los estu-
dios seleccionados no van a ser iguales, al igual que tampoco lo son
las muestras de personas en los estudios primarios, pero el investiga-
dor debe prestar atención a que haya una muestra representativa de
estudios sin que presenten variaciones en características relevantes
que puedan dar cuenta de los resultados obtenidos. Por último, otra
amenaza a la validez de un metaanálisis es el conocido, y ya adelan-
tado en el apartado anterior, sesgo de publicación. Lo que se conoce
como sesgo de publicación es una probabilidad mayor de que un es-
tudio sea publicado en una revista científica si en él se encuentra un
efecto estadísticamente significativo entre las variables estudiadas.
Esto supone un problema para el metaanálisis, pues, tal y como se
ha visto anteriormente, la muestra de estudios primarios que debe
incluirse debe ser representativa. Si existe una visibilidad mayor de
ERRNVPHGLFRVRUJ
Metaanálisis 237
aquellos estudios donde se concluye una relación entre variables

puede producir una sobreestimación del tamaño del efecto global.
Sin embargo, es importante añadir que la escasa validez externa
o falta de generalización de los resultados obtenidos en un estudio
primario hacia condiciones más allá de las estudiadas en la investi-
gación no tiene por qué trasladarse al metaanálisis. Si el metaanáli-
sis muestra un efecto entre variables que han sido operativizadas de
distinta forma y en circunstancias diferentes, la capacidad de gene-
ralización debería ser mayor.
1. Una característica del metaanálisis frente a revisiones narrativas

es que:
a) Permite integrar los resultados de los estudios primarios
que versan sobre un mismo objeto de estudio. 
b) Utiliza métodos y procedimientos sistemáticos,
objetivos y cuantitativos. 
c) Utiliza procedimientos más flexibles para el análisis que
permiten al investigador incluir información relevante
objeto de estudio. 
d) Re-analiza los datos originales de un estudio primario
con técnicas más avanzadas de estudio. 
e) Incluye una valoración global cualitativa de los
resultados de los estudios primarios seleccionados. 
2. En la selección de los estudios primarios que se incluyen en un

metaanálisis
a) Solamente deben incluirse estudios publicados. 
b) Se deben considerar solamente aquellos estudios en los
que hay un grupo control y un grupo experimental. 
c) Deben especificarse criterios de inclusión y exclusión
que homogeneicen la muestra de estudios. 
d) Puede incluirse cualquier estudio que trate sobre un
mismo objeto de estudio. 
ERRNVPHGLFRVRUJ
e) Es recomendable que sea realizada por un único autor

de modo que no provoque discrepancias. 
3. El cálculo del tamaño del efecto en un metaanálisis:

a) Permite establecer, en una métrica común, los resultados
de los distintos estudios 
b) Tiene un significado general para cualquier área de
investigación. 
c) Se obtiene siempre como la diferencia de medias
estandarizada con independencia de la naturaleza de las
variables implicadas. 
d) Solamente puede realizarse si en el estudio original
aparece el valor del estadístico de contraste. 
e) No se puede integrar con los obtenidos en otros
estudios, solo se utiliza para comparar. 
4. En un metaanálisis se codifican variables de cada estudio primario

con objeto de:
a) Calcular el tamaño del efecto de cada estudio. 
b) Seleccionar los estudios según sus características. 
c) Complementar la información disponible de cada
estudio en el informe final. 
d) Dar explicación a una posible disparidad de resultados
en los estudios primarios. 
e) Ponderar el tamaño del efecto para el cálculo del tamaño
global. 
5. Una de las principales amenazas a la validez interna de un metaa-

nálisis es:
a) La homogeneidad de los estudios primarios. 
b) La imposibilidad de generalización de los resultados al
tratarse de estudios realizados en condiciones diferentes. 
c) El incremento de los sesgos atribuibles al investigador. 
d) Que se basa en criterios subjetivos de valoración
de los resultados. 
e) El sesgo de publicación, que puede sobreestimar el
tamaño del efecto global. 
ERRNVPHGLFRVRUJ
El informe 8
de investigación
En este capítulo se desarrollarán los aspectos generales sobre la

presentación y elaboración de un informe de investigación. El in-
forme de investigación tiene una función doble: por una parte, sirve
para comunicar nuestros resultados a la comunidad y, por otra, au-
menta el conocimiento de una disciplina que servirá de base para
investigaciones futuras. En primer lugar, se explicarán las partes
fundamentales de las que consta un informe de investigación ba-
sándonos en el formato APA, que es el más empleado en las revistas
de logopedia, y a continuación se explicarán los aspectos generales
del proceso de publicación.
8.1. Partes del informe de investigación
Una vez se ha realizado un trabajo de investigación, se debe re-

flexionar acerca de la publicación del trabajo: los motivos que ori-
ginaron el estudio, a qué usuarios va dirigido y en qué contexto se
presentará (Hernández Sampieri, Fernández Collado y Baptista
Lucio, 2010). Esta decisión no es menor y repercute en el formato
del informe de investigación que se vaya a redactar. Hay distintos ti-
pos de manuscritos que tienen una estructura común, pero difieren
en la importancia que cobra cada uno de sus apartados.
Podemos distinguir varios tipos de informes:
ERRNVPHGLFRVRUJ
–– Tesis, trabajos fin de máster y trabajos fin de grado. En ellos

destaca la precisión y el detalle en el proceso de investiga-
ción. Tiene mucha importancia el marco teórico que contex-
tualiza la investigación y el cuidado que se pone en la revi-
sión bibliográfica.
–– Ponencias, comunicaciones orales y pósteres en congresos. La
parte más importante son los resultados y la discusión sobre
ellos. En la presentación, se suelen emplear apoyos visuales
que facilitan la comprensión del contenido y, en ocasiones,
el contenido de estas presentaciones se publica en forma de
libros de actas.
–– Artículos en revistas especializadas: suelen ser breves y con
un número de palabras limitado. Hay que atender especial-
mente los requisitos de la publicación a la que se envíe el
trabajo, ya que cada revista tiene sus propias normas. Los
apartados de la introducción y el método suelen ser menos
extensos, mientras que los apartados de resultados y discu-
sión se desarrollan más.
–– Libros y capítulos de libros: en ocasiones, se pueden publicar
recopilaciones de artículos de investigación en formato de li-
bro. En este caso, tienden a desarrollar más el marco teórico
y sus distintos apartados pueden ser más extensos que en los
artículos de revistas especializadas.
A continuación, se desarrollarán los apartados principales de los

que consta un informe.
8.1.1. Portada
En ella debe figurar el título del trabajo, los autores y la filiación o

institución a la que pertenecen (es decir, hospital, centro, universi-
dad etc., al que pertenecen); asimismo, deben figurar los datos de
contacto. En el caso de los artículos que reciben una revisión anó-
nima por parte de expertos, esta primera página se suele enviar por
separado para que el editor de la revista disponga de esta informa-
ción, pero los revisores no puedan saber quiénes son los autores.
Cuando se trata de un artículo, es frecuente que en esta portada se
ERRNVPHGLFRVRUJ
El informe de investigación 241
solicite incluir el número total de palabras, así como el número de

figuras y tablas y las fuentes de financiación de la investigación (en
el caso de que las haya). Es importante atender a la información
que solicita la revista a la que se envía el informe para esta primera
página.
8.1.2. Resumen, abstract y palabras clave
Se solicita un resumen de la investigación que, por lo general, debe

tener una extensión de entre cien y doscientas palabras. Debe sinte-
tizar el objetivo, el método y los resultados y conclusiones principa-
les. Si se presenta en español o en otra lengua que no sea el inglés,
se suele solicitar la traducción de este resumen al inglés.
Además, es común pedir también unas palabras clave en ambas
lenguas que describan el contenido final del documento, por lo que
es importante seleccionarlas bien, ya que son las que van a facilitar
la recuperación del original en las búsquedas en internet y en bases
de datos especializadas.
8.1.3. Introducción
Esta sección no tiene que aparecer titulada con la palabra introduc-

ción, ya que es el primer texto que aparece tras el título y se puede
identificar fácilmente.
En esta parte se describe el problema que se aborda en la inves-
tigación. Deben citarse estudios previos que justifiquen el objeto del
nuevo estudio, apoyándose en una adecuada búsqueda bibliográfica.
No hay que considerarlo como un resumen general del tema y de
todo el conocimiento sobre él, sino que se centrará en el tema del es-
tudio y no se remontará a definiciones y estudios generales. Además,
tienen que reflejar una línea argumentativa que permita al lector
intuir la lógica seguida, constatar que, por el momento, el problema
no se ha solucionado y precisar qué hace diferente este trabajo res-
pecto de los precedentes; en definitiva, la justificación del estudio.
En esta sección se plantean los objetivos del trabajo de forma clara,
así como las hipótesis de los autores, en caso de su existencia.
ERRNVPHGLFRVRUJ
8.1.4. Método
La descripción del método debe ser tan precisa que permita a otros
investigadores replicar el trabajo (León, 2016). La forma de estruc-
turar el método siguiendo el manual de la APA (6.ª ed.) es:
–– Participantes. Término preferible a sujetos. En este apartado

se especifica quiénes fueron los participantes, cuántos se re-
clutaron y cuántos formaron la muestra final, junto con las
edades (con medidas de tendencia central), rasgos socioeco-
nómicos o culturales y la división por sexo. En caso de haber
seleccionado la muestra por algún rasgo especial (diagnós-
tico, habilidad, etc.), hay que precisarlo. Debe incluirse todo
lo que sea característico e importante de la muestra que
otros investigadores necesitarían saber para poder acceder
a una muestra semejante. También hay que informar sobre
si se les ha dado algún tipo de gratificación por su partici-
pación.
–– Materiales. Se describen los instrumentos empleados en la
investigación. Si se ha diseñado algún instrumento específico
de evaluación hay que precisar el proceso de construcción
y sus propiedades métricas. Cuando los materiales sean co-
nocidos por los lectores, se pueden describir de una forma
menos detallada, pero indicando bien las características del
material empleado.
–– Procedimiento. En él se debe narrar cómo se hizo la inves-
tigación. León (2016) recomienda, en primer lugar, catalo-
gar si se trata de una investigación cuantitativa o cualitati-
va. Hay que especificar las instrucciones que se dieron a los
participantes y, si son excesivamente complejas, se tratará
de sintetizarlas y aportarlas desarrolladas en un apéndice.
Es importante precisar cómo se han creado los grupos y las
manipulaciones experimentales que se hayan realizado.
–– Diseño y análisis de datos. En este apartado se especifica el
diseño seleccionado con detalle y las variables que se han
contemplado. Se describen los métodos estadísticos y los de-
talles de cómo se analizarán los datos. Se recomienda precisar
ERRNVPHGLFRVRUJ
el tipo de programa empleado (por ejemplo, R o SPSS y la

versión que se haya utilizado).
8.1.5. Resultados
Se muestran los datos obtenidos de forma resumida, los datos “en

bruto” deben guardarse por si se solicitaran posteriormente, pero
no se incluyen en el informe.
Por una parte, se incluye la estadística descriptiva (índices de
tendencia central, medidas de dispersión, etc.) que sirven para resu-
mir los datos. Por otra parte, se presenta, en caso de que el estudio
haya sido diseñado a tal efecto, la estadística inferencial, que aporta
información sobre el contraste de hipótesis con niveles de signifi-
cación, intervalos de confianza y tamaños del efecto. En este apar-
tado se hace especialmente importante el uso de tablas y figuras
(elementos gráficos) que ilustren los resultados, y que deberán re-
ferenciarse adecuadamente en el texto, además de comentar lo que
aportan brevemente, ya que es inadecuado introducirlos sin ningún
tipo de explicación. En este apartado no se comentan los resultados
ni se aportan explicaciones sobre cómo se interpretarían, esto debe
reservarse para el apartado de discusión.
8.1.6. Discusión
En este apartado se evalúan e interpretan las implicaciones de los

resultados en relación con las hipótesis planteadas y con la literatu-
ra anterior.
En el manual de la APA (2010), recomiendan iniciar esta parte
con una afirmación sobre el apoyo o rechazo de las hipótesis. Si los
resultados no han apoyado las hipótesis, hay que buscar explicacio-
nes y detectar semejanzas y diferencias con estudios previos que
sirvan para contextualizar, confirmar y aclarar las conclusiones. Es
importante reconocer las limitaciones del trabajo y sugerir cómo se
podría mejorar o qué pasos habría que dar para continuarlo. Tam-
bién se aconseja finalizar con un párrafo breve y claro en el que se
ERRNVPHGLFRVRUJ
especifique la aportación y cómo se ha contribuido a solucionar el

problema de investigación (Rodríguez Fernández, 2012).
8.1.7. Referencias
Debe aparecer un listado ordenado alfabéticamente que incluya

exclusivamente lo que se ha citado a lo largo del trabajo. En esta
lista no pueden aparecer más referencias de las que se han citado
y no debe faltar nada de lo que se ha incluido en el texto. Existen
distintos programas para la gestión de las referencias, como pueden
ser Mendeley, EndNote, Zotero, RefWorks, etc.
8.1.8. Apéndices
Solo incluirán información relevante adicional que resulte demasia-

do extensa para el cuerpo del trabajo. Pueden ser listados de estímu-
los, cuestionarios, imágenes de algún material relevante, etc.
8.2. El formato APA
Para facilitar la comunicación científica, es necesario dar uniformi-

dad a los informes de investigación y, para ello, desde las distintas
disciplinas, se han desarrollado manuales de estilo para las publica-
ciones del ámbito.
Como la logopedia se nutre de ciencias de la salud y de ciencias
sociales, en función de la orientación de la revista, se empleará un
formato de estilo u otro. Las revistas más relacionadas con discipli-
nas médicas, como el Journal of Voice, emplean el estilo Vancouver
del International Comitee of Medical Journal Editors. Todas las re-
vistas de la ASHA y las revistas más importantes específicas de lo-
gopedia de España (Revista de Investigación en Logopedia y Revis-
ta de la Asociación Española de Logopedia, Foniatría y Audiología)
siguen el estilo de la American Psychological Association (APA;
Asociación Americana de Psicología); por ello, en este apartado,
nos centraremos en este último formato.
ERRNVPHGLFRVRUJ
El Manual de publicación de la APA, en su sexta edición (2010),

es una guía que orienta sobre la estructura del informe de investi-
gación y sus apartados fundamentales, así como sobre las normas de
citación de referencias y organización de la lista de referencias. Asi-
mismo, se incluyen orientaciones de estilo y formato de la escritura
académica relacionadas con puntuación, citas textuales, encabeza-
dos, numeración, tablas, figuras y evitación de sesgos lingüísticos re-
lacionados con género, raza y discapacidad.
No es nuestra intención resumir aquí las directrices que propor-
ciona el manual respecto a cuestiones de redacción, como signos de
puntuación, uso de las mayúsculas y cuestiones de formato. Pero sí
que presentamos el formato de las referencias en los materiales más
frecuentes y una breve reflexión sobre los sesgos lingüísticos.
8.2.1. Cómo citar y referenciar según las normas APA
El método de citación en formato APA es el denominado autor-fe-

cha. La cita requiere que el apellido del autor (sin iniciales) y el año
de publicación aparezcan en el texto.
Se puede citar de dos modos diferentes en función de cómo que-
ramos expresarnos: si el autor forma parte de la narración se pone
el apellido en el texto y el año entre paréntesis del siguiente modo:
Nieva (2015) señala la importancia del desarrollo de test y

pruebas de evaluación específicas para personas bilingües…
Cuando el autor no forma parte de la narración, autor y año de

publicación se ponen entre paréntesis separados por una coma:
Es importante disponer de sistemas de evaluación del len-

guaje específicos para personas bilingües (Nieva, 2015).
Si queremos hacer una cita textual (copiar literalmente lo que

un autor ha dicho) lo haremos dentro del mismo párrafo, siempre
que la cita no supere las cuarenta palabras, e insertándola entre co-
millas. A continuación, se introduce entre paréntesis el autor, el año
y la página o páginas donde aparece el texto en el documento origi-
ERRNVPHGLFRVRUJ
nal. Si tiene más de cuarenta palabras, se pondrá en párrafo aparte,

sin comillas y con un margen mayor a la izquierda.
Cuando una cita aparece más de una vez en el texto, en función
del número de autores se hará de distinta forma:
–– Si se trata de uno o dos autores, cada vez que se citen apare-

cerán de la misma forma.
–– Si son entre tres y cinco autores, la primera vez han de citarse
todos y en las siguientes se pondrá el primero seguido de la
expresión “et al.” (sin comillas) y la fecha de publicación.
–– Si un trabajo tiene seis o más autores, se cita el primer autor
seguido de “et al.”, desde la primera vez que se cite.
Si en un mismo paréntesis queremos incluir varias citas, la mane-

ra de ordenarlas es por orden alfabético; si las citas fueran todas de
los mismos autores, se haría por orden cronológico.
Al elaborar la lista de referencias hay que incluir todo lo que se
ha citado a lo largo del texto. En función del material se referencia-
rá de distinta manera:
–– Libros completos: Apellido 1.er autor, Inicial 1.er autor. [resto

de autores del mismo modo] (año de publicación). Título del
libro. Ciudad: Editorial.
Terradillos, E. y López-Higes, R. (2016). Guía de interven-
ción logopédica en las afasias. Madrid: Síntesis.
–– Si es un libro digital además de la referencia anterior, debe
incluirse “Recuperado de” y el vínculo a la página web de
donde se ha extraído:
Lázaro, M. (2010). Aspectos teóricos y prácticos de la in-
tervención logopédica. Cuenca: Universidad de Castilla-La
Mancha. Recuperado de https://play.google.com/books/rea-
der?id=G1ksAwAAQBAJ&printsec=frontcover&output=rea-
der&hl=es_419&pg=GBS.PP1.
–– Si es un capítulo de un libro que es una obra colectiva donde

hay uno o más editores y distintos autores, se citaría de así:
Apellido 1.er autor, Inicial 1.er autor. [resto de autores del ca-
ERRNVPHGLFRVRUJ
pítulo] (año de publicación). Título del capítulo. “En” Inicial

editor 1. Apellido editor 1 [resto de editores del libro] “(eds.)”,
Título del libro (“pp.” página inicial del capítulo-página final
del capítulo). Ciudad: Editorial.
Rodríguez, L. y De las Heras, G. (2012). Generar comunida-
des emocionales de reflexión y aprendizaje. Un paseo por dos
proyectos de innovación en Educación Especial. En R. B. San-
tiago Pardo, N. García Atarés y N. Jimeno Bulnes (eds.), Los
logopedas hablan (pp. 143-160).Valencia: Nau Llibres.
–– En el caso de los artículos de revistas, la forma general de

citar es la siguiente: Apellido 1.er autor, Inicial 1.er autor. [resto
de autores] (año de publicación). Título del artículo. Título
de la Revista, volumen(número), página inicial-página final.
Y si la revista citada tuviera DOI (digital object identifier), se
incluiría al final:
• Ejemplo sin DOI:
Adrián, J. A. y Rodríguez-Parra, M. J. (2015). Evaluación del

tratamiento logopédico en la rehabilitación de la disfonía en adul-
tos: seguimiento de los efectos grupales y de las variaciones indivi-
duales. Revista de Logopedia, Foniatría y Audiología, 35(1), 17-29.
• Ejemplo con DOI:
Henry, M. L.; Rising, K.; DeMarco, A. T.; Miller, B. L.; Gor-

no-Tempini, M. L. y Beeson, P. M. (2013). Examining the value
of lexical retrieval treatment in primary progressive aphasia:
Two positive cases. Brain and Language, 127(2), 145-156. DOI:
10.1016/j.bandl.
–– Si se hubiera publicado en una revista electrónica sin DOI, se

añade al final “Recuperado de”, con la dirección electrónica
de donde se ha obtenido:
Moraleda, E. (2011). Análisis del desarrollo morfosintáctico
en personas con síndrome de Down en el periodo infantil y ado-
lescente. Revista de Investigación en Logopedia, 1(2), 121-129.
Recuperado de http://revistalogopedia.uclm.es/ojs/index.php/
revista/article/view/33/26.
ERRNVPHGLFRVRUJ
–– Si un artículo tuviera más de seis autores, se cita igual que

en los casos anteriores pero se incluyen solo los seis prime-
ros seguidos de puntos suspensivos y el nombre del último
autor a continuación: Apellido 1.er autor, Inicial 1.er autor.
[resto de autores hasta autor 6] “…” Apellido último autor,
Inicial último autor. (año de publicación). Título del a rtículo.
Título de la Revista, volumen(número), página inicial-
página final:
Bayés-Rusiñol, Á.; Forjaz, M. J.; Ayala, A.; Crespo, M.; Prats,
A.; Valles, E.; … y Garolera-Freixa, M. (2011). Consciencia de
disfagia en la enfermedad de Parkinson. Revista de Neurología,
53(11), 664-672.
8.2.2. Uso del lenguaje y sesgos lingüísticos
Respecto al uso del lenguaje, se insta a reducir el sesgo en función

de la temática. La directriz es emplear un lenguaje inclusivo que
refleje la realidad y que no sea proteccionista ni excluyente. A con-
tinuación, se mencionarán algunos de los sesgos más frecuentes que
podemos encontrar en un escrito:
–– Género. Es importante elegir cuidadosamente los nombres,

pronombres y adjetivos para que describan de la manera más
clara y objetiva al grupo al que se está haciendo referencia. Es
incorrecto usar el masculino singular para referirnos a ambos
sexos; así, sería incorrecto decir “el niño que recibe tratamien-
to tempranamente, tiene mayores probabilidades de recupe-
ración”. No hay que olvidar que, si en español el género no
marcado (es decir, el que engloba la generalidad) es el mascu-
lino, en el caso del número, el no marcado es el plural, así que,
si se pretende mencionar la globalidad, se hará como mínimo,
empleando el masculino plural (en el ejemplo anterior: “los
niños que reciben”).
Otro aspecto importante es evitar el empleo del femenino
para definir roles tradicionalmente atribuidos a las mujeres.
Por ejemplo, “las amas de casa sufren disfonía en un porcen-
ERRNVPHGLFRVRUJ
taje X” o “las madres deben favorecer las interacciones co-

municativas de sus hijos”.
–– Raza y nacionalidad. Respecto a las diferencias raciales y cul-
turales, solo deberían detallarse si tuvieran una repercusión
en el objetivo del estudio (en el marco de estudio de la logo-
pedia parece poco probable que la raza sea importante). Res-
pecto a la procedencia de las personas y, probablemente más
importante, sobre su lengua materna, es importante informar
claramente sobre el país o la lengua, evitando generalidades
del tipo “de Oriente Medio”, “lengua oriental”, etc.
–– Discapacidad. En el campo de la discapacidad, en los últi-
mos años se ha tratado este aspecto, y la directriz es emplear
un lenguaje “no discapacitante”. Las discapacidades no deben
definir a la persona por lo que no han de emplearse como
adjetivos, ya que, según el modelo actual, la discapacidad se
considera un rasgo más de la persona. Así, decir “los para-
líticos cerebrales” resulta inadecuado y debería decirse “las
personas con parálisis cerebral”. Igualmente, tampoco se hace
mención de la persona según su diagnóstico y se habla de
“personas con disfemia” en lugar de “disfémicos”.
De igual modo, cuando se hacen comparaciones, a las per-
sonas del grupo control no se les debe denominar normales.
En casos como “niños con desarrollo típico”, “personas sin
discapacidad” o “grupo control” son usos más correctos.
–– Edad. Se deben evitar los términos sobreproteccionistas,
como llamar chicos o niños a personas adultas con discapaci-
dad. En el caso de las personas mayores el término anciano
está desaconsejado y se insta al empleo de adultos mayores
o personas mayores, y siempre definiendo de manera clara a
qué edades se está haciendo referencia.
8.3. El proceso de publicación
Los resultados de un informe de investigación pueden publicar-

se de distintas maneras: presentación de comunicaciones orales o
pósteres en congresos, tesis o trabajos académicos o artículos en
revistas científicas especializadas. Las presentaciones en congresos
ERRNVPHGLFRVRUJ
y trabajos académicos van a seguir un proceso de publicación que

determinará las respectivas instituciones, por lo que este apartado
se centrará en la publicación en revistas científicas.
Cuando se envía un artículo para su revisión y opción a ser
publicado en una revista científica, el original seguirá un proceso
de revisión anónimo por pares, lo que implica que un editor de la
revista lo remitirá a otros revisores especializados en el tema que
desconozcan quiénes son los autores del trabajo (habitualmente, un
mínimo de dos revisores). Estos emitirán dentro del plazo estable-
cido por la revista un juicio acerca de la idoneidad de la publicación
del artículo en esta revista.
Antes de enviar un informe, es especialmente relevante valorar
y seleccionar bien la revista a la que se va a remitir. Asimismo, es
importante atender los requisitos específicos de la publicación y los
contenidos que suelen publicarse en ella.
Antes de seleccionar una revista, Forister y Blessing (2015) pro-
ponen responder a las siguientes preguntas:
–– ¿El tema del trabajo entra dentro de los ámbitos de estudio

de la revista?
–– ¿El tema del que trata se incluye con frecuencia en esta revis-
ta o solo en algunas ocasiones?
–– ¿La revista sería la más adecuada para los lectores de este
tema?
–– ¿Qué formatos de artículo acepta esta revista?
–– ¿Hay algún apartado sobre la información o instrucción para
los autores en la página web de la revista?
–– ¿El trabajo es más adecuado para una revista general o para
una especializada?
–– ¿Los destinatarios son clínicos, educadores, investigadores o
es adecuado para todos estos grupos?
Es importante revisar bien las instrucciones, ya que el incumpli-

miento conlleva la devolución y el posible rechazo inmediato del
original.
Además, se puede atender también a otros criterios de calidad de
la revista como el factor de impacto o si está indexada en algunas
de las bases de datos internacionales especializadas, etc.
ERRNVPHGLFRVRUJ
Una vez tomada la decisión sobre dónde enviar el trabajo, debe

remitirse una carta de presentación al editor en la que se incluirán
los datos principales de la investigación y de los autores, como ya
se ha detallado en el apartado anterior. En ocasiones, se solicita
que en esta carta se incluya información sobre la originalidad del
escrito, la veracidad de la autoría, la inexistencia de conflicto de in-
tereses, la declaración expresa de que no está siendo sometido a
otro proceso de revisión simultáneo en otra revista con la misma
investigación y que no ha sido publicado con anterioridad en nin-
gún otro formato. Con el desarrollo de plataformas electrónicas de
presentación digital de originales, cada vez más esta información se
declara mediante controles obligatorios, en los que el usuario debe
seleccionar que su documento cumple todos estos requisitos. Es im-
portante proporcionar esta información de manera honesta, ya que
el incumplimiento lleva al rechazo definitivo del original y el consi-
guiente perjuicio de la imagen de los autores.
Cuando se ha presentado al editor, este revisará la idoneidad del
contenido con los objetivos de la revista y, una vez supervisados los
criterios formales, se lo enviará a dos o más revisores especializados
en el tema. Los revisores realizarán una lectura en el plazo esti-
pulado y emitirán un juicio sobre la publicación del original. Cada
revisor emite un juicio sobre dicha publicación: puede ser aceptado,
se pueden solicitar revisiones o cambios (de mayor o menor enver-
gadura) o puede ser rechazado definitivamente.
A veces, los criterios de los revisores son contradictorios, en es-
tos casos, el editor analiza los informes y toma una decisión final
sobre el artículo.
Cuando un artículo es rechazado, los autores deben valorar si
quieren enviarlo a otra revista o si es preferible replantearse el es-
tudio y mejorarlo en próximas investigaciones. Las razones para el
rechazo son muchas y la mayoría se pueden evitar, como que las re-
vistas no aceptarán estudios que queden fuera de su ámbito o que el
formato no se adecúe a su línea editorial. No seguir las instrucciones
de la revista para la presentación de originales dificulta que se envíe
a los revisores, y es algo que retrasa el proceso. Asimismo, una mala
redacción no supone un rechazo directo, pero produce una mala im-
presión sobre el artículo y la redacción del método, la presentación
de los resultados y la discusión pueden ser determinantes. La causa
ERRNVPHGLFRVRUJ
más importante para el rechazo y más difícilmente subsanable es la

presentación de un diseño pobre (Pierson, 2004).
Cuando se solicitan cambios, los autores tiene que decidir si
quieren acometerlos o lo retiran de la publicación, ya que la solici-
tud de modificaciones en ningún caso implica aceptación, pero hay
que completarlos en un plazo determinado que marca la revista.
Si son cambios menores, los autores suelen asumirlos, pero, cuan-
do son más importantes, deben valorar las posibilidades de acep-
tación tras esta revisión y si van a tener el tiempo necesario para
asumirlos. Tras la presentación de esta segunda revisión los editores
valoran si vuelven a enviarlos a los revisores o ya toman ellos la
decisión final; de nuevo, pueden solicitar cambios sobre el archivo
modificado y este proceso puede repetirse hasta que se tome una
decisión editorial definitiva: aceptación o rechazo.
En caso de aceptación, se inicia el proceso de publicación, se
pueden solicitar algunas pequeñas modificaciones de redacción o
de erratas y se presenta a los autores un ejemplar de prueba en
el que se deben revisar cuidadosamente todos los aspectos, porque
esta será la versión definitiva que se publique en la revista.
1. Todos los apartados del informe de investigación deben llevar tí-

tulo excepto:
a) La introducción. 
b) El método. 
c) Los resultados. 
d) La discusión. 
e) Las referencias. 
2. En un trabajo fin de grado, la parte del informe a la que se le suele

dar más importancia es a:
a) Los resultados. 
b) La interpretación de los resultados. 
c) Las referencias en formato adecuado. 
ERRNVPHGLFRVRUJ
d) La elección del método de análisis. 

e) El marco teórico y la revisión bibliográfica. 
3. ¿Qué significa que una publicación siga un proceso de revisión por

pares?
a) Que hay dos personas que realizan una revisión de
manera conjunta. 
b) Que dos personas hacen una revisión del trabajo
sabiendo quiénes son los autores. 
c) Que el editor de la revista va a realizar la revisión
del trabajo. 
d) Que hay dos o más revisores que van a revisar el trabajo
independientemente y sin tener ningún dato sobre
su autoría. 
e) Que un revisor tomará la decisión de si el trabajo se
publica o no. 
4. Cuando se hace un trabajo sobre discapacidad, las directrices de la

APA sobre los sesgos lingüísticos recomiendan:
a) No mencionar el diagnóstico por respeto a las personas. 
b) La alteración o diagnóstico se considera un rasgo más
y se tiende a emplear “personas con…”. 
c) Emplear la etiqueta diagnóstica como adjetivo. 
d) Usar algún eufemismo que suavice la terminología. 
e) Solo se mencionan las potencialidades y
capacidades preservadas de estas personas. 
5. Las referencias bibliográficas según las normas de estilo de la APA

se realizan en cuanto a un criterio:
a) De numeración según el orden de aparición en el
trabajo. 
b) Se indican con un superíndice en el texto y se citan
a pie de página. 
c) Autor-fecha. 
d) Se indican con un superíndice en el texto y se citan al
final del artículo. 
e) De numeración, del más antiguo al más reciente. 
ERRNVPHGLFRVRUJ
ERRNVPHGLFRVRUJ
Clave de respuestas
Capítulo 1 Capítulo 4
a b c d e a b c d e
1.ª pregunta      1.ª pregunta     
2.ª pregunta      2.ª pregunta     
3.ª pregunta      3.ª pregunta     
4.ª pregunta      4.ª pregunta     
5.ª pregunta      5.ª pregunta     
a b c d e a b c d e
1.ª pregunta      1.ª pregunta     
2.ª pregunta      2.ª pregunta     
3.ª pregunta      3.ª pregunta     
4.ª pregunta      4.ª pregunta     
5.ª pregunta      5.ª pregunta     
a b c d e a b c d e
1.ª pregunta      1.ª pregunta     
2.ª pregunta      2.ª pregunta     
4.ª pregunta      4.ª pregunta     
5.ª pregunta      5.ª pregunta     
ERRNVPHGLFRVRUJ
a b c d e a b c d e
2.ª pregunta      2.ª pregunta     
3.ª pregunta      3.ª pregunta     
4.ª pregunta      4.ª pregunta     
5.ª pregunta      5.ª pregunta     
ERRNVPHGLFRVRUJ
Bibliografía
Con el propósito de poner en práctica unos principios ecológicos, econó-

micos y prácticos, el listado completo y actualizado de las fuentes biblio-
gráficas empleadas por el autor en este libro se encuentra disponible en la
página web de la editorial www.sintesis.com. Las personas interesadas se
lo pueden descargar y utilizar como más les convenga: conservar, impri-
mir, utilizar en sus trabajos, etc.
American Psychological Association (2010). Publication Manual of the

American Psychological Association (6.ª ed.). Washington D. C.: Ame-
rican Psychological Association.
Anguera, M. T. (1995). Tratamiento cualitativo de los datos. En Anguera,
M. T.; Arnau, J.; Ato, M.; Martínez, R.; Pascual, J. y Vallejo, G. (eds.),
Métodos de investigación en psicología (pp. 549-576). Madrid: Síntesis.
ASHA (2016). Código de ética [Ética]. Recuperado de http://www.asha.
org/policy/Codigo-de-Etica.
Beauchamp, T. L. y Childress, J. F. (2009). Principles of Biomedical Ethics.
Nueva York: Oxford University Press.
Botella, J. y Gambara, H. (2002). ¿Qué es el meta-análisis? Madrid: Siglo
XXI.
–– (2006). El meta-análisis: Una metodología de nuestro tiempo. Infocop
Online, 29 de mayo. Recuperado de http://www.infocop.es/view_article.
asp?id=843#inicio.
ERRNVPHGLFRVRUJ
Botella, J.; León, O.; San Martín, R. y Barriopedro, M. (2001). Análisis de

datos en psicología I. Madrid: Pirámide.
Botella, J. y Sánchez-Meca, J. (2015). Meta-análisis en ciencias sociales y de
la salud. Madrid: Síntesis.
Cameron, L. y Murphy, J. (2007). Obtaining consent to participate in re-
search: The issues involved in including people with a range of learning
and communication disabilities. British Journal of Learning Disabili-
ties, 35(2), 113-120.
Campbell, D. T. y Stanley, J. C. (1966). Experimental and Quasi-Experimen-
tal Designs for Research. Chicago: Rand McNally (traducción castella-
na en Amorrortu).
Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences
(2.ª ed.). Mawhaw: Erlbaum.
Cook, T. D. y Campbell, D. T. (1979). Quasi-Experimentation: Design and
Analysis for Field Settings. Chicago: Rand McNally.
Creswell, J. W. (2005). Educational Research: Planning, Conducting, and
Evaluating Quantitative and Qualitative Research (2.ª ed). Upper Sadd-
le River: Pearson Education Inc.
–– (2009). Research Design: Qualitative, Quantitative, and Mixed Methods
Approaches. Thousand Oaks: Sage publications.
Eadie, T. L. y Charland, L. C. (2005). Ethics in speech-language pathology:
Beyond the codes and canons. Revue d’Orthophonie et d’Audiologie,
29(1), 27-36.
Forister, J. G. y Blessing, J. D. (2015). Introduction to Research and Medical
Literature for Health Professionals. Massachusetts: Jones & Bartlett.
Glaser, B. G. y Strauss, A. L. (1967). The Discovery of Grounded Theory:
Strategies for Qualitative Research. Piscataway: Transaction Publishers.
Glass, G. V. (1976). Primary, secondary, and meta-analysis of research. Edu-
cational Researcher, 5(10).
Hedges, L. V. (1981). Distribution theory for Glass’s estimator of effect
size and related estimators. Journal of Educational and Behavioral Sta-
tistics, 6(2).
Hernández Sampieri, R.; Fernández Collado, C. y Baptista Lucio, P. (2010).
Metodología de la investigación. México: McGraw-Hill.
Higgins J. P. T. y Green, S. (eds.) (2011). Cochrane Handbook for Systematic
Reviews of Interventions. The Cochrane Collaboration. Traducción al
español recuperada de es.cochrane.org/sites/es.cochrane.org/files/pu-
blic/uploads/Manual_Cochrane_510_reduit.pdf.
Irwin, D. L.; Pannbacker, M. H. y Lass, N. J. (2014). Clinical Research Me-
thods in Speech-Language Pathology and Audiology. Abingdon: Plural
Publishing.
ERRNVPHGLFRVRUJ
Bibliografía 259
Johnson, B. (2001). Toward a new classification of nonexperimental quan-

titative research. Educational Researcher, 30(2), 3-13.
Johnson, R. B. y Onwuegbuzie, A. J. (2004). Mixed methods research: A re-
search paradigm whose time has come. Educational Researcher, 33(7),
14-26.
Kazdin, A. E. (2003). Research Design in Clinical Psychology (4.ª ed.). Bos-
ton: Allyn & Bacon.
Kerlinger, F. N. y Lee, H. B. (2002). Investigación del comportamiento: Mé-
todos de investigación en ciencias sociales (4.ª ed.). México: Mcgraw
Hill.
Kirk, R. E. (1995). Experimental Design: Procedures for the Behavioral Sci-
ences (2.ª ed.). Pacific Grove: Brooks & Cole.
Law, J.; Garrett, Z. y Nye, C. (2004). The efficacy of treatment for chil-
dren with developmental speech and language delay/disorder: A me-
ta-analysis. Journal of Speech, Language, and Hearing Research, 47(4).
Leary, M. R. (2001). Introduction to Behavioral Research Methods (3.ª ed.).
Boston: Allyn & Bacon.
León, O. G. (2016). Cómo redactar textos científicos y seguir las normas
APA (6.ª ed.). Madrid: Garceta.
León, O. y Montero, I. (2015). Métodos de investigación en psicología y
educación. Madrid: McGraw Hill.
Lypsey, M. W. (2009). Identifying potentially interesting variables and
analysis opportunities. En Cooper, H.; Hedges, L. V. y Valentine, J.
C. (eds.), The Handbook of Research Synthesis and Meta-Analysis
(pp. 147-158). Nueva York: Russell Sage Foundation.
Marczyk, G.; De Mateo, D. y Festinger, D. (2005). Essentials of Research
Design and Methodology. Nueva York: Wiley.
Martínez Arias, R. (1995a). Diseños muestrales probabilísticos. En Angue-
ra, M. T; Arnau, J.; Ato, M.; Martínez, R.; Pascual, J. y Vallejo, G. (eds.),
Métodos de investigación en psicología (pp. 433-484). Madrid: Síntesis.
–– (1995b). El método de encuestas por muestreo: conceptos básicos. En
Anguera, M. T; Arnau, J.; Ato, M.; Martínez, R.; Pascual, J. y Vallejo, G.
(eds.), Métodos de investigación en psicología (pp. 384-431). Madrid:
Síntesis.
Martínez-Arias, R.; Castellanos, M. A. y Chacón, J. C. (2014). Métodos de
investigación en psicología. Madrid: EOS.
Martínez Arias, R.; Chacón, J. C. y Castellanos, M. A. (2015). Análisis de
datos en psicología y ciencias de la salud. Volumen II. Madrid: EOS.
Martínez Arias, R.; Hernández Lloreda, V. y Hernández Lloreda, M. J.
(2006). Psicometría. Madrid: Alianza.
ERRNVPHGLFRVRUJ
Maxwell, D. L. y Satake, E. (2006). Research and Statistical Methods in

Communication Sciences and Disorders. Nueva York: Thompson Del-
mar Learning.
Meltzoff, J. (2000). Crítica a la investigación en psicología y campos afines.
Madrid: Alianza.
Moher, D.; Liberati, A.; Tetzlaff, J. y Altman, D. G. (2009). Preferred report-
ing items for systematic reviews and meta-analyses: The prisma state-
ment. PLoS Med, 6(7): e1000097. Doi: 10.1371/journal.pmed.1000097.
Nunnally, J. C. y Bernstein, I. H. (1994). Psychometric Theory (3.ª ed.). Nue-
va York: McGraw Hill.
Pardo, A. y San Martín, R. (1998). Análisis de datos en psicología (vol. III).
Madrid: Pirámide.
Peña, D. (2002). Análisis de datos multivariantes. Madrid: McGraw Hill.
Peña, D. y Romo, J. (1997). Introducción a la estadística para las ciencias
sociales. Madrid: McGraw Hill.
Popper, K. R. (1962). La lógica de la investigación científica. Madrid: Tecnos.
Pring, T. (2005). Research Methods in Communication Disorders. Londres:
Whurr Publishers.
Rodríguez Fernández, R. (2012). El informe de investigación. En Rodrí-
guez-Miñón Cifuentes, P. (ed.), Bioestadística en ciencias de la salud.
(pp. 396-407). Madrid: Difusión Avances de Enfermería (DAE).
Rosenthal, R. y Rosnow, R. L. (1991). Essentials of Behavioral Research:
Methods and Data Analysis (2.ª ed.). Nueva York: McGraw Hill.
Royo, M. A. y Moreno, J. D. (2009). El método epidemiológico. Madrid:
ENS-Instituto de Salud Carlos III.
Sánchez-Meca, J. (2010). Cómo realizar una revisión sistemática y un me-
ta-análisis. Aula Abierta, 38(2).
Sanchez-Meca, J. y Botella, J. (2010). Revisiones sistemáticas y meta-aná-
lisis: Herramientas para la práctica profesional. Papeles del Psicólogo,
31, 7-17.
Sánchez-Meca, J.; Boruch, R. F.; Petrosino, A. y Rosa-Alcázar, A. I. (2002).
La Colaboración Campbell y la práctica basada en la evidencia. Pape-
les del Psicólogo, 83.
Sánchez-Meca, J.; Marín, F. y Huedo, T. B. (2006). Modelo de efectos fi-
jos versus modelo de efectos aleatorios. En Martín, J. L. R.; Tobías,
A. y Seoane, T. (coords.). Revisiones sistemáticas en ciencias de la vida
(pp. 189-204). Toledo: FISCAM.
Sánchez-Meca, J.; Marín-Martínez, F.; López Pina, J. A.; Rosa-Alcázar, A.
I.; Chacón-Moscoso, S.; López-García, J. J.; Gómez-Conesa, A.; López-
López, J. A. y Núñez Núñez, R. M. (s. f.). The Meta-Analysis Unit. Recu-
perado de http://www.um.es/metaanalysis.
ERRNVPHGLFRVRUJ
Bibliografía 261
Sarriá Sánchez, E. (2010). La observación. En Fontes, S.; Gallego-García

C.; Quintanilla, L.; Rodríguez, R.; Rubio, P. y Sarriá, E. (eds.), Funda-
mentos de investigación en psicología (pp. 311-352). Madrid: Universi-
dad Nacional de Educación a Distancia.
Shadish, W.; Cook, T. D. y Campbell, D. T. (2002). Experimental and Qua-
si-Experimental Designs for Generalized Causal Inference. Boston:
Houghton Mifflin.
Straus, A. y Corbin, J. (1998). Basics of Qualitative Research: Grounded
Theory Procedures and Techniques (2.ª ed.). Thousand Oaks: Sage.
Titus, S. L.; Wells, J. A. y Rhoades, L. J. (2008). Repairing research integrity.
Nature, 453(7198), 980.
Trochim, W. M. K. (2001). The Research Methods Knowledge Base (2.ª ed.).
Cincinnati: Atomic Doc Publishing.
Winer, B. J.; Brown, D. R. y Michels, K. M. (1991). Statistical Principles in
Experimental Design. Nueva York: McGraw Hill.
ERRNVPHGLFRVRUJ
ERRNVPHGLFRVRUJ

Metodos de Investigacion en Logopedia

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Metodos de Investigacion en Logopedia

Cargado por

Copyright:

Formatos disponibles

Métodos de investigación

© Migud Ángel Castellanos López

Impreso en España. Printed in Spain

Reservados todos los derechos. Está prohibido, bajo las sanciones

Capítulo 1. La investigación en logopedia....................................................................... 13

Capítulo 2. Conceptos fundamentales................................................................................ 31

2.6. Decisiones sobre la estrategia de investigación (etapa 5)........ 45

Capítulo 3. Diseños experimentales...................................................................................... 77

3.5.4. Diseños factoriales incompletos............................................................ 111

Capítulo 4. Diseños cuasiexperimentales....................................................................... 123

Capítulo 5. Diseños cuantitativos no experimentales,

Capítulo 6. Investigación epidemiológica......................................................................... 187

6.2.1. Medidas de ocurrencia.................................................................................... 192

Capítulo 7. Metaanálisis........................................................................................................................... 221

Capítulo 8. El informe de investigación.............................................................................. 239

8.2.2. Uso del lenguaje y sesgos lingüísticos............................................. 248

Clave de respuestas............................................................................................................................................ 255

Con este libro pretendemos atender una demanda frecuente de los

ejemplos concretos de investigaciones publicadas y una orientación

En este capítulo introduciremos aspectos básicos sobre la investi-

1.1. La necesidad de investigar

En España, muchas personas que se dedican a la logopedia asisten-

Afortunadamente, estas ideas van evolucionando y, en los últi-

1. Formular una pregunta clínica (por ejemplo, ¿es adecuado

ces a revisiones sistemáticas sobre intervención logopédica

En la aplicación de la PBE en logopedia, Aguado y Ripoll (2016)

1.2. La lógica de la investigación

Popper, en su manual clásico La lógica de la investigación científica

Investigación previa Experiencia clínica

Ideas Creencias, intuiciones…

Apoya la teoría EXPERIMENTO No apoya la teoría

Se desarrolla la teoría Se modifica Abandonar la

Figura 1.1. Proceso de contrastación de una teoría mediante la investigación.

En un primer paso, cuando se crea o propone una teoría, esta

conclusiones extraídas no apoyan la hipótesis, o en términos de Po-

1.2.1. Ejemplo de la aplicación de la lógica de la investigación:

Para ilustrar este proceso seguiremos un ejemplo relacionado con

Entre los años sesenta y setenta se propuso la teoría de que los

1.3. Cuestiones éticas

Llevar a cabo una buena investigación exige, además de un buen

1.3.1. Introducción y principios generales

A lo largo de la historia, en la investigación con personas se han

humanos. Tras la Segunda Guerra Mundial, en 1947 se publicó el

Estos documentos son orientativos, pero no son reguladores.

–– Autonomía: los participantes en una investigación deben ser

1.3.2. Planificación de la investigación y consideraciones éticas

Cuando planificamos una investigación debemos considerar los

en el marco del grupo de investigación no se consiga resolver, se

El consentimiento informado es uno de los documentos fun-

–– El título de la investigación y el investigador responsable.

–– Los riesgos y los beneficios esperados. Si no se esperan ries-

El consentimiento debe incluir los derechos de los participantes

se un rechazo o malestar por el procedimiento de investigación o

La confidencialidad de los datos personales y de la salud deben

Por ejemplo, si nos planteamos realizar un estudio sobre com-

En cualquier investigación se supone que los resultados se pre-

y comercializado un material de intervención logopédica. Si sus pu-

El Manual de la Asociación Americana de Psicología (2010) se-

–– Autoría coercitiva: se ejerce presión o abuso de poder para

–– Autoría “fantasma”: originales que han sido realizados por

Todas estas prácticas son ejemplos de irregularidades éticas, y

E) Faltas en la ética de investigación: el plagio y el fraude

En el estudio de Titus, Welsh y Roadhes (2008) con encuestas

Capítulo 1. La investigación en logopedia....................................................................... 13

Capítulo 2. Conceptos fundamentales................................................................................ 31

2.6. Decisiones sobre la estrategia de investigación (etapa 5)........ 45

Capítulo 3. Diseños experimentales...................................................................................... 77

3.5.4. Diseños factoriales incompletos............................................................ 111

Capítulo 4. Diseños cuasiexperimentales....................................................................... 123

Capítulo 6. Investigación epidemiológica......................................................................... 187

6.2.1. Medidas de ocurrencia.................................................................................... 192

Capítulo 7. Metaanálisis........................................................................................................................... 221

Capítulo 8. El informe de investigación.............................................................................. 239

8.2.2. Uso del lenguaje y sesgos lingüísticos............................................. 248

Clave de respuestas............................................................................................................................................ 255

Estos documentos son orientativos, pero no son reguladores.