Documentos de Académico
Documentos de Profesional
Documentos de Cultura
METODOLOGÍA
di us CIENCIAS
I
John Gerring
METODOLOGÍA OE LAS CIENCIAS SOCIALES
UN MARCO UNIFICADO
Este excepcional manual de John Gerring ofrece en un
solo volumen una introducción a la metodología de las
ciencias sociales que se puede utilizar para las disciplinas
de la antropología, la economía, la historia, la ciencia
política, la psicología y la sociología. Será de gran utili
dad para estudiantes, profesionales y metodólogos, y
trata tanto de los métodos cuantitativos como de los
cualitativos, prestando especial atención a elementos
esenciales como la conceptüa|ización, la medición, la
causalidad y el diseño de la investigación. Sintetiza el
amplio y diverso campo de la metodología de una mane
ra clara, concisa y exhaustiva, por lo que presenta al lec
tor una imprescindible visión general de la materia. La
reflexión sobre la metodología a través de está-lente pro
porciona un nuevo marco para comprender el mundo
en las ciencias sociales.
í
•5
J ISBN: 978-84-206-8980-7
í
8
llllllllllp
9ll788420“689807ll
I Alianza Editorial
Metodología de las
ciencias sociales
John Gerring
Metodología de las
ciencias sociales
Un marco unificado
Segunda edición
Alianza Editorial
Titulo original: Social Science Methodology. A Unijted Framework
Reseñados todos los derechos. El contenido de esta obra está protegido por la Ley, que esta
blece penas de prisión y/o multas, además de las correspondientes indemnizaciones por daños
y peijukios. para quienes reprodujeren, plagiaren, distribuyeren o comunicaren públicamente,
en todo o en parte, una obra literaria, artística o científica, o su transformación, interpretación
o ejecución artística fijada en cualquier tipo de soporte o comunicada a través de cualquier
medio, sin la preceptiva autorización.
•í’j;
Lista de figuras 15
Lista de tablas 17
Prefacio. 19
Este volumen 21
Agradecimientos 23
1. Un marco unificado 25
El problema del pluralismo 27
Un marco unificado 34
Clarificaciones . 37
Exclusiones ..... 40
Terminología 41
Ejemplos 43
Democracia 44
Cupones 44
Consejo al lector 45
Parte I General
2 Principios 49
Descubrimiento ...................................... 50
Apreciación 52
Compensaciones 54
Encontrar una pregunta de investigación 58
9
Metodología de las ciencias sociales
Estudie la tradición 59
Comience donde esté 61
Aléjese del terruño 63
Juegue con las ideas 64
Practique la descreencia 67
Observe empáticamente 69
Teorice salvajemente 69
Prevea 72
Haga análisis exploratorios 73
Conclusiones sobre los principios. 75
3 Argumentos . 79
Verdad 81
Precisión 82
Generalidad 83
Delimitación 85
Parsimonia 87
Coherencia 89
Conmensurabilidad 89
Relevancia 91
4 Análisis ......................................... 95
Definiciones 96
Diseño de investigación frente a análisis de datos. 99
Criterios 102
Exactitud 103
Validez, precisión, incertidumbre 103
Validez intema/extema 105
Muestreo 107
Representatividad 108
Tamaño (A1) 109
Nivel de análisis 111
Acumulación 112
Estandarización 113
Replicación 114
Transparencia 116
Ajuste teórico 117
Validez deconstructo 117
Severidad 118
Partición 122
Parte II Descripción
5 Conceptos 127
La disyuntiva de la descripción.. 129
Conceptos 131
Criterios de la conceptualización 135
10
índice
Resonancia 136
Dominio 138
Consistencia 140
Fecundidad 142
Diferenciación 145
Utilidad causal 148
Estrategias de conceptualización 149
Examen de conceptos plausibles 150
Clasificación de atributos 151
Definición: tipos de conceptos 152
Mínimos 154
Máximos 154
Acumulativos 155
Análisis 157
6 Argumentos descriptivos 159
Indicadores 160
Síntesis 162
Tipologías 163
Tipología simple 163
Tipología temporal 163
Tipología de matriz 164
Taxonomía 165
Tipología de configuración 165
Tipología secuencial 168
Asociaciones 169
Tendencia 169
Red 169
Correlación 171
Conclusiones ........... 171
7 Mediciones 173
Criterios 176
Estrategias 180
Niveles de abstracción 182
Estructura 183
Agregación 184
Escalas 185
Objetivos 189
Enfoques: deductivo e inductivo.... 190
Etnografía 192
Encuestas y experimentos 195
Referencias cruzadas . 196
Relaciones causales 198
Corrupción: un ejemplo detallado 201
Test de validez ex post 208
11
Metodología de las ciencias sociales
12
índice
Parte IV Conclusiones
13. Unidad y pluralidad 381
Cualitativo frente a cuantitativo 382
Culturalismo frente a racionalismo 386
Modelos de causalidad 388
El modelo de la ley de cobertura 388
El modelo de resultados potenciales 389
Pluralismo y monismo 392
Una explicación unificada 395
14. Establecer los estándares 397
Beneficios 399
La investigación con múltiples métodos 400
Establecer los estándares 404
Los test de umbral 404
El mejor posible, una vez que consideramos todo. 407
13
Metodología de las ciencias sociales
14
I
Lista de figuras
15
Metodología de las ciencias sociales
16
Lista de tablas
¡1
I
1.1 Esquematización del marco 38
2.1 Objetivos generales de la ciencia social 50
3.1 Argumentos: criterios generales 81
4.1 Análisis: criterios generales 102
5.1 Criterios de la conceptualización 136
5.2 Estrategias de conceptualización 149
5.3 Una clasificación de los atributos fundamentales: «Democracia» 153
5.4 Definición acumulativa: «Democracia» 156
6.1 Argumentos descriptivos 160
6.2 Una tipología de matriz: tipos de régimen 165
6.3 Una taxonomía en formato tabular 166
6.4 Una tipología de configuración: tipo ideal y categorías radiales 168
7.1 Estrategias de medición 181
7.2 Tipos de escalas 186
7.3 Una escala única con múltiples interpretaciones: «Competencia electo
ral» 188
8.1 Argumentos causales: criterios 219
17
Metodología de las ciencias sociales
18
Prefacio
«Las ciencias naturales hablan de sus resultados. Las ciencias sociales hablan de
sus métodos.»
Henri Poincaré1
«En rigor, no hay metodología sin logos, sin un pensamiento habituado a pen
sar. Y en el momento en que se distingue claramente la metodología de la técni
ca, no se puede sustituir una por la otra. Se puede ser un maravilloso investiga
dor y manipulador de datos, y sin embargo seguir siendo un pensador
inconsciente... la disciplina en su conjunto está gravemente debilitada por la in
consciencia metodológica. Mientras más avanzamos técnicamente, más vasto e
inexplorado es el territorio que dejamos atrás.»
Giovanni Sartori2
19
Metodología de las ciencias sociales
20
Prefacio
Este volumen
21
Metodología de las ciencias sociales
22
Prefacio
Agradecimientos
Arnab Acharya, Paul Dragos Aligica, Julián Arevalo, Neil Beck, Ste-
phen Bird, Taylor Boas, Bob Bullock, Tom Burke, Dave Campbell, Dino
Christenson, David Collier, Michael Coppedge, Pearson Cross, Pierre-
Marc Daigneault, Thad Dunning, Colin Elman, Tulia Falleti, Jon Far-
ney, Marshall Ganz, Gary Goertz, Kristin Goss, Steve Hanson, Andy
23
Metodología de las ciencias sociales
Harris. David Hart. Daniel Hidalgo, Peter Houtzager, Alan Jacobs, Mi-
chael Johnston. Elizabeth Kaknes, Orit Kedar, Markus Kreuzer, Doug
Kriner. Dan Kryder, Marcus Kurtz. David Lyons, Jim Mahoney, Mi-
chael Martin. Amy Mazur, Patrick Mello, Rob Mickey, Doug Mock, Jai
ra Nicolau. Nathan Nunn, Betsy Paluck, Paul Pierson, Howard Reiter,
Neal Richardson. Benoit Rihoux, Ingo Rohlfmg, Kate Sanger, Carsten
Schneider. Jay Seawright, Rudy Sil, Svend-Erik Skaaning, Theda
Skocpol. Drawn Skorczewski, Laurel Smith-Doerr, Craig Thomas,
John Williamson y Joshua Yesnowitz, expresaron generosamente comen
tarios y sugerencias a varias versiones de este manuscrito. Más informa
les. pero no menos útiles, fueron las conversaciones y los intercambios de
correos electrónicos con Nik Blevins, Ben Campbell, Russ Faeges, Garrett
Glasgow, Lincoln Greenhill, Cathy Harris, Samantha Luks, Jeff Mirón,
Jim Schmidt. Laura Stoker, Strom Thacker, Ned Wingreen y Chris
Winship.
He sido también afortunado al disponer de la intervención de los par
ticipantes en varias charlas de presentación de algunas partes de este ma
nuscrito: en la Universidad de Connnecticut, la Universidad de Boston,
la Universidad de California en Berkeley, la Universidad de Massachu-
setts Amherst. la Universidad de Virginia y en el Institute for Qualitative
and Multimethod Research (actualmente ubicado en la Maxwell School,
Universidad de Siracusa). El libro se ha visto muy mejorado por los co
mentarios de los revisores de Cambridge University Press y de las dife
rentes generaciones de estudiantes graduados que asistieron a mi curso
de métodos en la Universidad de Boston.
Debo una ronda especial de agradecimientos a Bear Braumoeller, Pa
trick Johnston, Evan Lieberman y David Waldner, por honrar el manus
crito con sus sensatas críticas. Su entusiasmo por los métodos y su am
plitud de intereses suscitaron muchas discusiones y más de una revisión.
Mi deuda con David Collier no sorprenderá a nadie.
Tardíamente, Adam Glynn y yo empezamos a trabajar juntos en enfo
ques alternativos a la inferencia causal, entendida a través de gráficos
causales. Su contribución a los temas que se abordan en el capítulo 11
merece un crédito especial. Le agradezco mucho su creatividad y sus vas
tos conocimientos.
Un último reconocimiento es para todas las obras de metodología pu
blicadas que me han inspirado. Como sería tedioso enumerar a todos los
autores por su nombre, la larga bibliografía y las extensas notas sirven de
expresión de mi gratitud.
24
1 Un marco unificado
«Aquellas ciencias, creadas casi en nuestros propios días, cuyo objeto de estudio
es el hombre mismo, cuya meta es directamente la felicidad del hombre, experi
mentarán un progreso no menos certero que el de las ciencias físicas, y esta idea
tan agradable, la de que nuestros descendientes nos sobrepasarán tanto en sabi
duría como en ilustración, ha dejado de ser una ilusión. Cuando meditamos so
bre la naturaleza de las ciencias sociales no podemos evitar ver que se basan,
igual que las ciencias físicas, en la observación_del hecho, por lo que deben se
guir el mismo método, adquirir un lenguaje igual de exacto y preciso, y lograr el
mismo grado dé”certidumbre.»
Nicolás de Condorcet1
«Hay... progreso en las ciencias sociales, pero es mucho más lento [que en las
ciencias naturales], y no está, en modo alguno, impulsado por el mismo flujo de
información y espíritu optimista. La cooperación es, en el mejor de los casos, es
casa; hasta los descubrimientos genuinos son a menudo oscurecidos por amar
gas disputas ideológicas. La mayoría de los antropólogos, economistas, sociólo
gos y politólogos ni se entiendenjii se animan unos a otros... Se dividen en
diferentes especialidades, defienden la precisión en laT’palabras dentro de su
propia especialidad, pero raramente hablan todos el mismo lenguaje técnico.
Una enorme cantidad incluso disfruta de la atmósfera de caos resultante, que
confunden con el fermento creativo.»
Edward O. Wilson2
25
Metodología de las ciencias sociales
26
1 Un marco unificado
27
Metodología de las ciencias sociales
29
Metodología de las ciencias sociales
31
Metodología de las ciencias sociales
Campbell señala que se trata de una acción difícil que requiere un equili
brio entre el individualismo (todos deben pensar por sí mismos y negarse
al comportamiento gregario) y el colectivismo (todos los miembros de la
comunidad deben centrarse en proBlémas~similares con el fin de hallar
un consenso).
32
1 Un marco unificado
33
Metodología de las riendas sociales
Un marco unificado
Si hay buenas razones para buscar el consenso metodológico entre los di
ferentes campos, problemas y teorías de la ciencia social, ¿cómo cons
truir ese consenso? Y más concretamente, ¿cómo podemos elaborar un
marco útil para los investigadores que están aprendiendo su oficio?
Este libro es un esfuerzo muy sintético que se fundamenta consciente
mente en una abundante literatura sobre filosofía de la ciencia y en tex
tos de métodos de los últimos dos siglos. Su propósito es integrar las re
glas y normasmetodológicas existentes en un marco unificado-que es
conciso, preciso y completo. En la medida en que lo consiga, la narrativa
debefá”apárécer como un compendio de sentido común. Pero también
quiero hacer algunas puntualizaciones.Al igual qué todos los textos de
metodología, este libro es una reflexión y una argumentación sobre el
objeto de estudio.30 "
La investigación de naturaleza científica debe ser, a mi modo de ver,
acumulativa, basada en la evidencia (empírica), verificable, generalizable,
no subjetiva, replicable, rigurosa, escéptica, sistemática, transparente y
fundada en la argumentación racional. Hay diferencias de opinión sobre
si la ciencia cumple estos altos ideales o en qué medida lo hace. Aun así,
: son esos ideales a lo que en general aspiran los científicos naturales y so
ciales y los que contribuyen a definir la empresa de forma general y a dis-
' tinguirla de otros reinos.
Pero estos ideales son también muy vagos. ¿Qué significa exactamen
te ser «riguroso» o ser «racional»? El desafío que se nos plantea es re
formular estos ideales abstractos para hacerlos operativos. Esto requie
re cierta desagregación. Pero como el objetivo es proporcionar un
esquema unificador, la desagregación no puede ir demasiado lejos. Este
libro se enmarca, por lo tanto, en un nivel medio, entre las abstraccio
nes de la filosofía de la ciencia y las reglas específicas que definen va
rios métodos.
34
1 Un marco unificado
35
Metodología de las ciencias sociales
36
1 Un marco unificado
Parte IV: la cuarta parte del libro elabora y defiende este marco. El ca
pítulo 13 regresa al problema de la unidad y la diversidad revisando el
debate cualitativo-cuantitativo, el debate culturalista-racionalista y el de
bate entre los paradigmas causales en liza.
El capítulo 14 reconsidera varias de las grandes preocupaciones:
cómo afronta el marco los conflictos entre las diferentes tareas, estrate
gias y criterios; cómo establece estándares razonables para la investiga
ción; y cómo pueden justificarse. Arguyo que las tareas, las estrategias y
los criterios resumidos en la tabla 1.1 son los que: (a) mejor cumplen los
objetivos expresados de la ciencia social (comprender la acción social de
forma científica) y (b) mejor guian el trabajo en la ciencia social de for
ma que tienda a ser útil para los diseñadores de la política y el público
lego.
Clarificaciones
Antes de seguir es necesario hacer algunas aclaraciones.
En primer lugar está el asunto de la extensión y el detalle. A algunos,
la tabla 1.1 les parecerá una lista de la compra indebidamente larga y
complicada. A otros les parecerá sin duda corta y reduccionista. De he
cho, se han escrito libros enteros sobre algunos temas a los que yo dedico
(puede parecer que bastante despreocupadamente) sólo una o dos pági
nas. No pretendo cerrar la discusión sobre estos temas. Lo que sí afirmo
es simplemente haber tratado este territorio lo más rigurosamente posi
ble en este nivel de análisis. Si se ha elegido un nivel intermedio de análi
sis es para disfrutar de los beneficios de la amplitud y la parsimonia, con
cierto sacrificio de la profundidad. Animo a los lectores interesados en
profundizar en los distintos temas a que sigan las pistas de las citas al fi
nal del libro.
En segundo lugar está la cuestión de cómo entender cada elemento de
la taxonomía. Los textos de metodología tradicionales han procurado
identificar las reglas categóricas que definen la buena investigación. En
cambio, yo considero que cada tarea y criterio es una cuestión de grado.
Hacer un descubrimiento, por ejemplo, no es una cuestión binaria (o se
descubre algo nuevo o no se descubre nada). Antes bien, toda investiga
ción —si merece la pena— tiene un elemento de novedad: dice algo nue
vo. Lo mismo podría decirse de las demás tareas yántenos que mencio
no en la tabla 1.1 (las estrategias tienden a ser categóricas por naturaleza,
aunque incluso aquí hay diferencias de grado).
37
Metodología de las ciencias sociales
I. GENERAL Tabla
Genérico
Criterios Descubrimiento; apreciación 2.1
Argumentos
Verdad: precisión; generalidad; delimitación; parsimonia; cohe
Criterios rencia; conmensurabilidad; relevancia 3.1
Análisis
Exactitud (validez, precisión, incertidumbre, validez externa/
interna); muestreo (representatividad, tamaño, nivel de análi
Criterios
sis): acumulación (estandarización, replicación, transparencia);
ajuste teórico (validez de constructo, severidad, partición)
4.1
II. DESCRIPCIÓN
Conceptos
Resonancia; dominio; consistencia; fertilidad; diferenciación;
Criterios
utilidad causal; operacionalización 5.1
Investigación de conceptos; clasificación de atributos; definición
Estrategias 5.2
(mínima, máxima, acumulativa)
Argumentos
Indicadores; síntesis; tipologías (simple, temporal, matriz, taxo
Estrategias nómica, configuracional, secuencial); asociaciones (tendencia,
red, correlación) 6.1
Mediciones
Criterios Fiabilidad (precisión); validez
DI. CAUSACIÓN
Argumentos
38
1 Un marco unificado
En tercer lugar está el problema de los conflictos entre las tarea.s, las_
estrategias y los criterios. Lograr idoneidad~en una dimensión puede im
plicar un sacrificio en otra dimensión: las compensaciones son ubicuas.
Esto significa que toda tarea, estrategia o criterio ha de comprenderse
con la advertencia ceteris paribtts. La parsimonia es deseable, permane
ciendo el resto constante. La coherencia es deseable, permaneciendo el
resto constante. Y así sucesivamente. Esto no significa que «todo vale»;
implica que varios enfoques sobre un tema dado suelen ser metodológi
camente justificables, lo que, a su vez, ofrece un fuerte argumento prima
facie a favor de la investigación con múltiples métodos. En cualquier
caso, la tarea del metodólogo es llegar a la mejor resolución posible del
conflicto entre las tareas, las estrategias y los criterios (capítulo 14).
En resumen, el propósito del marco es ofrecer una revisión relativa
mente parsimoniosa y comprensiva de las cuestiones que surgen en el pro
ceso del diseño y la evaluación de la investigación en ciencia social, de
forma tal que se afinen las intuiciones metodológicas, el trabajo sea más
reflexivo y la acumulación se logre con más facilidad. Todo posible acuer
do metodológico en ciencias sociales debe ser proporcionado por unas
bases en las que todos podamos (en mayor o menor grado) coincidir. En
mTopiñióñ,“éste marco ya está presente en nuestros juicios cotidianos so
bre el trabajo de calidad, íos argumentos fuertes y la evidencia sólida.
EiTcambio, río es probable que se llegue a un consenso por medio de
nuestra conversión a un único paradigma o método que inauguraría ese
estado paradisíaco conocido como «ciencia normal». No es probable que
nos despertemos una mañana haciendo todos teoría de juegos o herme
néutica. Por suerte, el acuerdo sobre teorías, modelos y métodos no es
necesario. De hecho, seguramente sena una insensatez Tjue todos los
científicos sociales persiguiéramos las mismas cuestiones o las persiguié
ramos de la misma manera.
Sin embargo, el conocimiento recogido con diversas herramientas se
podrá acumular si somos capaces de poner diversas evidencias juntas en
un marco común. El progreso es una meta realista en la medida en que
' comprendemos~que el progreso duradero suele hacerse más en pequeños
39
Metodología de las ciencias sociales
Exclusiones
Aunque general en relación con otros enfoques sobre el tema, el marco
presente no abarca todos los aspectos de la ciencia social. Permítaseme
mencionar varias omisiones.
Primero, las tareas, estrategias y criterios incluidos en la tabla 1.1 no
prestan una atención explícita a la inferencia^rerúc/íva. Por predicción
entendemos el pronóstico sobre el futuro y/o las predicciones específicas
en casos particulares (en el pasado, el presente o el futuro) derivadas de
modelos causales generales. Por supuesto, en la medida en que cualquie
ra de estas clases de inferencia se basa en modelos causales o descriptivos
generales, se podría afirmar que son ampliaciones de temas analizados
en este libro. Sin embargo, no voy a decir nada explícito sobre cómo ha
cemos inferencias predictivas.
Segundo, el marco se ocupa sólo periféricamente de los argumentos
centrados estrictamente en eventos o resultados simples (calificados, oca
sionalmente, de ideográficos, puramente descriptivos, de causa única o de
causa en el nivel del caso). Esto se deriva de la definición inicial de ciencia,
entendida como una actividad generalizadora.32 Es indudable que el cono
cimiento de eventos específicos puede ayudar a extraer conclusiones sobre
una población mayor de casos. Igual que una muestra grande de unidades
refleja una gran población, así podría hacerlo una muestra pequeña de una
sola unidad estudiada intensivamente. Como tal, la investigación mediante
v el estudio de caso se incluye en el ámbito de una ciencia generalizadora y, u
por lo tanto, en él ámbito de este volumen. Dicho esto, este volumen no I
profundiza demasiado en los estilos de inferencia causal y descriptiva basa-1
dos en casos, un tema que se aborda en otras publicaciones.33
Tercero, el marco no cubre preocupaciones pragmáticas, logísticas o
éticas. Con bastante frecuencia elegimoTun diseñcTde investigación por
que nos conviene más que otro o quizás porque es imposible hacerlo de
otro modo. Por ejemplo, podemos carecer de las habilidades lingüísticas
para estudiar otra cosa. Las barreras culturales o políticas pueden impe
dirle a uno reunir información adicional. La evidencia en sí puede ser es
casa. Las oportunidades de financiación pueden ser limitadas. Y, sin lu
gar a dudas, el tiempo siempre es limitado.
40
1 Un marco unificado
Terminología
Es preocupante que el vocabulario asociado al tema de la metodología
esté lleno de ambigüedad. Términos clave como «positivismo», «cualita- \
tivo», «mecanismo», «experimento», «causalidad», «exogeneidad», «he- '
41
Metodología de las ciencias sociales
42
1 Un marco unificado
Ejemplos
Debido a la opacidad de nuestro léxico metodológico, cualquier discu
sión sobre cuestiones metodológicas depende crucialmente de una provi
sión abundante de ejemplos específicos. Son estos ejemplos —del trabajo
que se ha realizado sobre un tema o del que podría realizarse sobre ese
tema— los que suelen servir para clarificar un tema.
Con los ejemplos que he elegido he intentado cruzar las fronteras dis
ciplinares para ilustrar la persistencia de varias cuestiones metodológicas
en las ciencias sociales. Por supuesto, las limitaciones de espacio impiden
la discusión de muchos ejemplos para cada argumento, de forma que los
lectores tendrán que intuir la relación del argumento con la obra en su
propio campo o subcampo. Con frecuencia he elegido antiguos estudios
«clásicos» que los lectores tienden a conocer, aunque hayan sido desban
cados por otros más recientes. La discusión sobre una obra particular no
implica suscribir sus hallazgos o métodos. Los ejemplos han sido elegi
dos para ilustrar cuestiones metodológicas específicas; eso es todo.
Para mantener la coherencia suelo regresar a dos ejemplos centrales:
la democracia y Xo^cupones. Estos temas son relevantes en muchas disci-
plinaTdefíáEiéncia social y han suscitado una buena cantidad de contro
versia académica. El primero ejemplifica el trabajo en el que la unidad de
análisis es muy grande (por ej. los estados nacionales) y el marco teórico
43
Metodología de las ciencias sociales
Democracia
Cupones n X
44
1 Un marco unificado
Consejo al lector
Ante este libro un tanto extenso, quizás el lector quiera leerlo de forma
selectiva. Esto es aconsejable para aquellos que tienen una amplia y sóli
da formación y están más familiarizados con unos temas que con otros.
Estos lectores pueden hojear el índice detallado de contenidos para iden
tificar así los temas que les interesan.
La lectura selectiva también es adecuada para los aprendices de meto
dología de la ciencia social que tal vez deseen familiarizarse primero con
los elementos básicos y dejar para más tarde otras cuestiones más com
plejas, incluyendo las discusiones sobre la literatura. Así, espero que el li
bro sea accesible para todos los lectores: principiantes, intermedios y
avanzados.
Sin duda, la lectura atenta de sólo algunas partes del libro puede pro
vocar confusiones. En las partes II y III los temas están muy entremez
clados, por lo que es mejor abordarlos como un conjunto, no capítulo a
45
Metodología de las ciencias sociales
capítulo. Por lo demás, las cuatro partes del libro son acumulativas, apo
yándose cada una en las otras. Los criterios generales que se presentan
en la parte I se aplican tanto a las tareas descriptivas como a las causales.
Y, puesto que los argumentos causales se construyen sobre los argumen
tos descriptivos, los criterios expuestos en la parte II se aplican también a
la parte III.
Recuerden que la ciencia social es una empresa holística y que el obje
tivo de este libro es abarcar esa actividad de una manera razonablemente
integral. Los fragmentos y retazos de la metodología de la ciencia social
pueden no tener sentido —y pueden incluso confundirnos— separados
del contexto más amplio en el que se sitúan. Aquellos que decidan hacer
una lectura selectiva del libro deberán tener en cuenta esta advertencia.
Recursos adicionales para los lectores y profesores se encuentran en
linea en Cambridge University Press www.cambridge.org/gerring. Esto
incluye: (ajlas tablas y figuras del libro (en ficheros separados, para des
cargarlas e imprimirlas fácilmente); (b) una presentación en powerpoint
(para su uso en las clases); (c) preguntas, ejercicios, trabajos de clase y
consejos (para los profesores que quieran incorporar el texto a sus cursos
de metodología); y (d) programas para los profesores que han usado este
libro en sus cursos.
46
Parte I
General
2 Principios
!
¡
Metodología de las ciencias sociales
Descubrimiento
50
2 Principios
51
Metodología de (as riendas sociales
Apreciación
El segundo objetivo general de la ciencia es asegurar que el valor de ver
dad de las proposiciones sobre el mundo se puede comprobar con rigor.
«El criterio para otorgar estatus científico a una teoría es su falsabilidad,
su refutabilidad o verificabilidad», afirma Karl Popper.9 Este proceso, a
diferencia del objetivo del descubrimiento, ha de realizarse conforme a
varias reglas. De lo contrario nunca seremos capaces de lograr un con
senso sobre nada, y el objetivo de la verdad (que presume la posibilidad
de alcanzar un consenso) desaparecerá. Afortunadamente, el proceso de
la apreciación se presta más a seguir principios generales que el proceso
del descubrimiento. Y esto, a su vez, contribuye a explicar por qué ha
sido una preocupación constante de los metodólogos. (Constituye vir
tualmente todo el campo de la metodología tal y como se concibe tradi
cionalmente.)
52
2 Principios
53
Metodología de las ciencias sociales
Compensaciones
54
2 Principios
55
Metodología de las ciencias sociales
56
2 Principios
57
Metodología de las ciencias sociales
58
2 Principios
Estudie la tradición
59
Metodología de las ciencias sociales
60
2 Principios
cho), porque a veces nos lleva a pensar sobre temas conocidos de formas
nuevas, porque las obras clásicas tienden a ser sugerentes (y, por lo tanto,
plantean preguntas), porque a menudo se emplea un vocabulario diferen
te, y, en realidad, porque se nos recuerda todo lo que se ha hecho ante
riormente. Este último punto es instructivo en dos sentidos: nos alerta de
que estamos reinventando la proverbial rueda y nos informa de las ma
neras en que, con el correr del tiempo, han cambiado en una disciplina (y
dentro de la sociedad en su conjunto) las percepciones y las conclusiones
sobre temas conocidos. Cada tema tiene una historia intelectual y merece
la pena familiarizarse con esa historia, no simplemente para encontrar
un sucinto epígrafe sino también para que informe nuestro análisis de un
problema.
Cuando C. Wright Mills empezó su estudio de las élites, consultó las
obras de Lasswell, Marx, Michels, Mosca, Pareto, Schumpeter, Veblen y
Weber.21 Comentando su experiencia, Mills escribe lo siguiente:
Al mirar algunas notas sobre esos autores, encuentro que ofrecen tres tipos de
enunciados: a) de unos aprendemos directamente, re-enunciando sistemática
mente lo que dicen sobre puntos dados o en conjunto; b) otros los aceptamos o
rechazamos, dando razones y argumentos; c) y otros los usamos como fuentes
de sugestiones para nuestras propias elaboraciones y proyectos. Esto supone
comprender un punto y preguntarse después: ¿cómo puedo dar a esto forma de
mostrable, y cómo puedo demostrarlo? ¿Cómo puedo usarlo como centro de
trabajo, como perspectiva de la cual emerjan con sentido detalles descriptivos?
No todos los temas han sido bendecidos con esa rica herencia; pero algu
nos sí y merece la pena detenerse a leer y a reflexionar.
61
Metodología de las ciencias sociales
I
2 Principios
63
Metodología de las ciencias sociales
Los científicos famosos no son más inteligentes que los que no lo son. [Además,]
estoy convencido también de que los que han tenido éxito no están en lo cierto
con más frecuencia que sus colegas. Creo que los arquitectos de la ciencia son
simplemente más curiosos, más iconoclastas, más persistentes, más dispuestos a
dar rodeos y a resolver problemas más complicados y fundamentales. Y lo que
es más importante aún, poseen coraje y valentía intelectual. Trabajan al filo de
su competencia; su atrevimiento va más allá de su entendimiento... Así, no sólo
tienen éxito con más frecuencia y fuera de toda proporción; también fracasan
con más frecuencia y en el mismo grado. Sus fracasos, sin embargo, definen me-
64
2 Principios
jor los límites de la ciencia que los éxitos de los científicos más convencionales y
seguros, por lo que son los pioneros los más valiosos para la ciencia.29
65
Metodología de las ciencias sociales
Igual que los códigos del razonamiento lógico quedan suspendidos durante el sue
ño. «pensar al margen» es una liberación temporal de la tiranía de los conceptos
verbales demasiado precisos, de los axiomas y prejuicios engranados en la textura
de los modos de pensamiento especializados. Permite a la mente deshacerse de la
camisa de fuerza del hábito, ignorar las contradicciones evidentes, desaprender y
olvidar—y adquirir, a cambio, una mayor fluidez, versatilidad y credibilidad. Esta
rebelión contra las constricciones que son necesarias para mantener el orden y la
disciplina del pensamiento convencional, pero que son también un impedimento
para el paso creativo, es sintomática del genio y del loco; lo que les distingue es la
intuición de la que disfruta el primero.33
Habría que añadir que lo que también distingue al genio del loco es que
el primero domina la tradición del trabajo hecho sobre un tema. Los mo
mentos preliminares del genio son creativos porque se producen sobre la
base del conocimiento. Para olvidar, y recombinar rasgos de un proble
ma, primero hay que saber.
Puede que la analogía del descubrimiento con el trance del sueño,
aunque raya en el sinsentido, no se aleje de la realidad. Koestler escribe
lo siguiente:
66
2 Principios
Practique la descreencia
67
Metodología de las ciencias sociales
68
2 Principios
Observe empáticamente
Una de las técnicas del descubrimiento es la empatia o (por decirlo en len
guaje filosófico) la hermenéutica.36 Aquí empleamos técnicas de observa
ción para entrar en el mundo de los actores implicados en alguna actividad
de interés —jugar al balón, hacer un proyecto de ley, matar al adversario,
votar, etc. — con el fin de comprender su perspectiva sobre el fenómeno.
Sin duda, esto es más fácil cuando los actores son contemporáneos nues
tros y se pueden estudiar directamente (por ejemplo, etnográficamente). Es
más difícil y, en algunas ocasiones, más revelador, cuando las acciones ocu
rrieron hace mucho tiempo o ya no están disponibles para ser observadas
directamente y hay que reconstruirlas. En cualquier caso, las percepciones
no obvias requieren interpretación y esta interpretación se debe basar en
una valoración del modo en que los actores ven sus propias acciones.
Considere que el proceso de comprensión empieza con una capacidad
para recrear o reimaginar las experiencias de esos actores a cuyas ideas y
comportamiento deseamos dar sentido. De alguna manera se debe esta
blecer un vinculo entre nuestros horizontes de experiencia y los horizon
tes del grupo que queremos estudiar. Esto implica una suerte de juego de
rol (¿qué haría yo en la situación X si fuera Y?). Probablemente es esen
cial cierto grado de empatia con nuestros sujetos para comprender un fe
nómeno. Esto puede ser difícil de conseguir si el sujeto es grotesco. Nadie
quiere empatizar con los nazis. Pero el desafío hermenéutico no deja de
estar ahí; se debe hallar alguna manera de entrar en la vida y las percep
ciones de estos importantes actores históricos con el fin de explicar sus
acciones, por muy extrañas y repelentes que sean.
Aunque los que se identifican a sí mismos como interpretativistas no
siempre son propensos a la teoría, concedamos que muchos de los que se
identifican como «teóricos» han empleado en algún momento técnicas in
terpretativas (a hurtadillas). En cualquier caso, esta técnica no debería mo
nopolizarla un puñado de practicantes especialistas («interpretativistas»,
«etnógrafos», etc.). Es un juego al que podemos jugar todos —y, de hecho,
al que tenemos que jugar si queremos tener éxito como científicos sociales.
Teorice salvajemente
En lugar de trabajar exclusivamente sobre Una Gran Idea, podría usted
considerar los beneficios de trabajar simultáneamente siguiendo varios
caminos. Así evitará usted comprometerse abiertamente y demasiado
pronto con un único tema. Puede usted también comparar diferentes te
mas y evaluar sus fuerzas y sus debilidades. «Tener simplemente muchas
ideas y descartar las malas», aconseja Linus Pauling.37
69
Metodología de las ciencias sociales
70
2 Principios
Una tercera técnica para dejar que giren las ruedas de la teoría es lle
var una idea convencional a su extremo lógico. Es decir, considere una
explicación que parece funcionar para un evento particular o en un con
texto particular. (Puede ser su idea o la idea de otro.) Ahora lleve esa
idea a otros contextos o eventos. ¿Sigue funcionando? ¿Qué ajustes nece
sita para que funcione? O considere las ramificaciones lógicas de una
teoría si se aplicara enteramente. ¿Qué parece requerir la teoría?
Las teorías se comprueban cuando se llevan a sus límites, cuando se
prueban en contextos muy diferentes. Root-Bernstein observa que esta
estrategia conduce, como mínimo, a la investigación de las fronteras de
una idea, algo útil de saber. Por otra parte, nos puede ayudar a reformu
lar una teoría de formas que se puedan trasladar con más éxito, es decir,
de forma que su alcance aumente. Una tercera posibilidad, quizás la más
atractiva, es que puede conducir a una nueva teoría que explique un nue
vo reino empírico.44
Para teorizar salvajemente es importante tener una lista de todas las
explicaciones posibles que se han intuido o leído en la literatura. Como
parte integral de este proceder, podríamos considerar algunos de los mo
delos más generales del comportamiento humano, por ejemplo, la elec
ción individual (conocida como racional), el intercambio, la adaptación
(conocida como evolución), la difusión, etc.45 En algunas ocasiones estos
modelos abstractos tienen aplicaciones a problemas muy específicos que
podrían no ser inmediatamente obvios. (¿Cómo se entiende el tema del
romance si se lo considera como un intercambio? ¿Y como una adapta
ción? ¿Y como un producto de la difusión?)
Una vez hecha, esta lista de posibles explicaciones para el fenómeno
Y se puede reorganizar y recomponer (quizás algunas proposiciones son
subconjuntos de otras). Recuerde que el trabajo de teorización suele im
plicar una recombinación nueva de explicaciones que ya existen. Su lista
de explicaciones potenciales incluirá también el conjunto de hipótesis ri
vales que usted tendrá que refutar, mitigar y/o controlar (empíricamente)
en su trabajo. Así, es importante que sea lo más larga posible.
Para hacerse una idea de cómo modelar correctamente las interrela
ciones complejas suele ser útil hacer esquemas. (Si se es avezado en dise
ño gráfico, se pueden hacer en el ordenador. Para los demás probable
mente los mejores instrumentos son el lápiz y el papel.) Poner las idas en
cajas y con flechas o quizás en diagramas de Venn o árboles de decisión
nos permite ilustrar las relaciones potenciales con más libertad que con
palabras o números. Así, es posible «pensar» abstractamente sobre el pa
pel sin padecer las constricciones de las palabras y los números. Es tam
bién un formato muy sinóptico que nos permite encajar toda una argu
mentación, en toda (o la mayor parte de) su complejidad, en una única
hoja o una pizarra.
71
Metodología de las ciencias sociales
Prevea
Todos los elementos del proceso de la investigación están estrechamente
conectados. Esto significa que un tema no es bueno si no se conjuga con
una buena teoría y un diseño de investigación viable. Por lo tanto, la elec
ción del «tema» resulta más complicada de lo que parece a primera vista.
Por supuesto, todos los elementos que cuentan para una investigación exi
tosa no suelen encajar de forma automática. Y nos vemos obligados a li
diar con ellos, y podría decirse que, especialmente, en esta primera fase.
Tener presentes los elementos de nuestro tema —una teoría, un con
junto de fenómenos y un posible diseño de investigación— es vital para
mantener un grado de fluidez entre todas estas partes hasta que llegue el
momento en que se convenza de que ha hecho el mejor encaje posible en
tre ellas. Guárdese de terminarla prematuramente. Pero evitar también
caer en un círculo vicioso puede serle útil para identificar el elemento de
su tema con el que se siente más comprometido, es decir, con el que pue
de hacer una mayor contribución académica. Si lo identifica, le propor
cionará un anclaje en ese proceso de constante reajuste.
Considere la decisión inicial de un tema como una inversión de futu
ro. Como ocurre con todas las inversiones, el rendimiento dependerá de
que muchas cosas encajen durante los años posteriores. Nunca se pueden
anticipar todas las dificultades potenciales. Pero cuanto más se pueda
«jugar» en este proceso, más posibilidades tendrá de recibir compensa
ción cuando termine la investigación. Y más posibilidades de terminar
completamente su investigación. (Las ideas verdaderamente malas difí
cilmente llegan a buen término; cuanto más avanzan, más obstáculos en
cuentran.)
Aunque la perspectiva pueda parecer sobrecogedora, uno está obliga
do a pensar en el futuro ya en la fase «inicial» de la investigación. Intente
imaginarse cómo podría funcionar su idea: qué tipo de teoría, qué diseño
de investigación resultará, etc. Si todo funciona como tenía previsto,
¿cómo será la tesis/el libro/el artículo resultante? (Esto nos lleva a los
asuntos tratados en el resto del libro, es decir a cuáles son los conceptos,
inferencias descriptivas, inferencias causales y diseños de investigación
adecuados.)
Una pregunta obvia que hay que considerar es qué «resultados» gene
rará probablemente un estudio. Con independencia del tipo de estudio
emprendido, presumiblemente habrá alguna confrontación con el mundo
empírico y se harán algunos descubrimientos. ¿Dispondremos de la evi
dencia necesaria para generar o comprobar una teoría? ¿Se podrá corro
borar la hipótesis principal?
En algunas ocasiones, no conseguir rechazar una hipótesis nula impli
ca que el investigador tiene poco que mostrar en su investigación. La sa-
72
2 Principios
73
Metodología de las tiendas sociales
74
2 Principios
75
Metodología de las ciencias sociales
76
2 Principios
77
Metodología de las ciencias sociales
Para describir este desastre, Luker cita una sola frase de Pauline Bar
«Datos, datos por todas partes, y ni una sola idea».53 . . tamos
En nuestra propia investigación —y con independencia de S1
empezando como estudiosos de la ciencia social o hemos dedica ° e
das a esta empresa— debemos evitar tanto el Escila del fin prema ur
como el Caribdis de prolongar demasiado el fin de nuestro proyec o.
Ninguno servirá a la causa de la ciencia ni será beneficioso para núes ra
carrera. Esfuércese por encontrar una pregunta de investigación lo an es
posible, pero no se detenga en algo que no le parezca a usted muy sigm i
cativo o muy relevante para la audiencia a la que pretende cautivar.
78
3 Argumentos
A: (Llaman a la puerta)
B: Adelante.
A: ¿Es aquí donde se discute?
B: Ya se lo he dicho.
A: No, no me lo ha dicho.
B: Sí, sí se lo he dicho.
A: ¿Cuándo?
B: Ahora mismo.
A: No me lo ha dicho, no.
B: Sí se lo he dicho, sí.
A: No me lo ha dicho.
B: Sí se lo he dicho.
A: ¡No me lo ha dicho!
B: ¡Le estoy diciendo que sí!
A: ¡Que no!
B: Oh, lo siento, espere un momento ¿ésta es una discusión de cinco minutos o
de media hora?
Monty Python, «La clínica de la discusión»
79
Metodología de las ciencias sociales
80
3 Argumentos
Verdad
Los argumentos pugnan por ser verdaderos. Ésta es la virtud más impor
tante de una proposición de ciencia social, porque los argumentos verda
deros suelen ser más útiles que los falsos. Se admite que, en algunas oca
siones, las inferencias falsas logran cosas interesantes, pero creemos que
81
Metodología de las ciencias sociales
la ciencia social no tiene ningún valor salvo cuando sus inferencias son,
en general, verdaderas. Si la ciencia no es verdadera, la empresa carece
de sentido.
Pero el problema de la verdad no es tan simple como puede parecer a
primera vista. Primero, debemos tener en mente que la verdad de un ar
gumento suele entenderse en referencia al argumento en sí: al enunciado
o conjunto de enunciados que se hacen sobre el mundo. Los estudiosos
escogen cuestiones concretas para discutirlas. No pretenden representar
toda la verdad sobre ningún tema y menos aún sobre todos los temas.
El argumento elegido por el estudioso puede ser «positivo» o «negati
vo». El argumento «la teoría A está equivocada» es un argumento nega
tivo que puede ser verdadero o falso. Es el autor del argumento el que
decide los términos en los que va a argüir, es decir, la base o hipótesis
nula en la que se enmarca el argumento.
Hay también dimensiones periféricas de un argumento que implican
cuáles son los límites de una inferencia (su alcance o población), los me
canismos de una teoría causal, y otras cuestiones relacionadas con los es
tilos concretos de argumentación descriptiva y argumentación causal
(como se verá más adelante y en los siguientes capítulos). Cada uno de
ellos se puede juzgar verdadero o falso. De esto se sigue que un argumen
to puede ser verdadero en algunos aspectos y falso en otros.
Precisión
82
3 Argumentos
Generalidad
Si el propósito fundamental de la ciencia social es decirnos cosas sobre
el mundo, entonces no hay razón alguna para que una inferencia que
nos informa sobre muchos fenómenos sea, en virtud de este hecho,
más útil que una inferencia que sólo nos informa sobre un puñado de
fenómenos. Me referiré a este desiderátum como generalidad (también
se le puede llamar amplitud, capacidad de generalización o alcance).
Queremos que una teoría abarque tantos fenómenos como sea posible.
Cuanto más podamos explicar con un argumento dado (ceteris parí-
bus), más poderoso será el argumento. Las teorías de gran alcance nos
dicen más sobre el mundo porque explican porciones mayores de ese
mundo. Así, una teoría de la democracia que describe o explica satis
factoriamente los tipos de régimen de los Estados nacionales es supe
rior a una que sólo atañe a una única región del mundo o una única
época histórica. Y una teoría o marco teórico que describe o explica
diferentes tipos de fenómenos es más útil que otra que se refiere a un
único resultado.
Adviértase que el poder del marxismo se deriva de su aplicación a una
amplia variedad de comportamientos sociales; no es sólo una teoría de la
revolución o una teoría del comportamiento económico. El hecho de que
los miembros de cada tribu de las ciencias sociales puedan recurrir a al
guna versión de la teoría marxista certifica la extraordinaria amplitud de
este marco teórico. En cambio, Malinowski señala en su clásico de la an
tropología Los argonautas del Pacífico Occidental-.
Los hechos aislados carecen de valor para la ciencia, por muy sorprendentes y
novedosos que sean. La investigación científica genuina difiere de la mera bús
queda-curiosidad en que esta última persigue lo pintoresco, lo singular y lo raro
—el afán de lo sensacional y la manía de coleccionar suministran un estímulo
doble. La ciencia, en cambio, tiene que analizar y clasificar los hechos con el fin
83
Metodología de las ciencias sociales
84
3 Argumentos
Delimitación
Por lo que se refiere al alcance de un argumento, cuanto mayor sea, me
jor, pero evidentemente sólo hasta cierto punto. En efecto, suele ocurrir
que a medida que aumenta el alcance de un argumento, disminuyen su
veracidad, precisión o coherencia. He aquí el punto en el que el criterio
de la generalidad entra en conflicto con otros criterios científicos especí
ficos (incluidos los de fecundidad e impacto que se tratarán en capítulos
posteriores, cuando hablemos de las inferencias descriptivas y causales
respectivamente).
Cuando el investigador formula un argumento, su objetivo es identifi
car aquellos fenómenos que se enmarcan adecuadamente dentro del al
85
Metodología de las ciencias sociales
canee de una teoría y excluir a los que no lo hacen. Las inferencias deben
estar clara y adecuadamente acotadas —no deben ser ni muy grandes ni
muy pequeñas.
En contextos empíricos, la población de una inferencia suele ser la po
blación de la que se elige la muestra en cuestión. Si una muestra se extrae
aleatoriamente de individuos que viven en los Estados Unidos, entonces
la población supuesta es Estados Unidos. Aquí, sin embargo, me refiero
al alcance de un argumento más que a la representatividad de la muestra.
Esto tiene un significado especial para las inferencias causales. El al
cance debe extenderse a todos los casos en los que la relación causal es
perada es la misma, dados los factores contextúales. En notación formal,
para todos los N, E( Es decir, para todos los casos posibles dentro
del alcance de un argumento, los valores esperados de un resultado, dado
un factor (factores) causal de interés, deben ser los mismos.
Desafortunadamente, identificar este punto de equilibrio no siempre
es fácil. En algunas ocasiones ocurre simplemente que las condiciones de
alcance de una teoría no se pueden demostrar empíricamente. En otras,
la evidencia empírica es comprobable, pero los resultados son ambivalen
tes: el argumento se esfuma lentamente a medida que el alcance de la in
ferencia aumenta, carente de puntos de corte definitivos. E incluso cuan
do la evidencia es comprobable y tiene puntos de corte aparentemente
concluyentes, nunca podemos resolver el problema de la delimitación
acudiendo únicamente a la evidencia. Las condiciones del alcance de un
argumento descansan en los supuestos subyacentes sobre el alcance lógi
co de una teoría.
Veamos el siguiente ejemplo: a los votantes les preocupa más la políti
ca nacional que la exterior. Y nos preguntamos: ¿cuál es el alcance apro
piado de esta proposición? ¿Cuáles son sus límites? El enfoque empírico
consistiría en testar a todos los votantes, en todas partes. Pero hay límites
prácticos para hacerlo. Y no se puede encuestar a los votantes históricos,
los que existían antes de iniciar la investigación por encuesta. Por lo tan
to, nos vemos obligados a considerar la lógica del argumento. ¿En qué
circunstancias es razonablemente adecuada esta proposición?
La especificación de una inferencia clara y adecuadamente acotada
es esencial para su falsabilidad. De hecho, una proposición que carece
totalmente de límites no se puede comprobar, pues no es evidente dón
de se aplica la teoría. En efecto, no especificar los límites de una teoría
equivale a decir: «El alcance consiste en aquellos lugares donde la teo
ría es verdad, y el área fuera del alcance consiste en los lugares donde
la teoría es falsa». Ésa es una pregunta de investigación, pero no es un
argumento. Si los casos en los que una teoría fracasa se excluyen de los
límites de una inferencia, realmente hemos dejado fuera todos los casos
que no se ajustan a la teoría. Se ha acusado a los estudios realizados en
86
3 Argumentos
Parsimonia
87
Metodología de las ciencias sociales
88
3 Argumentos
Coherencia
Conmensurabilidad
89
Metodología de las ciencias sociales
90
3 Argumentos
Relevancia
La ciencia social es una especie del conocimiento práctico. «Cualquier
problema de investigación científica no derivado de condiciones sociales
reales (o “prácticas”) es facticio», como señala Dewey:
Todas las técnicas de observación que se emplean en las ciencias avanzadas pue
den ser adecuadas, incluido el uso de los mejores métodos estadísticos para cal
cular errores probables, etc., y, sin embargo, el material comprobado puede estar
científicamente «muerto», es decir, puede ser irrelevante para un problema ge
nuino, de tal forma que esa preocupación puede equivaler a poco más que a un
gran esfuerzo intelectual improductivo.15
Si los científicos sociales no nos pueden decir algo útil sobre el mundo,
entonces ellos (nosotros) apenas aportan (aportamos) algo (un asunto
que veremos con más detalle en el capítulo 14). Uno de los criterios de
utilidad social —podríamos incluso considerarlo una condición necesa
ria— es la relevancia}6
Por relevancia entiendo que algo sea significativo para los ciudadanos
legos del mundo. Desafortunadamente, entre los autores de trabajos aca
démicos hay algunos que confunden la noción de lo estadísticamente sig
nificativo con lo significativo para la vida real. McCloskey y Ziliak revi
saron los estudios económicos y se refirieron a este hecho como el «error
típico de las regresiones».17 Ésta es la razón de por qué debo insistir en
un asunto que puede parecer obvio.
El criterio de relevancia no implica una ciencia social compuesta de
defensores celosos, un campo donde los autores apoyan políticas particu
lares o sacan conclusiones morales/éticas sobre los actores y las acciones
históricas: donde el pasado, expresado en una acertada frase de Michael
Oakeshott, se convierte «en un campo en el que ejercemos nuestras opi
niones morales y políticas, como galgos en un prado un domingo por la
tarde».18
Por la misma razón, parece inútil insistir en que la ciencia social debe
evitar descartar totalmente las opiniones, pues suele ser difícil eludir las
preocupaciones «normativas». Imagínese escribiendo sobre el Holocaus
to o la esclavitud de forma totalmente desapasionada. ¿Cómo se percibi
ría un tratamiento imparcial de estas cuestiones? Por lo general, el len
guaje común no es moralmente neutral, y la ciencia social debe aceptar el
vocabulario con carga afectiva como una condición de la empresa.19 De
jando a un lado estos ejemplos extremos, es difícil concebir enunciados
importantes sobre las acciones y las instituciones humanas que no ten
gan carga normativa. Como mínimo, la elección que hacemos del tema
tiende a guiarse por cierto sentido de lo correcto y lo incorrecto. «En
teoría», escribe E. H. Carr,
91
Metodología de las ciencias sociales
se puede distinguir... entre el papel del investigador que establece los hechos y el
papel del profesional que considera el curso de acción correcto. En la práctica,
un papel ensombrece imperceptiblemente al otro. Propósito y análisis son parte
y todo de un mismo proceso.20
Me resulta imposible entender por qué alguien elige invertir años (típica
mente décadas) investigando un tema si no tiene alguna importancia
normativa para él. Podría decirse que la pretensión a la verdad es más in
tensa cuando un autor proclama francamente sus preferencias al iniciar
su trabajo. De esta manera, las posibles inexactitudes en la evidencia o la
presentación son fáciles de detectar y evaluar. Los prejuicios ocultos pro
bablemente perjudican más que los que se reconocen abiertamente. Pero
debe acentuarse de nuevo que el valor de un trabajo de ciencia social se
deriva de su valor añadido, no de su punto de vista normativo. Decir «X
es bueno» o «debemos hacer X» es decir sumamente poco. A pocos con
vencerá este enunciado salvo por la superioridad del autor. ¿Y qué supe
rioridad tienen los miembros de la casta de las ciencias sociales aparte de
la sola superioridad que concede la ciencia social?
La ciencia social es típicamente más poderosa cuando el ángulo nor
mativo de un trabajo se maneja con delicadeza. Los argumentos más
convincentes a favor del Estado de bienestar son aquellos que demues
tran relaciones causales como, por ejemplo, que determinados progra
mas ayudan a paliar las condiciones de pobreza y carecen de externalida-
es negativas. Estos estudios no proclaman abiertamente que «la pobreza
es mala» o que «debemos aumentar el gasto en bienestar social», aunque
sin duda son ideas que guían la mayoría de las investigaciones sobre la
po reza y las políticas sociales. Si la investigación del autor está bien he-
c a, no nos debe importar su posición normativa sobre el asunto que ‘
92
3 Argumentos
93
Metodología de las ciencias sociales
94
4 Análisis
«¿Pero es verdad?»
Aaron Wildavsky1
95
Metodología de las ciencias sociales
tas ¿qué es lo que está usted arguyendo? y ¿es verdad? son lógicamente
distintas, porque implican criterios diferentes de adecuación.4 Es más,
hay buenas razones metodológicas para respetar la separación entre la
teoría y el análisis (véase el apartado «Partición» más adelante). Proce
demos ahora de la primera al segundo.
Sin duda, no todas las hipótesis requieren una atención explícita a los
métodos de apreciación. Muchas hipótesis no necesitan en absoluto ser
comprobadas formalmente, porque son evidentes por sí mismas (por
ejemplo, «la guerra civil es disruptiva»), o no son suficientemente impor
tantes como para justificar la dedicación de tiempo y energía que un
análisis formal requiere (por ejemplo, «los programas de formación de
socorristas tienen efectos positivos en la probabilidad de matrimonio y
crianza de los hijos entre los participantes del programa»). Nuestra moti
vación aquí se centra en los argumentos que son lo suficientemente im
portantes como para realizar un procedimiento formal de comprobación
y lo suficientemente complejos, en términos de las amenazas potenciales
a su validez, como para preocuparse por las minucias del diseño de in
vestigación. La metodología falla cuando el sentido común escasea.
Definiciones
n análisis empírico estándar implica una serie de componentes que debe
mos clarificar antes de continuar. Buena parte de esta terminología proce-
e de la investigación por encuesta; no obstante, los conceptos son útiles
para todos los estilos de investigación, bien cuantitativos o cualitativos.
tina población es el universo de fenómenos que una hipótesis pretende
escribir o explicar. No se la estudia, o sólo se la estudia de una forma
muy informal, por ejemplo, en la literatura secundaria. En algunas oca
siones, es importante distinguir entre la población de la que se extrae una
muestra (que presumiblemente la representa) y una población hipotética,
mayor, que la muestra puede representar o no hacerlo, pero que, aun así,
efine las condiciones de alcance del argumento.
La muestra remite a la evidencia que se someterá a un examen directo,
s a ormada por unidades o casos: entidades limitadas como individuos
(sujetos), organizaciones, comunidades o Estados nacionales, que pue-
en ser observadas en el espacio y/o en el tiempo. (Los términos unidad y
caso son mas o menos equivalentes. La única diferencia entre ellos es que
una uní ad está limitada espacialmente, mientras un caso puede tener
también limites temporales implícitos o explícitos.5)
Normalmente, la muestra es menor que la población; de ahí la noción
de muestreo de una población. (Nótese, sin embargo, que el uso que hago
e termino muestra no necesariamente implica que los casos estudiados
96 .
4 Análisis
97
Metodología de las ciencias sociales
Y
CObslA (7’,)
Ofe 1.2 (T2)
Caso 1 ^Ofel.3(T3)
Ofe 1.4 (T4) .........................
lOfe 1.5 (T5)
Ofe 2.1(7’,) ......... ...
Obs 2.2 (7’2)
Caso 2 Obs 2.3 (T3)
Obs 2.4 (T4) ............
Obs 2.5 (Tj) ............
Obs3A(T}) ...........
Obs 3.2 (Tp ............
Caso 3 Obs 3.3 (7’3) ............
Obs 3.4 (7’4) .............
Obs 3.5 (T5) .............
Obs 4.1(7’,) ..............
Ofe 4.2 (Tp ............ _... . .....
Caso 4 Obs 4.3 (T’P .................
Obs 4.4 (T’j ...................
Población - Muestra < Obs 4.5 (7’5) ...................
Obs 5.1 (T’,) .....................
Ofe 5.2 (7^) ...................
Caso 5 Obs 5.3 (7’3) .....................
Obs 5.4 (T’J ............ .....
Obs 5.5 (T’j) ......... ......
Obs 6.1(7’,) ................ .....
Ofe 6.2 (T2) ...................
Caso 6 Obs 6.3 (T3) .................
Obs 6.4 (Tj ....................
Obs 6.5 (T5) ......................
Obs 7.1 (7’,) ....................
Ofe 7.2 (7;) .....................
Caso 7 Obs 7.3 (7’¡) ................... .
Obs 7.4 ....................
K. Obs 7.5 (T5) .........................
Ofe 8.1 (T,) ....................
Obs 8.2 (T’P ........................
Caso 8 Ofe 8.3 (T’j) ...............
Obs 8.4 (T¿ ..................
Obs 8.5 (7’5) ..........................
98
4 Análisis
99
Metodología de las ciencias sociales
100
ú Análisis
investigación. El viejo dicho «si metes basura, sacas basura» sigue siendo
cierto, a pesar de los muchos progresos que se han hecho en el campo de
la estadística. Richard Berk comenta:
101
Metodología de las ciencias sociales
Esto significa que se analizarán (en el capítulo 10) los métodos estadísticos
muy asociados a diseños de investigación específicos, como la regresión
discontinua y las variables instrumentales, pero no los métodos estadísti
cos que son de uso general, como la regresión y la correspondencia.
Criterios
102
4 Análisis
Exactitud
103
Metodología de las ciencias sociales
Validez interna/externa
105
Metodología de las ciencias sociales
106
4 Análisis
clara entre la validez interna y la externa. O quizás sí que hay una de
marcación bastante clara entre la validez interna y la externa, pero hay
múltiples esferas de validez externa.
A efectos heurísticos supondremos que hay un contexto del estudio
que calificaremos correctamente de «interno» y otro que etiquetaremos
acertadamente como «externo». Pero los lectores deben tener en mente
las complicaciones que esto comporta.
En algunos casos excepcionales la distinción entre validez interna y
validez externa desaparece debido a que se estudia directamente la po
blación total de una inferencia. Aquí, la muestra es la población. Aun
así, hay espacio para el escepticismo sobre los procedimientos de mues
treo exhaustivo (un censo). Como la mayoría de las teorías de ciencias
sociales no se limitan al pasado, el futuro proporciona una fuente poten
cial para la comprobación fuera-de-la-muestra. Esto significa que aun
que se estudien todos los ejemplos disponibles que se enmarcan en el do
minio de un tema, podemos seguir estando teóricamente interesados en
comprenderlo en una población mucho mayor y, por lo tanto, inconmen
surable.
Conceptualmente podemos también reconocer una distinción entre
casos que realmente existen y casos que podrían haber existido (en el pa
sado). Así, si estamos estudiando la relación entre el desarrollo económi
co y la democracia en los Estados nacionales en la era moderna podría
mos incluso concebir que una muestra grande —que incluyera a todos
los Estados nacionales desde 1800— sería una muestra de todos los Esta
dos nacionales que podrían haber existido durante ese periodo de tiem
po. Desde esta perspectiva, hay siempre una población mayor que no se
puede estudiar directamente.
Nótese que la distinción entre la validez interna y la externa se basa
en una distinción entre lo que se ha estudiado directamente y lo que no
se ha estudiado directamente. Esto significa que, por definición, la cues
tión de la validez externa no se puede probar. Descansa en niveles de su
posición. (Por supuesto, puede comprobarse en algún estudio futuro.)
Pero se plantea entonces la cuestión de sobre qué base (especulativa) juz
gamos la validez externa de un estudio.
El criterio más obvio es la representatividad de la muestra, como vamos
a ver ahora. Una cuestión más sutil —relevante sólo para el análisis cau
sal— es la escalabilidad del tratamiento, como veremos en el capítulo 9.
Muestreo
La selección de las unidades y observaciones para el análisis es crucial
para cualquier análisis causal o descriptivo. Hay tres objetivos generales
107
Metodología de las ciencias sociales
Representatividad
108
4 Análisis
Tamaño (N)
Muchas observaciones son mejores que pocas; por lo tanto, un «N» (ta
maño de la muestra) grande es superior a un «N» pequeño, en igualdad
de circunstancias. (N se puede concebir como las observaciones estanda
rizadas de una «base de datos» o como las observaciones de un «proceso
causal» irregular, una distinción que analizaremos en el capítulo 11.)
Esto es de sentido común. Lo que estamos diciendo es, en efecto, que
cuanta más evidencia podamos reunir para una proposición dada, más
fuerte será la inferencia. De hecho, la misma lógica que nos obliga a pro
porcionar apoyo empírico a nuestras creencias nos motiva para acumular
múltiples observaciones. Como dice el viejo refrán, el plural de «anécdo
ta» es «datos».
Supongamos que estamos intentando identificar el efecto de los cupo
nes en el rendimiento escolar, pero sólo tenemos información disponible
para un solo estudiante o una sola escuela. En estas circunstancias, pro
bablemente será difícil llegar a conclusiones firmes sobre la inferencia
causal en cuestión. Desde luego, una observación es mucho mejor que
109
Metodología de las ciencias sociales
110
4 Análisis
Nivel de análisis
111
Metodología de las ciencias sociales
Acumulación
112
4 Análisis
Estandarización
113
Metodología de las ciencias sociales
Replicación
114
4 Análisis
115
Metodología de las ciencias sociales
Transparencia
116
4 Análisis
dad. Lo que sobre todo tememos es que las tablas de datos finales pue
dan contener el conjunto de pruebas que culminaron en resultados «po
sitivos» (es decir, significativos teóricamente) y que se hayan ignorado así
cientos de pruebas anteriores donde no se podía rechazar la hipótesis
nula.
Sí, alcanzar la transparencia total impone costes a los investigadores,
sobre todo en tiempo y esfuerzo (pues ir haciendo anotaciones cuesta
mucho menos). Y no resuelve completamente los problemas relativos a
la rendición de cuentas. Alguien tiene que leer los protocolos, que es una
inversión de tiempo. Aun así, nunca sabremos si todos los procedimien
tos y resultados se registraron de forma fiable. Sin embargo, la institu
ción de un régimen de transparencia es una precondición para una ma
yor rendición de cuentas, y, con el tiempo, puede aumentar la validez y la
precisión del análisis empírico en ciencias sociales.
Ajuste teórico
Validez de constructo
117
Metodología de las ciencias sociales
Severidad
119
Metodología de las ciencias sociales
120
4 Análisis
121
Metodología de las ciencias sociales
Partición
122
4 Análisis
123
Metodología de las ciencias sociales
124
Parte II
Descripción
5 Conceptos
«La historia de las ciencias sociales es y seguirá siendo un proceso continuo que
parte del intento de ordenar la realidad analíticamente mediante la construcción
de conceptos —la disolución de constructos analíticos que se han construido
por medio de la expansión y el cambio del horizonte científico— y la reformula
ción constante de conceptos sobre los fundamentos transformados así.... Los
mayores avances en la esfera de las ciencias sociales están sustancialmente liga
dos al cambio de problemas culturales prácticos y adoptan la forma de una crí
tica de la construcción de conceptos.»
Max Weber1
«Puesto que somos... prisioneros de las palabras que elegimos, mejor las elegi
mos bien.»
Giovanni Sartori2
127
Metodología de las ciencias sociales
128
5 Conceptos
La disyuntiva de la descripción
El sentido común presume que la inferencia casual es metodológicamen
te más difícil. Las preguntas que atañen al qué son, en general, más fáci-
129
Metodología de las ciencias sociales
les de responder que las que atañen al por qué, señala Glenn Firebaugh.12
«Los datos empíricos nos dicen qué está sucediendo más rápidamente
que por qué está sucediendo el fenómeno en cuestión», afirma Stanley
Lieberson.13 Leyendo literatura metodológica inferimos que la descrip
ción es un acto perceptivo simple e intuitivo.
Pero hay muchas preguntas descriptivas en las disciplinas de las cien
cias sociales que son recalcitrantes. Consideremos las siguientes:
Nótese que la pregunta causal (2) presume una respuesta a la pregunta des
criptiva (1). Para estimar el efecto causal de la democracia, primero debe-
130
5 Conceptos
Conceptos
131
Metodología de las ciencias sociales
132
5 Conceptos
ción a los términos que usamos, y más atención a las cosas que hay ahí
fuera de las que hablamos. «No se sienta nunca urgido a tratar seriamen
te los problemas sobre las palabras y sus significados», advierte Karl Po-
pper. «Lo que se debe considerar seriamente son cuestiones de hecho o
asertos sobre los hechos, las teorías y las hipótesis; los problemas que re
suelven y los problemas que plantean.»31
Tal y como están las cosas, la perspectiva empirista parece razonable.
Pero somos incapaces de hablar sobre cuestiones de hecho sin quedar
atrapados en el lenguaje que usamos para describir esos hechos. A buen
seguro, las cosas del mundo están separadas del lenguaje que usamos
para describirlas. Sin embargo, no podemos hablar de ellas si no introdu
cimos símbolos lingüísticos. Toda acumulación del conocimiento depende
de lograr un comprensión sobre cómo llamar a algo y cómo definir ese -0
algo. Esto va en contra de un nominalismo despreocupado («llámalo
como quieras»).
Un segundo enfoque para resolver las dificultades conceptuales en las
ciencias sociales sugiere que la formación de conceptos es irreductible
mente una cuestión de contexto. En general, hay poco que decir sobre la —
formación de conceptos, porque hay conceptos diferentes que son apro
piados para diferentes tareas y objetos de investigación. Esta manida
pizca de sentido común es absolutamente cierta, pero también muy am
bigua. ¿Qué significa el contexto y cómo puede ayudar a guiar el proceso
de la formación de conceptos? Sospecho que cada autor tiene su propio
contexto preferido, lo que significa que las disputas conceptuales simple
mente pasan del «concepto» al «contexto». Desde luego, no defiendo
que la elección de los términos y las definiciones permanezcan insensi
bles a los contextos de investigación. Antes bien, lo que estoy planteando
es precisamente la cuestión de cómo los contextos guían o deben guiar la
formación de conceptos.
Un tercer enfoque sobre la desambiguación conceptual nos aconseja
evitar los conceptos de orden superior y preferir los menos abstractos
(más «concretos»). Como la mayoría de las ambigüedades conceptuales
en ciencias sociales implican contenedores conceptuales amplios como
la cultura, la democracia, la ideología, la legitimidad, el poder, los bie
nes públicos, la racionalidad y el Estado, quizás debemos reducir nues
tra aspiraciones conceptuales en favor de unidades manejables como
muertes, votos y poder adquisitivo. Esto parece también razonable. Sin
embargo, esta estrategia (conocida por los filósofos como fisicalismo)
tiene repercusiones importantes. Lo más obvio es que nos tenemos que
limitar a aquello de lo que podemos hablar. Podemos tratar los votos,
pero no la democracia. Y aunque este léxico concreto puede provocar
un mayor consenso entre los científicos sociales, tendríamos que pre
guntarnos sobre la utilidad general de una ciencia social reconstruida
133
Metodología de las ciencias sociales
de acuerdo con este criterio. ¿Es importante el acto de votar fuera del
marco de una democracia? ¿Es significativo? Podría decirse que una
ciencia social limitada a entidades directamente observables tendría
muy poco que decir. Es más, no tendría modo de agrupar estas ideas de
orden inferior en un todo coherente. Los conceptos de orden superior
forman el armazón donde ponemos lo observable. Sin conceptos gene
rales, la ciencia no puede generalizar, y sin la capacidad de genera izar,
la ciencia no puede teorizar.32 Una ciencia social constituida solo por
conceptos concretos sería una serie de hechos y micromecamsmos des-
conectados *
El último enfoque sobre la desambiguación que vamos a tratar aquí
apunta a una reconstrucción taxonómica de los conceptos cientí icos, un
enfoque denominado «clásico» inspirado en la obra de Aristote es y
otros lógicos posteriores de la tradición aristotélica.33 Es un idea atrae i
vo, porque la taxonomía tiene muchas cualidades deseables (las vimos en
el capítulo anterior). Pero mientras puede ser viable en algunas areas
las ciencias naturales como la biología, el enfoque taxonómico no paree
ser aplicable a todo en las ciencias sociales. Las taxonomías tienen sus
usos, pero estos usos suelen limitarse a contextos especializados, a es u
dios individuales o a terrenos muy concretos. Es una herramienta par
usos específicos, no una herramienta de uso general.
El empleo general de los conceptos de la ciencia social no se pue e re
ducir a un conjunto de taxonomías, y menos aún a una única taxonomi
general. Los significados desbordan los límites definidos y nítidos e a
taxonomías de la ciencia social; raramente son conceptos reduci es
atributos necesarios y suficientes. Y aunque los científicos socia es acep
taran esta reconstrucción, nos preguntaríamos sobre la utihda e un
léxico rígidamente taxonómico. Nótese que el mundo de la con ucta e
cisional que las ciencias sociales intentan describir y explicar se caracten
za por una cantidad grande de desorden y ausencia de discreciona i a
Los fenómenos de esta naturaleza no se agrupan fácilmente en conjun os
con límites definidos e interrelaciones jerárquicas. Así, mientras es cier o
que un lenguaje taxonómico simplificado reduciría la confusión semánti
ca, también reduciría nuestra capacidad para comprender acertadamen e
el mundo social. Podemos estar de acuerdo en muchas cosas (si to os
acordamos usar los símbolos de la misma manera), pero apenas podría
mos decir cosas interesantes.
En este capítulo ofrezco un enfoque en cierto modo nuevo sobre la ta
rea de la conceptualización. El capítulo empieza con el análisis de varios
criterios clave de todo concepto empírico. Luego propone un conjunto
de estrategias que pueden servir para estructurar la tarea de la formación
de conceptos en los contextos de las ciencias sociales.
134
5 Conceptos
Criterios de la conceptualización
Distinguimos convencionalmente cuatro elementos en un concepto empí
rico: (a) el término (una designación lingüística consistente en una o unas
pocas palabras); (b) los atributos que definen esos fenómenos (la defini
ción, la intensión, la connotación o las propiedades de un concepto); (c)
los indicadores que sirven para ubicar el concepto en el espacio empírico
(la medición u operacionalización de un concepto); y (d) el fenómeno a
definir (los referentes, la extensión o la denotación de un concepto).
Consideremos por ejemplo el concepto de democracia. El término es
«democracia». Un atributo muy citado de ella son las «elecciones com
petitivas». Un indicador podría ser «un país que ha celebrado reciente
mente elecciones competitivas». Y el fenómeno de interés son, sin lugar a
dudas, las entidades que hay ahí fuera en el mundo que se corresponden
con el concepto tal y como se ha definido.
Cuando se ha formulado (o reformulado) un concepto, significa que
uno o todos sus rasgos se han ajustado. Nótese que estos están tan mez
clados que es difícil cambiar un rasgo sin cambiar otro. El proceso de la
formación de conceptos es, por lo tanto, un proceso de ajuste mutuo.
Para lograr un grado alto de adecuación conceptual podemos: (a) elegir •—0
un término diferente, (b) alterar los atributos definitorios contenidos en
la intensión, (c) ajustar los indicadores mediante los que se operacionali-
za el concepto, o (d) volver a trazar las fronteras fenoménicas de la ex
tensión.
De esto se sigue que un cambio en cualquier aspecto de un concepto
afectará probablemente a los otros tres elementos.34 Y, por esta razón,
nuestro tema debe contemplarse holísticamente. Es difícil que separemos
las tareas que pertenecen exclusivamente al reino fenoménico de las que
pertenecen al reino lingüístico/semántico o teórico. La ciencia social,
desde esta perspectiva, es un intento de mediar entre el mundo del len
guaje (el término y sus atributos) y el mundo de las cosas (más allá del
lenguaje). Ninguno es temporal o causalmente anterior; ambos están
siempre presentes en un concepto.
Con esta comprensión de nuestra tarea, se considerarán cruciales siete
criterios para la formación de conceptos empíricos en las ciencias socia
les: (1) la resonancia, (2) el dominio, (3) la consistencia, (4) la fecundidad,
(5) la diferenciación, (6) la utilidad causal y (7) la operacionalización (es
decir, la medición). Este último criterio es el tema del capítulo 7, por lo
que en este capítulo trataremos sólo los primeros seis criterios. Por co
modidad, la tabla 5.1 resume los siete desiderata.
135
Metodología de las ciencias sociales
de acuerdo con este criterio. ¿Es importante el acto de votar fuera del
marco de una democracia? ¿Es significativo? Podría decirse que una
ciencia social limitada a entidades directamente observables tendría
muy poco que decir. Es más, no tendría modo de agrupar estas ideas de
orden inferior en un todo coherente. Los conceptos de orden superior
forman el armazón donde ponemos lo observable. Sin conceptos gene
rales, la ciencia no puede generalizar, y sin la capacidad de generalizar,
la ciencia no puede teorizar.32 Una ciencia social constituida sólo por
conceptos concretos sería una serie de hechos y micromecanismos des
conectados.
El último enfoque sobre la desambiguación que vamos a tratar aquí
apunta a una reconstrucción taxonómica de los conceptos científicos, un
enfoque denominado «clásico» inspirado en la obra de Aristóteles y
otros lógicos posteriores de la tradición aristotélica.33 Es un ideal atracti
vo, porque la taxonomía tiene muchas cualidades deseables (las vimos en
el capítulo anterior). Pero mientras puede ser viable en algunas áreas de
las ciencias naturales como la biología, el enfoque taxonómico no parece
ser aplicable a todo en las ciencias sociales. Las taxonomías tienen sus
usos, pero estos usos suelen limitarse a contextos especializados: a estu
dios individuales o a terrenos muy concretos. Es una herramienta para
usos específicos, no una herramienta de uso general.
El empleo general de los conceptos de la ciencia social no se puede re
ducir a un conjunto de taxonomías, y menos aún a una única taxonomía
general. Los significados desbordan los límites definidos y nítidos de las
taxonomías de la ciencia social; raramente son conceptos reducibles a
atributos necesarios y suficientes. Y aunque los científicos sociales acep
taran esta reconstrucción, nos preguntaríamos sobre la utilidad de un
léxico rígidamente taxonómico. Nótese que el mundo de la conducta de-
cisional que las ciencias sociales intentan describir y explicar se caracteri
za por una cantidad grande de desorden y ausencia de discrecionalidad.
Los fenómenos de esta naturaleza no se agrupan fácilmente en conjuntos
con límites definidos e interrelaciones jerárquicas. Así, mientras es cierto
que un lenguaje taxonómico simplificado reduciría la confusión semánti
ca, también reduciría nuestra capacidad para comprender acertadamente
el mundo social. Podemos estar de acuerdo en muchas cosas (si todos
acordamos usar los símbolos de la misma manera), pero apenas podría
mos decir cosas interesantes.
En este capítulo ofrezco un enfoque en cierto modo nuevo sobre la ta
rea de la conceptualización. El capítulo empieza con el análisis de varios
criterios clave de todo concepto empírico. Luego propone un conjunto
de estrategias que pueden servir para estructurar la tarea de la formación
de conceptos en los contextos de las ciencias sociales.
134
5 Conceptos
Criterios de la conceptualización
Distinguimos convencionalmente cuatro elementos en un concepto empí
rico: (a) el término (una designación lingüística consistente en una o unas
pocas palabras); (b) los atributos que definen esos fenómenos (la defini
ción, la intensión, la connotación o las propiedades de un concepto); (c)
los indicadores que sirven para ubicar el concepto en el espacio empírico
(la medición u operacionalización de un concepto); y (d) el fenómeno a
definir (los referentes, la extensión o la denotación de un concepto).
Consideremos por ejemplo el concepto de democracia. El término es
«democracia». Un atributo muy citado de ella son las «elecciones com
petitivas». Un indicador podría ser «un país que ha celebrado reciente
mente elecciones competitivas». Y el fenómeno de interés son, sin lugar a
dudas, las entidades que hay ahí fuera en el mundo que se corresponden
con el concepto tal y como se ha definido.
Cuando se ha formulado (o reformulado) un concepto, significa que
uno o todos sus rasgos se han ajustado. Nótese que estos están tan mez
clados que es difícil cambiar un rasgo sin cambiar otro. El proceso de la
formación de conceptos es, por lo tanto, un proceso de ajuste mutuo.
Para lograr un grado alto de adecuación conceptual podemos: (a) elegir —0
un término diferente, (b) alterar los atributos definitorios contenidos en
la intensión, (c) ajustar los indicadores mediante los que se operacionali-
za el concepto, o (d) volver a trazar las fronteras fenoménicas de la ex
tensión.
De esto se sigue que un cambio en cualquier aspecto de un concepto
afectará probablemente a los otros tres elementos.34 Y, por esta razón,
nuestro tema debe contemplarse holísticamente. Es difícil que separemos
las tareas que pertenecen exclusivamente al reino fenoménico de las que
pertenecen al reino lingüístico/semántico o teórico. La ciencia social,
desde esta perspectiva, es un intento de mediar entre el mundo del len
guaje (el término y sus atributos) y el mundo de las cosas (más allá del
lenguaje). Ninguno es temporal o causalmente anterior; ambos están
siempre presentes en un concepto.
Con esta comprensión de nuestra tarea, se considerarán cruciales siete
criterios para la formación de conceptos empíricos en las ciencias socia
les: (1) la resonancia, (2) el dominio, (3) la consistencia, (4) la fecundidad,
(5) la diferenciación, (6) la utilidad causal y (7) la operacionalización (es
decir, la medición). Este último criterio es el tema del capítulo 7, por lo
que en este capítulo trataremos sólo los primeros seis criterios. Por co
modidad, la tabla 5.1 resume los siete desiderata.
135
I
Resonancia
136
i
5 Conceptos
137
Metodología de las ciencias sociales
normal impone un coste al lector. Las más de las veces, este coste es de
masiado elevado y por ello el término queda descartado.
Asimismo, incluso la invención de nuevos términos nunca está com
pletamente ausente del léxico existente. Los neologismos, aunque se re
sisten al uso común, luchan por reincorporarse al universo de la inteligi
bilidad. Raramente son palabras sin sentido; son, en cambio, nuevas
combinaciones de palabras que ya existen (como, por ejemplo, autorita
rismo burocrático) o raices lingüísticas (poliarquía, herestética), o térmi
nos prestados de otros tiempos (corporatismo), de otras regiones lingüís
ticas (equilibrio) u otras lenguas (laíssez-faire).3S Con diferencia, el
terreno más fértil para el neologismo han sido las lenguas clásicas (por
ejemplo, ego, communitas, polis, hermenéutica) y los epónimos (marxis
mo. reaganismo). En todos estos casos, las palabras, o las raíces de las
palabras, se importan de sus contextos normales a contextos diferentes,
donde adoptan nuevos significados o sentidos adicionales. Por muy seve
ra que sea la extensión semántica, algunas propiedades originales perma
necen intactas.39
Resumiendo, los términos y las definiciones elegidas en las ciencias
sociales deben resonar lo más posible con el uso establecido. Las incon
sistencias con el uso ordinario normalmente generan ambigüedad en una
palabra o campo, a pesar de las buenas intenciones del autor. Los con
ceptos que menos resuenan con el uso común se denominarán neologis
mos o definiciones estipulativas; están justificados sólo cuando no se dis
pone de un concepto que resuene más.
Dominio
Admitamos que todo esto depende del terreno lingüístico en el que su
puestamente un concepto tiene resonancia. Un concepto, al igual que un
argumento, puede evaluarse sólo en la medida en que se comprende su
dominio de uso. A igualdad de condiciones, siempre es deseable un ma
yor alcance de comprensión y uso. «Democracia» se entiende de forma
algo diferente en las distintas partes del mundo.40 Hay otros términos,
como «cupones», que pueden tener poca o ninguna resonancia para los
ciudadanos legos del mundo. En las ciencias sociales hay diferencias ter
minológicas importantes entre los distintos campos y subcampos y los
diferentes periodos de tiempo. Los economistas hablan un lenguaje que
difiere en cierto modo del que hablan los antropólogos. Por consiguiente,
no sólo nos debe preocupar cuán resonante es un concepto, sino también
cuántas comunidades lingüísticas lojncluyen. Siempre habrá alguien, en
algún lugar, que comprende un término de forma diferente y para quien
una definición propuesta no tiene resonancia.
138
5 Conceptos
no siempre coinciden con los del hombre lego. No es nuestra intención descubrir
un método simplemente para identificar con suficiente precisión los hechos a los
que se refieren las palabras del lenguaje común y las ideas que transmiten. Antes
bien, necesitamos formular conceptos totalmente nuevos apropiados para los re
quisitos de la ciencia y expresados en una terminología adecuada.42
Los límites del lenguaje común como fundamento definitorio en las cien
cias sociales se manifiestan en el hecho de que los términos más comple
jos —por ejemplo, democracia, justicia, bienes públicos— tienen múlti
ples significados. En la medida en que los científicos sociales necesitan
construir conceptos especializados con más coherencia y capacidad de
operacionalización, están obligados a alejarse del uso corriente.
Establecer el dominio de un concepto depende de los objetivos de la in
vestigación. En algunas ocasiones se requiere una definición general, que
se pueda mover libremente entre ámbitos académicos y no académicos. Si
intentamos atraer a los diseñadores de las políticas y/o al público general,
entonces debemos fijarnos cuánto resuena un concepto dado con el uso
común. Si intentamos ir más allá de una cultura o lenguaje particular, en
tonces debemos considerar también los usos en otras culturas y lenguajes.
En otras ocasiones, puede no ser necesario viajar tan lejos o conseguir un
consenso universal. Esto vale para muchos contextos de la ciencia social,
donde los conceptos se moldean para usarlos en proyectos específicos. Lo
que se requiere es un enfoque más especializado sobre la formación de
conceptos, lo que normalmente se conoce como definición estipulativa, de
finición al uso, definición contextual o concepto sistematizado f
Para ilustrar la noción de dominio conceptual consideremos el concep
to de democracia. Digamos que el dominio de este concepto varía desde
un único subcampo (por ejemplo, el de la democratización en ciencia po
lítica), hasta una disciplina entera (la ciencia política), un conjunto de
139
Metodología de las ciencias sociales
Consistencia
140
5 Conceptos
Alta
/ Atributos
condición-suficiente
Extensión
(Número de referentes)
Atributos
Baja condición-necesaria
141
Metodología de las ciencias sociales
Fecundidad
142
5 Conceptos
lisis rico y sugerente. Las descripciones densas tienen ventajas sobre las
ligeras y las teorías densas sobre las ligeras: nos dicen más sobre un con
junto de casos. Sin embargo, debemos apreciar que el análisis de narrati
vas no garantiza la fecundidad en sí y por sí mismo, del mismo modo
que el trabajo estadístico no conduce inexorablemente al análisis ligero o
reductor. Nos vienen a la mente muchos artistas de la prosa cuyo punto
fuerte es la generalización excesiva, que ni es informativa ni sugerente.
También hay un número equivalente de estudios estadísticos que descri
ben o explican mucho sobre su tema.49
En efecto, los métodos cualitativos y cuantitativos para la formación
de conceptos persiguen el mismo objetivo por medios diferentes. Así,
cuando los sistemas de clasificación biológica empezaron a usar modelos
informáticos en la década de 1960, las clasificaciones que se obtuvieron
eran sorprendentemente similares a las categorías existentes (en muy
buena medida heredadas de Linneo).50 Asimismo, las exploraciones
cuantitativas de la cultura política han tendido a seguir la estructura de
los argumentos desarrollados en el pasado por Tocqueville, Hartz y otros
autores en tiempos en los que no se usaba rutinariamente el análisis
cuantitativo para las cuestiones sociales.51 Notemos que el propósito de
todas las rutinas estadísticas descriptivas (como, por ejemplo, el r de
Pearson, el análisis factorial, el análisis de componentes principales, el
análisis de conglomerados y la metodología Q) es dilucidar semejanzas y
diferencias entre las entidades, con el objeto común de clasificarlas entre
las más similares y las más diferentes. (Este mismo objetivo se persigue
cuando se clasifican casos o rasgos.)
Más allá del nivel de medición, el propósito general de un concepto se
puede especificar así: focalizar nuestra atención en un aspecto de la reali
dad —apartándolo de la ubicuidad de los datos existentes. Lo que hace
que el concepto sea o no sea convincente es el grado en que «cincela la
naturaleza en sus articulaciones» (parafraseando la metáfora de Platón)
o identifica «tipos naturales» (en términos aristotélicos). Los conceptos
luchan por identificar cosas parecidas, agruparlas y contrastarlas con
otras que son diferentes. Las manzanas con las manzanas, y las naranjas
con las naranjas.
Sin duda, todos los conceptos son, en cierto grado elemental, conven
cionales. (La gente nace con la capacidad del lenguaje, pero no nace con
el conocimiento de un lenguaje específico.) Sin embargo, los conceptos
sólidos van más allá de lo que es meramente convencional. Revelan una
estructura dentro de las realidades que intentan describir. En la medida
en que un concepto logra identificar semejanzas y diferencias reales, ha
logrado identificar tipos naturales. Es ontológicamente cierto.
Consideremos tres conceptualizaciones del tipo de régimen. La prime
ra distingue entre democracias y autocracias;52 la segunda, entre demo-
143
Metodología de las ciencias sociales
144
i
5 Conceptos
Diferenciación
145
Metodología de las tiendas sociales
146
5 Conceptos
147
Metodología de las ciencias sociales
Utilidad causal
148
5 Conceptos
Estrategias de conceptualización
149
Metodología de las ciencias sociales
150
5 Conceptos
nes formales son vagas. El uso también implica considerar los referentes
de un concepto (los fenómenos de ahí fuera a los que se refiere el concep
to: su extensión).
En las situaciones en las que una misma palabra tiene acepciones ra
dicalmente diferentes —por ejemplo, «cola» (pegamento) y «cola»
(rabo)—, debemos escoger un solo significado del término. La homoni-
mia (dos palabras iguales con significados diferentes, como en el caso an
terior) y la polisemia (cuando una palabra evoca varios significados muy
similares) suele ser una cuestión de grado. En casos límite, el analista
tendrá que juzgar qué acepción debe apartarse (debe considerarse otro
concepto) y qué acepción debe conservarse con el fin de crear un concep
to relativamente coherente.
La representatividad en el proceso de muestreo se logra identificando
cualquier variación que haya en el uso y la definición formal dentro de
una región lingüística y rastreando la frecuencia aproximada de esos di
ferentes usos y definiciones. En el futuro podremos confiar en bibliotecas
digitalizadas que se puedan muestrear aleatoriamente, permitiéndonos
lograr una estimación más precisa de la frecuencia de uso y de las varia
ciones definitorias. Aun así, el muestreo mecánico probablemente no al
terará significativamente nuestra comprensión de los términos clave, por
que las pautas de uso en una región lingüística tienden a mostrar mucha
regularidad. Es más, nuestro propósito es descartar sólo los usos y defi
niciones que son muy idiosincrásicos. Si la muestra es lo suficientemente
grande, tenderemos a escoger los usos más comunes (no idiosincrásicos).
El principio de la redundancia puede servirnos de indicador de suficien
cia: cuando alcanzamos un punto en el que los atributos definitorios y
usos empiezan a repetirse, tenemos razón más que suficiente para poner
fin a nuestra expedición. Uno ya ha muestreado lo suficiente.
La cuestión del dominio lingüístico —cuántas regiones lingüísticas
deben explorarse— es también crucial. La mejor muestra es la que más
regiones lingüísticas representa. Pero si esta búsqueda revela diferencias
de significado importantes, entonces el analista debe restringir el alcance
de la investigación con el fin de preservar la consistencia y la coherencia.
El muestreo suele hacerse en el propio campo —quizás uno de ciencias
sociales—, que es exhaustivamente explorado, y las demás áreas se ex
ploran más superficialmente. En todo caso, el dominio de la exploración
servirá para establecer el dominio de la definición resultante.
Clasificación de atributos
La siguiente tarea es esquematizar todos los significados de un término en
una única tabla. La construcción de esta tabla se basa en el supuesto de
151
Metodología de las riendas sociales
152
5 Conceptos
V Deliberativa VI Igualitaria
Principio: gobierno de la razón. Principio: igualdad política.
Pregunta: ¿son las decisiones Pregunta: ¿tienen derechos todos los
políticas el producto de la ciudadanos?
deliberación pública? Instituciones: diseñadas para
Instituciones: medios, audiencias, garantizar la igualdad de
paneles, otros organismos participación, representación,
deliberativos. protección y recursos
políticamente relevantes.
Instituciones: tanto gubernamentales como no gubernamentales (por ejemplo, grupos de interés,
partidos, asociaciones cívicas).
Fuente: Coppedge y Gerring (2011).
153
Metodología de las ciencias sociales
Mínimos
Máximos
154
1
5 Conceptos
Acumulativos
155
Metodología de las ciencias sociales
156
5 Conceptos
Análisis
157
Metodología de las ciencias sociales
158
6 Argumentos descriptivos
159
Metodología de las ciencias sociales
Cada una de esas maneras de describir el mundo tiene una larga his
toria. En realidad, son casi una «segunda naturaleza». Pero raramente
reciben la atención que merecen. Su misma familiaridad parece haber fo
mentado cierto grado de despreocupación. El objetivo del tratamiento
formal que doy a estos temas informales es concienciar al público de la
importancia del acto de la descripción y, al mismo tiempo, resaltar la re
levancia del análisis descriptivo en las disciplinas de las ciencias sociales.
Naturalmente, estos géneros de descripciones se pueden identificar
también en la inferencia causal. En realidad, suele ocurrir que una mis
ma pauta de datos se interpreta como descriptiva o como causal. Esto
depende de la comprensión del autor del proceso de generación de los
datos; es una inferencia, no un hecho del mundo evidente por sí mismo.4
Indicadores
Un indicador sirve para describir una característica de una población, y
también puede llamarse atributo, dimensión, factor, medida, parámetro,
propiedad, variable o descripción unidimensional. Puede ser directamente
160
6 Argumentos descriptivos
161
Metodología de las ciencias sociales
Síntesis
Una síntesis es una categoría multidimensional en la que varios atributos
giran supuestamente en torno a un tema central. El tema, normalmente
expresado en un único concepto, unifica los atributos, dando así cohe
rencia a lo que de otro modo sería un conjunto diverso de fenómenos.
Un argumento sintético ofrece así una explicación de los fenómenos,
pero no de naturaleza causal: no intenta distinguir explícitamente entre
causa y efecto. La síntesis incluye todo lo que contiene su dominio (o al
menos mucho de lo que contiene su dominio). La síntesis es, por lo tan
to, un esfuerzo holista que acentúa las semejanzas más que las diferen
cias en la muestra elegida de casos. Este paraguas conceptual suele ser
tan abstracto que requiere un gran esfuerzo de definición y operacionali-
zación.
Bastarán unos cuantos ejemplos para ilustrar este tipo de argumento
descriptivo. Consideremos, primero, la variedad de argumentos rivales
sobre la cultura política estadounidense que ya hemos mencionado: in
dividualistas-liberales-igualitarios;11 republicanos;12 o una combinación
de varias tradiciones, incluyendo la que Smith describe como adscripti-
va.13 Consideremos, en segundo lugar, el papel del presidente estadouni
dense como «vendedor» según Richard Neustadt, ya que su poder resi
de principalmente en la persuasión más que en el mando.14 Pensemos, en
tercer lugar, en el tema del nacionalismo, que para Benedict Anderson
se basa en comunidades imaginadas.15 Recordemos, en cuarto lugar, la
idea (adjudicada a James Scott) de que los campesinos en entornos con
recursos amenazados están imbuidos de una idea moral, no sólo instru
mental, del comportamiento del mercado.16 Y, por último, consideremos
el argumento de Orlando Patterson de que la esclavitud es una forma de
muerte social.17
Se trata en todos estos casos de síntesis descriptivas. Son sintéticas en
la medida en que intentan resumir numerosos atributos y fenómenos en
un único concepto o expresión. Desde luego, el intento de sintetizar es
también un intento de diferenciar. Por ejemplo, el liberalismo de la cultu
ra estadounidense (de acuerdo con Tocqueville y Hartz) contrasta con
las culturas no liberales de Europa. Cuando estas distinciones son explí
citas y facilitan el análisis empírico amplio, una síntesis empieza a pare
cerse más a una tipología (el próximo apartado). (En efecto, en un estu
dio posterior, Hartz aplica su tesis de la «fragmentación» a las
162
6 Argumentos descriptivos
Tipologías
Las tipologías convierten los casos en categorías discretas que son mu
tuamente exclusivas y exhaustivas sobre la base de un principio o princi
pios de categorización uniforme.19 La tipología puede ser: (a) simple, (b)
temporal (periodización), (c) de matriz, (d) taxonomía, (e) de configura
ción y (f) secuencial.
Tipología simple
Tipología temporal
163
Metodología de las ciencias seriales
Tipología de matriz
164
6 Argumentos descriptivos
Taxonomía
Tipología de configuración
165
Metodología de las ciencias sociales
a
ri CN en m
£
I X
IT X
H
ti X
P
1!6 I X
T’ -s
w
O I¡i X
h
□ffl i.
§ X
C¿ $
<
I X X X X X X X
1 X
It X X X X X X X X X
1 J3_
E
O
d
lh
' ; *•
<0 -S 1
X
<2
■§ 2
S X
X X X X X X X X X X
d
E
ií
o
C
O
> .2 >
□
d
d
v¡
p
L
a
O
is
.s‘u
3
o E 8
o
.2
a d
•Z
o
a
5(A u
w
Is es
••c
iQ
.S
OS
i
Q c3 Bjd
en z fi.
'O o s o .E u
w
Q O
z^s
js u ís >
I
N
M
166
6 Argumentos descriptivos
•É
i
s
"áJ
I
’C
o
%
s:
E
-Q
<u
T3
cú
s
s&
•■6
u
•O
O
e
<2
‘S
S
w
2
o Eo
-M
a
< o
5
cd
C
□
2
§d
£
167
Metodología de las ciencias sociales
Democracia X X X X X X 6
Electoral X 1
Liberal X 1
Mayoritaria X 1
Participativa X 1
Deliberativa X 1
Igualitaria X 1
Tipología secuencial
nir con varias técnicas estadísticas, como las ideadas por Andrew Abott
y otros.38
Asociaciones
Tendencia
Red
169
Metodología de las ciencias sociales
varias unidades (la distancia puede ser media, total, la más corta, etc.).
Puede intentar estimar el tiempo transcurrido entre eventos separados
(medio, total, más corto, más largo, etc.). O puede centrarse en relacio
nes funcionales como, por ejemplo, el comercio, la difusión de ideas y
prácticas, el conflicto, etc.
David Knoke y Song Yang proporcionan una tipología más diferen
ciada. Categorizan las relaciones reticulares en transacciones («ios acto
res intercambian control sobre medios físicos o simbólicos, como por
ejemplo el intercambio de regalos o la compraventa económica»); comu
nicaciones («las vinculaciones entre actores son canales por los que se
pueden transmitir mensajes»); cruce de fronteras («los lazos consisten en
la pertenencia a dos o más formaciones sociales, como por ejemplo el en
trelazamiento de juntas directivas»); instrumentales («los actores están en
contacto para garantizar bienes, servicios o información valorada, como
un puesto de trabajo, el aborto, el asesoramiento político o el recluta
miento para un movimiento social»; sentimentales («los actores expresan
sus sentimientos o afectos, admiración, deferencia, aversión u hostilidad
entre sí»); o parentesco («lazos de sangre y maritales»).45
Un tipo de red importante es la de naturaleza geográfica centrada en
relaciones espaciales entre unidades. Los historiadores suelen encontrarlo
útil para identificar y situar los cambios en el tiempo, es decir, porque pro
porcionan una representación espacial de la historia.47 Los científicos so
ciales tienden a representar las desigualdades espaciales de renta, riqueza,
innovación, tecnología y salud en países y regiones.48 Las redes comercia
les reciben mucha atención.49 Los científicos sociales y los politólogos sue
len estar interesados en las pautas espaciales de hegemonía global.50 Los
sociólogos han examinado la difusión de la religión en el tiempo y el espa
cio.51 Los procesos de cambio ordenados espacialmente suelen describirse
como difusión (un mecanismo que se sitúa en la línea divisoria descriptivo/
causal).52 La difusión de la democracia ha inspirado muchos trabajos.53
Cuando la ubicación precisa es importante, el componente empírico
de una red espacial se puede representar en el formato del Sistema de In
formación Geográfica (SIG). Este ofrece un método estandarizado para
registrar las ubicaciones de unidades y eventos y está ganando prominen
cia en la obra de los científicos sociales.54
Las redes, al igual que otros patrones empíricos, se pueden probar
cualitativa o cuantitativamente. Los modelos estadísticos son aconseja
bles cuando los datos son tan numerosos y complejos que las pautas de
interacción exceden las que se pueden analizar por medio de métodos in
formales.55 Como ejemplo, consideremos la cuestión de las redes políti
cas. Sabemos que en el transcurso de las deliberaciones políticas se con
sulta a muchas personas, especialmente en las democracias de masas.
Pero sabemos muy poco sobre la naturaleza y la forma exacta de estas
170
6 Argumentos descriptivos
Correlación
Conclusiones
171
M".
!' <;
••j <: i
/‘i j.”. 1
'■ ■• T . j- ;v.
. ■ >•„ 1
i t ó •J ¡ .
r.,i
ri
i
7 Mediciones
«Las personas mayores aman las cifras. Cuando les habláis de un nuevo amigo,
no os preguntan jamás sobre lo esencial. Jamás os dicen: “¿Cómo es su tono de
voz? ¿Cuáles son sus juegos preferidos? ¿Colecciona mariposas?” En cambio, os
preguntan: “¿Qué edad tiene? ¿Cuántos hermanos tiene? ¿Cuánto pesa? ¿Cuán
to dinero gana su padre?”. Sólo con estas cifras creen conocerle.
Si decís a las personas mayores: “He visto una preciosa casa de ladrillos rojos
con geranios en las ventanas y palomas en el techo...”, no podrán hacerse una
idea de cómo es la casa. Pero si les hubieras dicho: “He visto una casa que cues
ta 20.000 dólares”, entonces exclaman: “¡Qué hermosa es!”
Si les decís: “La prueba de que el principito existió es que era encantador,
que reía, y que quería un cordero. Querer un cordero es prueba de que existe”,
se encogerán de hombros y os tratarán como se trata a un niño. Pero si les decís:
“El planeta de donde venía es el asteroide B 612”, entonces quedarán convenci
dos y os dejarán tranquilos sin preguntaros más.
Son así. Y no hay que reprocharles nada. Los niños deben ser muy indulgen
tes con las personas mayores.
Pero, claro está, nosotros, que comprendemos la vida, nos burlamos de los
números. Hubiera deseado comenzar esta historia como en los cuentos de ha
das. Hubiera deseado decir: “Había una vez un principito que habitaba un pla
neta apenas más grande que él y que tenía necesidad de un cordero...”
Para quienes comprenden la vida habría parecido mucho más cierto.»
Antoine de Saint-Exupéry1
173
Metodología de las ciencias sociales
174
7 Mediciones
175
Metodología de las ciencias sociales
Criterios
176
7 Mediciones
normalmente tales test, a pesar de que esos índices se basan en muy bue
na medida en decisiones de codificación.10
Si no se tiene oportunidad de testar múltiples iteraciones de un indica
dor, entonces la fiabilidad permanecerá en el nivel de una suposición.
Pero aun así, es crucial. Una probabilidad alta de error aleatorio puede
arruinar incluso la generalización más simple sobre el mundo. Además,
si el concepto es el fundamento de un análisis causal posterior, entonces
los errores asociados a un factor causal (X) tienden a introducir un ses
go en el análisis resultante, atenuando, por lo general, el efecto verdade
ramente causal de y en 7.11
La validez se refiere al error de medición sistemático, un error que,
por definición, introduce un sesgo en el concepto resultante (y presumi
blemente en todo análisis causal que se fundamente en ese concepto). Ve
mos con frecuencia que el nivel de precisión con el que se mide un indi
cador varía directamente con algún factor de interés teórico. Por
ejemplo, posiblemente las escuelas de más calidad son también más con
cienzudas en sus registros, lo que significa que dispondremos de más da
tos y de datos más fiables de determinadas escuelas, y esta característica
de los datos estará correlacionada con el resultado de interés (el rendi
miento escolar). Podría ser también que la utilización de unas herra
mientas de medición malas informen erróneamente de esos resultados
sesgados para las escuelas de la muestra, de forma que las escuelas malas
(con registros descuidados) reporten un rendimiento escolar inflado. Este
es el tipo de error de medición sistemático contra el que deben precaverse
los investigadores, y para el que no suele haber un ajuste fácil.
Para aclarar estas ideas puede ser útil considerar el problema de la
medición en un diagrama. En la figura 7.1 el concepto de interés funda
mental es L (es decir, el término, sus atributos definitorios y los fenóme
nos que intenta describir), y aparece entre corchetes para indicar su esta
do latente. La traza observable de L es /, el indicador o indicadores
elegidos. Las fuentes de ruido de fondo que no correlacionan con L están
representadas por B, una covariable ortogonal (es decir, un error de me
dición aleatorio). Los confundidores potenciales, es decir, los factores
que están correlacionados con L y con I, que por consiguiente introdu
cen un sesgo sistemático en la medición, están representados por C. En
este esquema simplificado, la tarea de un instrumento de medición es
identificar un indicador (I) que esté correlacionado con L, pero no con
los confundidores (C), y que minimice el ruido (B).
Tome nota de que las amenazas potenciales a la inferencia son virtual
mente ilimitadas, y se extienden a todo lo que puede tener un efecto cau
sal en I que también esté correlacionado con L. Como el factor de interés
teórico, L, es (por definición) no medible, no se puede verificar directa
mente. He aquí por qué es tan difícil escribir un tratado general sobre la
177
Metodología de las ciencias sociales
179
Metodología de las ciencias sociales
una entidad política donde un único partido gana unas elecciones tras
otras con reglas electorales libres y justas y no está dispuesto a ceder el
poder. Este problema ha venido a llamarse el problema de «Botsuana».13
La razón por la que esto plantea un problema de validez es que conside
ramos generalmente que la democracia se fundamenta en elecciones li
bres y justas (una concepción que suscriben Przeworski et al.), lo que sig
nifica que al partido que gana las elecciones se le permite acceder al
poder. Pero no tenemos información empírica sobre esto, y las reglas co
dificadoras tratan como idénticas las situaciones (a) y (b), aunque parece
bastante obvio que no lo son. (Hay algunos países donde la victoria con
tinua de un partido es un indicativo de que el gobierno es autoritario y
otros en los que no es así.)
Un segundo problema de validez conceptual se refiere al modo en que
el indicador elegido encaja con el concepto general de democracia. Mu
chas concepciones de la democracia van más allá de los rasgos electora
les de una entidad política, o tienen un concepto de la democracia electo
ral más amplio que el suscrito por Przeworski y sus colegas, como vimos
en el capítulo anterior. A este respecto, el problema de la validez es prin
cipalmente de naturaleza conceptual. Depende de cómo decidamos defi
nir un término clave. Así, podemos objetar que Przeworski y sus colegas
han operacionalizado exitosamente un aspecto de la democracia, pero
desatendiendo otros, por lo que han adoptado una medida inválida o
parcialmente válida. Przeworski et al. podrían defenderse aludiendo que
representan sólo una faceta de la democracia, captada en el concepto ra
dial de democracia electoral. O podrían proclamar que adoptan una defi
nición mínima del tema. En todo caso, los debates sobre la validez de la
medición suelen depender de cómo se etiqueta y define el concepto de in
terés (¿); son conceptuales más que puramente empíricos.
Aquí nos encontramos con el problema fundamental de la medición:
las cuestiones de validez conceptual (a diferencia de las cuestiones de fia
bilidad) no se suelen poder testar empíricamente, al menos no en el caso
de la mayoría de los conceptos clave de las ciencias sociales, porque están
latentes más que ser directamente observables. En efecto, si la validez pu
diera medirse no habría problema alguno de medición, porque sabría
mos qué es exactamente lo que queremos saber. El problema de la medi
ción reside en el hecho de que la correlación entre L e I de la figura 7.1
no deja de ser—y así debe ser—, en cierta medida, hipotética.
Estrategias
180
7 Mediciones
181
Metodología de las ciencias sociales
Niveles de abstracción
Para superar el problema de la medición es útil reconocer que todos los
conceptos empíricos de interés para las ciencias sociales implican múlti
ples niveles de abstracción. Como mínimo, uno puede por lo general dis
tinguir entre los atributos que definen un concepto y los indicadores que
lo operacionalizan, lo que genera dos niveles: (1) conceptualización y (2)
medición. Esto es probablemente suficiente para un concepto de orden
inferior como los cupones.
Para conceptos más abstractos como democracia, posiblemente se ne
cesiten múltiples niveles con el fin de representar adecuadamente todos
los niveles de análisis implícitos en el concepto y con el fin de poder ope-
racionalizarlo satisfactoriamente, es decir, para, por así decir, bajarlo a
ras de tierra. Consideremos la siguiente jerarquía:
1
7 Mediciones
Estructura
183
Metodología de las ciencias sociales
Agregación
184
7 Mediciones
Escalas
185
Metodología de las ciencias sociales
186
7 Mediciones
nal (mayor o menor acidez) o una escala de razón (utilizando una razón
de acidez).
Para muchos temas es correcto considerar las escalas de nivel superior
como más informativas. Así, normalmente interpretamos una escala or
dinal para la temperatura («caliente», «mediana», «fría») como menos
precisa (y por lo tanto, menos informativa) que una escala de razón o de
intervalo. Sin embargo, esto es así sólo en el caso de fenómenos particu
lares. Por ejemplo, no sería así en el caso del sexo, porque esta dimensión
sólo admite dos categorías. Aquí, una escala de intervalo se reduce a una
escala nominal.
Adviértase también que aunque los indicadores más precisos prome
ten más, también exigen más. En concreto, requieren muchos supuestos
sobre la naturaleza de los datos fundamentales. Si alguno de esos supues
tos es falso, o sólo parcialmente verdadero, cualquier inferencia que se
base en ese indicador se cuestionará.
La utilidad de cada tipo de escala para subsecuentes análisis es otra
cuestión que hay que considerar. En los análisis bivariados o multivaria-
dos en los que nos interesa la relación entre dos o más factores, puede ser
importante cambiar la escala con la que se mide un factor o factores.
Con frecuencia, las escalas ordinales se tratan como si fuesen de interva
lo. En otras ocasiones, una variable de intervalo o escalar se registra
como nominal u ordinal. Lo que hay que recordar siempre es que estos
cambios de tipo de escala, si bien pueden ser analíticamente convenien
tes, suelen implicar una pérdida de información y/o la introducción de
un sesgo en la variable de interés. No hay escalas «naturales», pero algu
nas interpretaciones de la realidad son más plausibles que otras.
Para muchos propósitos es esencial distinguir las entidades políticas
de forma binaria, como democráticas o autoritarias (autocráticas).21
Esto produce una escala nominal con dos categorías o, quizás con más
precisión, una escala ordinal con dos categorías (porque están ordena
das). Cualesquiera desacuerdos que existan en tomo a cómo operaciona-
lizar este concepto, la mayoría de los enfoques binarios sobre la demo
cracia incluyen el componente clave, las elecciones libres y justas, que ya
hemos mencionado en el contexto de la definición mínima (capítulo 5).
Debido a que las definiciones mínimas tienden a imponer límites (opera-
cionales) nítidos a un concepto, hay una afinidad natural entre esta es
trategia de definición y la escala nominal (u ordinal) de dos categorías.
Para otros propósitos quizás necesitamos un indicador de la democra
cia de grano más fino. Un concepto acumulativo se construye con catego
rías que se pueden ordenar de forma unidimensional, como, por ejemplo,
en grados de centralidad para el concepto de democracia. Limitándose al
concepto de competencia electoral (una dimensión del concepto general de
democracia), Gerardo Munck define una escala nominal de cuatro partes
187
Metodología de las ciencias sociales
Tabla 7.3 Una escala única con múltiples interpretaciones: «Competencia elec
toral»
Autoritarismo: no se celebran elecciones o se celebran con un único partido
0
o candidato.
Semiautoritarismo: se celebran elecciones en las que compite más de un
1 partido o candidato, pero no todos los partidos o candidatos tienen la
posibilidad de perderlas.
Semidemocracia: se celebran elecciones en las que compiten más de un
2 partido o candidato y todos los partidos y candidatos tienen la posibilidad
de perder, pero no todos los partidos o candidatos pueden participar.
Democracia: se celebran elecciones en las que sólo a los grupos extremistas
3 antisistema no se les permite participar y todos los partidos y candidatos
tienen la posibilidad de perder.
Fuente. Munck (2009:45).
La ventaja de este enfoque es que nos permite incorporar una amplia se
rie de atributos y no necesitamos separar cada atributo en una categoría
diferente. Un indicador no restringido basado en una escala nominal
tiende más a tener las virtudes de una escala de intervalo, donde las cate
gorías vecinas son equidistantes entre sí.
En efecto, a medida que el número de categorías aumenta, los estudio
sos pueden tender a tratar las escalas nominales como escalas de interva
lo. El índice de Derechos Políticos de Freedom House, así como el de Po-
lity, son tratados ambos como escalas de intervalo, aunque tienden a no
cumplir satisfactoriamente el criterio de equidistancia entre las categorías.
Consideremos la escala de democracia de Polity, que va de -10 a +10 en
intervalos enteros, creando así un índice de 21 puntos.23 Aunque se la sue
le considerar y tratar como una escala de intervalo, las propiedades empí
ricas contradicen esta interpretación. La figura 7.2 ofrece un histograma
de las puntuaciones de Polity para todos los países y todos los años
(1800-2006). Obsérvese que los datos «se amontonan» en dos puntos, en
-7 y +10. Esto podría ser una propiedad empírica del mundo. Sin embar
go, parece más probable que sea un artefacto de la propia escala. Una
ojeada al complejo libro de codificación de Polity sugiere que hay muchas
maneras en las que un país puede lograr una puntuación de —7. Y el he
cho de que +10 esté en un extremo de la escala (la democracia perfecta)
188
7 Mediciones
0,3-
0,2.
1
5 l!
Q
0,1-
_
0
-10 -5 0 5 10
sugiere que los miembros de esta categoría grande pueden ser relativa
mente heterogéneos (unos pueden ser más democráticos que otros, a pe
sar de tener la misma puntuación).24 Las escalas limitadas (las que tienen
un mínimo o un máximo impuesto) suelen tener este problema. Por estas
razones tal vez es más apropiado considerar la escala de Polity como ordi
nal más que de intervalo. Pero, una vez más, depende de nuestros propósi
tos. En algunas ocasiones es absolutamente necesario reducir las dimen
siones de un concepto para que sea empíricamente manejable.
Podemos pensar en una última opción de la escala de cuatro puntos de
la tabla 7.3. Si la primera categoría comprende un cero real —no existe
competencia alguna—, la dimensión clave de la competencia electoral se
puede redefinir como escala de razón (una opción que Munck suscribe).
Este ejemplo ilustra bien el hecho de que un mismo conjunto de cate
gorías puede interpretarse de forma diferente dependiendo de los supues
tos sobre el fenómeno empírico de interés y los diferentes usos que se le
dan a un mismo indicador.
Objetivos
189
Metodología de las ciencias sociales
190
7 Mediciones
191
Metodología de las ciencias sociales
Etnografía
192
7 Mediciones
193
Metodología de las ciencias sociales
194
7 Mediciones
Encuestas y experimentos
En el contexto de la investigación por encuesta —donde normalmente
no hay oportunidad alguna de ganarse la confianza de los entrevistados
o de juzgar sus respuestas de forma contextual— hay, sin embargo, for
mas de abordar temas sensibles.41
Para preservar el anonimato debemos omitir en la encuesta el nombre
del individuo. También podemos adoptar un procedimiento anónimo para
la encuesta, que puede distribuirse por correo postal o electrónico. Otra op
ción es construir un instrumento de encuesta en el que los temas sensibles se
expresen como preguntas sobre otras personas, por ejemplo: «¿Cree usted
que otros empleadores utilizan la raza como criterio para tomar decisiones
de contratación?». El supuesto aquí es que los que participan en actividades
denigradas por la sociedad (por ejemplo, la discriminación o la corrupción)
tenderán a creer que esas actividades están muy extendidas, mitigando así
sus sentimientos de culpa o vergüenza. (Desde luego, puede ocurrir tam
bién que los que evitan esas actividades vean a los demás especialmente ac
tivos, como un manera de explicar su falta de éxito o popularidad.)
Podemos también incluir un diseño de encuesta experimental para en
mascarar las identidades individuales.42 El experimento a una lista parte di
vidiendo aleatoriamente a los respondedores en dos grupos a los que se les
da un pequeño conjunto de preguntas para que las ponderen. Los cuestio
narios son idénticos salvo que al grupo de tratamiento se le hace una pre
gunta adicional de naturaleza sensible (por ejemplo, sobre el racismo o la
corrupción). Se pide entonces a los respondedores que digan el número to
tal de preguntas con las que están de acuerdo (o en desacuerdo), pero no
sus respuestas específicas a las preguntas. Como los grupos de control y de
tratamiento son supuestamente comparables en todos los aspectos salvo en
la pregunta adicional formulada al grupo de tratamiento, cualquier diferen
cia en las respuestas (por ejemplo, en los porcentajes de respuestas «de
acuerdo») puede atribuirse a esa pregunta. La innovación del método es
obtener resultados precisos de nivel agregado, evitando al mismo tiempo
toda posibilidad de vincular a un individuo con una respuesta específica.43
Otra técnica experimental de investigación por encuesta consiste en
introducir pequeñas variaciones a las preguntas de un cuestionario de
forma tal que se pueda medir el efecto de un tratamiento cuidadosamen
te elegido. Por ejemplo, para investigar el racismo oculto, Paul Snider-
man y sus colegas diseñaron encuestas que preguntaban sobre las ideas
de los respondedores sobre la responsabilidad del gobierno en la ayuda a
los necesitados. En una versión de la encuesta a una muestra dividida, el
escenario implica a un trabajador negro desempleado, mientras que en
otra versión el trabajador desempleado es blanco. Los escenarios (es de
cir, las preguntas) son idénticos, salvo la raza del trabajador, y por ende
195
Metodología de las ciencias sociales
lo son los dos grupos (que han sido elegidos aleatoriamente). Así, las di
ferencias encontradas en las respuestas de los dos grupos se pueden in
terpretar como un producto del tratamiento.44
Podemos adoptar también un experimento de campo con el fin de
determinar valores y creencias sobe temas sensibles. Por ejemplo, para
estimar el grado de racismo entre los empleadores podemos diseñar ex
perimentos en los que los solicitantes de empleo —idénticos en todos los
aspectos salvo en su raza— solicitan el mismo puesto. La tasa de éxito
entre los solicitantes con características comunes salvo la raza puede in
terpretarse como una medida de racismo entre los empleadores.45
Sin duda, al pasar de las articulaciones a las acciones podemos perder
de vista las motivaciones de los participantes. Con el experimento descri
to antes podemos saber qué empleadores eligen al solicitante blanco y
quienes eligen el negro, pero puede ser difícil inferir de esta información
por qué hacen esas elecciones. Por esta razón, los experimentos cuyo pro
pósito es estimar las cuestiones del significado y la motivación suelen
acompañarse de una investigación etnográfica. Por otra parte, el experi
mento puede alterarse de formas sutiles para ajustarse, por ejemplo, al
origen social de los solicitantes, su educación y su lugar de residencia y
sus costumbres. Si alguna de estas alteraciones afecta la variable de inte
rés teórico, la raza, entonces podemos llegar a conclusiones provisionales
sobre las motivaciones que hay detrás de las acciones de los empleadores.
En suma, los experimentos pueden arrojar luz sobre las motivaciones,
pero suelen requerir múltiples iteraciones.
Puede parecer extraño emplear un marco experimental para resolver
problemas de medición, porque el experimento parece presuponer una pre
gunta causal (implicada en el tratamiento). Sin embargo, la técnica experi
mental tiene muchos usos, y los usos para los que se emplea dependen del
propósito de la investigación. Si nuestra investigación es causal, nos interesa
estimar el impacto causal de un tratamiento como la raza en las decisiones
del empleador. Si nuestra investigación es descriptiva, podemos emplear el
mismo procedimiento para arrojar luz sobre cuestiones de medición como,
por ejemplo, el grado de racismo entre los empleadores. Aquí, el tratamien
to es meramente un estímulo que proporciona una ocasión para observar
las respuestas. En los términos de nuestro diagrama de medición (figura
7.1), es una manera de controlar los confundidores (C) de modo que el
concepto de interés (L) se pueda observar con precisión y exactitud.
Referencias cruzadas
196
7 Mediciones
Nuestros resultados revelan un fuerte sesgo liberal: todos los medios de noticias
que examinamos, excepto el Informativo Especial de Fox News y el Washington
Times, recibieron puntuaciones a la izquierda del miembro medio del Congreso.
En consonancia con las reivindicaciones de los críticos conservadores, CBS Eve-
ning News y el New York Times recibieron puntuaciones que los sitúan muy a la
izquierda del centro. Los medios más centristas resultaron ser PBS NewsHour,
Newsnight de CNN y Good Morning America de ABC y, entre los medios escri
tos, USA Today se erigió como el más cercano al centro.46
197
1
Relaciones causales
198
7 Mediciones
199
Metodología de las ciencias sociales
200
7 Mediciont
201
Metodología de las ciencias sociales
200
7 Mediciones
201
Metodología de las ciencias sociales
*
7 Mediciones
203
Metodología de las ciencias sociales
Una vez terminadas las carreteras del proyecto, reuní a un equipo de ingenieros e
investigadores que recogieron muestras representativas de las carreteras para esti
mar la cantidad de material que se había utilizado, entrevistar a proveedores loca
les para estimar los precios de esos materiales y entrevistar a los aldeanos para de
terminar los salarios que se pagaron bajo el proyecto. Con sus datos hice una
estimación independiente de la cantidad real que había costado construir cada ca
rretera para comparar luego esa estimación con lo que informó el municipio que
gastó en cada partida del proyecto. La diferencia entre lo que dijo el municipio
que costó construir la carretera y lo que estimaron los ingenieros que costó real
mente fue mi medida objetiva de la corrupción, a la que llamé «gastos perdidos».61
204
7 Mediciones
205
Metodología de las ciencias sociales
206
7 Mediciones
207
Metodología de las ciencias sociales
fuera del área específica del trabajo de campo, así como con personas que ser
vían dentro de ella, y que en estas conversaciones se habló del modo en que «el
departamento» y «el gobierno» trabajaban tanto en el Estado en su conjunto
como en el distrito específico. Algunos ingenieros estaban profundamente des
contentos con la situación en la que se encontraban, y como la gente desconten
ta tiende a exagerar las razones de su descontento, tenemos que ser cautos a la
hora de aceptar los detalles de las personas sin profundizar. Una vez más, como
en el caso de los agricultores, son las regularidades en los comentarios e inciden
tes de los individuos, y la coherencia en el orden de magnitud (como, por ejem
plo. entre lo que me dijo un colector de distrito acerca de lo que le había comen
tado un ingeniero superintendente sobre lo que él había tenido que pagar por
una prórroga de un año, y lo que un ayudante de ingeniero en una división —en
otro distrito diferente al anterior— dijo en confianza a su ingeniero ejecutivo
que había tenido que pagar para obtener esa misma prórroga), lo que nos hace
confiar en la veracidad de la situación general.
208
7 Mediciones
209
1
210
Parte III
Causación
8 Argumentos causales
«Ciertamente, si hay una relación entre objetos que nos importa conocer perfec
tamente, es la de la causa y el efecto. Sobre ella se fundan todos nuestros razo
namientos sobre cuestiones de hecho o existencia. Sólo por medio de ella obte
nemos alguna seguridad sobre objetos alejados del testimonio presente de
nuestra memoria y nuestros sentidos. La única utilidad inmediata de todas las
ciencias es enseñarnos cómo controlar y regular los eventos futuros por sus cau
sas. Por lo tanto, nuestros pensamientos e investigaciones se centran, en todo
momento, en esta relación: sin embargo, tan imperfectas son las ideas que for
mamos sobre ella, que resulta imposible dar alguna definición exacta de causa.»
David Hume1
213
Metodología de las ciencias sociales
214
8 Argumentos causales
Definiciones
Las teorías causales contienen al menos dos elementos: un factor causal
y un resultado. En algunas ocasiones, se combinan varios factores y/o re
sultados en una teoría abstracta. Sin embargo, esa teoría debe ser tradu
cible a hipótesis específicas con factores causales individuales y un resul
tado. Formalizar estos elementos implica transformar una teoría en un
modelo causal.
Para complicar más las cosas, estos términos tienen varios sinónimos.
Una causa puede nombrarse como un factor causal, una condición, una
covariable, una variable exógena, una variable explicativa, un explanans,
una variable independiente, un input, una intervención, un antecedente,
un predictor, una variable del lado derecho, un tratamiento o simplemen
te una «Á>>. Podemos referimos a un resultado como una variable depen
diente, un consecuente, un efecto, una variable endógena, un explanan-
dum, una variable del lado izquierdo, un output, una respuesta o
simplemente una « F». (Por supuesto, se pueden hacer distinciones sutiles
entre estos términos. Sin embargo, para nuestros propósitos, las semejan
zas son más importantes que las diferencias.)
Cualquiera que sea la terminología empleada, decir que un factor, X,
es una causa de un resultado, Y, es decir que un cambio en X genera un
cambio en Y en comparación con lo que sería Y sin la intervención de X
(un condicional contrafáctico), dadas determinadas condiciones de fon
do (supuestos ceteris paribus) y condiciones de alcance (la población de
inferencia). Ésta es la definición mínima de causalidad.
Dada la importancia de la variación en X y en Y, puede ser útil conce
bir X como &X («delta X») e Y como AF («delta F»). Si la relación entre
X e F es causal, un cambio en X genera algún cambio en Y: AX->A F (al
menos probabilísticamente).
Cuando un resultado es continuo, hX afecta al valor de F en una es
cala determinada, que puede ser limitada o ilimitada. Cuando un resul
tado es binario (F = 0, F = 1) o multicotómico (por ejemplo, F = 1,2,
3,4 o 5), AX afecta a la probabilidad (P) de F de tener alguno de esos
resultados.
Cualquiera que sea la naturaleza de X e F, siempre está implicado un
contrafáctico'. si X varía, F también variará de alguna manera (al menos
215
Metodología de las ciencias sociales
A -> X M +-Y
216
8 Argumentos causales
217
Metodología de las ciencias sociales
Criterios causales
Una vez definida la causación mínimamente, pasamos al tipo ideal. ¿Qué
es un buen argumento causal? En el capítulo 3 vimos que todos los argu-
218
8 Argumentos causales
ARGUMENTOS CAUSALES
{Este capitulo)
9. Claridad {antónimo: ambigüedad)
¿Cuál es la variación esperada en Ye Y, las condiciones de fondo y las
condiciones de alcance del argumento? ¿Se pueden operacionalizar X e Yl
10. Manipulabilidad
¿Es el factor causal manipuladle (o, al menos, potencialmente
manipuladle)?
11. Separación (diferenciación; antónimo: tautología)
¿En qué medida es separable X respecto de Yl
12. Independencia (fundacional, original, principal, previa, estructural, motor
inmóvil)
¿Es X independiente de otras causas de Y!
13. Impacto (tamaño del efecto, magnitud, poder, significación, fuerza)
¿Cuánta variación en Y puede explicar XI ¿Es significativo el efecto causal
(en términos teóricos o políticos?
14. Mecanismo (intermediario, mediador, trayectoria, proceso)
¿Cómo X genera Y? ¿Cuáles son los mecanismos causales (A/)?
219
Metodología de las ciencias sociales
Claridad
221
Metodología de las ciencias sociales
222
8 Argumentos causales
Manipulabilidad
223
Metodología de las ciencias sociales
224
8 Argumentos causales
225
Metodología de las ciencias sociales
parecer más fácil de explicar, pero es más difícil en otros respectos. Pen
semos que una sociedad dispuesta a cambiar los rasgos más básicos de
su política presumiblemente estará también experimentando cambios
fundamentales en otros muchos niveles. De hecho, la transición desde la
autocracia a la democracia en Rusia se acompañó de un cambio igual
mente transformador del comunismo al capitalismo. ¿Cómo podemos se
parar los dos cambios para poder construir un argumento sobre la de
mocratización manteniendo las condiciones ceteris paribus! Si no
podemos establecer con claridad cuáles son las condiciones ceteris parí-
bus de un argumento causal, no podremos establecer claramente cuál es
el argumento. Y en situaciones en las que un tratamiento no se puede
manipular sin perturbar las condiciones ceteris paribus, no está claro de
qué estamos hablando.
Déjenme ponerles más ejemplos para ilustrar la ubicuidad de este tipo
de ambigüedad en las ciencias sociales. Consideremos un factor causal
como la desigualdad. Las sociedades desiguales se consideran propensas
al conflicto político, la autocracia y el subdesarrollo (en comparación
con las sociedades con una distribución de la riqueza más igualitaria).
Por supuesto, podemos manipular directamente la riqueza, al menos en
principio. Podemos confiscar la riqueza de los ricos y dársela a los po
bres. O podemos quedarnos con la riqueza de todos, dejando a todos los
ciudadanos con un nivel de vida muy bajo. Asimismo, podemos interve
nir para distribuir la riqueza ¿feigualmente. Se pueden imaginar cientos
de intervenciones. Sin embargo, todas provocarán grandes turbulencias.
Por lo tanto, es difícil imaginar cómo se podrían mantener las condicio
nes ceteris paribus.
También podemos imaginar una situación en la que los miembros ri
cos de una sociedad dan voluntariamente dinero a los pobres reduciendo
así su riqueza hasta situarla en el nivel del salario medio. Aquí hay un
mecanismo de transferencia que no se basa en la coerción. Sin embargo,
esto nos sugiere que se trata de un tipo muy diferente de personas, es de
cir, altruistas que se preocupan más por la igualdad que por sus posesio
nes personales. Esta alteración drástica de las circunstancias ceteris pari
bus cambia las condiciones de alcance del argumento, que ha dejado de
versar sobre el mundo en que vivimos y se refiere a una sociedad imagi
naria, quizás del futuro.
En suma, no podemos preguntarnos cómo serían los Estados Unidos
si la riqueza se distribuyera más igualitariamente sin antes formularnos
otra pregunta: ¿cómo estaría distribuida la riqueza y cómo afectaría ese
mecanismo a las condiciones ceteris paribus del argumento causal?
Cuando tratamos con causas no manipulables estamos tratando invaria
blemente con las causas de esas causas, es decir, con las diferentes cosas
que producen la (des)igualdad o la democracia.
226
8 Argumentos causales
227
Metodología de las ciencias sociales
Separación
Una causa se debe poder separar del efecto que se propone explicar; si
no se puede separar, el argumento es tautológico. Esto parece obvio.
Pero, si lo pensamos más, se verá que la separación es una cuestión de
grado. Para empezar, las Xy las Y son siempre diferentes en cierto modo.
Una tautología perfecta (por ejemplo, «la causa de la Guerra Civil fue la
Guerra Civil») carece simplemente de sentido y, en realidad, no solemos
encontrarlas. En algunas ocasiones escuchamos el siguiente tipo de argu
mento: «la Guerra Civil la causó el ataque del Sur contra el Fuerte
Sumter». Este argumento es más satisfactorio. Aun asi, lo más seguro es
que no sorprenda a los lectores como una explicación particularmente
aguda. En efecto, este argumento contiene poca explicación, porque X
apenas se diferencia de Y (el ataque contra el Fuerte Sumter fue, por su
puesto, parte de la Guerra Civil). Un argumento igual de problemático
es el que vincula la Guerra Civil a la relación belicosa entre el Norte y el
Sur, que persistió desde la década de 1850 hasta el estallido del conflicto
en 1861. Una vez más, tenemos dificultades para distinguir entre la causa
y el efecto.
Consideremos un segundo ejemplo, clásico desde su origen. Decir que
un hombre determinado (X) es el padre de un niño determinado (Y) es
in enr que el padre causó la existencia del niño; él es una causa necesaria
(por supuesto, no suficiente) del niño. (Podríamos especular que las no
ciones actuales de la causación están arraigadas en la cuestión primer
ia de la legitimidad.) Nos sentimos menos impresionados, sin embargo,
por e argumento de que un feto es la causa de un niño o de que un niño
es a causa de un adulto. Hay algo erróneo en estas formulaciones, aun
que es claramente necesaria para Y (anterior a Y). Lo que es erróneo
es que hay poca separación entre X e Y; son el mismo objeto observado
esde diferentes puntos del tiempo. En suma, hemos tratado un «proceso
continuo que se mantiene a sí mismo» como un factor causal, y esto vio-
a e precepto de la separación.16 Por el contrario, podríamos aceptar el
argumento de que un adulto es el producto de su infancia, precisamente
228
i
8 Argumentos causales
Independencia
229
Metodología de las ciencias sociales
Impacto
230
8 Argumentos causales
Mecanismo
231
Metodología de las ciencias sociales
232
8 Argumentos causales
233
:u
, I
. . >1 . •
< . i.
j
9 Análisis causales
Desde Hume, los autores son conscientes de que la valoración de las re
laciones causales es bastante etérea. Nunca podemos saber con absoluta
certeza si un factor causó un resultado, porque no podemos volver atrás
en el tiempo y hacer que sucedan los mismos eventos exactamente igual
que sucedieron, cambiando sólo el factor de interés y observando el re
sultado bajo esta condición alterada. El contrafáctico causal nunca se
puede observar directamente porque no existe la máquina del tiempo. A
veces nos referimos a esto como el problema fundamental de la inferen
cia causal.2
235
I
En los últimos años los científicos sociales han llegado a ser plena
mente conscientes de la naturaleza insustancial de la evidencia que típi
camente fundamenta las proposiciones causales en la antropología, la
economía, la ciencia política, la sociología y las diversas ramificaciones
de estas disciplinas. Los metodólogos apenas confían en las inferencias
derivadas de los datos de observación, y no parece probable que algún
procedimiento estadístico les puedan proporcionar fundamentos sólidos.
Algunos han insinuado que vivimos una «crisis de la causalidad»?
Aunque es posible que la causalidad esté en crisis, ciertamente no ha
muerto. En efecto, las ciencias sociales están hoy más orientadas que
nunca a las cuestiones causales. Afortunadamente, aunque la atribución
causal es siempre una apuesta, hay maneras de maximizar la validez y la
precisión, dadas las limitaciones de la evidencia.4 Este libro se ha escrito
con ese espíritu: hacerlo lo mejor que podamos.
Antes de adentrarnos en el tema que nos ocupa es importante que de
finamos el problema del análisis causal con más precisión. Empiezo por
analizar la noción de efecto causal para presentar más adelante un gráfi
co causal con los componentes esenciales del diseño de investigación re
lacionados con las cuestiones de la validez interna. Luego procedo a exa
minar el objetivo principal del capítulo: la revisión de los criterios
metodológicos que en general se aplican a los diseños de investigación
cuyo propósito es comprobar una proposición causal.
Efectos causales
236
1
9 Análisis causales
237
Metodología de las ciencias sociales
238
9 Análisis causales
239
Metodología de las ciencias sociales
240
i
9 Análisis causales
•o
*2
’c X
□
g
4 &
oc
X
I ■I 2
=J
i!r ■I
X
1 3
<£
4 E
é
s X
5 ■§ S
£ S :2
X
£ 3
£
E
S - 2 00
o
=J
X
s
i-H I
111 <£ 3
X
E
C/i
o X
1
3
i s
s
X 1
CÚ
X
Q 3
O <£
c
cú 5
6o c O
«Q
a
o
5
5 C
o so O
8 .2
■2 2
S S
cú
e
□
2 S
C ■=
s o 5
E
2
S
5
E
•- £ 5 5 E - 5
(D 2
E 2
£ 1B
E o
E
E
E 5
cú
2 15
E E
5
E
CÚ
ts 13 *§ — -o E
s —. ~o -S 2 "5 o •S o T>
s o
T3 .2 2 S •o
o
"¿3<D_ wu .2 ”3 T5
73
T>
.2 ”u
•3 g
S .g
.£ "o
<L>
E
H -s i
2 2 S 2
P
E 2 —. -o o. E o ex
o
2 3 2 e& 2 « el 2
>
o. 2o
*■*
TJ
Q c C
£
w O 0
o2 c2 2S¿ £O £H
§ <2 £ ¿i- 2
O\ « AS g ¿i
í H sÉzshts ,H H'd
j j E
r
-
h
sÉiKaa.'SCUrt XX
CU cu
£ « M EMMEWMMí: 3
W W! z> 2
241
Metodología de las ciencias sociales
Hemos visto ya que un efecto del tratamiento (causal) puede adoptar di
ferentes formas. Asimismo, hay una enorme variedad de relaciones dife
rentes que pueden calificarse de causales (por ejemplo, cuando un cam
bio en X genera un cambio en Y). Aunque algunos de los siguientes
términos son bastante arcanos, será de ayuda revisarlos someramente
porque ilustran posibilidades ontológicas (lo que puede estar pasando
«ahí fuera» en el mundo) y estrategias de modelado comunes.
La causalidad coyuntura! se refiere a una situación en la que una
combinación particular de causas opera en conjunto para producir un
efecto. La equifinalidad causal se da cuando varias causas operan inde
pendientemente entre sí para producir un efecto particular. La causali
dad monotónica se da cuando un incremento (o disminución) en el va
lor de X causa un incremento (o disminución) o ningún cambio en Y.
En otras palabras, la relación entre X e Y es siempre positiva o nula o
siempre negativa o nula. La causalidad no lineal se da cuando el impac
to de Xen Y varía con el valor de X (pero puede seguir siendo monotó
nica). Las causas irreversibles (por ejemplo, los efectos trinquete) son
aquellas cuyo impacto en Y es irreversible. Las causas constantes ope
ran continuamente sobre un resultado más que por medio de interven
ciones discretas. Las causas próximas operan inmediatamente en un re
sultado. Las causas distantes, en cambio, tienen efectos en el largo
plazo en un resultado. Las causas secuenciales tienen efectos diferentes
en Y dependiendo de su secuencia. Una cadena causal describe una si
tuación en la que hay muchas causas intermedias entre X e Y. La de
pendencia de la trayectoria se refiere a una situación en la que una úni
ca intervención causal tiene efectos duraderos y quizás crecientes en el
tiempo en un resultado. Las leyes causales normalmente se refieren a
relaciones perfectas (sin excepciones) entre X e Y, observables en una
población grande. Las causas probabilísticas no están perfectamente re
lacionadas con Y (hay excepciones, que pueden representarse con una
condición de error) aunque X sea una causa de Y. Las causas según la
teoría de conjuntos (deterministas) son necesarias ylo suficientes para
producir un resultado. Esta clase de causas incluye la técnica conocida
como análisis comparado cualitativo (ACC), que se centra en coyuntu
ras de factores que, en conjunto, constituyen una causa suficiente de un
resultado (capítulo 12).
Obviamente hay muchas maneras de reflexionar sobre la causación. El
concepto unitario de causación que presentamos en el capítulo 8 abarca
una pluralidad de relaciones causales potenciales. De hecho, una vez que
tomamos este camino analítico no está claro dónde debemos parar. Siem
pre hay potencialmente alguna manera nueva en la que dos factores pue-
242
9 Análisis causales
243
Metodología de las ciencias sociales
244
9 Análisis causales
245
Metodología de las ciencias sociales
Características generales
-> = Relaciones causales
— = Covariación (posiblemente causal)
Figura 9.1 Un gráfico causal elaborado
246
9 Análisis causales
247
Metodología de las ciencias sociales
Esto es, sin duda, un breve análisis que omite elementos de gran im
portancia para la inferencia causal. Hay que reconocer que los gráficos
representan una descripción muy simplificada de lo que puede ser una
realidad extremadamente compleja. No todos los factores causales se in
cluyen siempre y claramente en una de estas categorías (A, B, C, X, Y o
Af). Por ejemplo, un factor puede tener elementos de M y de C; es decir,
puede ser en parte endógeno a X (un mecanismo causal, M) y ejercer
también un efecto causal independiente en Y (un confundidor de causa
común, Q. Sin embargo, la simplificación de la figura 9.1 es heurística
mente útil. Hay otros problemas de la inferencia causal que requieren
gráficos causales más complejos, como veremos en el capítulo 11,
Criterios
248
9 Análisis causales
ANÁLISIS CAUSAL
( Este capitulo)
5. Tratamiento
¿Es X (a) exógena (a T), (b) variable, (c) simple, (d) discreta, (e) uniforme,
(f) distribuida uniformemente, (g) fuerte, (h) próxima (a Y), y (i) escalable?
6. Resultado
¿Varía Y o al menos puede variar?
7. Muestra
¿Son las observaciones elegidas (a) independientes (entre sí) y (b)
causalmente comparables?
249
Metodología de las ciencias sociales
Tratamiento
Exogeneidad
250
9 Análisis causales
Variación
Simplicidad
Los tratamientos simples son más fáciles de comprobar que los complejos.
Esto es de sentido común. Sin embargo, los costes que imponen los trata
mientos más complejos merecen atención. En los casos en los que el inves
tigador no puede simplificar el tratamiento (quizás la teoría exige un trata
miento más complejo), siempre tendrá que contar con estos costes.
251
1
Discreción
252
i
9 Análisis causales
Uniformidad
253
Metodología de las ciencias sociales
Distribución uniforme
254
9 Análisis causales
Fuerza
Es más fácil detectar una señal fuerte que una débil. Así, es de mucha
ayuda que el tratamiento elegido para la comprobación empírica tenga
un efecto (supuestamente) fuerte en Y. Los efectos causales minúsculos
tienden a producir incapacidad para rechazar la hipótesis nula, aun en el
caso de que (alguna forma de) la hipótesis sea verdadera.
Consideremos que nos proponemos comprobar el efecto de los cupones
en el rendimiento escolar en un sistema de cupones de sólo 500 dólares
anuales por estudiante (que podrían asignarse a la matrícula en una escue
la privada). Este pequeño estipendio no cubrirá más que una pequeña
fracción de la enseñanza en la mayoría de las academias privadas de los
Estados Unidos. Así, su efecto agregado en el grupo tratado tenderá a ser
pequeño, quizás hasta el punto de desvanecerse. Poco sirve un diseño de
investigación de esta naturaleza —a menos que el investigador tenga algu
na razón para suponer que la señal será lo suficientemente fuerte para de
tectarla. (Quizás imagina que una pequeña suma de dinero extra introduci
rá alguna diferencia en una categoría medible de estudiantes de clase
media-baja.) No sabemos, a príori, el verdadero efecto causal de un cam
bio dado de X en Y; éste es el objetivo de la investigación. Sin embargo,
comprobar una hipótesis requiere que hagamos supuestos sobre la fuerza
probable de esta relación. Así, cuando decimos que una señal es fuerte, lo
que estamos afirmando es que es supuestamente fuerte —lo suficientemen
te fuerte como para esperar que quede registrada en el diseño de investiga
ción que se está empleando, si la hipótesis es correcta.26
Cierto que en algunas ocasiones una señal débil se puede compensar
con otras virtudes del diseño de investigación, como por ejemplo una
instrumentación sensible (que nos proporciona una precisión mayor y un
error de medición menor), con pocos confundidores y con una muestra
mayor de observaciones. Pero, ceteris paribus, preferiremos siempre una
señal fuerte.
255
1
Proximidad
256
9 Análisis causales
Escalabilidad
Resultado
Variación
257
Metodología de las ciencias sociales
258
9 Análisis causales
Muestra
259
Metodología de las ciencias sociales
Independencia
260
k
9 Análisis causales
261
1
262
9 Análisis causales
Comparabilidad
263
Metodología de las ciencias sociales
264
9 Análisis causales
X= O
X= O
265
Metodología de las ciencias sociales
266
9 Análisis causales
vidad de la muestra (en el capítulo 4). Otro término que se emplea para
este tipo de confundidor es el sesgo pretratamiento, porque ocurre antes
(o al mismo tiempo) de la asignación del tratamiento. Pero esto, por sí
mismo, parece muy vago. Por lo que a mí respecta, prefiero el término
problema de asignación o sesgo de asignación, porque pone énfasis direc
tamente en el problema de cómo se asigna el tratamiento. En todo caso,
los lectores deben ser conscientes de la multiplicidad de términos que se
usan para caracterizar este importante concepto.
Un problema de asignación se plantea cuando se permite a los sujetos
autoseleccionarse en la condición del tratamiento. Consideremos lo que
podría pasar si los cupones estuvieran disponibles para todos los solici
tantes de un distrito escolar. Podemos imaginar que las familias más mo
tivadas por mejorar la educación de sus hijos tenderían más a aprove
charse de este programa. Si así fuese, los grupos de tratamiento y de
control reflejarán no sólo el impacto del tratamiento, sino también el im
pacto del factor confundidor de la motivación familiar. Sin más ajustes,
la pregunta causal del impacto de los cupones en el rendimiento escolar
será imposible de responder, porque no tenemos manera de distinguir en
tre el efecto de X en Y y el efecto de C (los confundidores) en Y. De he
cho, la fuente más común de sesgo de asignación es la autoselección de
las unidades para la condición del tratamiento. Es un problema en la ma
yoría de los contextos de las ciencias sociales, porque los sujetos de inte
rés tienen capacidad decisional, porque por lo general tienen interés per
sonal en los mismos resultados que intentan examinar los científicos
sociales (por ejemplo, la calidad educativa), y porque solemos no querer
o ser incapaces de restringir la libertad de nuestros sujetos para ejercer su
voluntad.
Otra forma de sesgo de asignación se deriva de la endogeneidad (cono
cida también como retroalimentación, circularidad, bidireccionalidad, de
pendencia o simetría) entre X e X.34 Supongamos, por ejemplo, que los es
tudiantes de alto rendimiento tienden más a ser elegidos (por parte de los
administradores de la escuela) para un programa de cupones. Aquí Y
afecta al valor de X, por lo que será difícil de valorar el verdadero efecto
deXen X.35
Lo fundamental es que cuando la asignación de un tratamiento no es
aleatoria, el supuesto de comparabilidad causal tiende a violarse, lo que
equivale a decir que el valor esperado de Y dado X no suele ser el mismo
en los grupos de tratamiento y de control. En cambio, cuando el trata
miento se ha aleatorizado sí se logra la comparabilidad causal, al menos
inicialmente.
En el análisis más simple, cuando las medidas del resultado se toman
inmediatamente después de la administración del tratamiento, no surgen
otros problemas adicionales de comparabilidad. Sin embargo, la mayoría
267
Metodología de las ciencias sociales
268
9 Análisis causales
rizados para escuelas con cupones y escuelas sin ellos en un estudio ex
perimental. Este tipo de emparejamiento-comparación maximiza la
equivalencia pretratamiento, pero a expensas de la contaminación pos
tratamiento, porque los hermanos tienden a compartir experiencias y
se ayudan entre ellos con sus deberes, confundiendo así las condiciones
que definen el tratamiento y el control. Otro tipo de contaminación pue
de darse de resultas de la comunicación entre los profesores y directores
que trabajan en escuelas con cupones y escuelas sin ellos. Si esta comuni-
269
Metodología de las ciencias sociales
270
9 Análisis causales
271
Metodología de las ciencias sociales
272
9 Análisis causales
273
10 Estrategias causales: X e Y
275
Metodología de las ciencias sociales
Diseños aleatorizados
277
Metodología de las ciencias sociales
2. Sólo postest I x Ot
II x Ox
3. Múltiples postest I Ot X O. O3
II Ot x °1 O3
4. Despliegue I X o2 X o3
II X °2 X o3
5. Diseños cruzados I X}x2 O2
II O\ '^'1'^2
°2 *.*2 o3
6. Cuatro grupos de I O. X O2
Solomon
II O, X O.
III X O2
IV X O2
7. Factorial I ot X1X2 O2
II ox x'iA^ O2
III O' jr,x2 O2
IV O2
I-IV = grupos; Ol n = observaciones; x = condición de control; X — tratamiento;
= variables de tratamiento.
278
10 Estrategias causales: X e Y
279
1
280
10 Estrategias causales: X e Y
Ejemplos
Nos queda ver en qué medida es aplicable la aleatorización a la agenda
de investigación en las ciencias sociales. En efecto, la pregunta metodoló
gica más difícil no es si los experimentos funcionan (apenas se duda de
que sí funcionan), sino para qué funcionan. Para empezar, examinamos
cinco ejemplos de estudios aleatorizados procedentes de diferentes cam
pos: (1) la discriminación en el empleo, (2) el control de la corrupción,
(3) las campañas electorales históricas, (4) el género y el liderazgo, y
(5) la promoción de la democracia.
281
Metodología de las ciencias sociales
Las causas de la corrupción son una preocupación central para los ciu
dadanos y los académicos del mundo. Pero las causas siguen siendo des
esperadamente imprecisas. Por lo general, los estudios se basan en análi
sis transversales de países (o estados de un país), cuyos diferentes niveles
de corrupción se miden por medio de encuestas al público o por expertos
del país (por ejemplo los índices de corrupción de Transparencia Interna
cional y del Banco Mundial). Si se halla que una institución correlaciona
con un nivel alto de corrupción (teniendo en cuenta los demás factores
relevantes y medibles), entonces se puede interpretar como una relación
causal.12 Obviamente, este tipo de trabajos está sujeto a la misma y ya fa
miliar objeción: quizás es simplemente una correlación, explicable por al
guna causa común no medida.
Para proporcionar evidencia experimental a la cuestión de la corrup
ción, Ben Olken observó los niveles de corrupción en proyectos viales en
más de 600 pueblos de Indonesia. La corrupción se midió por medio de
varios métodos directos —el más interesante fue muestreando determi
nadas carreteras con el fin de determinar si los materiales usados eran
los normales o estaban por debajo de la norma (capítulo 5).13 Se compro
baron dos teorías. La primera se refería al efecto de una auditoría públi
ca inminente, un enfoque sobre el control de la corrupción de arriba aba
jo. La segunda concernía a la participación de base en el control del
282
10 Estrategias causales: X e Y
283
Metodología de las ciencias sociales
En Bengala Occidental, las mujeres se quejan más que los hombres del agua po
table y las carreteras, y hay más inversiones en agua potable y carreteras en los
ayuntamientos de las mujeres. En Rajastán, las mujeres se quejan más que los
hombres del agua potable pero menos de las carreteras, y hay más inversiones en
agua y menos inversiones en carreteras en los ayuntamientos de las mujeres.20
por alcaldesas —en relación con los pueblos del grupo de control, que
por lo general tenían alcaldes hombres. En pocas palabras, el sexo de los
líderes políticos influía. Los bienes valorados más por las mujeres ten
dían a proporcionarse más en pueblos donde las mujeres ocupaban pues
tos de liderazgo importantes.
Las características del diseño de esta aleatorización natural rozan el
ideal. Se estudian muchas unidades, el proceso de aleatorización parece
haberse realizado adecuadamente y hay indicadores de resultados viables
para juzgar el impacto del tratamiento. En resumen, la configuración de
este experimento es tan buena como la esperada en un experimento con
trolado por el investigador.
Sin duda, los mecanismos causales exactos que operan en este contex
to están de algún modo abiertos a interpretación. ¿La diferencia de resul
tados políticos entre los pueblos con cuota femenina y los pueblos sin
cuota femenina es un producto del deseo de las líderes de representar los
intereses de las mujeres de su electorado o es un producto de los atribu
tos personales y las experiencias vitales de las líderes elegidas? (¿Se com
portan las mujeres líderes acomodadas y con autoridad política de forma
diferente?) Los autores intentan abordar esta cuestión haciendo análisis
estadísticos que controlan por varias características de las líderes y no
encuentran ningún efecto. Aun así, podemos sospechar que hay una va
riación insuficiente en estas características como para proporcionar una
comprobación adecuada. Lo que ocurre es que cuando nos movemos
desde el efecto causal principal (que se aleatoriza) hacia los mecanismos
causales (que, en este y otros muchos casos no se aleatorizan), mengua la
precisión y la confianza en el análisis. (Esto nos ofrece también un buen
ejemplo de estudio en el que coinciden los estilos de análisis experimen
tal y no experimental.)
Hay que aclarar un último punto. Chattapadhyay y Dudo tienen la
cautela de presentar su investigación como una comprobación de las
cuotas de género, no como una comprobación del género per se. Tome
nota de que es la cuota de género lo que se aleatoriza, no el género de los
líderes políticos o el género de los electores de las comunidades estudia
das (por supuesto). Lo que podemos concluir razonablemente de este ex
perimento es que las cuotas de género influyen en los resultados de las
políticas públicas allí donde las preferencias de género son diferentes (los
hombres y las mujeres de una comunidad quieren cosas diferentes) y
donde un grupo está en desventaja política. Pero no aprendemos nada
sobre qué rasgos del género influyen en las preferencias políticas, ni de
las élites ni de las masas. ¿Qué hay en el «género» que afecta a las políti
cas públicas?
285
Metodología de las ciencias sociales
En estas elecciones particulares, los líderes de las delegaciones [de varios grupos
de vigilancia internacionales] dieron a cada equipo de observadores de corto
plazo una lista preasignada de colegios electorales para que los visitaran duran
te el día de las elecciones. Estas listas se hicieron con dos objetivos en mente: (1)
distribuir los observadores por todo el país.... y (2) dar a cada equipo de obser
vadores una lista de colegios que no coincidieran con los colegios de otros equi
pos.22
286
10 Estrategias causales: X e Y
Obstáculos
Nuestro análisis parecerá descuidado si no abordamos también algunas
de las limitaciones de los diseños aleatorizados. Algunas de estas limita
ciones conciernen a la validez interna y otras a la validez externa (una
distinción que vimos en el capítulo 4).23
Validez interna
287
Metodología de las ciencias sociales
288
/
10 Estrategias causales: X e Y
289
Metodología de las ciencias sociales
Validez externa
290
10 Estrategias causales: X e Y
291
Metodología de las ciencias sociales
Conclusiones
Diseños no aleatorizados
292
10 Estrategias causales: X e Y
293
Metodología de las ciencias sociales
Z
Unidades no tratadas Línea de corte Unidades tratadas
(X-O) (x = i)
Figura 10.1 Ilustración: el diseño de regresión discontinua
294
A
10 Estrategias causales: X e Y
De este modo Berk y Rauma pudieron concluir que los miembros del
grupo de tratamiento habían tenido tasas de reingreso en prisión un 13
por ciento menores que los que pertenecían al grupo de control (es decir,
295
1
296
10 Estrategias causales: X e Y
hasta hace muy poco tiempo, se han hecho pocas aplicaciones prácticas
de ellos. Es así un tanto sorprendente el renacimiento de este diseño de
investigación en los últimos años (véanse las fuentes citadas antes). El
tiempo nos dirá si este entusiasmo reciente está justificado, pero por aho
ra las señales son propicias.
A buen seguro, hay algunas dificultades potenciales con el análisis de
datos procedentes de un diseño de RD. Las comparaciones son más fáci
les en cualquier lado de la línea de corte; podría decirse que las observa
ciones que están lejos de la línea de corte son bastante desiguales al res
pecto de las características de fondo, por lo que no son adecuadas para
este diseño de investigación no aleatorizado. Así, deben tomarse decisio
nes sobre el tamaño de la «anchura de banda» en torno a la discontinui
dad, o sobre qué principio de ponderación debe aplicarse a las observa
ciones que caen muy lejos de la línea de corte.36
No deja de percibirse cierta inseguridad respecto del carácter aleato
rio de las comparaciones entre lo que está sobre la línea de corte y lo que
está bajo ésta, porque el tratamiento no se ha aleatorizado verdadera
mente. En particular, debemos ser cautelosos cuando los participantes en
una muestra son conscientes de las consecuencias de un umbral y pueden
autoseleccionarse. Por ejemplo, en el diseño de RD de DiNardo y Lee
para comprobar el efecto de la sindicalización en la supervivencia de la
empresa, el empleo, la producción, la productividad y los salarios, hay
que tener en cuenta la posibilidad de que el fracaso/éxito de la campaña
de sindicalización no sean aleatorios respecto de los resultados de interés.
Consideremos que en unas elecciones representativas sindicales los traba
jadores pueden ser conscientes del efecto potencial de su voto en la salud
financiera de la empresa. Los directivos suelen argüir que un sindicato
pondrá a la empresa en desventaja competitiva y generará, en última ins
tancia, una pérdida de puestos de trabajo. En estas circunstancias, los
trabajadores pueden ser más propensos a apoyar la sindicalización si es
tán convencidos de la fuerza de una empresa, y menos propensos si per
ciben que la empresa está en una posición vulnerable. Si hay suficientes
trabajadores que votan estratégicamente sobre esta base, y sus presenti
mientos son fundados (presumiblemente conocen la posición de su em
presa en el mercado), entonces los resultados de este diseño de RD sólo
nos dicen algo sobre los efectos promedio del tratamiento local (EPTL).
Es decir, podemos estar dispuestos a creer que las empresas que estaban/
están sindicadas no tienden más a quebrar que las empresas que siguen
sin estarlo, pero de esto no debemos inferir que la sindicalización —si se
asigna aleatoriamente entre el universo de empresas— no tendrá ningún
efecto causal en la probabilidad del fracaso de la empresa. (DiNardo y
Lee tienen la cautela de no generalizar en exceso a partir de los escasos
datos disponibles.)
297
Metodología de las ciencias sociales
Diseños de panel
298
10 Estrategias causales: X e Y
299
Metodología de las ciencias sociales
300
10 Estrategias causales: X e Y
que son más ambiguos y de mayor alcance: mostrar que una hipótesis
positiva fracasa en un contexto puede ser insuficiente para comprobar
que fracasaría en otros contextos posibles.41
Algunos de estos problemas se podrían haber superado alterando lige
ramente el diseño de investigación; otros son inherentes en virtud del he
cho de que el tratamiento no se puede manipular directamente, y otros se
deben al problema de los argumentos negativos 42 El problema de la asig
nación no aleatoria es frecuente en todos los diseños de la DD (como
también lo es en los demás diseños no experimentales). No podemos es
tar totalmente seguros, por ejemplo, de que las empresas de Pennsylvania
(el grupo de control) responderán a un aumento de los salarios mínimos
igual que las de Nueva Jersey. Si no lo hacen, entonces la capacidad de
generalización del descubrimiento se pone en tela de juicio. Nuestras du
das sobre la causalidad aumentan si el tratamiento se asigna de forma no
aleatoria porque nos preocupa que haya algo en la asignación del trata
miento —algún factor no medido— que sea diferente en el grupo de tra
tamiento y en el de control y dé cuenta de sus respuestas. En concreto,
nos preocupa que la tasa de cambio en el resultado pueda ser diferente
en el grupo de tratamiento y en el de control. Si éste es el caso, entonces
el caso elegido para la comparación (en esta ocasión, Pennsylvania) no
sirve de verdadero control (o sólo sirve de forma pobre y conduce a esti
maciones sesgadas).
Diseños transversales
301
Metodología de las ciencias sociales
302
10 Estrategias causales: X e Y
i
Diseños longitudinales
303
Metodología de las ciencias sociales
repetidas I • o. X o2 X oy
x x
X oA X
I- Un grupo <\N = Observaciones X - Condiciones de tratamiento
304
10 Estrategias causales: X e Y
305
1
306
10 Estrategias causales: X e Y
307
Metodología de las ciencias sociales
308
11 Estrategias causales:
más allá de X e Y
309
Metodología de las riendas sociales
310
11 Estrategias causales: más allá de X e Y
Z nos permite analizar la relación XIY por separado para aquellos estu
diantes con profesores de alta calidad y de baja calidad. En los estratos
de estudiantes que reciben enseñanza de alta (baja) calidad, cabe esperar
no encontrar ninguna asociación entre X e Y —en el caso de que Z sea el
único factor que provoca la asociación entre X e Y. (Si hay otros facto
res, estos también deberán ser condicionados con el fin de que X sea in
dependiente de Y.) Así, el condicionamiento ha bloqueado una asocia
ción previa.
X Y
(a)
X z Y
(b)
X z •> Y
(c)
X z Y
(d)
Figura 11.1 Ilustración de los principios básicos de condicionamiento
311
Metodología de las ciencias sociales
Confundidores
312
11 Estrategias causales: más allá de X e Y
[C]
X -> Y X * Y
(f) (g)
Antecedente Endogeneidad
313
Metodología de las ciencias sociales
314
11 Estrategias causales: más allá de X e Y
315
Metodología de las ciencias sociales
316
11 Estrategias causales: más allá de X e Y
317
Metodología de las ciencias sociales
318
11 Estrategias causales: más allá de X e Y
319
Metodología de las ciencias sociales
320
11 Estrategias causales: más allá de X e Y
[fi]
▼
MI ■*- X Y
(a)
(b)
X = Factor causal A = Causa antecedente
Y = Resultado B = Covariable ortogonal
Z = Colisionador [] = No condicionado
321
Metodología de tas ciencias sociales
Variables instrumentales
322
11 Estrategias causales: más allá de X e Y
323
Metodología de las ciencias sociales
Y=X + B+ U2 (H.2)
Mecanismos
324
11 Estrategias causales: más allá de X e Y
(a) (b)
Puerta frontal Supuestos de puerta no frontal
X - Factor causal C - Confundidor
Y - Resultado M = Mecanismo causal
[] = No condicionado
325
1
cer aumenta si se fuma. Esto implica un análisis simple de dos fases que
nos permite desatender cualquier efecto confundidor (procedente de los
genes y/o de las pautas de comportamiento): (1) fumar -> alquitrán y (2)
alquitrán -> cáncer.
Desafortunadamente, los escenarios de puerta frontal buenos son re
lativamente raros. Esto es especialmente así en las ciencias sociales, don
de sospechamos que las violaciones de estos exigentes criterios ((a) - (c),
enumerados antes) son la regla más que la excepción. Supongamos que
el confundidor sospechado afecta a X e Y, y también a M, como se
diagrama en el panel (b) de la figura 11.6. Aquí nos topamos con un es
cenario empírico aún más complejo. Pero incluso aquí la evidencia del
mecanismo puede servir de complemento (pero no de sustituto) de la evi
dencia de covariación de X e Y.
Ésta es la aproximación general que sugieren Adam Glynn y Kevin
Quinn.20 A modo de ejemplo, exploran la siguiente cuestión: ¿qué impac
to tiene (si tiene alguno) la disponibilidad del registro en el mismo día (la
opción de registrarse para votar cualquier día antes o el mismo día de las
elecciones) en las tasas de participación electoral de los africano-estado
unidenses? En los últimos años algunos estados de Estados Unidos han
instituido el registro en el mismo día, mientras otros siguen requiriendo
el registro por adelantado (normalmente uno o dos meses antes) del día
de las elecciones. La intención de la reforma de la ley electoral era aumen
tar la participación. Pero hay un debate considerable sobre si estas refor
mas han sido efectivas o, si lo han sido, en qué medida.21
El enfoque estándar sobre este problema utiliza información sobre las le
yes de registro (el mismo día o por anticipado) y la participación (votó o no
votó), junto a algunos confundidores potenciales que se pueden medir fácil
y rápidamente. De este modo se puede inferir una relación entre X (leyes de
registro) e Y (participación). Aunque no hay nada necesariamente erróneo
en la idea de condicionar a confundidores, ésta pasa por alto la informa
ción sobre el proceso causal que está operando. Tome nota de que para po
der votar, un individuo tiene que haberse registrado antes. El registro es,
por lo tanto, condición necesaria para votar. Para que Y = 1 (voto), M debe
ser igual a 1 (registrado). Pero el registro no es una condición suficiente del
voto. Algunos votantes registrados no votan, a pesar de tener derecho a ha
cerlo. Estos abstencionistas evidentemente no han sido disuadidos por las
leyes de registro. Esta información se ignora en el modelo estándar del con
dicionamiento a confundidores; examinamos sólo el tratamiento (si uno
vive en un estado donde hay que registrarse con tiempo o en un estado con
registro en el mismo día de las elecciones) y el resultado (votar o no votar).
Glynn y Quinn proponen un marco bayesiano de resultados potenciales
por el que se puede incorporar al análisis la información sobre esta variable
intermedia potenciando así la evidencia usual sobre X e Y.
326
11 Estrategias causales: más allá de X e Y
327
1
Resultados alternos
Hay un enfoque bastante diferente sobre el confundidor de causa común
que implica alterar la comparación elegida —pasar de la variación entre
las unidades o en el tiempo a la variación entre resultados alternos. (Ese
enfoque podría describirse como un diseño de variables dependientes no
equivalentes o dentro de la unidad.')23 Hay tres variedades, como puede
apreciarse en los paneles de la figura 11.7.
Supongamos que nos interesa estudiar el impacto de un nuevo progra
ma de perfeccionamiento de lengua extranjera centrado en una lengua
(a) (c)
Test placebo Dentro de la
confundidores unidad
X= Factor causal C = Confundidor
Y = Resultado de interés teórico K, = Resultado secundario
[] = No condicionado
Figura 11.7 Resultados alternos
328
11 Estrategias causales: más allá de X e Y
329
Metodología de las ciencias sociales
330
11 Estrategias causales: más allá de X e V
331
Metodología de las ciencias sociales
Heterogeneidad causal
La heterogeneidad causal, es decir, el impacto variable de un factor cau
sal, X, en las unidades de una misma muestra, suele considerarse ruido
(B).28 Sin embargo, en determinadas situaciones puede proporcionar pis
tas para la inferencia. Esto ocurre en situaciones en las que la heteroge
neidad causal no es estocástica (aleatoria), los moderadores relevantes
(Z) se pueden medir, y el efecto de interacción de X* Z en Y no está suje
to a confundidores. La figura 11.8 presenta el diagrama causal de esta es
trategia. Lo que aprendemos de esta suerte de análisis puede: (a) aumen
tar (o disminuir) nuestra confianza en el efecto causal medido y/o (b)
arrojar luz sobre los mecanismos causales que operan en un efecto cau
sal.
Consideremos un programa de cupones extraescolar con estudiantes
procedentes de muchos entornos lingüísticos dirigido a los estudiantes
cuya lengua nativa es el español. Todos los estudiantes del curso reciben
el mismo tratamiento. Sin embargo, en virtud de las características fijas
(hispano-no hispano), cabe esperar que los sujetos respondan de forma
diferente. En particular, esperamos que los estudiantes hispanos progre
sen más deprisa que los estudiantes no hispanos si el programa de cupo
nes funciona como se pretende.
Naturalmente, podemos comprobar la proposición anterior de forma
experimental aleatorizando los tratamientos de interés (1 = programa de
cupones dirigido a hispanos, 0 = programa de cupones sin preferencia
por determinados hablantes). Sin embargo, no en todas las situaciones es
posible la aleatorización. Además, es poco probable que la aleatorización
pueda incluir al moderador, una característica fija (hispano/no hispano),
y en este sentido es incompleta, lo que fuerza al investigador a inferir la
causalidad de determinadas características fijas de los sujetos. Cualquie
ra que sea el diseño de investigación, siempre encontraremos algún grado
de heterogeneidad causal. Si se satisfacen varios supuestos (especificados
antes), siempre podemos aprender algo sobre los efectos causales hetero
géneos.
Para ver cómo la heterogeneidad anticipada nos puede ayudar a tratar
los confundidores en este caso, consideremos los dos escenarios siguien
tes. Primero, supongamos que creemos que cualquier confundidor no
333
Metodología de las ciencias sociales
medido afectará por igual tanto a los estudiantes hispanos como a los no
hispanos. Si descubrimos que los efectos estimados del programa de cu
pones son los mismos para los estudiantes hispanos y no hispanos, en
tonces concluiremos que el efecto estimado se debe a un confundidor y
no al programa.
En el segundo escenario, supongamos que creemos además que el pro
grama tendrá un efecto nulo en los estudiantes no hispanos (quizás el
curso se enseña en español). Si descubrimos un efecto en los estudiantes
no hispanos, entonces tendrá que deberse a un confundidor. Si supone
mos además que este confundidor será similar entre los estudiantes his
panos, entonces podemos sustraer el sesgo producido por el confundidor
de la estimación del efecto entre los estudiantes hispanos. Esto es funcio
nalmente equivalente al diseño de la diferencia en la diferencia que vimos
en el capítulo 10.29
Hipótesis rivales
La información sobre hipótesis rivales es un rasgo persistente de la infe
rencia causal, aunque no siempre se reconoce explícitamente. Tome nota
de que todo experimento (incluso un experimento de laboratorio) requie
re tener en cuenta los confundidores potenciales. Estos factores son, en
efecto, hipótesis rivales sobre el resultado (¿de qué otra manera se puede
explicar la variación de L?). E incluso los experimentos mejor construidos
dejan un espacio considerable a la interpretación sobre los mecanismos
operativos. Aquí, la lógica de la inferencia se suele basar fuertemente en la
valoración de hipótesis rivales (que pueden ser o no empíricamente com
probables).
La lógica de la «eliminación» tiene también una base sólida en la filo
sofía de la ciencia. Es la base del «método de la concordancia» (conocido
también como el método del caso más diferente) de J. S. Mili; una carac
terística central de la tradición peirceana de la inferencia causal conocida
como «abducción» o «inferencia de la mejor explicación»; y a menudo se
cita en otros influyentes estudios.30 Incluso ha recibido cierto reconoci
miento entre los metodólogos.31
Entonces, ¿cómo podemos integrar el conocimiento sobre otras cau
sas de T en un análisis de la relación de X con y?32
Supongamos que hay problemas de medición, de confundidores, de
representatividad de la muestra u otros rasgos del diseño de investigación
que impiden una inferencia causal fuerte sobre la relación de X e Y. Por
alguna razón tenemos cierto grado de incertidumbre sobre el asunto. El
rasgo distintivo de la estrategia de las hipótesis rivales es que se explora
la relación de Xe Y examinando factores causales diferentes de X—Z en
334
11 Estrategias causales: más allá de X e Y
X = Factor causal
Y = Resultado
Z = Hipótesis rival
Figura 11.9 Estrategia de hipótesis rivales
335
Metodología de las ciencias sociales
336
11 Estrategias causales: más allá de X e Y
Test de robustez
En los diseños no aleatorizados y en los experimentos que implican con
fundidores postratameinto (por ejemplo, el incumplimiento), suele haber
muchas maneras de modelar los datos, ex post. Puede haber una serie de
estimadores aceptables, una serie de especificaciones razonables para
cada modelo estadístico, etc. Además, afrontamos problemas de concep-
tualización y de medición, problemas de muestreo y relativos al diseño
que son diferentes del problema de asignación.
Estas elecciones tienden a influir de algún modo en las estimaciones
del efecto causal. Algunas decisiones pueden afectar sólo a la magnitud
del coeficiente. Otras a la dirección (positiva/negativa) del efecto obser
vado o a la aceptación/rechazo de la hipótesis nula.
Por desgracia, recurrir a la «teoría» no suele resolver estos problemas.
Tome nota de que si la teoría es fuerte no tiene mucho sentido la com
probación; ya sabemos lo que hay ahí fuera. Si la teoría es débil, en reali
dad no fortalecemos nuestra fe en los supuestos recurriendo a ella.
Sin embargo, hay algo que nos puede salvar: la posibilidad de com
probar la robustez (sensibilidad) de un resultado alterando varios ele
mentos del análisis —lo que nos proporciona un test rudimentario de va
rios supuestos. Para ser claro, el propósito del test de robustez no es
b
llegar a una estimación precisa de los efectos causales. De hecho, la téc
nica de los test de robustez presupone más o menos que una estimación
precisa del impacto de A" en Y es imposible. Antes bien, el propósito es
comprobar en qué medida es precisa una estimación dada (derivada de la
mejor apuesta del investigador o de un modelo de referencia) frente a di
ferentes supuestos. Por otro lado, podríamos señalar que el propósito es
comprobar si una relación planteada —conceptualizada vagamente
como «positiva» o «negativa»— es verdadera o no. Haciendo una serie
de test de robustez —por ejemplo, operacionalizaciones alternativas para
variables clave, muestras alternativas o estrategias alternativas de mues
treo (selección de casos), estrategias alternativas para medir un efecto
causal, estimadores alternativos y especificaciones alternativas— pode
mos descubrir qué supuestos (si hay alguno) son importantes y cuánto
I varía el efecto causal estimado en los diferentes test.35
Los test de robustez ayudan al investigador a alcanzar un nivel de in
certidumbre general que resulta apropiado a la luz de la evidencia obte
nida, llevándole más allá de los test superficiales y dependientes del mo-
337
Metodología de las ciencias sociales
338
11 Estrategias causales: más allá de X e Y
Razonamiento causal
La evidencia no habla por sí misma. La causalidad es una inferencia, y
no se deduce apodícticamente de un diseño de investigación y el subsi
guiente análisis de los datos. Esto es así en los estudios cualitativos y en
los cuantitativos, en los estudios que se basan en datos no experimentales
y en los que se fundamentan en tratamientos aleatorizados.
A buen seguro, los supuestos necesarios para lograr la inferencia causal
en los trabajos experimentales son pocos y, por lo general, menos proble
máticos. Pero son, no obstante, esenciales. Advierta que la configuración
de un diseño aleatorizado requiere muchos supuestos a priori sobre qué
tipo de confundidores pueden amenazar el resultado y, por ende, qué tipo
de precauciones deben tomarse para preservar la validez del diseño de in
vestigación. ¿La contaminación entre el tratamiento y los grupos de con
trol es una posibilidad real? ¿Ha quedado preservada la independencia de
las unidades? ¿Son vulnerables las unidades del grupo de tratamiento a los
efectos del experimentador? (Y otros problemas similares.) Asimismo, una
vez terminado el experimento, los revisores pueden formular las mismas
preguntas para determinar su validez (ex post). Además, tanto el investi
gador como ios revisores tendrán que especular sobre el mecanismo o me
canismos que podrían operar si se ha mostrado que X tiene una relación
causal con Y. Los mecanismos en las ciencias sociales raramente se mani
fiestan por si mismos y suelen resistirse a la comprobación empírica.
Claramente, no son sólo las reglas y los métodos explícitos lo que pre
ocupa en la inferencia causal. Esto es cierto, a fortiori, en los estudios no
experimentales. Tal como lo expresa Donald Rubín:
La inferencia causal es imposible sin hacer supuestos, y ellos son las hebras que
vinculan la estadística y la ciencia. Es la calidad científica de esos supuestos, no
su existencia, lo importante. Siempre hay un elemento de compensación entre
los supuestos y los datos, pero los dos proporcionan información. Con datos de
mejor calidad se necesitan menos supuestos. Pero en el contexto de la inferencia
causal, los supuestos se necesitan siempre, y es imperativo explicarlos y justifi
carlos. Una de las razones para proporcionar estos detalles es que los lectores
puedan comprender el fundamento de las conclusiones. Otra razón relacionada
con la anterior es que esa comprensión debe conducir al escrutinio de los su
puestos, a la investigación sobre ellos e, idealmente, a su mejora. Lamentable
mente, esta especificación de los supuestos no suele hacerse en muchos análisis
que pretenden ser causales y en su lugar se especifican los programas informáti
cos que se han aplicado.36
339
Metodología de las ciencias sociales
340
11 Estrategias causales: más allá de X e Y
341
Metodología de las ciencias sociales
342
11 Estrategias causales: más allá de X e Y
343
Metodología de las ciencias sociales
344
12 Diferentes aproximaciones
a la inferencia causal
345
Metodología de las ciencias sociales
Una de las hipótesis que explica la extinción de los dinosaurios, que desarrolla
ron Luis Alvarez y sus colaboradores en Berkeley a finales de la década de 1970,
postula que hubo una colisión cósmica: un meteorito chocó contra la tierra a
unos 72.000 kilómetros por hora, lo cual generó una explosión mayor que la de
una guerra nuclear a gran escala. Si esta hipótesis fuera correcta, su consecuen
cia observable seria que el iridio (un elemento habitual en los meteoritos, pero
escaso en la Tierra) se encontraría en una determinada capa de la corteza terres
tre que corresponde a los sedimentos depositados hace sesenta y cinco millones
de años; de hecho, el descubrimiento de este metal en las capas que se había pro
nosticado se ha considerado una prueba que confirma parcialmente esta teoría.
Aunque este acontecimiento es sin duda único, hay otras muchas consecuencias
observables. Por ejemplo, tendría que ser posible encontrar el cráter del meteori
to en algún lugar de la Tierra?
346
12 Diferentes aproximaciones a la inferencia causal
ter del meteorito. Estas observaciones no son comparables por la luz que
arrojan sobre los diferentes aspectos (subhipótesis) de la teoría. Ambas
son relevantes, pero son «manzanas y peras», como se suele decir. En
efecto, proceden de diferentes poblaciones. Y como no son comparables
no pueden manejarse con un formato de matriz estándar. Deben consi
derarse como dos elementos de evidencia en los que N = 1. Las observa
ciones del proceso causal son, por lo tanto, cualitativas por naturaleza.4
Este tipo de evidencia es especialmente valioso cuando intentamos ha
cer inferencias causales sobre eventos únicos (y quizás muy singulares),
como la extinción de los dinosaurios. Una aglomeración de evidencia
4
dispar requiere observaciones no comparables, cada una de las cuales
puede arrojar luz sobre ese único evento (aunque las ramificaciones de la
respuesta pueden ser generalizables). ¿Por qué un distrito escolar adoptó
cupones? ¿Por qué una escuela cambió su currículum después de adoptar
los cupones? ¿Por qué un estudiante decidió implicarse en un programa
de cupones y cómo influyó su elección en sus hábitos de trabajo? He aquí
unos pocos ejemplos del tipo de preguntas que debe abordar un estudio
sobre los cupones con observaciones del proceso causal, que tal vez pro
ceden de las entrevistas o de la observación participante.
Advierta que como cada observación que influye en la respuesta a es
tas preguntas es cualitativamente diferente de la siguiente, el número to
tal de observaciones del proceso causal en un estudio es indeterminado y
puede ser muy elevado. Las observaciones no comparables son, por defi
nición, difíciles de contar. Para contarlas podemos recurrir a listas de ele
mentos discretos de evidencia. Así, podemos decir que dos observaciones
del proceso causal se generaron para confirmar la teoría del meteorito
sobre la extinción del dinosaurio. Esto nos aproxima a los sistemas de
numeración empleados en los documentos legales (por ejemplo, «hay
quince razones que indican que Smith mató a Jones»). Pero las listas se
pueden hacer de muchas maneras, y cada observación individual del pro
ceso causal (y el correspondiente argumento) tiende a recibir diferente
peso en la valoración general del investigador. Por lo tanto, el número to
tal de observaciones sigue sin determinarse. No nos satisface la idea de
que Alvarez et al. tengan un «N» de dos. Las observaciones del proceso
causal no son, por naturaleza, cuantitativas. No sabemos y no podemos
saber con precisión cuántas observaciones del proceso causal contienen
algunos conocidos estudios cualitativos como Implementation de Jeífrey
Pressman y Aaron Wildavsky, States and Social Revolutions de Theda
Skocpol, Home Style de Richard Fenno, The Forest Ranger de Hebert
Kaufman o Negara de Clifford Geertz.5
Una vez más: las observaciones no comparables no son ejemplos dife
rentes de la misma cosa (como sí lo son las observaciones en una base de
datos). Son cosas diferentes. En consecuencia, no está claro dónde termi-
347
Metodología de las ciencias sociales
348
12 Diferentes aproximaciones a la inferencia causal
349
Metodología de las ciencias sociales
350
12 Diferentes aproximaciones a la inferencia causal
351
Metodología de las ciencias sociales
352
12 Diferentes aproximaciones a la inferencia causal
353
Metodología de las ciencias sociales
354
12 Diferentes aproximaciones a la inferencia causal
Análisis
Mi tesis es que los argumentos causales necesarios/suficientes son con
gruentes con la definición general de causalidad adoptada en el capítulo
8: los factores causales (para que sean considerados verdaderamente cau
sales) tienen que incrementar la probabilidad previa de un resultado. Ex
presado en la notación de la probabilidad, P( Y\X) > P(Y\x). Esto quie
re decir que X aumenta la probabilidad real de que ocurra Y —mediante
algún mecanismo generador—, no simplemente nuestra capacidad de
predecir Y. Es causal, no simplemente correlativa.
Asimismo, para cualquier argumento necesario/suficiente es necesa
rio poder calcular un efecto causal, entendido como EPT o alguna de
sus variaciones (capítulo 9). Por lo tanto, si una causa es necesaria o su
ficiente, cabe esperar encontrar una diferencia en los resultados de los
grupos de tratamiento (X) y de control (x). En concreto, si X es una
condición necesaria de Y, entonces P(Y]xJ = 0, mientras P(Y]XJ = 1.
Es decir, el cambio de x a X aumenta la probabilidad de Y desde 0 a
355
1
356
12 Diferentes aproximaciones a la inferencia causal
(b) Suficiencia
Y [250] 500
y [250] 0
x X
Los valores en las celdas indican el número (N) de unidades que adoptan un valor
particular para el resultado en las condiciones de control (x) y de tratamiento (X).
357
Metodología de las ciencias sociales
358
12 Diferentes aproximaciones a la inferencia causal
359
1
más a creer que hay un efecto causal si XIx e Yly covarían del modo per
fecto que se ilustra en la tabla 12.1. Así, las investigaciones sobre las rela
ciones necesarias/suficientes son también, al mismo tiempo, investigacio
nes sobre la causalidad.
Esta cuestión parecerá obvia a los iniciados en estos estudios, pero
quizás no lo es tanto para los que se aproximan a la causalidad desde la
perspectiva tradicional de los resultados potenciales. En el capítulo 4 vi
mos que la credibilidad de una conjetura causal aumenta siempre que se
superan test especialmente severos. La superación de grandes escollos
inspira confianza. Una hipótesis de teoría de conjuntos, si se entiende en
tanto en cuanto carece de excepciones —P(Y\x) = 0 (necesidad) o
P(Y]XJ = 1 (suficiencia)—■, es una predicción extremadamente «arries
gada». Si esta predicción se sostiene para un número de casos elevado y
hay variación en la variable teórica de interés (XIx), la conjetura causal
queda fuertemente corroborada. Advierta que la única explicación alter
nativa posible para la necesidad o la suficiencia perfecta en una muestra
grande es un confundidor o conjunto de confundidores perfectamente
correlacionado con X para el conjunto de casos que exhiben y (para las
causas necesarias) o Y (para las causas suficientes). Esto ayuda a paliar
nuestra preocupación por las pretensiones causales espurias.27
Desde luego, si la relación necesaria/suficiente planteada no llega a ser
perfecta (hay excepciones), la predicción es menos riesgosa. Y si la mues
tra es pequeña, o si hay poca variación en X e Y, hay menos evidencia
probatoria. Ahora bien, la cuestión sigue siendo que la inferencia causal
a partir de relaciones necesarias/suficientes debe ser considerada ideal
mente en varios niveles —la búsqueda de un efecto causal y de mecanis
mos causales (que es igual de importante para las causas según la teoría
de conjuntos y según otras teorías) y los test de necesidad/suficiencia.28
ACC-cc
La versión original del ACC, la de los conjuntos clásicos (cc), parte de
una codificación binaria de variables clave: los resultados de interés teó
rico y los factores que han podido producirlos. Inspirándose en la litera
tura pertinente, los autores identifican cinco factores clave: el desarrollo
(el PIB per cápita), la urbanización, la alfabetización, la fuerza de traba
jo industrial y la estabilidad del gobierno. Éstos se calibran con puntua
ciones de pertenencia a un conjunto usando puntos de corte derivados
de consideraciones teóricas. El desarrollo en 1930 se codifica como 0 si el
PIB per cápita era inferior a 600 dólares, y 1 si era superior. La urbaniza
ción (población en ciudades de más de 20.000 habitantes) se codifica
como 0 si era inferior al 50 por ciento, 1 si era superior. La fuerza de tra
bajo industrial se codifica como 0 si era superior al 30 por ciento de la
población activa, 1 si era superior. La estabilidad del gobierno se codifi
ca como 0 si diez o más gabinetes gobernaron durante el periodo anali
zado, 1 si fueron menos. La supervivencia de la democracia = 1, su fraca
so = 0.
Con esta codificación se construye una tabla de verdad en la que los
casos se agrupan en la misma fila si comparten puntuaciones idénticas
en (potencialmente) todos los factores causales. Esta tabla de verdad re
duce muchos casos y variables a una cuadrícula parsimoniosa. Dieciocho
casos se convierten en nueve configuraciones (combinaciones de factores
causales), como vemos en la tabla 12.2.
361
i
Metodología de las ciencias sociales
.2 ¿ -É
•§ X.. o
> o o o o o o O .2
a ’<DE
ex
3
(Z)
2 8
Ü «¿o
u
ü 8 §,
M 3 7^
E o o o o
„ <Z) 2
3 «
■« Sj
E cí <D
Q
w C/3
— 'S
< r
W £
„ w S
D 72
■O o .s CS W Cá
■;? h o o o o o o ’o c¿ a
C ‘2
" h
S § 3
tu .3
E
¿¿ £$
lu .. m
•Sa a
X esQ
I
11!f
’O
eN o o
§o
< ¡X
tu iS
•> L ex
a
‘O •2^ «
N o o o o o o o w|
’3
X
5
¿j <£
cü Oí
•3 «
1
£■.2, - 8
3 ?T es
§ OQ J
tu o o o
o
o al
a>
8| S
<D “ £ .2
ó
U
Q ó 0D
< N Z —' O
•o
CZ¡ o
k-Z _T X
CÚ g W
es '¿3 “
’E
>
g W (J
' ’ >
W
<Z>
(Z>
J fc
£ Q
Oh "7
Oí g
.2 5
oo i—i O
M J C¿ W H W -<u L.;
*O £ §Z í w Q «" E tí «C §
W 31
§ :l m a o
CÍ J2 -S
(M S ’5 ~ %
2*
1 S M o
< ” Z
3
(2 e X r¡ en Tt uS oo o\
<É & -O
362
12 Diferentes aproximaciones a la inferencia causal
363
1
1. DESARROLLADO*urbanoJfalfabetizado*trabind*ESTABGOB
2. DESARROLLADO*urbano*alfabetizado*TRABIND*ESTABGOB
3. DESARROLLADO*URBANO*alfabetizado*trabind*ESTABGOB
4. DESARROLLADO*URBANO*alfabetizado*TRABIND*ESTABGOB
5. DESARROLLADO*URBANO* ALFABETIZADO* trabind*ESTAB
GOB
364
12 Diferentes aproximaciones a la inferencia causal
ACC-cd
La versión del ACC con conjuntos difusos (cd) es más complicada que la
versión con conjuntos clásicos (cc), razón por la que la introducimos
aquí (aunque muchos practicantes del ACC la consideran una versión
superior de este método).
Para empezar, no es necesario codificar los casos de forma totalmente
categórica. Un caso puede ocupar una posición de pertenencia total o
parcial a un conjunto, codificada de 0 a 1 —donde 0,0 representa la no
pertenencia total, 1,0 la pertenencia total y 0,5 el punto de corte en me
dio de las dos categorías. Retomando nuestro ejemplo, el resultado —la
supervivencia de la democracia— se puede puntuar de nuevo sobre la
base de la variable Polity2 extraída del índice Polity IV, un índice de vein
tiún puntos que va de -10 a +10, donde 0 es el punto de corte entre la de
mocracia y la no democracia. Así, Austria, con una puntuación Polity2
de -9, se codifica como 0,05 en el resultado —lo que representa un 5 por
ciento de pertenencia en la categoría «democracia». En cambio, Bélgica,
con una puntuación de 10 en la escala Polity2, se codifica como 0,95 en
la supervivencia —un 95 por ciento de pertenencia a la categoría. Se
construyen así recodificaciones similares para las otras variables: desa
rrollado, urbanizado, alfabetizado, trabajo industrial y estabilidad del
gobierno. Tres de estas condiciones se representan a modo de ilustración
en la tabla 12.3.
El proceso de reducir esta información a configuraciones (posible
mente causales) se realiza mediante la aplicación de dos reglas. Cuando
se combinan múltiples condiciones en una única configuración (T lógi
co), la pertenencia de cada caso depende de la puntuación mínima en to
dos los factores. Así, la pertenencia de Austria en la configuración «De
sarrollado Y urbano» es 0,12, porque es la puntuación mínima que
recibe en las dos condiciones, como puede apreciarse en la tabla 12.3. Su
pertenencia a la configuración «Desarrollado, urbano Y inestable» es
también 0,12 porque es la puntuación más baja que recibe en las tres
condiciones.
Cuando se codifican los caminos alternativos hacia un resultado
(equifinalidad causal, implementada con el O lógico), la pertenencia de
cada caso viene determinada por la máxima puntuación en todos los fac
tores. Así, la pertenencia de Austria a la configuración «Desarrollado O
urbano» es 0,81 porque es la puntuación máxima que recibe en las dos
condiciones, como se puede apreciar en la tabla 12.3. Su pertenencia a la
configuración «Desarrollado, urbano, E inestable» es 0,89 porque es la
máxima puntuación que recibe en las tres condiciones.
La tabla 12.3 incluye sólo tres de los cinco factores causales de nuestro
ejemplo y sólo dos de las posibles configuraciones en esas tres condiciones.
365
Metodología de las ciencias sociales
■§
aJ
o § 'I
X 0
5 .. o
£g
i8. oo\oo^r*-o\ooTt-o,\oos’—<or"ioo\o\
xl
<1 ¿? §ü
Í2 2
0.2
1 ° j¡ J 8
O lil
S ■£ §
^0>00k0C0000>>>(NCNí-,r«sC?''>0Ol^0\
oo ay —ay oo^ oo r- xr
o" o' es o o” o' o" o” o" O O
~ o\ oo o\ o\
,—1 o” o” o” o" o"
8IQ <u y ~
£
f! ■M
1g íW «l
p
í2 ’-^o\oo^oooooo\c\\©rqTr^r*‘C^mou^o\
T) oo^oxo^t—^tno\oo o —• r- en ~ —< o o e<y o\ oy
2g Q ¿ó
Ó u O
gw
u Q
< S S §
•ü [L. g
c o
o
ó
/éñ'
O JB ¿á
UJ S ó g « ^oooooSooo^^ooSSooo
<D
C
O O 8 2 3 -S
»S
■§ « O Q
U) T3 |í£
§>
c
—
"’í
C
° Kp
ao «<E ó;
en
8u
45 11 <D ¡^l
^Sínooot^ooo^^crioooo^ax
2'£ü
0)
73 Q s« -2-S
o “
w
O
en o
§
2 w J «
O 3 Cnooo9oSinooo^o0o^^2Soo «i ’H
Q ’5 » £
¿s c
«-S1®
cü
o « O
.2
o
lil
c
Q
o .SS-5
O §2
<Nooo\o8St'^a''C'<S'=5o—'SS^^-'0' oj 5
ex o o" o" o o" o o" o1 o <0 o" o" es a o o o"
(D 5 NZS
’C
a
‘O
ó
■§ •§05
á
o
Q
1cú
CZ)
“3“££££38£3£S©3888 Ü « □
« S
en Q
O
2-Sg
d í« «
o
Z
£
I ^SagEgaás«fc:z¿fcSaSío
C¿ « U 5
'§)•§
366
12 Diferentes aproximaciones a la inferencia causal
Pero es suficiente para ilustrar la lógica mediante la que se forman las con
figuraciones alternativas con codificación de conjuntos difusos.
Examinemos ahora la relación entre las configuraciones y el resultado
de interés. Esta relación se considera de suficiencia cuando la puntuación
de un caso para una configuración dada es inferior a su puntuación en el
resultado. Supongamos que queremos comprobar la relación de la confi
guración «Desarrollado, urbano E inestable» (la columna 6 de la tabla
12.3) con el resultado (la última columna de la tabla 12.3). Estos datos se
pueden expresar en un gráfico de dispersión XIY para comprobar las re
laciones de suficiencia. Si la configuración es un subconjunto del resulta
do (y por lo tanto una condición suficiente posible), entonces los casos
deberán situarse por encima de la diagonal; es decir, la puntuación para
cada caso en el resultado debe ser superior a la puntuación para cada
caso en la configuración. Como podemos apreciar en la figura 12.1, esto
es así sólo parcialmente. Hay un caso notablemente desviado: Alemania.
i-,
UK
BE MFRBSE
NLBIE
■ CZ
0,8
■ FI
0,6
i
’D
i
Q.
ñ ■ HU
0,4
■ RO
0,2
■PLbEI
P0 /
'■■AT ■ DE
IT
0
0 0,2 0,4 0,6 0,8 0,1
Desarrollado X urbano E inestable
Figura 12.1 Relación entre las configuraciones y los resultados con ACC-cd
367
Metodología de las ciencias sociales
•S s §c
Si £ $
I § ■§ OO’-^cntN'/noooocN
o\ °o r*- xy Tt en cn 5 §
■
o' o" o o" <o o" o" <o o
li K £
<3 s8
■3
£s
o ü.$2
1E o o o o áy
I1 12
l<
<í
[JJ w
oS1 i:>; o o o o o
Q óó
¿i .2 W
§<
3 2 5
u- E
§ -§
g ¡3
o o
¡}
O I •4§
.2
o
o
£ íí
.E 2
zn
’oo
o
§
Í£
Ut,
c o o o o o o o
o § rt 6L,
o
TJ
c/5
2-í
O
c -§
o w a-
■§ á « ü
2
c
g o o o o
.2 &-
3 oo
□ex 8
2"-°
Q
c >O M
o
g S
ó
U
<
u
IU- Í W
S -Í2
Üz
£
§ A
-o N w H
(X,
U W ¡z> .2 2
>
o I w' 4 ¿ M 2
CQlxtWXQCÜM
W H
taO i—<
mK
« -2
¡2
ri
i O] en oo O>
CQ •§
.2'1
35
js
Z
£ f H 'E
<
ó
6LT)
368
12 Diferentes aproximaciones a la inferencia causal
Esto implica que elegimos, para cada caso, el valor mínimo de X (la pun
tuación de pertenencia de un caso a una configuración, como se ilustra
en la tabla 12.2) e Y (la puntuación de pertenencia de un caso en el resul
tado), dividido por X. La desviación positiva —cuando Y > X— equiva
le a 0. La desviación negativa —cuando Y < X— se descuenta en el valor
de X. Esto se repite para cada caso, y se promedia para toda la muestra,
I
con el fin de obtener una puntuación de consistencia para cada proposi
ción dada.
La puntuación resultante oscila entre 0 y 1, donde los valores más al
tos indican más consistencia. La decisión de dónde poner el umbral en
las conjunciones que son lo suficientemente consistentes como para con
siderarlas suficientes para el resultado depende de varios rasgos específi
cos de la investigación, como el número de casos, la confianza en los da
tos y la especificidad de las teorías existentes.
» La última cuestión que nos queda por tratar es el umbral de consis
tencia que debe considerarse un requisito para la suficiencia causal. Nó
tese que si elegimos el umbral relativamente bajo de 0,70, los resultados
de la tabla 12.4 reflejan los del análisis anterior de conjuntos clásicos (ta-
369
Metodología de las ciencias sociales
bla 12.2). Un umbral más alto, por supuesto, indica una configuración
más restrictiva (menos configuraciones cumplen el requisito).
Análisis
Todo intento de llegar a conclusiones firmes al respecto de la viabilidad
del ACC se complica debido a tres características del método. Primero,
el ACC ha experimentado una evolución continua durante las últimas
décadas —fundamentalmente desde el ACC (cc) al ACC (cd), pero
también en otros aspectos. Como el ACC-cd es relativamente nuevo, la
práctica del ACC sigue inclinándose marcadamente hacia el ACC-cc.
Así, conocemos bien los logros y las limitaciones de este último, pero
sabemos menos sobre el primero —que parece una perspectiva atracti
va, pero poco probada hasta ahora. Más allá de la división entre cd/cc,
el ACC incluye una serie de opciones e interpretaciones metodológicas
adicionales. No es un único método, sino toda una familia de méto
dos.35
Segundo, toda discusión sobre sus fortalezas y debilidades debe dis
tinguir entre los aspectos intrínsecos de un método (o métodos) y los as
pectos situacionales, es decir, el producto de lo que han elegido hacer los
investigadores cualitativos. La utilidad potencial de un método debe dife
renciarse de su empleo real. Desafortunadamente, no siempre es fácil dis
tinguirlos. Es difícil decir cuáles podrían ser los logros potenciales de un
método —si se emplea de una manera diferente de su empleo normal.
¿Cuál es la mejor práctica viable del ACC?36
Por último, la tradición frente a la que se evalúa el ACC —descrita de
diferentes formas como «estadística», «regresión» o «lineal/aditiva»— es
también una criatura que forma parte del ambiente. En algunas ocasio
nes, parece incluir todo el campo de la metodología tal y como se conci
be tradicionalmente. En otras, parece pertenecer sólo al análisis de regre
sión de datos observacionales. Dentro de esta última categoría, hay
muchísimas diferencias entre el empleo simple de las técnicas de regre
sión y las versiones más sofisticadas (por ejemplo, con variables instru
mentales, términos combinatorios y otros elementos similares). Inevita
blemente, las fortalezas y debilidades del ACC —así como su
unicidad— parecen diferentes desde cada perspectiva.37
En suma, nuestra opinión sobre el método ACC dependerá en parte
de cómo lo concibamos —es decir, qué versión del ACC concebimos
como la mejor práctica y qué rasgos del ACC creemos que son intrínse
cos (defmitorios)— y de nuestra perspectiva de las alternativas. Con estas
importantes advertencias podemos pasar a examinar las fortalezas y de
bilidades del método.
370
12 Diferentes aproximaciones a la inferencia causal
371
y
372
12 Diferentes aproximaciones a la inferencia causal
373
▼
374
12 Diferentes aproximaciones a la inferencia causal
375
Y
376
12 Diferentes aproximaciones a la inferencia causal
377
■
Parte IV
Conclusiones
1
a
13 Unidad y pluralidad
«El tipo de unidad que normalmente se cree que representa un papel en la teoría
científica...., implica tanto unidad como pluralidad: “un número máximo de he
chos y regularidades” deben acomodarse por medio de “un mínimo de concep
ciones y supuestos teóricos”. La teoría de Newton está unificada porque es ca
paz de aunar una pluralidad de diversos fenómenos bajo un mismo tratamiento
teórico... La situación que actualmente encontramos en la literatura de la cau
sación exhibe una pauta opuesta. Hay una pluralidad de perspectivas teóricas
sobre la naturaleza de la causación... Y, al mismo tiempo, hay unidad en el nivel
de los fenómenos que hay que comprender.»
Christopher Hitchcock1
382
i
13 Unidad y pluralidad
383
Metodología de las ciencias sociales
384
¡
13 Unidad y pluralidad
385
I
386
13 Unidad y pluralidad
387
Metodología de las ciencias sociales
Lo más importante aquí es que estas dos escuelas, así como otras mu
chas de las que existen, se pueden concebir en tanto en cuanto dan prio
ridad a diferentes tareas, estrategias y criterios dentro del mismo marco
metodológico general. Lo que ganamos con esta forma de describirlos es
el reconocimiento de un marco común de comprensión que puede contri
buir a cerrar la brecha entre estos dos enfoques de la ciencia social tanto
tiempo separados.
Modelos de causalidad
388
13 Unidad y pluralidad
Las críticas del modelo de la ley de cobertura son legión. Los críticos
se centran en la estrechez de miras de esta perspectiva —su aparente des
atención a los mecanismos causales, su indiferencia hacia la generaliza
ción (como si todos los temas se pudieran concretar en leyes universales
precisas que dan cuenta por completo de un fenómeno), su desatención a
los criterios adicionales que califican de útil una proposición causal, etc.
No voy a repasar estos argumentos aquí.18
Sin embargo, sí merece la pena subrayar que el enfoque sobre la cau
salidad que se adopta en este libro considera la capacidad de generaliza
ción, la precisión y el impacto causal como metas legítimas de la ciencia
(capítulos 3 y 8) y, a este respecto, sintoniza con el modelo de la ley de
cobertura. Desde luego, considerar adecuadamente o no una teoría dada
como «ley» depende de su éxito en alanzar estas metas. ¿Cuánto se puede
generalizar una teoría? ¿Qué grado de precisión tienen sus predicciones?
Y si la teoría es de naturaleza causal, ¿cuántos factores adicionales (ex
ternos a la teoría) influyen también en el resultado de interés? Creo que
es justo decir que todas las explicaciones de las ciencias sociales aspiran a
un estatus próximo al de una ley, pero pocas se acercan al ideal de las le
yes físicas como las que he citado antes.19
Así, a favor del modelo de la ley de cobertura podría afirmarse que es
acertado como tipo ideal. Sin embargo, implica unos estándares clara
mente optimistas de generalidad, precisión e impacto causal, que es poco
probable que se puedan cumplir con mucha frecuencia en las ciencias so
ciales. Además, tiene poco que decir sobre numerosos rasgos adicionales
de la argumentación causal, tales como el componente generador de la
causalidad —por no mencionar los diversos rasgos del análisis causal
analizados en los capítulos anteriores— y por esta razón no ofrece un
marco general convincente. Es informativo, pero incompleto.
389
y
390
13 Unidad y pluralidad
391
Metodología de las ciencias sociales
Pluralismo y monismo
392
13 Unidad y pluralidad
393
Metodología de las ciencias sociales
394
13 Unidad y pluralidad
395
Metodología de tas ciencias sociales
identificar las relaciones causales en las ciencias sociales. Esto incluye los
desiderata expresados por las diversas escuelas de la causación. La uni
dad es útil, pero no si se logra mediante un fíat definicional arbitrario
—a menos, por supuesto, que se pueda demostrar que algunos enfoques
son manifiestamente erróneos o inútiles para lograr la inferencia causal.
Espero que la explicación de la causación que se ofrece en la parte III
de este libro sea suficientemente convincente e inclusiva como para con
ferir algo de unidad a este fragmentado campo. Mis esfuerzos se apoyan
fuertemente en la estructura de los gráficos causales, que articularon Ju-
dea Pearl y sus colaboradores (capítulo 1l).48 Aun así, hay importantes
elementos de la inferencia causal que son difíciles de representar en un
gráfico. Aquí, también, encontramos limitaciones en lo que un solo con
junto de herramientas puede lograr.
Así, más que un modelo parsimonioso de la causalidad, este libro pre
senta un marco vago para la búsqueda del conocimiento causal. En mi
análisis de la definición de la causalidad (capítulo 8), de las metas de la ar
gumentación causal (tabla 8.1), de los objetivos de la inferencia causal (ta
bla 9.3) y de las estrategias que se pueden emplear para lograr inferencias
causales (tabla 10.1), el lector hallará una amplia variedad de perspectivas.
Algunas de ellas sobre la explanación causal y la inferencia podrían clasifi
carse como basadas en los mecanismos, otras como covariacionales; y hay
otros aspectos que podrían asociarse con otras escuelas de la causación,
como se ha señalado antes. Y hay aún otros que no se alinean claramente
con ninguna escuela o tradición. En este sentido, podríamos afirmar que
la misión del pluralista se ha cumplido con éxito.
Pero el marco propuesto también pretende ser unificado. No hay dife
rentes tareas, estrategias y criterios para cada escuela de la causalidad.
Hay un conjunto de tareas, estrategias y criterios que, en mi opinión, co
rresponden a todas las escuelas. Por ejemplo, aunque un autor decida
centrarse en el aspecto correlaciona! de una teoría causal en un estudio
dado, no deja de ser responsable de ignorar el aspecto de los mecanismos
de esa teoría, y viceversa. En este sentido, podríamos decir que la misión
del monista se ha cumplido con éxito. Obviamente, mucho depende de
cómo (en qué nivel) elegimos definir el pluralismo y el monismo.49
A modo de conclusión, quizás es justo señalar que el marco de este li
bro representa una explicación de la ciencia social que es a la vez plural
(porque hay muchas tareas, estrategias y criterios) y unitaria (porque
cada tarea, estrategia y criterio es ubicuo). En todo caso, cabe esperar
que este marco pueda contribuir a superar la fragmentación en las cien
cias sociales implícita en la proliferación de escuelas separadas, para no
vemos obligados a yacer en un lecho de Procusto que es demasiado pe
queño para incluir las diversas metas y diferentes temas de la ciencia so
cial contemporánea.
396
14 Establecer los estándares
«Como metodólogos, nuestro problema es definir nuestra posición entre los ex
tremos del escepticismo inerte y la ingenua credulidad...»
Donald Campbell1
Todas las tareas, las estrategias y los criterios señalados en los capítulos
de este libro se consideran válidos, ceteris paribus. Pero ceteris no son
siempre paribus. Un tema clave de este libro es que las elecciones meto
dológicas a menudo implican compensaciones. Satisfacer una dimensión
puede implicar sacrificar otra. Las tareas, las estrategias y los criterios
suelen entrar en conflicto. Por consiguiente, en cada dimensión de la ta
bla 1.1 y las tablas posteriores del libro podemos encontrar imperativos
conflictivos.3
La exhortación al descubrimiento entra en conflicto con la exhorta
ción a la apreciación precisa. En efecto, típicamente, la investigación ex
ploratoria se lleva a cabo de diferente forma que la investigación cuyo
397
Metodología de las ciencias sociales
398
14 Establecer los estándares
Beneficios
399
Metodología de las ciencias sociales
400
14 Establecer los estándares
401
Metodología de las ciencias sociales
tez» e «investigación con múltiples métodos» es, por lo tanto, una cues
tión de gustos.
Nada de esto debe ensombrecer nuestro entusiasmo por la investigación
con múltiples métodos (o los test de robustez). Pero debe suscitar cierto es
cepticismo sobre el uso del término. Si el concepto de «método» es ambiguo,
el concepto de «investigación con múltiples métodos» lo es doblemente.
Debemos ser conscientes de los costes de emprender una investigación
en varios escenarios o con múltiples métodos. Como mínimo, un estudio
asi tardará más en realizarse, y se requerirá más espacio para describir
los resultados. Lo que es apropiado para un libro o disertación puede no
serlo para una publicación en una revista. Es más, el empleo de múltiples
métodos suele entrañar el despliegue de muchas y diversas habilidades y
capacidades, como por ejemplo, un nuevo vocabulario, el conocimiento
de un contexto histórico diferente, experiencia técnica adicional o la en
trada en un nuevo escenario. Esto no siempre es posible o práctico para
un investigador. Huelga decir que apenas se gana nada con un estudio
que emplea múltiples métodos de forma ingenua o superficial.
Sin embargo, ese mismo proyecto de investigación con múltiples méto
dos podría ser una empresa práctica para un grupo de investigadores que,
colectivamente, poseen las habilidades, los recursos, el acceso y el tiempo
necesarios para explotar el potencial de los diferentes métodos y/o investi
gar diferentes escenarios. Esto sugiere que puede ser útil conceptualizar la
investigación como un proceso iterativo en el que se combinan múltiples
métodos (de la mano de los diferentes especialistas), informando cada uno
al otro y contribuyendo con el tiempo al desarrollo de un campo.9
Recordemos que el avance del conocimiento no es una actividad soli
taria. Así, cuando diseñamos una investigación, tenemos que considerar
cómo encaja nuestra contribución en los esfuerzos que una comunidad
de especialistas dada está realizando. ¿Cuál es el valor concreto de perse
guir un enfoque determinado en relación con el trabajo existente sobre
un tema dado? La investigación con múltiples métodos normalmente
merece la pena, pero la respuesta a esta pregunta no se puede abordar
aislada en un campo de estudio. He aquí la perspectiva de un ciclo de in
vestigación, con múltiples participantes interactuando en el transcurso
de un periodo largo de tiempo y ofreciendo cada uno un conjunto dife
rente de habilidades para aplicarlas a un problema.
La investigación médica nos proporciona un buen ejemplo. Normal
mente, la investigación sobre una enfermedad empieza con la identifica
ción de un conjunto de síntomas que los clínicos llegan a clasificar como
un tipo determinado de enfermedad (nueva o vieja). Esto promueve el
acopio de datos observacionales, derivados inicialmente de fuentes fácil
mente disponibles. Los clínicos trabajan intensamente con pacientes que
padecen la enfermedad, administrándoles un tratamiento y anotando las
402
14 Establecer los estándares
403
Metodología de las ciencias sociales
404
14 Establecer los estándares
405
Metodología de las ciencias sociales
406
14 Establecer los estándares
407
Metodología de las riendas sociales
408
14 Establecer los estándares
409
Metodología de las ciencias sociales
410
14 Establecer los estándares
411
• "j 4 . .
Espero que los lectores consideren que el enfoque que he elegido para la
metodología de las ciencias sociales es un enfoque acorde al sentido co
mún. En realidad, no he inventado ninguna de las tareas, estrategias y
criterios que desarrollo aquí (aunque he dado nombres a cosas que care
cen de etiquetas convenidas), y muchos de ellos han sido tratados por ex
tenso. Desde esta perspectiva, el presente libro se puede considerar un
compendio de truismos —una función, cabe añadir, que comparte toda
obra integradora sobre metodología.1 La primera justificación del marco
que propongo, y quizás la más importante, es que representa una forma-
lización de lo que ya sabemos.
No obstante, seguro que los lectores tendrán reparos sobre algunos ele
mentos de mi argumentación. Quizás discrepen del criterio de generalidad,
por ejemplo. Quizás les guste lo que he dicho sobre la descripción, pero no
sobre la causación. ¿Cómo podemos dirimir este tipo de disputas?
Aunque se pudieran resolver estas disputas haciendo un recuento de
pareceres, esto no sería suficiente. El hecho de que cuatro o cinco científi
cos sociales acepten la generalidad como un criterio básico de las cien
cias sociales no supone una buena razón para que el quinto se sume a
esta aceptación. Ha de haber alguna razón, alguna lógica subyacente,
que debe expresarse en este tipo de debate metametodológico.
Por lo general, el asunto de la justificación es evitado por los metodó-
logos, quienes recurren a reglas específicas pero a menudo no clarifican
las razones de sus elecciones. Así, sin abordar las razones de una meto-
413
Metodología de las ciencias sociales
414
Epílogo: Justificaciones
415
Metodología de las ciencias sociales
416
Epílogo: Justificaciones
mática: ¿las ciencias sociales, así orientadas, nos pueden decir algo sobre
cosas que nos interesan? ¿Nos permite esta metodología alcanzar un
consenso societal sobre problemas importantes? ¿Puede integrarse en
una política democrática? ¿Qué perspectiva de la ciencia social es proba
ble que se demuestre, en el largo plazo, más útil para la sociedad? Aun
que son difíciles, estos contrafácticos proporcionan cierta orientación a
los debates metametodológicos.
417
Metodología de las ciencias sociales
418
Epílogo: Justificaciones
Por lo tanto, las presiones mundanas son tanto una bendición como
una maldición para la ciencia social. En algunas ocasiones, parece que
no podemos vivir científicamente con el mundo. Pero igual de cierto es
que no podemos vivir científicamente sin él. Thomas Bender lo expresó
bastante bien: «Decir que la universidad debe estar conectada con la so
ciedad no es decir que debe ser una sinécdoque del mundo. Pero ninguna
de las dos debe reclamar una posición de trascendencia».12 En mi opi
nión, este problema carece de solución general; cada investigador debe
luchar por su propia empresa. La conclusión apropiada es por lo tanto
agnóstica: la implicación de un académico con el Estado, los negocios, la
administración de la universidad o con otras instituciones ajenas a la
ciencia social no es intrínsecamente ni buena ni mala.
Esto es lo que podemos decir, también, sobre el papel de la ciencia so
cial frente al statu quo. A buen seguro, como Durkheim señala, «si ha de
haber una ciencia social, habremos de desear que no solo parafrasee los
tradicionales prejuicios del hombre común, sino que nos ofrezca una vi
sión nueva y diferente de ellos, pues el objetivo de todas las ciencias es
hacer descubrimientos, y todo descubrimiento suele, de algún modo, per
turbar las ideas aceptadas».13 Lynd secunda la noción de una ciencia so
cial «perturbadora»: «Si la ciencia social acepta más o menos acrítica
mente la definición de sus problemas porque ésta ha sido establecida por
la tradición y los supuestos comunes del momento, y considera que su
papel es la descripción y el análisis de las situaciones así definidas, lo que
pierde, si esos problemas están erróneamente definidos, es la importante
oportunidad de contribuir a la “emancipación del error” ».14
Al mismo tiempo, sería insensato que el rechazo del statu quo fuese el
punto de partida de la investigación en la ciencia social, como aparente
mente aconsejan algunos escritores anclados en la teoría crítica. Brian
Fay sugiere que la ciencia social debe liderar el camino hacia las transfor
maciones futuras de la sociedad:
suponiendo una forma determinada, es decir, una forma que aisla en las vidas
de un grupo de personas aquellas condiciones causales que dependen para su
fuerza de la ignorancia de esas personas respecto a la naturaleza de su existencia
colectiva y que están frustrándolas. La intención aquí es ilustrar a ese grupo de
personas sobre esas condiciones causales y los modos en que son opresivas, de
manera que esas personas, en la medida en que se les ha ilustrado, pueden cam
biar las condiciones y transformar así sus vidas (y, al mismo tiempo, transcender
la teoría original).15
419
Metodología de las ciencias sociales
420
Apéndice: Algunas palabras
I
sobre el estilo
l
I
I
«La mayoría de las personas que de algún modo se preocupan por el tema admi
tiría que la lengua inglesa va por mal camino, pero por lo general suponen que
mediante la acción consciente no podemos hacer nada para remediarlo. Nuestra
civilización está en decadencia y nuestro lenguaje —así se argumenta— debe
compartir inevitablemente el derrumbe general. De aquí se deriva que toda lu
cha contra el abuso del lenguaje es un arcaísmo sentimental, como cuando se
prefieren las velas a la luz eléctrica o los coches de caballos a los aviones. Bajo
todo esto yace la creencia semiconsciente de que el lenguaje es un desarrollo na
tural y no un instrumento al que damos forma para nuestros propios propósitos.
Ahora bien, es claro que la decadencia de un lenguaje ha de tener finalmente
causas políticas y económicas: no se debe simplemente a la mala influencia de
este o aquel escritor. Pero un efecto se puede convertir en causa, reforzar la cau
sa original y producir el mismo efecto de manera más intensa y así sucesivamen
te. Un hombre puede darse a la bebida porque piensa que es un fracasado y lue
go fracasar por completo debido a que bebe. Algo semejante está sucediendo
con la lengua inglesa. Se ha vuelto fea e imprecisa porque nuestros pensamien
tos son necios, pero la dejadez de nuestro lenguaje hace más fácil que pensemos
necedades. Lo importante es que el proceso es reversible. El inglés moderno, en
especial el inglés escrito, está plagado de malos hábitos que se difunden por imi
tación y que podemos evitar si estamos dispuestos a tomarnos la molestia. Si
nos liberamos de estos hábitos podemos pensar con más claridad y pensar con
claridad es un primer paso necesario hacia la regeneración política: de modo
que la lucha contra el mal inglés no es una preocupación frívola y exclusiva de
los escritores profesionales.»
George Orwell*
421
Metodología de las ciencias sociales
422
Apéndice: Algunas palabras sobre el estilo
423
Metodología de las ciencias sociales
sobre las fuentes del racismo no ayudará a nadie a superar esa condición
si los sociólogos son los únicos depósitos de esas verdades. Un árbol ta
lado en el bosque de las ciencias sociales no se nota.
Sin duda, los burócratas diseñadores de políticas suelen ser especialis
tas y cabe esperar que entiendan un nivel más técnico de discurso que el
público de masas. Aun así, la cima de la pirámide de los gobiernos está
poblada por decisores que por lo general no poseen el tiempo y la forma
ción necesarios para entender argumentos técnicos complejos. A los polí
ticos les gustaría saber cómo mantener la inflación bajo control sin nece
sidad de dominar la ciencia lúgubre. Por lo general, no son graduados de
disciplinas de ciencias sociales, ni tienen el hábito de leer revistas especia
lizadas.
Esto no significa que las revistas especializadas deban dejar de publi
carse en favor de revistas y sitios de internet de gran difusión. Significa
que los argumentos desarrollados en aquellas revistas especializadas
trasciendan finalmente a un público más amplio. Para asegurarnos de
que esto ocurra, o de que exista alguna probabilidad de que ocurra, la
ciencia social debe ser inteligible.
El problema de la inteligibilidad, hay que señalar, afecta igualmente a
los entornos democráticos y a los que no lo son. Los reyes, los oligarcas
y los generales, igual que las personas a las que gobiernan, no se inclinan
a aprender por si mismos los intríngulis de la estimación por empareja
miento. Llevar la ciencia social a la gente es directamente análogo a lle
var la ciencia social al príncipe. Maquiavelo, como Mili, tiene que hablar
en una lengua comprensible para el común de las personas.
Entonces, ¿qué es lo que hace que una obra sea inteligible? El criterio
principal es algo que describiré (aunque de forma vaga) como buena es
critura. Una obra debe estar organizada coherentemente de forma tal
que evite repetir hasta la saciedad los mismos puntos. No es una tarea fá
cil y requiere varios borradores. En una ocasión, Pascal pidió disculpas a
un corresponsal así: «Si he escrito esta carta tan larga es porque no he te
nido tiempo de hacerla más corta.» {Je n’ai fait celle-ci plus longue que
parce que je n’ai pas eu le loisir de la faire plus coarte). Reacciono así ante
una buena cantidad de trabajos de ciencia social.5
La escritura debe emplear un lenguaje estándar y un mínimo de ter
minología especializada.6 A diferencia de la redacción en otros lugares, la
buena ciencia social debe privilegiar la claridad y la simplicidad. Los au
tores deben exponer sus argumentos explícitamente y no dejar cabos
sueltos. Los lectores no deben tener que adivinar el significado que prer
tende dar el autor. Cuando leemos obras de determinados autores (por
ejemplo, Bourdieu, Foucault, Parsons, Pocock, Unger) percibimos que se
requieren habilidades de interpretación propias de un exégeta bíblico
para descifrar sus pasajes. La discusión sobre el argumento de un autor
424
Apéndice: Algunas palabras sobre el estilo
425
I
Glosario
427
Metodología de las riendas sociales
428
Glosario
429
Metodología de las ciencias sociales
430
Glosario
431
Metodología de las ciencias sociales
432
Glosario
433
Metodología de las ciencias sociales
434
Glosario
435
Metodología de las ciencias sociales
436
Glosario
437
Metodología de las ciencias sociales
438
Glosario
439
Metodología de las ciencias sociales
440
Glosario
441
Metodología de las ciencias socales
442
Glosario
443
Metodología de las ciencias sociales
444
Glosario
445
Metodología de las ciencias sociales
446
Glosario
447
Metodología de las ciencias sociales
448
Glosario
Monismo Tal y como se emplea en este texto, la idea de que hay una única
epistemología y/o marco metodológico que atañe a la investigación en cien
cia social en general y a la inferencia causal en particular. Contrástese con
Pluralismo. Véanse los capítulos 1 y 13.
Mortalidad Véase Desgaste.
Muestra El conjunto de unidades/casos u observaciones (extraídas de esos ca
sos) que constituye el objeto de estudio del investigador, es decir, el objeto in
mediato de análisis. Una muestra de una sola unidad o caso u observación
de caso se puede describir como estudio de caso o una serie de estudios de
caso, y se pueden analizar cualitativamente. Una muestra mayor ha de anali
zarse cuantitativamente. Desde luego es posible combinar los dos tipos de
análisis, como en los estudios con múltiples métodos. La mayoría de los estu
dios incluyen más de una muestra. A menudo estas muestras están unas den
tro de otras. Con independencia del tamaño de la muestra o el nivel de análi
sis, una muestra es supuestamente representativa de una población mayor. En
este supuesto descansa la validez externa. Muy ocasionalmente, se estudia
toda la población —en este caso la muestra es toda la población, un censo.
Véase el capítulo 4.
Muestreo aleatorio Método de selección de casos en el que cada caso en una
población tiene la misma probabilidad de ser seleccionado para la muestra
por medio de algún procedimiento aleatorio de selección de casos. Si la
muestra elegida no es demasiado pequeña, el muestreo aleatorio produce ne
cesariamente una muestra que es representativa de la población, es decir, no
sesgada. Contrástese con Aleatorización. Véase el capítulo 4.
N Véase Observación.
N elevado Véase Observación.
A pequeño Véase Observación.
Naturalismo La idea de que I: Todos los fenómenos están sujetos a leyes natu
rales y/o II: Que los métodos de las ciencias naturales se pueden aplicar a
otras áreas, es decir, a las ciencias sociales.
Naturalistas Escenarios de investigación que son o se parecen a los escenarios
de la vida real, por ejemplo, etnografía. Métodos no intrusivos de investiga
ción. Contrástese con Escenarios de laboratorio.
Necesario/suficiente (conocido también como Teoría de conjuntos). I: En la
definición u operacionalización de un concepto, los atributos pueden con
siderarse necesarios, suficientes, o necesarios y suficientes. (Todas estas
condiciones pueden referirse a un solo atributo o a varios atributos en con
junto.) (a) Si se concibe una condición como necesaria y suficiente, el atri
buto X es la única característica que importa, (b) Si X es necesario, enton
ces un fenómeno puede implicar a X, aunque haya también otras
condiciones de pertenencia. (Las definiciones mínimas se basan en atribu
tos de condición necesaria [capítulo 5].) (c) Si X es suficiente, entonces es
suficiente por sí mismo para definir/operacionalizar un concepto, aunque
haya otras condiciones que también pudieran, independientemente, definir/
operacionalizar ese concepto —cada condición suficiente es sustituible por
la otra. Véase el capítulo 7.
449
Metodología de las ciencias sociales
//: Las mismas relaciones atañen a los argumentos causales, (a) Un factor es
necesario r suficiente si su presencia es tanto necesaria como suficiente para un
resultado: A' siempre causa Y y es además la única causa de Y. Esto significa
que A'e Y van juntas invariablemente, igual que x e y. En términos de la teoría
de conjuntos, el conjunto de unidades que contiene X coincide con el conjunto
de unidades que contiene Y. (b) Un factor es necesario si se requiere su presen
cia para que ocurra un resultado: X es necesario para Y, pero X no siempre
causa E (al menos por sí mismo). Esto significa que podemos encontrar X sin
pero no podemos encontrar Y sin X. En términos de la teoría de conjuntos,
el conjunto de unidades que contiene Y es un subconjunto del conjunto de
unidades que contiene X. (c) Un factor es suficiente si su presencia garantiza la
ocurrencia de un resultado: X siempre causa Y, aunque Y tiene también otras
causas. Esto significa que podemos encontrar Y sin X, pero nunca podemos
encontrar X sin Y. En términos de la teoría de conjuntos, el conjunto de uni
dades que contiene X es un subconjunto del conjunto de unidades que contie
ne Y. Las causas suficientes —normalmente coyunturas causales— son el ob
jeto de estudio del análisis comparado cualitativo (ACC). Véase el capítulo 12.
Neologismo Se refiere a un concepto idiosincrásico debido a su nombre inusi
tado o a su definición inusual (o a ambas cosas). Contrástese con Resonan
cia. Véase el capítulo 5.
No covariacional Véase Diseño de investigación covariacional.
Nominalismo La idea de que hay únicamente objetos individuales, y de que la
referencia a clases de objetos abstractas es errónea. En términos más genera
les, la sospecha de que los conceptos son contenedores lingüísticos arbitra
rios. Véase el capítulo 5.
Observación El elemento más básico de todo trabajo empírico. Cada elemento
de evidencia conseguido para apoyar una proposición. 7: En el análisis cau
sal, las observaciones de base de datos supuestamente son causalmente com
parables entre sí, y por lo tanto pueden ser tratadas como filas de una matriz
(una base de datos rectangular). El número total de observaciones en una
muestra suele representarse con la letra N. (N puede también referirse al nú
mero de casos, lo que genera confusión.) Véase el capítulo 4. II: En cambio,
una observación del proceso causal contribuye a la valoración causal, pero no
es comparable con otras observaciones en un estudio, y por lo tanto no pue
de tratarse como parte de una muestra mayor. Cada observación es diferente
de la siguiente —manzanas y naranjas. Cada una es relevante para el argu
mento central, pero se extrae de diferentes poblaciones y por lo tanto puede
considerarse como una muestra con N = 1. Véase el capítulo 12.
Observación de base de datos Véase Observación.
Observación del proceso causal Véase Observación.
Observación participante Trabajo etnográfico en el que el investigador partici
pa en la actividad que está estudiando.
Observacional (conocido también como Ex post, No experimental) Diseño de
investigación en el que los datos se generan naturalmente en lugar de con la
intervención del investigador. La investigación ocurre después del hecho (ex
post) más que antes del hecho (ex ante), como en un experimento.
450
r
Glosario
451
Metodología de las ciencias sociales
452
Glosario
Advierta que la regla de que no haya ninguna puerta trasera es otra manera
de expresar la regla de «ningún confundidor», aunque expresa el problema
en el lenguaje común de los gráficos causales más que de los factores indivi
duales. Cuando hay puertas traseras (confundidores), la variación de Y no
puede atribuirse sólo a X; operan otros factores. Véase el capitulo 10.
Razonamiento causal Estrategia de inferencia causal que no es empírica en el
sentido usual de este término. Implica juicios sobre los supuestos que funda
mentan una inferencia causal, incluyendo una reflexión sobre el proceso ge
nerador de los datos (PGD) revelado por los datos. Véase el capitulo 11.
Realismo Véase Realismo científico.
Realismo científico La idea de que: (a) la realidad existe con independencia de
nuestro conocimiento de ella y (b) la creencia en que el objetivo de la ciencia
es la descripción y explicación de aspectos observables e inobservables de un
mundo (que tiene una existencia independiente de nosotros).
Recogida de datos Métodos para recoger evidencia, como, por ejemplo, en
cuestas, grupos de discusión, entrevistas, etnografía, investigación de archi
vos y otras medidas no reactivas. (No es de interés primario en este libro.)
Regresión a la media Tipo de confundidor. En concreto, cuando un cambio ob
servado en el transcurso del tiempo es producto de variación estocástica más
que del tratamiento de interés. Véase el capítulo 9.
Relevancia (conocida también como Importancia, Significado social) Criterio
de todos los argumentos. Concretamente, la relevancia de un argumento
para los ciudadanos y los diseñadores de las políticas. Véase el capítulo 3.
Representatividad Criterio de todos los análisis. Una muestra es representativa
cuando sus casos son similares (es decir, comparables causalmente) a una po
blación mayor en todos los respectos que podrían afectar a la hipótesis de in
terés. Contrástese con Sesgo. Véase el capítulo 4.
Resonancia (conocida también como Familiaridad, Uso normal) (Antónimos:
Idiosincrasia, Neologismo, Estipulación) Criterio de la formación de con
ceptos. Concretamente, el ajuste entre un concepto (tal y como lo define el
autor) y su significado usual. Véase el capítulo 5.
Restricción de la exclusión Véase Análisis de variables instrumentales.
Resultado (conocido también como Variable dependiente, Efecto, Variable endó
gena, Explanandum, Output, Respuesta) El resultado es el objetivo de un
argumento causal, lo que se propone explicar. Representado como Y en la fi
gura 9.1 y las siguientes figuras. Véase el capitulo 8.
Resultados alternos (conocidos también como Variables dependientes no equi
valentes o dentro de la unidad) Diseño de investigación centrado en la va
riación entre resultados alternos, más que (o además de) la variación entre
grupos o a lo largo del tiempo. Una de sus versiones, el test placebo, exami
na los resultados alternos a los que el confundidor potencial ha podido
afectar; si se identifica este efecto, entonces la relación entre X e Y se presu
me espuria. Otra de sus versiones, que a menudo se describe como diseño
dentro de la unidad, examina un solo grupo que se somete a dos condicio
nes, una que se puede entender como la condición de tratamiento y otra
como la condición de control. Las diferentes respuestas a estas dos condi-
453
Metodología de las ciencias sociales
454
r
Glosario
455
Metodología de las ciencias sociales
forme. Una tipología simple sigue sólo las reglas generales de una tipología.
Las tipologías temporales, o periodizaciones, son tipologías simples ordena
das temporalmente. Las tipologías de matriz se forman de la intersección de
varios principios organizadores (categóricos) (definición especializada). Las
tipologías configuracionales, como las taxonomías, forman subtipos a partir
de una única categoría superior, más que añadir atributos. Las tipologías se
ntencíales (o de proceso), como las taxonomías, pueden diagramarse en un
árbol. Sin embargo, una tipología secuencial presume que las ramas repre
sentan secuencias temporales (que pueden tener o no rasgos taxonómicos).
Véanse la tabla 6.1 y el texto que la acompaña en el capítulo 6.
Tipología configuracional Véase Tipología.
Tipología de matriz Véase Tipología.
Tipología secuencial Véase Tipología.
Tipología temporal Véase Tipología.
Transparencia Criterio de todos los análisis. Específicamente, todos los rasgos
relevantes de un análisis deben ser fáciles de seguir y, por lo tanto, de repli
car. Esto puede requerir un cuaderno de bitácora en el laboratorio en el que
se anotan los datos originales y demás. Véase el capítulo 4.
Transversal Diseño de investigación no aleatorio con postest sólo, es decir, con
variación espacial (pero no temporal) en X e Y. Véase el capítulo 10.
Tratamiento (conocido también como Intervención) El valor de X que es de in
terés teórico primordial. En cambio, la condición de control implica la hipó
tesis nula. De forma alternativa, un trabajo de investigación puede incluir va
rios tratamientos, ninguno de los cuales se concibe como un control puro. En
un experimento, el tratamiento suele estar controlado por el experimentador.
Sin embargo, en el texto este término se usa de forma más general y cubre
tanto en los contextos experimentales como los no experimentales. Véanse
los capítulos 9 y 10.
Triangulación Véase Investigación con múltiples métodos.
Unidad El tipo de fenómeno —es decir, sujetos, participantes, organizaciones,
comunidades— que son objeto de estudio. En la mayoría de las situaciones,
la unidad equivale a un caso, y estos términos se usan más o lítenos indistin
tamente, aunque el último connota un estilo de análisis centrado en el caso
más intensivo.
Unidad de análisis Tipos de observaciones que se analizan en un diseño de in
vestigación determinado. Si el diseño es sincrónico, entonces la unidad de
análisis es espacial (por ejemplo, naciones o individuos). Si el diseño es dia-
crónico, entonces la unidad de análisis es temporal (por ejemplo, décadas,
años, minutos). Si el diseño es sincrónico y diacrónico, entonces la unidad de
análisis tiene componentes espaciales y temporales (por ejemplo, países-
años). Obviamente, la unidad de análisis puede cambiar en el transcurso de
un estudio dado. Aun así, en el contexto de un diseño de investigación deter
minado, debe permanecer constante. Véase el capítulo 4.
Validez /: La validez conceptual se refiere al grado en que un concepto, tal y
como se define, se corresponde con un conjunto de indicadores empíricos (su
operacionalización). Véase el capítulo 6. IT. Criterio de un diseño de investí-
456
Glosario
457
Notas
Prefacio
459
Metodología de las ciencias sociales
Ragin (1987, 2008); Shadish, Cook y Campbell (2002). Para más comentarios
sobre la división cuantitativo/cualitativo, véase el capítulo 13.
9 Lave y March (1975: 2).
10 Glymour( 1980: 291).
11 Hall (2003).
12 «Más que otros científicos», señala Milton Friedman ([1953] 1984: 236),
«los científicos sociales necesitan ser conscientes de su metodología».
Capítulo 1
460
r
Notas
462
Notas
463
Metodología de las ciencias sociales
Capitulo 2
1 Oliver(1991:ix).
2 Aquí podemos remontamos a Reichenbach (1938), quien distingue entre
un «contexto de descubrimiento» y un «contexto de justificación». Véase tam
bién Hanson (1961): McLaughlin (1982); Nickles (1980); Popper (1965); Zahar
(1983). Los críticos (por ej. Schiemann 2003) señalan que la distinción no es una
dicotomía, es decir, que en la práctica es difícil separar los dos objetivos. Mi po
sición. sin embargo, no es que constituyen una tipología nueva. Antes bien, afir
mo que son dos objetivos científicos fundamentales que imponen estrategias y
criterios metodológicos un tanto diferentes a la actividad de la ciencia.
3 Hume (1985: 254).
4 1.1. Rabi. citado en Root Bemstein (1989: 407).
5 Para un examen reciente de la literatura pertinente, véase Berg-Schlosser
(2007): Coppedge (en prensa); Geddes (2007).
6 Acemoglu y Robinson (2005).
7 Esto sigue la línea argumenta! iniciada por Acemoglu, Johnson y Robin
son (2001): Sokoloff y Engerman (2000).
8 Ross (2001: 327-328). Véase también Dunning (2008a).
9 Popper (1965: 37). Podría decirse que el nombre del tratado clásico de Po
pper La lógica de la investigación científica ([1934] 1968) no se ajusta a su conte
nido. No ofrece una lógica de la investigación, sino una lógica de la comproba
ción. En cualquier caso, prefiero el término «apreciación» al de «falsabilidad»,
porque este último presume cierta aproximación a la comprobación que quizás
no esté totalmente justificada.
10 Popper ([1934] 1968:92).
11 Feyerabend (1975: 23).
12 Feyerabend (1963, 1975). Aunque Feyerabend adoptó una postura radi
cal contra la ciencia (entendida tradicionalmente), su obra se puede entender en
el marco de la filosofía de la ciencia tradicional si uno la aborda como un co
rrectivo a la idea ingenua, popperiana («positivista»), del proceso científico.
Buena parte de lo que Feyerabend tenía que decir se aplicó con bastante fuerza
al contexto del descubrimiento (aunque él rechazaba la utilidad de la distinción
descubrimiento-apreciación).
13 Citado en Snyder (2007: 20).
14 Popper ([1934] 1968, 1965).
15 Gorski (2004); Lakatos (1978).
16 Una manera de tratar esta disputa es examinar las circunstancias específi
cas de una investigación para ver qué suerte de enfoque está justificado. Un pro
cedimiento falsacionista tiende a ser justificable cuando la investigación sobre
un tema es abundante, la hipótesis principal está bien definida, se pueden apli
car métodos experimentales, los errores de tipo I son más preocupantes que los
de tipo II, tenemos razones para preocupamos concretamente de los sesgos per
sonales y las preconcepciones de los investigadores, hay disponible un órgano de
revisión neutral que supervise la investigación sobre un tema y la investigación
está bien financiada —en estos casos, el proceso de generación de hipótesis y el
464
Notas
465
Metodología de las ciencias sociales
Capítulo 3
466
Notas
4 Gerring (2007).
5 Lebow (2007); Tetlock y Belkin (1996).
6 Véase Green y Shapiro (1994: 45).
7 Para trabajos sobre las cuestiones interrelacionadas de la reducción, la
simplicidad y la parsimonia, véanse K. Friedman (1972); M. Friedman (1974);
Glymour (1980); Hesse (1974); King, Keohane y Verba (1994: 20); Kitcher
(1989); Popper ([1934] 1968); Guiñe (1966); Simón (2001); Sober (1975,1988).
8 Collier y Collier (1991) y Fischer (1989) son algunos ejemplos contempo
ráneos de la combinación entre parsimonia y extensión. Algunos libros largos,
sin embargo, no representan esfuerzo alguno de sinopsis, por ejemplo, Gay
(1984-1998); Kantorowicz (1957); Pocock (1975).
9 King, Keohane y Verba (1994: 20, 104) adoptan la interpretación la reali-
dad-es-simple de la parsimonia y rechazan el criterio por esos motivos. Si se in
terpreta como norma pragmática, en cambio, podría no ser rechazada por los
autores. Véase, por ejemplo, su análisis de la importancia de la palanca («expli
car lo más posible con lo menos posible», pág. 29).
10 Neurath (1971: 47).
11 Mach ([1902] 1953:450-451).
12 Einstein ([1940] 1953:253).
13 Wilson (1998: 291).
14 Véanse Hitchcock (2003); Homans (1967); King, Keohane y Verba (1994:
15-17); Kitcher (1981); Mili ([1843] 1872: 143-144); Neurath, Carnap y Morris
(1971); Putnam y Oppenheim (1958). Lo que entiendo por conmensurabilidad
es también similar a los enfoques de la coherencia sobre la verdad, tal y como se
emplea este término en la epistemología y la filosofía de la ciencia (Kirkham
1992; Laudan 1996: 79).
15 Dewey (1938: 499).
16 Adcock (2009); Bloch ([1941] 1953); Bok (1982); Haan et al. (1983); Ler-
ner y Lasswell (1951); Lindblom y Cohén (1979); McCall y Weber (1984); Mills
(1959); Myrdal (1970: 258); Popper ([1936] 1957: 56); Rule (1997); Shapiro
(2005); Simón (1982); Smith (2002); Wilensky (1997); Zald (1990).
17 McCloskey y Ziliak (1996); Ziliak y McCloskey (2008).
18 Citado en Fischer (1970: 78).
19 Collier (1998); Freeden (1996); Gallie (1956); Hollis y Lukes (1982); Macln-
tyre (1971); Pitkin (1972); Searle (1969); Strauss ([1953] 1963); Taylor ([1967]
1994).
20 Carr([1939] 1964:4).
21 Friedman ([1953] 1984).
22 Davis (1988); Morgan (1975); Patterson (1982).
23 Moore(1958: 159).
24 Gardiner ([1952] 1961: 12).
25 Esto se sigue del análisis de Collingwood (1940). Por lo general, identifi
camos un factor causal que «tenemos la capacidad de producir o impedir y, al
producirlo o impedirlo, podemos producir o impedir aquello de lo que se dice
que es causa» (citado en Garfinkel 1981: 138). Véanse también Gasking (1955);
Harte y Madden (1975); Suppes (1970); Von Wright (1971); Whitbeck (1977),
467
Metodología de las ciencias sociales
Capitulo 4
1 Wildavsky (1995).
2 Los realistas científicos reconocen una distinción análoga entre los ele
mentos supra-empíricos y empíricos de una teoría (Hitchcock 2003: 217).
3 Citado en Rosenbaum (2010: 95).
4 Bhaskar ([1975] 1978: 171).
5 Para un análisis más profundo véase Gerring (2007).
6 La idea del diseño en la investigación basada en experimentos se refiere «al
proceso de contemplar, recolectar, organizar y analizar datos que tiene lugar an
tes de ver el producto» (Rubin 2008: 810). Esto parece demasiado estricto para
nuestros propósitos, porque en la investigación observacional la selección de un
lugar de investigación suele depender de una consideración inicial de los datos
«resultantes». Mi concepción del diseño comprende todos los factores que po
drían influir (legítimamente) en la elección de la observación a estudiar.
7 Por ejemplo, Greene (2002).
8 Rubin (2008). Véanse Angrist y Pischke (2010); Bowers y Panagopoulos
(2009): King, Keohane y Verba (1995); Rosenbaum (1999, 2010); Sekhon (2009);
Shadish y Cook (1999: 294).
9 Berk (1991: 316).
10 Freedman (1977: 114; cursivas nuestras). Sobre los problemas de la infe
rencia causal basada en datos de observación, y la correspondiente importancia
del diseño de investigación, véanse Berk (2004); Brady y Collier (2004); Clogg y
Haritou (1997); Freedman (1991, 2008, 2010); Gerber, Green y Kaplan (2004);
Gigerenzer (2004); Heckman (2008: 3); Kittel (2006); Longford (2005); Pearl
(2009b: 40, 332); Robins y Wasserman (1999); Rodrik (2005); Rosenbaum (1999,
2005): Seawright (2010); Summers (1991).
11 Rosenbaum (1999).
12 Mooney (1997).
13 King, Keohane y Verba (1994: 32).
14 Weisberg (2005).
15 Véase Gerring (2007: capítulo 5).
16 Eckstein (1975: 113).
17 Dion(I998).
18 Allison(2002).
19 Lieberson (1985: cap. 5).
20 Achen y Shively (1995).
21 Berk (2005: 16). Véanse también Berk et al. (1992); Bloom, Hill y Riccio
(2002).
22 Briggs (2005); Petitti (1993); Wachter (1988). Una posible excepción a
esta conclusión tan pesimista es el campo de los estudios experimentales que se
468
r
Notas
han realizado en las últimas décadas sobre temas como la participación electo
ral (véase el sitio web GOTV de Don Green en Yale: http://reserach.yale.edu/
GOTV) o la discriminación laboral (Pager 2007).
23 Firebaugh (2008: cap. 4).
24 Freese (2007); King, Keohane y Verba (1994: 23, 26, 51).
25 Rosenbaum (2010:103).
26 Mahoney (2002).
27 Un ejemplo de esta suerte de replicación lo encontramos en Lieshout, Se-
gers y Van der Vleuten (2004), un intento de replicar el trabajo de archivo de
Moravcsik (1998).
28 Véanse Hammersley (1997); Mauthner, Parry y Backett-Milbum (1998), y
los artículos en Corti, Witzel y Bishop (2005).
29 Cox (2007: 2), citado en Rosenbaum (2010: 147).
30 Eckstein (1975); Forsyth (1976); Popper (1965: 112). Platt (1964) sugiere
que esta noción se remonta a Francis Bacon.
31 Shadish, Cook y Campbell (2002).
32 Daniels (2005).
33 Gorski (2004); Green y Shapiro (1994); Lieberson (1992).
34 Popper (1965: 36). Véanse también Popper ([1934] 1968); Howson y Ur-
bach (1989: 86); Mayo (1996: cap. 6); Mayo y Spanos (2006).
35 Rosenbaum (2010: 123).
36 Coleman (2007: 129-130).
37 Coleman (2007: 130). Véase también Taagepera (2008).
38 Rosenbaum (210: 124-125).
39 Grofman (2007).
40 King, Keohane y Verba (1994) advierten: «los ajustes ad hoc en una teo
ría que no concuerda con los datos existentes deben usarse sólo en raras ocasio
nes» (p. 21). «Siempre... debe evitarse usar los mismos datos para evaluar la teo
ría que [usted] usó para desarrollarla» (p. 46). Los datos originales se pueden
usar de nuevo» en la medida en que la conclusión? “no se ha derivado” de los
datos, sino que es una hipótesis independientemente sugerida por la teoría o un
conjunto de datos diferente «(p. 30). Véanse también Eckstein (1992: 266);
Friedman ([1953] 1984: 213); Goldthorpe (1997: 15).
41 Rubin (2008: 816).
Capítulo 5
469
Metodología de las ciencias sociales
470
Notas
471
Metodología de las ciencias sociales
472
r
Notas
473
Metodología de las ciencias sociales
60 Reimpreso en Chapín (1939: 153). Ángeles (1981: 56) identifica los oríge
nes latinos del término en el verbo «definiré», que se traduce «limitar» o «confi
nan). «en relación con las fronteras de algo».
61 Dewey (1938: 349).
62 Pitkin (1972: 11). «Llamamos a una sustancia plata», escribe Norman
Campbell ([1919] 1957: 49). «en la medida en que se distingue de otras sustan
cias. y llamamos a todas las sustancias plata cuando son indistinguibles entre
ellas. La prueba para saber si una propiedad es definitoria o no lo es descansa
simplemente en la distinción entre esas propiedades que sirven para distinguir la
sustancia de otras y aquellas que posee en común con otras. Cualquier conjunto
de propiedades que sirve para distinguir la plata de las demás sustancias sirve
para definirla».
63 Sartori (1984).
64 Hartz(1955).
65 Pocock (1975); Wood (1969). Véase también Shalhope (1972).
66 Smith(1993).
67 Frank (204); Ladd y Hanley (1975); Morone (2004); Rogin (1987).
68 Bartels (2006); Fiorina (2005); McCarty, Pole y Rosenthal (2008).
69 Milanovic (2005).
70 Bourguignon y Morrisson (2002); Dollar (2005); Firebaugh (2003).
71 Achinstein (1983); Garfinkel (1981); Hitchcock (1996); Van Fraassen
(1980). Todos los trabajos que se enmarcan en la tradición «contrafáctica» ha
cen hincapié en esta cuestión.
72 Bewley (1999); Hausman (1994); Hedstrom (2005: 3); Maki (2002); Piore
(1979); Spiegler y Milberg (2009).
73 Beetham (1994, 1999); Collier y Levitsky (1997); Held (2006); Lively
(1975); Sartori (1962); Saward (2003); Weale (2007).
74 Varios autores han seguido estrategias similares a esta «mínima», pero no
la han llamado así. Véanse, por ejemplo, Debnam (1984) sobre el «poder»; Free-
den (1994: 146) sobre los atributos «ineliminables», Hamilton (1987) sobre la
«ideología»; Pitkin (1967: 10-11) sobre el «significado básico»; Murphey (1994:
23-24). Sartori suscribe la definición mínima en sus primeras obras (1975: 34-35,
1976: 61), pero no retoma esta cuestión en su obra clásica sobre la formación de
conceptos (1984). Debe advertirse que la definición mínima se parece, pero no es
idéntica, a la definición «procedimental mínima» (Collier y Levitsky, 1997). El
objetivo de esta última es una operacionalización que satisfaga todos los requisi
tos definitorios de un concepto.
75 Weber ([1905] 1949: 90). Véase también Burger (1976). Al citar a Weber
no es mi intención afirmar que estoy usando el concepto de tipo ideal exacta
mente como lo ideó Weber.
76 De este tenor es la escala de Guttman, salvo en el sentido de que aquí tra
tamos los atributos más que los indicadores, y las propiedades teóricas (más que
empíricas) de estos atributos.
77 Para otro ejemplo de técnica ordinal, véase Coppedge y Reinicke (1990).
78 Wittgenstein (1953). Véanse también Collier y Mahon (1993); Goertz
(2006); Taylor (1995: cap. 3).
474
Notas
Capítulo 6
475
Metodología de las ciencias sociales
rigentes (uno. unos pocos, muchos) se cruza con los objetivos de los dirigentes
(el interés propio o el bien público) para producir seis categorías: tiranía, oligar
quía. democracia, monarquía, aristocracia y politeia (polity). Entre otros ejem
plos de tipología de matriz en el caso de la democracia están Almond y Verba
([1963] 1989: 16): Weyland (1995).
29 Collier. LaPorte y Seawright (2008: 157).
30 Podríamos considerar también la taxonomía de sistemas electorales de
Reinolds y Reilly (2005: 28). Un ejemplo de taxonomía que sigue siendo clásico
es la clasificación biológica de Linneo (Linsley y Usinger 1959).
31 Collier y Mahon (1993); LakoíT (1987).
32 Coppedge y Gerring (2011). Véase también Held (2006).
33 Nowotny (1971: 24-29).
34 Gould (1983: cap. 28).
35 Falleti (2010: capítulos 1 y 2); Pierson (2004); Rueschemeyer, Huber y
Stephens (1992): Shefter (1994).
36 Marshall (1964).
37 Rostow (1960: 4).
38 Abbott (1995, 2004); Abbott y Forrest (1986); Abbott y Tsay (2000);
Everitt. Landau y Leese (2001: cap. 4).
39 Hamilton (1994).
40 Compárense Milanovic (2005) y Dollar (2005).
41 Putnam (2001).
42 Paxton (1999).
43 Baumgartner y Jones (1993).
44 Lindblom (1979).
45 Cohén. March y Olsen (1972); Kingdon (1984).
46 Knoke y Yang (2008: 12). Véase también Wasserman y Faust (1994).
47 Knowles (2008).
48 Clark, Gertler y Feldman (2000); Goesling y Firebaugh (2000); Kanbur y
Venables (2005).
49 Kim y Shin (2002).
50 Wallerstein (1974).
51 Montgomery (1996).
52 Henisz, Melner y Guillén (2005).
53 Briks y Coppedge (2006); Gleditsch y Ward (2006).
54 Gregory y Eli (2007).
55 Knobe y Yang (2008); Wasserman y Faust (1994).
56 Heinzetal. (1993).
57 Schattschneider (1960); Verba, Schlozman y Brady (1995).
58 McCIosky, Hoffmann y O’Hara (1960).
Capítulo 7
476
r
Notas
478
Notas
Gamson y Burton (1991); Edin y Lein (1997); Francis (1991); Laitin (1986); Lie-
bow (1967); Luker (1984); Scott (1985).
33 Ortner (2005).
34 Crouse (2003); Epstein (2000); McGinniss (1988).
35 Grossman (1976); Reedy (1970).
36 Sánchez Jankowski (1991). Bill Buford tuvo que hacer algo semejante
para su estudio del hooliganismo en el fútbol americano.
37 Scheper-Hughes (1992).
38 Fenno(1978, 1986, 1990). Véase también GIaser( 1996).
39 Palmer (1992).
40 Kirschenman y Neckerman (1991).
41 Bewley (1999). Véase también Helper (2000).
42 Estos asuntos se examinan en Dryzek (1988); Fowler (2008); King et al.
C-004); Lee (1993); Schaefifer y Presser (2003); Schwartz (1984); Stoker (2003);
rourangeau y Smith (1996); Weisberg (2005); Zaller y Feldman (2992).
^eeters’ Lensvelt-Mulders y Lashuizen (2010); Warner (1965). Nannestad
( ) examina los experimentos empleados para medir el concepto de confianza.
Kane, Craig y Wald (2004); Sniderman y Carmines (1997).
45 Sniderman et al. (1991).
QQA P°r ejemPl°’ KenneY y Wissoker (1994); Neumark, con Bank y Van Nort
onrm ^ara un análisis de este tipo de experimentos de campo, véase Pager
/ j.
479
Metodología de las ciencias sociales
Capítulo 8
480
F
Notas
481
Metodología de las ciencias sociales
Capítulo 9
482
Notas
483
Metodología de las ciencias sociales
484
Notas
Capítulo 10
485
Metodología de las ciencias sociales
486
Notas
488
Notas
Como hemos mostrado, hay razones de peso para este desarrollo, dados los nu
merosos confundidores que amenazan la inferencia causal en los contextos de
las ciencias sociales, la mayoría de los cuales sólo se pueden tratar adecuada
mente haciendo comparaciones entre grupos. Además, en la práctica, es raro
que un investigador se encuentre en posición de poder influir en el carácter y el
calendario de un tratamiento dentro de un grupo (el grupo de tratamiento), pero
no dentro de otro (que podría servir de control). Esto da cuenta del hecho de
que no hay muchos ejemplos de tratamientos manipulados sin controles fuera
de las ciencias naturales (donde los controles son a veces superfluos debido a
que los efectos causales se pueden observar inmediatamente y/o no hay confun
didores concebibles). Así, en la práctica, tiene sentido asociar el método experi
mental a los tratamientos aleatorizados entre grupos, y suponer que los diseños
longitudinales suelen construirse con datos observacionales.
47 Hamilton (1994).
48 Friedman y Schwartz (1963). Véase también el análisis de Mirón (1994).
49 Mirón (1994: 19).
50 Goldin y Rouse (2000).
51 England et al. (1988).
Capítulo 11
489
Metodología de las ciencias sociales
píos de cómo funciona esta técnica véanse Angrist (1989, 1990); Angrist y Krue-
ger (1991); Edin. Fredrickson y Aslund (2003); Miguel, Satyanath y Sergenti
(2004); Neal (1997), y Acemoglu. Johnson y Robinson (2001), examinados en el
texto.
13 Acemoglu, Johnson y Robinson (2001).
14 Dunning (2008b); Reiss (2007: cap. 7); Rosenzweig y Wolpin (2000).
15 Murray (2006).
16 McArthur y Sachs (2001).
17 Los términos empleados y los trabajos asociados a ellos son los siguien
tes: «rastreo de procesos» (George y McKeown 1985: 34 y ss); «discernimien
to» (Komarovsky 1940: 135-146); «análisis de procesos» (Barton y Lazarsfeld
1969). «emparejamiento pautado» (Campbell 1975); «microfundamentos»
(Little 1998); «narrativa causal» (Abbott 1990, 1992; Abrams 1982; Aminzade
1992; Bates et al. 1998; GriíTin 1992, 1993; Katznelson 1997; Kiser 1996; Mink
1987: Quadagno y Knapp 1992; Roth 1994; Rueschemeyer y Stephens 1997;
Sewell 1992, 1996; Somers 1992; Stone 1979; Stryker 1996; Watkins 1994);
«congruencia» (George y Bennett 2005); «coligación» (Roberts 1996); «proce
sos intermedios» (Mili [1943] 1872). Para un análisis general, véanse Bennett
(1999); Brown (1984: 228); Collier y Mahoney (1996: 70); Goldstone (1997).
Para un análisis filosófico en la tradición «realista», véanse Bhaskar ([1975]
1978): Harre (1972); McMullin (1984); Salmón (1984). La idea del rastreo de
procesos se asemeja a los juicios sobre el contexto, que suelen representar un
papel importante en la inferencia causal (Fenno 1986; Goodin y Tilly 2006).
Advierta que cuando se recurre al «contexto» estamos invocando una idea de
cómo X influye —o no influye— en Y en un entorno particular. Así, yo trato
la amplia categoría de la evidencia contextual como un tipo de seguimiento de
proceso.
18 Esta explicación se basa principalmente en Morgan y Winship (2007.
182-184. 224-230), que, a su vez, se fundamenta en Pearl (2000).
19 Pearl (2000: 83-84).
20 Glynn y Quinn (2011). Véanse también Imai, Keele y Tingley (2010),
Imai, Keele, Tingley y Yamamoto (2010).
21 Hinghton (2004).
22 Gerring (2008, 2010) explora los obstáculos del análisis causal centrado
en los mecanismos.
23 Véanse Cook y Campbell (1979), Green et al. (2009); Marquart (1989);
McSweenry (1978); Minton (1975); Reynolds y West (1987); Ross, Campbell y
Glass (1970); Shadish, Cook y Campbell (2002: 152, 184); Trochim (1985, 1989).
24 Montanera a/. (2010: 1).
25 Montaner et al. (2010: 7) (cursivas nuestras).
26 Wooldridge (2007).
27 Tome nota, no obstante, de que la condición de control no está claramen
te definida; para interpretar los resultados como EPT tenemos que suponer que
los estudiantes no hubieran aprendido las letras enseñadas por otra vía si no hu
bieran estado viendo la televisión. Para profundizar en este asunto, véase Sha
dish, Cook y Campbell (2002: 152-153).
490
Notas
Capitulo 12
492
Notas
493
Metodología de las ciencias sociales
rar las mejores prácticas en ambos campos, que es lo que he intentado hacer
aquí.
38 Hall (2003).
39 Seawright (2005).
40 Por ejemplo. Berg-Schlosser y De Meur (2009: 23-24).
41 King y Zheng (2006).
42 Richoux y De Meur (2009: 66) concluyen que las técnicas del ACC «per-
miten al investigador formular preguntas “causales” más específicas sobre los
ingredientes y mecanismos que producen (o no) un resultado de interés, aten
diendo tanto a las narrativas de cada caso como a las pautas entre los casos».
Esta descripción del proceso parece bastante razonable.
43 De Meur. Rihoux y Yamasaki (2009: 157).
44 Por ejemplo, Schneider (2009).
45 Berg-Schlosser y De Meur (2009: 27). El número de combinaciones lógi
cas es 2k, donde K = número de condiciones causales.
46 Seawright (2005).
47 Carón y Panofsky (2005); Hiño (2009). Véase también un comentario en
Ragin y Strand (2008).
48 Abbott (1995, 2004); Abbott y Forrest (1986); Abbot y Tsay (2000); Everitt,
Laundau y Leese (2001: cap. 4). Véase también Mahoney, Kimball y Koivu (2009).
49 Los metodólogos del ACC suelen ser cautelosos a la hora de inferir la
causalidad a partir del ACC. «Técnicamente hablando, estas soluciones expre
san más modestamente las concurrencias que reflejan conexiones explícitas po
tenciales. Los investigadores han de decidir entonces (basándose en su conoci
miento sustantivo y teórico) cuán lejos pueden llegar en su interpretación de la
solución de la tabla de verdad en términos de causalidad» (Ragin y Rihoux,
2004: 6). «Los algoritmos de minimización del ACC no producen “explicacio
nes” de un resultado dado, simplemente ofrecen una expresión reducida que des
cribe un conjunto de casos (observados) de forma lógicamente estenográfica»
(De Meur, Rihoux y Yamasaki 2009: 155).
50 Rihoux y De Meur (2009: 65). Véase también Rihoux y Lobe (2009).
51 Ragin (2009: 99).
52 Para estudios que combinan el ACC con otros métodos, véase Ragin y
Rihoux (2004: 5). Véase también Rihoux y Lobe (2009).
53 Mahoney (2004).
54 Animo a los lectores interesados en este asunto a explorar el tema a tra
vés de una rica literatura cada vez más abundante (véase las fuentes citadas an
teriormente). Sin duda, hay mucho más que decir sobre el ACC de lo que hemos
señalado en este apartado.
Capítulo 13
I Hitchcock (2003:218).
2 Almond (1990a) aplica este término a la ciencia política, pero también se
puede alicar a fortiori a las ciencias sociales en general.
494
Notas
495
Metodología de las ciencias sociales
496
Notas
Capítulo 14
497
Metodología de las ciencias sociales
Epilogo: Justificaciones
1 Merecen repetirse las primeras palabras que escribió Mills ([1853] 1872: iii) en
una de sus obras que podríamos considerar el Antiguo Testamento de la metodo
logía científica: «Esta obra no tiene la pretensión de dar a luz una teoría nueva de
las operaciones intelectuales. Si algún título posee a la atención pública, éste se
funda en que es un ensayo no para reemplazar, sino para reunir y sistematizar las
mejores ideas que acerca de su objeto han promulgado los escritores especulativos,
o que han seguido en sus indagaciones científicas los buenos pensadores».
2 Mi argumento corre en paralelo a los argumentos pragmáticos de la filoso
fía contemporánea. Hace varias décadas, Quine, en una memorable serie de en
sayos. señaló que como el universo incide en la conciencia humana sólo en los
márgenes de la cognición humana, no podemos usar razonablemente la «objeti
vidad» como guía para reformar nuestro lenguaje. Antes bien, Quine (1953: 79)
recomienda que: «Nuestro estándar para evaluar cambios básicos en nuestro es
quema conceptual debe ser pragmático, no un estándar realista de correspon
dencia con la realidad. Los conceptos son lenguaje, y el propósito de los concep
tos y el lenguaje es la eficiencia en la comunicación y la predicción. Tal es el
deber último del lenguaje, la ciencia y la filosofía, y es en relación con ese deber
cómo se debe evaluar finalmente un esquema conceptual». En la misma línea,
Laudan (1996: 140) escribe: «La metodología, concebida en términos estrictos,
no está en posición de hacer juicios [ideológicos], porque se limita al estudio de
medios y fines. Así, necesitamos complementar la metodología con una investi
gación de los fines legítimos o permisibles de la investigación». Pero mi enfoque
no es el mismo que defienden Quine y Laudan en la mayoría de sus escritos.
Debe distinguirse también del «pragmatismo» de Peirce (véase Kirkham 1992:
80-87) y, hasta cierto punto, del pragmatismo o «instrumentalismo» de William
James y John Dewey. James y Dewey tendieron a aplicar la prueba pragmática a
expresiones individuales. Así, «el significado de toda proposición siempre se
puede relacionar con alguna consecuencia particular en nuestra experiencia
práctica futura, sea pasiva o activa» (citado en Ogden y Richards [1923] 1989:
198), mientras yo estoy aplicando el pragmatismo a la empresa de la ciencia so
cial, en general. De modo similar, James y Dewey tendieron a considerar la ver
dad como un reino esencialmente indiferenciado que incluye verdades cotidia
nas, mientras yo defino la ciencia social como un reino distintivo con sus (más o
menos) estándares propios de apreciación. Con la «verdad» y otros temas de
abstracción similar, es bastante problemático especificar un objetivo general,
como sugieren James y Dewey. Está muy bien definir la verdad como aquello
que se ajusta a nuestros intereses, pero esto sugiere una serie de preguntas: ¿los
intereses de quién? ¿durante cuánto tiempo?, etc. Al fin y al cabo, en absoluto
hemos aclarado suficientemente cuándo un enfoque pragmático se aplica en este
nivel tan básico. No obstante, cuando se aplica a una institución científica (por
ejemplo, la ciencia social), el enfoque pragmático/consecuencialista gana fuerza.
3 Lynd ([1939] 1964: ix).
4 Adcock (2009); Bloch ([1941] 1953); Bok (1982); Gerring y Yesnowitz
(2006); Haan et al. (1983); Lerner y Lasswell (1951); Lindblom y Cohén (1979);
498
Notas
McCall y Weber (1984); Mills (1959); Myrdal (1970: 258); Popper ([1936] 1957:
56); Rule (1997); Simón (1982); Wilensky (1997); Zald (1990). Antes de que sur
gieran los ideales científicos modernos, la conexión entre el estudio de la socie
dad y su reforma (o preservación) fue incluso más fuerte. Aristóteles escribe
«puesto que la política... legisla lo que tenemos que hacer y lo que no tenemos
que hacer, el fin [de la ciencia política] debe ser el bien del hombre» («Ética a Ni-
cómaco», en Aristóteles 1941: 936). Este sentimiento «normativo» no murió con
el surgimiento de las ciencias sociales, simplemente siguió existiendo sin mani
festarse.
5 En Turner (1997: 25-26), citado originalmente en Porter (1986: 33). Véase
también Collins (1985: 19).
6 Rule (1997) hace un razonamiento similar. Véase también Rescher (1977).
7 Dewey (reimpreso en Rorty 1966: 283-284).
8 A esto hay que añadir que si las teorías equivocadas están construidas de
forma tal que pueden ser convincentemente desaprobadas, pueden contribuir a
elucidar la verdad sobre un fenómeno.
9 Myrdal (1944).
10 Eckstein (1992: cap. 2) invoca a Weber en apoyo del papel limitado y dife
renciado de la ciencia social en la esfera pública.
11 Lynd ([1939] 1964: 178).
12 Bender et al. (1997: 47). Para más observaciones sobre estas cuestiones,
véase Karl (1982).
13 Durkheim ([1895] 1964: xxvii).
14 Lynd ([1939] 1964: 122).
15 Fay ([1983] 1994: 108), cursivas en el original. Véase también Fay (1976).
1 Orwell(1970: 156).
2 Luker (2008: 21) . . f.
3 Véase Jacoby (1987). Esta cuestión la comenta Karl Popper en su
con Adorno y sus colegas, a quienes acusó de practicar el «culto a la inmteiigi -
lidad» (citado en Gellner 1985: 5). La ironía es aún mayor entre esos cnticos oe
vida intelectual burguesa, los presuntos defensores de una academia mas em
crática y abierta, que son oscuros hasta la hilaridad.
4 «El economista que quiere influir en las elecciones políticas reales debe,
última instancia, convencer al común de la gente, no sólo a sus co egas os e
nomistas científicos», señala Gunnar Myrdal (1970:450-451).
5 Blaise Pascal, Carta n° xvi (4 de diciembre de 1656) a los reverendos p -
dres jesuítas. Reimpresa en Pascal (2004:193). . ,
6 Para más información, véanse manuales de estilo generales (por ejemp ,
Strunk y White) o manuales de estilo especializados para las ciencias soma
(por ejemplo, Becker 1986).
7 Mills (1959: 35).
8 Rostow (1960: x).
499
r »
»v
* j
>1 ;
■
• i
■ . j ■
■■ i.-. ■
;í -
i
Bibliografía
502
Bibliografía
A1”SA'VSidneyVcrba[19631 n‘a*PoliiicalAi-
Alvarez MichfíTi NatÍ°'t5' Newbury Park’CA: Sa^
ski 1996 «rf’ J°fSe Ant0n10 Cheibub. Femando Limongi, y Adam Przewor-
nalDevelo^en^f.3-36^
IW()' *** Ex“enK,rial ImPaa'» Scfo*
“d Ti**
An|^es’ Peter A. 1981. Dictionary of Philosophy. New York, NY: Bames & No-
Angrisí, Joshua D. 1989. «Using the Draft Lottery to Measure the Eflect of Mi-
■ frviee on Civilian Labor Market Outcomes,» Research in Labor Eco
nomías 10: 265-310.
Socf’,<<I'’Pet*?ne Parr*ings and the Vietnam Era Draft Lottery: Evidence from
313*336 eCUr*t^ Administrativo Records,» American Economic Review 80(3):
pplv <<I.n!!rumental Variables and the Search for Identification: From Su-
15(4)3g9 g^eman<^ to Quasi-experiments,» Journal of Economic Perspectivas
Banerjee, Abhijit V. 2007. Making Aid Work. Cambridge. MA: MIT Press.
Banfield. Edward C. 1958. The Moral Basis of a Backward Society. Glencoe, 1L.
Free Press.
Barnes. Barry y David Bloor 1982. «Relativism, Rationalism and the Socio ogy
of Knowíedge.» en Martin Hollis y Steven Lukes (eds.), Rationahty and Re
lativism. Oxford: Basil Blackwell, pp. 21-47. .
Barrett. Christopher y Jeffery Cason 1997. Overseas Research. Baltimore, MU:
JHU Press. n
Bartels. Larry M. 1991. «Instrumental and “Quasi-Instrumental” Variables,»
American Journal of Political Science 35(3): 777-800.
— 1997. «Specification Uncertainty and Model Averaging,» American Journal
of Political Science 41: 641-674. .
— 2006. «What’s the Matter with What’s the Matter with Kansas?,» Quarterly
Journal of Political Science 1: 201-226. f
Barth. Fredrik 1969. Ethnic Groups and Boundaries: The Social Organtzatton o]
Cultural Differences. Boston, MA: Little, Brown.
Bartholomew. David J. (ed.) 2007. Measurement, 4 vols. Thousand Oaks, CA: Sage.
Barton. Alan H. y Paul F. Lazarsfeld 1969. «Some Functions of Qualitative
Analysis in Social Research,» en George J. McCall y J. L. Simmons (e s.), s
sites in Participant Observation. Reading, MA: Addison-Wesley.
Bates. Robert H„ Avner Greif, Margaret Levi, Jean-Laurent Rosenthal, y Barry
Weingast 1998. Analytic Narratives. Princeton University Press.
Battistin, Erich y Enrico Rettore 2002a. «Another Look at the Rcgression ui -
continuity Design,» en: www.cepr.org/meets/wkcn/4/4528/papers/rettore.
504
Bibliografía
505
Metodología de las ciencias sociales
— 2005. «Are Emily y Greg More Employable than Lakisha and Jamal?: A
Field Experiment on Labor Market Discrimination,» American Economic
Review 94(4): 991-1013.
Bertrand. Marianne. Esther Duflo, y Sendhil Mullainathan 2004. «How Much
Should We Trust Difi'erence-in-Differences Estimates?,» Quarterly Journal of
Economics 119(1): 249-275.
Besley. Timothy y Torsten Persson 2009. «The Origins of State Capacity: Property
Rights. Taxation. and Politics.» American Economic Review 99(4): 1218-1244.
Bewley. Truman 1999. JP/ív IVages Don't Fall during a Recession. Cambridge,
MA: Harvard University Press.
Bhaskar. Roy [1975] 1978. A Realist Theory of Science. Hassocks: Harvester Press.
Bickman. Leonard y K. Peterson 1990. «Using Program Theory to Describe
and Measure Program Quality,» en Leonard Bickman (ed.), Advances in Pro
gram Theory. San Francisco, CA: Jossey-Bass, pp. 61-72.
Bierwisch. Manfred 1981. «Basic Issues in the Development of Word Meaning,»
en Wemer Deutsch (ed.), The Child’s Construction of Language. London:
Academic Press, pp. 341-387.
Bierwisch. Manfred y Robert Schreuder 1992. «From Concepts to Lexical
Items.» Cognition 42: 23-60.
Bjorkman, Martina y Jakob Svensson 2009. «Power to the People: Evidence
from a Randomized Experiment of a Citizen Report Card Project in Ugan-
da.» Quarterly Journal of Economics 124(2): 735-769.
Blalock, Hubert M„ Jr. 1982. Conceptualization and Measurement in the Social
Sciences. Beverly Hills, CA: Sage.
Blalock. Hubert M., Jr. 1984. «Contextual-Effects Models: Theoretical and Me-
thodological Issues.» Annual Review of Sociology 10: 977-1012.
Blaug, Mark 1978. Economic Theory in Retrospect. Cambridge University
Press.
Bloch, Marc [1941] 1953. The Historians Craft. New York: Vintage Books.
Bloom. Howard S. (ed.) 2005. Learning More from Social Experiments: Evolving
Analytic Approaches. New York: Russell Sage Foundation.
Bloom, Howard S., Carolyn J. Hill, y James A. Riccio 2002. «Linking Program
Implementation and Effectiveness: Lessons from a Pooled Sample of Welfa-
re-to-Work Experiments,» Journal of Policy Analysis and Management 22(4):
551-575.
Bohman, James 1991. New Philosophy of Social Science: Problems of Indetermi-
nacy. Cambridge, MA: MIT Press.
Bok, Derek 1982. Beyond the Ivory Tower Social Responsibilities of the Modern
University. Cambridge, MA: Harvard University Press.
Bollen, Kenneth A. 1989. Structural Equations with Latent Variables. New York:
John Wiley.
Bollen, Kenneth A. y Richard Lennox 1991. «Conventional Wisdom on Measu
rement: A Structural Equation Perspective,» Psychological Bulletin 110:
305-314.
Borges, Jorge Luis [1942] 1999. Selected Non-Fictions, ed. Eliot Weinberger. New
York: Penguin.
506
Bibliografía
507
Metodología de las ciencias sociales
508
Bibliografía
509
Metodología de las ciencias sociales
510
Bibliografía
511
Metodología de las ciencias sociales
512
Bibliografía
De Meur, Gisele, Benoit Rihoux, y Sakura Yamasaki 2009. «Addressing the Cri
tiques of QCA,» en Rihoux y Ragin (eds.), Configurational Comparative Me-
thods: Qualitative Comparative Analysis (QCA) and Related Techniques, pp.
Dion, Douglas 1998. «Evidence and Inference in the Comparative Case Study,»
Comparative Politics 30(2): 127-145.
DiRenzo, Gordon J. (ed.) 1966. Concepts, Theory, and Explanation in the Beha-
vioral Sciences. New York: Random House.
Doherty, Daniel, Alan S. Gerber, y Donald P. Green 2006. «Personal Income
and Attitudes toward Redistribution: A Study of Lottery Winners,» Political
Psychology 27(3): 441-458.
^av*d 2005. «Globalization, Poverty, and Inequality,» en Michael M.
Weinstein (ed.), Globalization: What’s New? New York: Columbia University
Press, pp. 96-128.
Dollar, David, Raymond Fisman, y Robería Gatti 2001. «Are Women Really the
Fairer Sex? Corruption and Women in Government,» Journal of Economic
Behavior and Organization 46(4): 423-429.
Donaldson, S. I. 2003. «Theory-driven Program Evaluation,» en S. I. Donald-
son y Michael Scriven (eds.), Evaluating Social Programs and Problems: Vi-
sionsfor the New Millennium. Mahwah, NJ: Lawrence Erlbaum, pp. 109-141.
oorenspleet, Renske 2000. «Reassessing the Three Waves of Democratiza
do11,» World Politics 52(3): 384-406.
Dryzek, John S. 1988. «The Mismeasure of Political Man,» Journal of Politics
50(3): 705-725.
Duflo, Esther 2004. «Scaling Up and Evaluation,» Annual World Bank Confe-
rence on Development Economics, París, pp. 341-369.
Duflo, Esther, Rachel Glennerster, y Michael Kremer 2008. «Using Randomiza
tion in Development Economics Research: A Toolkit,» en T. Paul Schultz y
513
Metodología de las ciencias sociales
514
Bibliografía
515
Metodología de las ciencias sociales
Finlay. Linda y Brandan Gough (eds.) 2003. Reflexivity: A Practical Guidefor Re-
searchers in Health and Social Sciences. Oxford: Blackwell.
Fiorina, Morris P. 2005. Culture War?: The Myth of a Polarizad America. New
York: Pearson Longman.
Firebaugh. Glenn 2003. The New Geography of Global Income Inequality. Cam
bridge, MA: Harvard University Press.
— 2008. Seven Rulesfor Social Research. Princeton University Press.
Fischer. David Hackett 1970. Historians’ Fallacies: Toward a Logic of Histórica!
Thought. New York: Harper.
— 1989. Albion's Seed: Four British Folkways in America. New York: Oxford Uni
versity Press.
Fisher. Ronald Aylmer 1935. The Design of Experiments. Edinburgh: Oliver &
Boyd.
Fisman. David, Raymond Fisman, Julia Galef, y Rakesh Khurana 2006. «Estima-
ting the Valué of Connections to Vice-President Cheney,» documento de tra
bajo, Center for Health and Wellbeing, Princeton University.
Fisman, Raymond 2001. «Estimating the Valué of Political Connections,» Ameri
can Economía Review 91(4): 1095-1102.
Fisman, Raymond y Edward Miguel 2007. «Corruption, Norms, and Legal En-
forcement: Evidence from Diplomatic Parking Tickets,» Journal of Political
Economy 115(6): 10201048.
Fleck. Ludwik [1935] 1979. The Génesis and Development of a Scientific Fact. Uni
versity of Chicago Press,
Forsyth. Donelson R. 1976. «Crucial Experiments and Social Psychological In-
quiry,» Personality and Social Psychology Bulletin 2(4): 454-459.
Fowler, Floyd J. 2008. Survey Research Methods, 8th edn. Thousand Oaks, CA:
Sage.
Fowler, James H. y Darren Schreiber 2008. «Biology, Politics, and the Emerging
Science of Natura,» Science 322: 912-914.
Francis, Elizabeth 1991. «Qualitative Research: Collecting Life Histories,» in Ste-
phen Devereux y John Hoddinott (eds.), Fieldwork in Developing Countries.
London: Harvester Wheatsheaf, pp. 86-101.
Frank, Thomas 2004. What's the Matter with Kansas?: How Conservatives Won
the Heart of America. New York: Metropolitan Books.
Franklin, Ronald D., David B. Allison, y Bernard S. Gorman (eds.) 1997. Design
and Analysis of Single-Case Research. Mahwah, NJ: Lawrence Erlbaum.
Freeden, Michael 1994. «Political Concepts and Ideological Morphology,»
The Journal of Political Philosophy 2(1): 140-164.
— 1996. Ideologías and Political Thaory: A Conceptual Approach. Oxford Uni
versity Press.
Freedman, David A. 1991. «Statistical Models and Shoe Leather,» Sociological
Methodology 21: 291-313.
— 1997. «From Association to Causation via Regression,» en McKim y Turner
(eds.), Causality in Crisis?: Statistical Methods and the Search for Causal
Knowledge in the Social Sciences, pp. 113-162.
516
Bibliografía
517
Metodología de las ciencias sociales
518
Bibliografía
519
Metodología de las ciencias sociales
518
Bibliografía
519
Metodología de las ciencias sociales
520
Bibliografía
521
Metodología de las riendas sociales
Gruenbaum. Adolf 1976. «Can a Theory Answer More Questions than One of
Its Rivals?.» British Journal for the Philosophy of Science 27: 1-23.
Guala. Francesco 2005. The Methodology of Experimental Economics. Cam
bridge University Press.
Gudeman. Stephen 2001. The Anthropology of Economy: Community, Maiket,
and Culture. Chichester: Wiley-Blackwell.
Guiso. Luigi. Paola Sapienza. y Luigi Míngales 2006. «Does Culture Affect
Economic Outcomes?.» Journal of Economic Perspectives 20(2): 23-48.
Gunther. Richard y Larry Diamond 2003. «Species of Political Parties: A New
Typology.» Party Politics 9: 167-199.
Haan. Norma. Robert Bellah. Paul Rabinow, y William M. Sullivan (eds.) 1983.
Social Science as ¡Moral Inquiry. New York: Columbia University Press.
Hadenius. Axel y Jan Teorell 2005. «Assessing Alternative Indices of Demo-
cracy.» Committee on Concepts and Methods Working Paper Series, Au-
gust.
Hahn. Jinyong. Petra Todd. y Wilbert van der Klaauw 2002. «Identification and
Estimation of Treatment Eífects with a Regression-Discontinuity Design,»
Econometrica 69( 1): 201 -209.
Hall. Ned 2004. «Two Concepts of Causation,» en John Collins, Ned Hall, y L.
A. Paul (eds.). Causation and Counterfactuals. Cambridge, MA: MIT Press,
pp. 225-276. .
Hall. Peter A. 2003. «Aligning Ontology and Methodology in Comparativo Poli
nes.» en James Mahoney y Dietrich Rueschemeyer (eds.), Comparativo Histot ica
Analysis in the Social Sciences. Cambridge University Press, pp. 373-404.
Halpeni. J. Y. y Judea Pearl 2005. «Causes and Explanations: A Structural-Mo-
del Approach. Part II: Explanations,» British Journal for the Philosop ty oj
Science 56:4. .
Hambleton. Ronald K.., H. Swaminathan, y H. Jane Rogers 1991. Fundamenta s
of Item Response Theory. Newbury Park, CA: Sage.
Hamilton. James D. 1994. Time Series Analysis. Princeton University Press.
Hamiiton, Malcolm B. 1987. «The Elements of the Concept of Ideology,» Polt-
tical Studies 35: \8-38. ,
Hammer. Dean y Aaron Wildavsky 1989. «The Open-Ended, Semi-Structured
Interview: An (Almost) Operational Guide,» en Aaron Wildavsky (c ra
ftways: On the Organizaron of Scholarly Work. New Brunswick, N . ran
saction, pp. 57-101. . . . .
Hammersley, Martyn 1992. «Deconstructing the Qualitative-Quantitative Divi
de,» en Julie Brannen (ed.), Mixing Methods: Qualitative and Quantitative
Research. Aldershot: Avebury, pp. 39-55.
— 1997. «Qualitative Data Archiving: Some Reflections on its Prospects and
Problems,» Sociology: The Journal of the British Sociological Association
31(1): 131-142. j TT*
Hanson, Norwood Russell 1958. Patterns of Discovery. Cambridge University
Press.
— 1961. «Is There a Logic of Discovery?,» en H. Feigle y G. Maxwell (eds.),
Current Issues in the Philosophy of Science. New York: Holt, pp. 20-35.
522
Bibliografía
Harding, Sandra 1986. The Science Question in Feminisni, Ithaca, NY: Cornell
University Press.
Harding, Sandra (ed.) 1987. Feminism and Methodology: Social Science Issues.
Bloomington, IN: Indiana University Press.
Harman, Gilbert 1965. «The Inference to the Best Explanation,» Philosophical
Review 74: 88-95.
Harre, Rom 1970. The Principies of Scientific Thinking. University of Chicago
Press.
— 1972. The Philosophies of Science. London: Oxford University Press.
Harre, Rom y E. H. Madden 1975. Causal Powers: A Theory of Natural Necessi-
ty. Oxford: Blackwell.
Harrington, David P. 2000. «The Randomized Clinical Trial,» Journal of the
American Statistical Association 95(449): 312-315.
Harrison, Lawrence E. y Samuel P. Huntington (eds.) 2000. Culture Matters.
New York: Basic Books.
Hart, H. L. A. y A. M. Honore 1959. Causality in the Law. Oxford University
Press.
Hartz, Louis 1955. The Liberal Tradition in America. New York: Harcourt, Bra-
ce, World.
— 1964. The Founding of New Societies: Studies in the History of the United
States, Latín America, South Africa, Cañada, and Australia. New York: Har
court, Brace, World.
Hausman, Daniel M. (ed.) 1994. «Why Look under the Hood?,» The Philosophy
of Economics: An Anthology. Cambridge University Press, pp. 217-221.
Hayek, Friedrich A. von. 1956. «The Dilemma of Specialization,» en L. D. Whi-
te (ed.), The State of the Social Sciences. University of Chicago Press, pp.
462-473.
Heath, Anthony y Jean Martin 1997. «Why are there so Few Formal Measuring
Instruments in Social and Political Research?,» en Lars E. Fyberg, Paul
Biemer, Martin Collins, Edith De Leeuw, Cathryn Dippo, Norbert Schwarz,
y Dennis Trewin (eds.), Survey Measurement and Process Quality. New York:
Wiley, pp. 71-86.
Heckman, James J. 2000. «Causal Parameters and Policy Analysis in Econo
mics: A Twentieth Century Retrospective,» Quarterly Journal of Economics
115:45-97.
— 2001. «Micro Data, Heterogeneity, and the Evaluation of Public Policy: The
Nobel Lecture,» Journal of Political Economy 109: 673-748.
— 2005. «The Scientific Model of Causality,» Sociological Methodology 35:
1-97.
— 2008. «Econometric Causality,» International Statistical Review 76(1): 1-27.
— 2010. «Building Bridges between Structural and Program Evaluation Appro-
aches to Evaluating Policy,» Journal of Economic Literature 48(2): 356-398.
Heckman, James J. y Peter Siegelman 1993. «The Urban Institute Audit Studies:
Their Methods,» en Michael Fix y Raymond Struyk (eds.), Clear and Convin-
cing Evidence: Measurement of Discrimination in America. Washington, DC:
The Urban Institute Press, pp. 187-258.
523
Metodología de las ciencias sociales
524
Bibliografía
Basil Blackwell. . v
Homans, George C. 1961. Social Behavior Its Elementar)’ Fortns. New Yorx.
— 1967. The Nature of Social Science. New York: Harcourt Brace Jovanovich.
Hoover, Kevin D. 2001. Causality in Macroecononiics. Cambri ge niversi
Howell, William G. y Paul E. Peterson 2002. The Education Gap: Vouchers and
Urban Schools. Washington, DC: Brookings Institution.
Howson, Colin y Peter Urbach 1989. Scientific Reasoning: The Bayesian Appro-
ach. La Salle, IL: Open Court. . f
Hoxby, Caroline M. (ed.) 2003. The Economics of School Choice. University oi
Chicago Press. , .,
Hoy, David Couzens 1982. The Critical Circle: Literature. History, and Flatoso-
phical Hermeneutics. Berkeley, CA: University of California Press.
Hsieh, Chang-Tai y Christina D. Romer 2001. «Was the Federal Reserve Fette-
red? Devaluation Expectations in the 1932 Monetary Expansión,» NBEK
Working Paper No. W8113, February.
525
Metodología de las cencías sociales
Huber. Gregory A. y John S. Lapinski 2006. «The “Race Card” Revisited: As-
sessing Racial Priming in Policy Contests,» American Journal of Political
Science 50(2): 421-440.
— 2008. «Testing the Implicit-Explicit Model of Racialized Political Communi-
cation.» Perspectives on Politics 6(1): 125-134.
Hume. David 1888. Treatise of Human Nature. Oxford University Press.
— 1960. «The Idea of Necessary Connexion [from An Enquiry Concerning Hu
man Understanding. Section 7],» en Edward H. Madden (ed.), The Structure
of Scientij'tc Thought: An Introduction to Philosophy of Science. London:
Routledge & Kegan Paul.
— 1985. Essays: Moral, Political, and Literary, ed. Eugene F. Miller. Indianapo-
lis. IN: Liberty Classics.
— 2007. An Enquiry concerning Human Understanding; And other Writings, ed.
Stephen Buckle. Cambridge University Press.
Humphreys. Macarían 2005. «Natural Resources, Conflict, and Conflict Reso-
lution: Uncovering the Mechanisms,» Journal of Conflict Resolution 49(4):
508-537.
Humphreys, Macarían y Jeremy Weinstein 2009. «Field Experiments and the
Political Economv of Development,» Annual Review of Political Science 12:
367-378.
Humphreys, Macarían, William A. Masters, y Martin E. Sandbu 2006. «The
Role of Leaders in Democratic Deliberations: Results from a Field Experi-
ment in Sao Tome and Principe,» World Politics 58: 583-622.
Huntington. Samuel P. 1991. The Third Wave: Democratization in the Late
Twentieth Century. Norman, OK: University of Oklahoma Press.
Hutchings. Vincent L. y Ashley E. Jardina 2009. «Experiments on Racial Priming
in Political Campaigns,» Annual Review of Political Science 12: 397-402.
Hyde, Susan 2007. «The Observer Effect in International Politics: Evidence
from a Natural Experiment,» World Politics 60(1): 37-63.
Imai, Kosuke, Luke Keele, y Dustin Tingley 2010. «A General Approach to
Causal Mediation Analysis,» Psychological Methods 15(4): 309-334.
Imai, Kosuke, Luke Keele, Dustin Tingley, y Teppei Yamamoto 2010. «Unpac-
king the Black Box: Leaming about Causal Mechanisms from Experimental
and Observational Studies,» manuscrito inédito, Princeton University.
Imbens, Guido W. 2003. «Sensitivity to Exogeneity Assumptions in Program
Evaluation,» American Economic Review 93(2): 126-132.
Imbens, Guido W. y Thomas Lemieux 2007. «Regression Discontinuity Designs:
A Guide to Practice,» NBER Technical Working Paper No. 337.
Imbens, Guido W. y JefTrey M. Wooldridge 2009. «Recent Developments in the
Econometrics of Program Evaluation,» Journal of Economic Literature
47(1): 5-86.
Inglehart, Ronald 1977. The Silent Revolution in Europe: Changing Valúes and
Political Styles among Western Publics. Princeton University Press.
Institute of Medicine 2006. Genes, Behavior, and the Social Environment: Moving
heyond the NatureINurture Debate. Washington, DC: National Academies
Press.
526
Bibliografía
Jackman, Simón 2004. «Bayesian Analysis for Political Research,» Animal Re-
view of Political Science 7: 483-505.
— 2008. «Measurement,» en Box-Steffensmeier, Brady, y Collier (eds.), The
Oxford Handhook of Political Methodology, pp. 119-151.
Jacoby, Russell 1987. The Last Intellectuals: American Culture in the Age of Ata-
dente. New York: Farrar, Straus & Giroux.
Jacoby, William G. 1999. «Levels of Measurement and Political Research: An
Optimistic View,» American Journal of Political Science 43(1): 271-301.
James, William 1981. The Principies of Psychology. Cambridge, MA: Harvard
University Press.
Jamieson, Kathleen Hall 1996. Packaging the Presidency: A History and Criti-
cistn of Presidential Campaign Advertising, 3rd edn. Oxford University
Press.
Jencks, Christopher y Meredith Phillips (eds.) 1998. The Black-White Test Score
Gap. Washington, DC: Brookings Institution.
Jevons, W. Stanley [1877] 1958. The Principies of Science. New York: Dover.
Jick, Todd D. 1979. «Mixing Qualitative and Quantitative Methods: Triangula-
tion in Action,» Administrative Science Quarterly 24(4): 602-611.
Johnston, Michael y Arnold J. Heidenheimer (eds.) 2002. Political Corruption:
Concepts and Contexts. New Brunswick, NJ: Transaction.
Judd, Charles M. y David A. Kenny 1981. Estimating the Effects of Social Inter-
ventions. Cambridge University Press.
Kagel, John H. y Alvin E. Roth (eds.) 1997. Handbook of Experimental Econo
mías. Princeton University Press.
Kanbur, Ravi y Anthony J. Venables (eds.) 2005. Spatial Inequality and Develop-
ment. Oxford University Press.
Kane, James G., Stephen C. Craig, y Kenneth D. Wald 2004. «Religión and Pre
sidential Politics in Florida: A List Experiment,» Social Science Quarterly
85(2): 281-293.
Kantorowicz, Ernst H. 1957. The King's Two Bodies: A Study in Medieval Politi
cal Theology. Princeton University Press.
Kaplan, Abraham 1964. The Conduct of Inquiry: Methodology for Behavioral
Science. San Francisco, CA: Chandler Publishing.
Karl, Barry D. 1982. «The Citizen and the Scholar: Ships That Crash in the
Night,» en Kruskal (ed.), The Social Sciences: Their Nature and Uses, pp.
101-120.
Katznelson, Ira 1997. «Structure and Configuration in Comparativo Politics,»
en Lichbach y Muckerman (eds.), Comparativo Politics: Rationality, Culture,
and Structure, pp. 81-112.
Kaufman, Herbert 1960. The Forest Ranger A Study in Administrative Behavior.
Baltimore, MD: Johns Hopkins University Press.
Kaufmann, Daniel, Aart Kraay, y Massimo Mastruzzi 2007. «Govemance Mat-
ters IV: Governance Indicators for 1996-2006,» Washington, DC: World
Bank.
Keefer, Philip 2006. «Clientelism, Credibility and the Policy Choices of Young
Democracies.» American Journal of Political Science 51(4): 804-821.
527
Metodología de las riendas sociales
528
Bibliografía
529
Metodología de las ciencias sociales
530
Bibliografía
531
Metodología de tas ciencias sociales
532
Bibliografía
Luker, Kristin 1984. Abortion and the Politics of Motherhood. Berkeley, CA:
University of California Press.
— 2008. Salsa Dancing into the Social Sciences: Research in an Age of Info-glut.
Cambridge, MA: Harvard University Press.
Lutfey, Karen y Jeremy Freese 2005. «Toward Some Fundamentáis of Funda
mental Causality: Socioeconomic Status and Health in the Routine Clinic
Visit for Diabetes,» American Journal of Sociology 110(4): 1326-1372.
Luy, Marc 2003. «Causes of Male Excess Mortality: Insights from Cloistered
Populations,» Population and Development Review 29(4): 647-676.
Lynd, Robert Staughton [1939] 1964. Knowledgefor What?: The Place of Social
Science in American Culture. New York: Grove Press.
Mach, Ernest [1902] 1953. «The Economy of Science,» en Philip P. Wiener (ed.),
Readings in Philosophy of Science. New York: Charles Scribner, pp. 446-452.
Machamer, Peter y Gereon Wolters (eds.) 2007. Thinking about Causes: From
Greek Philosophy to Modern Physics. Pittsburgh, PA: University of Pitts-
burgh Press.
Maclntyre, Alasdair 1971. Against the Self-hnages of the Age: Essays on Ideolo-
gy and Philosophy. London: Duckworth.
Maclver, R. M. [1942] 1964. Social Causation. New York: Harper.
Mackie, John L. 1965. «Causes and Conditions,» American Philosophical Quar-
terly 2: 245-264.
— 1974. The Cement of the Universe: A Study of Causation. Oxford: Clarendon
Press.
Mahon, James E., Jr. 1998. «Political Science and Ordinary Language: Why Dont
We Have Conferences on “The Transition to Polyarchy?,”» trabajo presentado
en International Social Science Council Committee on Conceptual and Termi-
nological Analysis, 14th World Congress of Sociology. Montreal, July.
Mahoney, James 2001. «Beyond Correlational Analysis: Recent Innovations in
Theory and Method,» Sociological Forum 16(3): 575-593.
— 2002. The Legacies of Liberalism: Path Dependence and Political Regimes in
Central America. Baltimore, MD: Johns Hopkins University Press.
— 2004. «Reflections on Fuzzy-set/QCA,» Qualitative Methods 2(2): 17-21.
— 2008. «Toward a Unified Theory of Causality,» Comparative Political Studies
41(4-5): 412-436.
Mahoney, James y Gary Goertz 2006. «A Tale of Two Cultures: Contrasting
Quantitative and Qualitative Research,» Political Analysis 14(3): 227-249.
Mahoney, James y P. Larkin Terrie 2008. «Comparative-Historical Analysis in
Contemporary Political Science,» en Box-StefFensmeier, Brady, y Collier
(eds.), Oxford Handbook of Political Methodology, pp. 737-755.
Mahoney, James y Dietrich Rueschemeyer (eds.) 2003. Comparative Historical
Analysis in the Social Sciences. Cambridge University Press.
Mahoney, James, Erin Kimball, y Kendra L. Koivu 2009. «The Logic of Histori
cal Explanation in the Social Sciences,» Comparative Political Studies 42(1):
114-146.
Maki, Uskali (ed.) 2002. Fací and Fiction in Economics: Models, Realism, and So
cial Construction. Cambridge University Press.
533
Metodología de las ciencias sociales
534
Bibliografía
535
Metodología de las ciencias sociales
536
Bibliografía
Moore, Barrington, Jr. 1958. Political Power and Social Theory. Cambridge,
MA: Harvard University Press.
Moravcsik, Andrew 1998. The Chotee for Europe: Social Parpóse and State
Power from Messina to Maastricht. Ithaca, NY: Comell University Press.
Morgan, Edmund S. 1975. American SlaverylAnterican Freedont: The Ordeal of
Colonial Virginia. New York: Norton.
Morgan, Mary S. 1997. «Searching for Causal Relations in Economic Statis-
tics,» en McKim y Turner (eds.), Causality in Crisis?: Statistical Methodsand
the Search for Causal Knowledge in the Social Sciences, pp. 47-80.
Morgan, Stephen L. y Christopher Winship 2007. Counterfactttals and Causal
Inference: Methods and Principies for Social Research. Cambridge University
Press.
Morgenthau, Hans J. 1955. «Reflections on the State of Political Science,» Re-
view of Politics 17: 431-460. „.
J Morone, James 2004. Hel fire Nation: The Politics of Sin in American History.
New Haven, CT: Yale University Press.
Morrow, James D. 2003. «Diversity through Specialization,» PS: Political Scien
ce and Politics 36 (3): 391-393. u
Moses, Jonathon y Torbjorn Knutsen 2007. Ways of Knowing. ompeting i
thodologies in Social and Political Research. Basingstoke. Pa grase
538
Bibliografía
539
Metodología de las ciencias sociales
540
Bibliografía
541
Metodología de las ciencias sociales
542
Bibliografía
543
Metodología de las ciencias sociales
544
t
Bibliografía
Salmón, Wesley C. 1984. Scientific Explanation and the Causal Structure of the
t World. Princeton University Press.
— 1989. «Four Decades of Scientific Explanation,» en Kitcher y Salmón (eds.),
Scientific Explanation: Minnesota Studies in the Philosophy of Science, vol.
XIII, PP. 3-219.
— 1990. «Causal Propensities: Statistical Causality vs. Aleatory Causality,» To
po/9: 95-100.
Sampford, Charles, Arthur Shacklock, Carmel Connors, y Fredrik Galtung
(eds.) 2006. Measuring Corruption. Aldershot: Ashgate.
Samuels, David J. y Richard Snyder 2001. «The Valué of a Vote: Malapportion-
ment in Comparative Perspective,» British Journal of Political Science 31:
651-671.
Samuelson, Paul A. 1959. «What Economists Know,» en Daniel Lerner (ed.),
The Human Meaning of the Social Sciences. New York: Meridian, pp.
183-213.
Sánchez Jankowski, Martin 1991. Islands in the Street: Gangs and American Ur-
ban Society. Berkeley, CA: University of California Press.
Sartori, Giovanni 1962. Democratic Theory. New York: Praeger.
— 1970. «Concept Misformation in Comparative Politics,» American Political
Science Review 64 (4): 1033-1046.
— 1975. «The Tower of Babble,» en Giovanni Sartori, Fred W. Riggs, y Henry
Teune (eds.), Tower of Babel: On the Definition and Analysis of Concepts in the
Social Sciences. International Studies, Occasional Paper No. 6, pp. 7-38.
— 1976. Parties and Party Systems. Cambridge University Press.
— 1984. «Guidelines for Concept Analysis,» en Social Science Concepts: A Sys-
teniatic Analysis. Beverly Hills, CA: Sage, pp. 15-48.
Saward, Michael 2003. Democracy. Cambridge: Polity Press.
Schaeffer, Nora Cate y Stanley Presser 2003. «The Science of Asking Ques-
tions,» Animal Review of Sociology 29: 65-88.
Schaffer, Frederic C. 1998. Democracy in Translation: Understanding Politics in
an Unfamiliar Culture. Ithaca, NY: Comell University Press.
Schaffer, Simón 1997. «What is Science?,» en John Krige y Dominique Pestre
(eds.), Science in the Twentieth Century. Amsterdam: Overseas Publishers As-
sociation, pp. 27-42.
Schattschneider, E. E. 1960. The Semi-Sovereign People. New York: Holt, Rine-
hart & Winston.
Schatz, Edward (ed.) 2009. Political Ethnography: What Inmersión Contributes
to the Study of Power. University of Chicago Press.
Schedler, Andreas (próx. publicación). «The Measurer’s Dilemma: Coordination
Failures in CrossNational Political Data Collection,» Comparative Political
Studies 45(2).
Scheper-Hughes, Nancy 1992. Death without Weeping: The Violence of Everyday
Life in Brazil. Berkeley, CA: University of California Press.
Schiemann, Gregor 2003. «Criticizing a Difference of Contexts - On
Reichenbach’s Distinction between “Context of Discovery”and “Context of
Justification,”» en Friedrich Stadler (ed.), The Vienna Circle and Logical Em-
545
Metodología de las riendas sociales
546
Bibliografía
547
Metodología de las ciencias sociales
548
Bibliografía
549
Metodología de las ciencias sociales
Taagepera. Rein 2008. Making Social Sciences More Scientific: The Needfor Pre-
dictive Models. Oxford University Press.
Tang. Shipeng 2010. «Foundational Paradigms of Social Sciences,» Philosophy of
the Social Sciences 20( 10): 1-39.
Tarrow, Sidney 1995. «Bridging the Quantitative-Qualitative Divide in Political
Science.» American Political Science Review 89(2): 471-474.
Tashakkori. Abbas y Charles Teddie 1998. Mixed Methodology: Combining Quali-
tative and Quantitative Approaches. Thousand Oaks, CA: Sage.
Taylor. Charles [1967] 1994. «Neutrality in Political Science,» en Michael Martin y
Lee C. Mclntyre (eds.). Readings in the Philosophy of Social Science Cambridge,
MA: MIT Press, reimpreso en Peter Laslett y W. G. Runciman (eds.), Philosophy,
Politics and Society, 3rd series. New York: Bames & Noble, pp. 25-57.
— 1985. «Interpretaron and the Sciences of Man,» en Philosophy and the Human
Sciences: Philosophical Papers, vol. 11. Cambridge University Press, pp. 15-57.
Taylor. John R. 1995. Linguistic Categorization: Prototypes in Linguistic Theory,
2nd edn. Oxford: Clarendon Press.
Tetlock. Philip E. y Aaron Belkin (eds.) 1996. Counterfactual Thought Experi-
ments in World Politics. Princeton University Press.
Thistlewaite. Donald L. y Donald Campbell 1960. «Regression-Discontinuity
Analysis: An Altemative to the Ex-Post Facto Experiment,» Journal of Educa-
tional Psychology 51: 309-317.
Thompson, Edward P. 1978. The Poverty of Theory and Other Essays. New York:
Monthly Review Press.
Thompson, Michael, Richard Ellis, y Aaron Wildavsky 1990. Cultural Theory. San
Francisco, CA: Westview Press.
Tilly, Charles 2001. «Mechanisms in Political Processes,» Annual Review of Politi
cal Science 4: 21 -41.
Tocqueville, Alexis de 1945. Democracy in America, 2 vols. New York: Alfred A.
Knopf.
Tourangeau, Roger y Tom W. Smith 1996. «Asking Sensitive Questions: The Im-
pact of Data Collection Mode, Question Format, and Question Context,» Pu
blic Opinión Quarterly 60 (2): 275-304.
Treier, Shawn y Simón Jackman 2008. «Democracy as a Latent Variable,» Ameri
can Journal of Political Science 52(1): 201-217.
Trochim, William W. K. 1984. Regression Design for Program Evaluation: The Re-
gressiondiscontinuity Design. Beverley Hills, CA: Sage.
— 1985. «Pattem Matching, Validity, and Conceptualization in Program Evalua
tion,» Evaluation Review 9(5): 575-604.
— 1989. «Outcome Pattem Matching and Program Theory,» Evaluation and Pro
gram Planning 12: 355-366.
Tumer, Stephen P. 1997. «“Net Effects”: A Short History,» en McKim y Tumer
(eds.), Causality in Crisis?: Statistical Methods and the Search for Causal
Knowledge in the Social Science, pp. 23-45.
Tversky, Amos y Itamar Gati 1978. «Studies of Similarity,» en Eleanor Lloyd y
B. B. Lloyd (eds.) Cognition and Categorization. Hillsdale, NJ: Lawrence Erl-
baum, pp. 79-98.
550
Bibliografía
UN Habitat 2004. State of the World's Cities 2004-2005: Globalization and Ur-
ban Culture. Nairobi: United Nations, Earthscan Publications.
USAID 1998. Handbook of Democracy and Governance Program Indicators. Te-
chnical Publication Series PN-ACC-390. Washington, DC: USAID Center
for Democracy and Governance.
Useem, Bert 1997. «Choosing a Dissertation Topic,» PS: Political Science and
Politics 30: 213-216.
Van der Klaauw, Wilbert 2002. «Estimating the Effect of Financial Aid Offers
on College Enrollment: A Regression-Discontinuity Approach,» Internatio
nal Economic Review 43 (4): 1249-1287.
Van Evera, Stephen 1997. Guide to Methods for Students of Political Science.
Ithaca, NY: Comell University Press.
Van Fraassen, Bas C. 1980. The Scientific Image. Oxford: Clarendon Press.
Verba, Sidney, Kay Lehman Schlozman, y Henry Brady 1995. Voice and Equali-
ty: Civic Voluntarism in American Life. Cambridge, MA: Harvard University
Press.
Vidich, Arthur J. 1955. «Participant Observation and the Collection and Inter-
pretation of Data,» American Journal of Sociology 60(4): 354-360.
Vogt, W. Paul 2005. Dictionary of Statistics and Methodology, 3rd edn.
Thousand Oaks, CA: Sage.
Von Wright, Georg Henrik 1971. Explanation and Understanding. Ithaca, NY:
Comell University Press.
Wachter, K. W. 1988. «Disturbed about Meta-Analysis?,» Science 241:
1407-1408.
Wade, Robert 1982. «The System of Administrative and Political Corruption:
Canal Irrigation in South India,» Journal of Development Studies 18: 3.
Waldner, David 2002. «Anti Anti-Determinism: Or What Happens When
Schrodinger’s Cat and Lorenz’s Butterfly Meet Laplace’s Demon in the Stu-
dy of Political and Economic Development,» presentado en Annual Meeting
of the American Political Science Association, Boston, MA, August-Septem-
ber.
Walker, Thomas C. 2010. «The Perils of Paradigm Mentalities: Revisiting Kuhn,
Lakatos, and Popper,» Perspectives on Politics 8(2): 433-452.
Wallerstein, Immanuel 1974. The Modern World-System. Capitalist Agricidture
and the Origins of the European World Economy in the Sixteenth Century.
New York: Academic Press.
Wallerstein, Immanuel, et al. 1996. Open the Social Sciences: Repon of the Gul-
benkian Commission on the Restructuring of the Social Sciences. Stanford
University Press.
Wantchekon, Leonard 2003. «Clientelism and Voting Behavior: Evidence from a
Field Experiment in Benin,» World Politics 55(3): 399-422.
Warner, Stanley L. 1965. «Randomized Response: A Survey Technique for Eli-
minating Evasive Answer Bias,» Journal of the American Statistical Associa
tion 60: 63-9.
Wasserman, Stanley y Katherine Faust 1994. Social NetWork Analysis: Methods
and Applications. Cambridge University Press.
551
Metodología de las ciencias sociales
552
Bibliografía
553
Metodología de las ciencias sociales
554
índice analítico
índice analítico
Nota: para los términos más usados, los números de las páginas se limitan a las pá
ginas en las que se define el término o en las que constituye el centro de la exposi
ción.
acumulación 35, 38, 102,112-117, 249 Brady, Henry, 393, 459, 461, 462, 468,
agregación, 36, 38, 155, 181, 184-185, 473, 476, 481, 482, 487, 488, 492,
254 495-497, 505, 507, 511, 517, 520,
ajuste de pautas, 340-341 527, 533,546,551
ajuste teórico, 35, 38, 102, 117-124, 248,
249 cadena causal, 232,242,243,353,429
aleatorización, 277-292,428,449,454 Campbell, Donald, 32, 42, 292, 397,
análisis comparado cualitativo (ACC), 427, 460, 462, 468, 469, 473, 474,
360-377, 428,450,455 484,487,488,490,491,492,497
análisis de casos más similares, 74, 299, caso desviado, 74,403,430,447
301,384, 428 causa antecedente, 218, 228, 247, 316,
análisis de variable instrumental, 317, 317,321,322,427,430
322-324, 428,434, causa constante, 243,430
análisis histórico comparado, 352, 428, causa de hecho, 236,244,245,430
443 causa distante, 217, 242, 243, 256, 352,
apreciación, 49, 50, 52-54, 55-58, 65, 430,440
397, 398,405, 428,432,433,444,457 causa próxima, 243,325,430,440
argumento, 79-81, 218-219,428 causa secuencial, 242
Aristóteles, 22, 134, 163, 230, 392, 409, causalidad coyuntural, 242,430
472,475, 499 causalidad irreversible, 242,430,431
asociación, 159, 160, 169-171, 246, 251, causalidad lineal, 243
263, 393, 394,429,433,435 causalidad monotónica, 242,430
555
Metodología de las ciencias sociales
556
índice analítico
diseño de pretest y postest, 276, 279, escala de intervalo, 144, 156, 187, 188,
293, 439-440 218,253,443
diseño de regresión discontinua (RD), escala de razón, 186,443
276, 293-298,438-439 escala nomina), 163,187,188,442
diseño de series temporales interrumpi escala ordinal, 186,442
das, 304, 307,439,447 escalabilidad, 107,257
diseño de sólo postest, 276, 279, 287, escalas, 164,181,185-189,442
293,439,440, espurio, 312,329,433,439,443,453
diseño de variable dependiente no equi estandarización, 102,113-114,443
valente, 328, 340,439 estimador, 100, 298, 299,301, 331, 337,
diseño dentro del grupo (longitudinal). 359,443,455
Véase diseño longitudinal estructura, 181,183-184
diseño factorial, 280, 276, 376,439 estudio de caso, 40, 428, 429, 447, 449,
diseño longitudinal, 260, 276, 303-308, 487
330, 439,488 etnografía, 36, 38, 181, 192-194, 443,
diseño transversal, 276, 293, 301-303, 446,449,453
456 exactitud, 38, 75, 82, 102,103-107,129,
distribución uniforme, 38, 254-255 196,248,249,268
dominio, 36, 38, 81, 106, 135, 136, 138- exogeneidad, 38, 41, 217, 250,434,441,
140, 151, 157, 162, 219, 373, 440, 443,484
444, 451 experimento, 181,195-196,277,443
dosis, 253, 254, 278,440 experimento a la lista, 195
experimento mental contrafáctico, 85,
efecto causal. Véase efecto del tratamien 217,237,251,254,340,444
to extensión, 135, 140, 141, 151, 219,432,
efecto del intento de tratar (EINT), 238, 442,446,467
440
efecto del tratamiento, 237-243,440 falsabilidad, 52, 53, 57, 58, 86, 444,451,
efecto del tratamiento individual (ETI) 464,466
237, 238, 244,440,441 fecundidad, 85,135,136,142,145,444
efecto promedio del tratamiento (EPT), Feyerabend, Paul, 54,460,464,465
237-238, 239,240, 329,440,441 fiabilidad, 38,103,104,176,444
efecto promedio del tratamiento en los formación de bloques, 281,314,487
tratados (EPTT), 238-239,440-441 Freedman, David, 465, 468, 476, 482,
efecto promedio del tratamiento local 491,492,497
(EPTL), 239-241, 297, 323, 325, 440, fuerza, 255
442,485
efectos de instrumentación, 269, 272- Geertz, Clifford, 347,386,448,477,492,
273,434, 434,441 495
efectos de las causas/causas de los efec generalidad, 35, 38, 42, 81, 83-85, 88,
tos, 351-353, 392,441 219,220,222,254,389,413,444,451
efectos de reputación, 269,270,433,441 Goertz, Gary, 23, 459, 461, 472-474,
efectos del experimentador, 269, 270, 477,478,480,483,492,493,495
280, 289, 315, 339, 343,433,441 gráfico causal, 236, 245-248, 310, 312,
efectos del test, 269, 270, 271, 289,441 396,443,444,452
endogeneidad, 217, 250, 267, 313, 316,
317,430,434,441-442,443 Heckman, James, 390. 468, 482, 486,
equifinalidad, 232, 242, 243, 336, 360, 487,491,492,495
365,371,428,442 Hempel, Cari, 388, 393, 448, 466, 472,
error de tipo I y tipo II, 442 481,495
escala de abstracción, 38, 80, 181, 182- heterogeneidad causal, 39, 276, 317,
183
318,332,333-334,390,444,486
557
Metodología de las ciencias sociales
heterogeneidad. Véase heterogeneidad Mills, C. Wright, 7, 20, 29, 30, 61, 425,
causal 461,465-467, 498,499
hipótesis rivales. 276. 317, 334-337,445 modelo cultural, 386, 448
Holland. Paul. 389. 390. 448. 481. 482, modelo cultural frente al racional, 386-
495.496.497 388
Hume. David. 50. 213. 235. 251, 393, modelo de la ley de cobertura, 388-389,
464. 480. 482. 483 448
modelo de resultados potenciales, 245,
impacto. 219. 220. 222. 230-231, 445 388, 389-392,448,455,495
incumplimiento, 238, 268, 269, 276, modelo racional, 387,448
288. 289, 323, 337, 342, 433, 440, monismo, 392, 393, 396, 408, 449, 451,
445,483 497
independencia, 219, 229-230, 259-263, muestra, 96, 449
445 muestreo, 35, 96-97, 102, 107-112, 249
independencia condicional, 266, 429,
445. 447 necesario/suficiente, 183, 353-360, 449
indicador. 159. 160-162,446 neologismo, 34, 50, 68, 90, 136-138, 146,
intensión. 135, 141, 142, 432, 442, 446, 150, 158,450,453,472
473 nivel de análisis, 97, 108, 111-112, 428
interpretativismo. 28.444,446,457 niveles de abstracción, 36, 38, 80, 81,
investigación con muestra dividida, 195, 182-183,428
29 f nominalismo 133, 450
investigación con múltiples métodos, 39,
383~ 404, 446 observación, 97, 109, 110, 346-450
observación del proceso causal, 346-351,
King. Gary. 346.459. 462, 465. 467-469, 450
479.481,483,484,492,494 observacional, 69, 98, 251, 276, 293,
Kuhn. Thomas, 58, 462, 465, 466, 481, 352,450, 468, 489
491 ontología, 23, 451
operacionalización, 117, 135, 136, 162,
Lakatos, Imre, 464,466,481,491 179, 180, 221,451
ley causal, 242, 243, 358,446
ley. Véase ley causal parsimonia, 35, 37, 38, 39, 81, 87-89,
219, 341,364, 451
Mahoney, James, 24, 116. 459, 461, 469, partición, 38, 53, 102, 117, 122-124, 131,
471,478. 480,484,490,492-497 249,451
manipulabilidad, 36, 38, 219, 220, 223- paz democrática, 44, 131, 355, 359
228, 394. 446,468 Pearl, Judea, 42, 214, 244, 310, 316, 325,
Marx. Karl, 7, 28, 58, 61, 88, 164, 398, 390, 396, 444, 452, 463, 468, 480, 482,
415 489,490,492,495,496,497
mecanismo. Véase mecanismo causal pluralismo, 27-34, 146, 382, 392-395,
mecanismo causal, 216, 219, 231-233, 449, 451,462
245. 317, 324-328,429,430,439,440, población, 96, 222, 372, 373, 451
446, 447 Popper, Karl, 52-56, 59, 118, 133, 397,
medición, 173-187, 447,451,457 411, 444, 464-467, 469, 471, 491, 497,
método, 29, 447 499
metodología, 29, 31,425,447 positivismo, 27,41,400, 452
métodos de emparejamiento, 266, 269, precisión, 81, 82-83, 102, 103-105, 112,
281, 318, 359, 371, 384, 408, 424, 176, 219, 222, 236, 247, 444, 452,
432, 435, 447, 490 457
Mili, John Stuart, 22, 251, 334, 387, 393, predicción, 40, 118, 121, 122, 214, 233,
424, 428, 448, 467,472,473,483,490 340, 360,452
558
índice analítico
probabilístico, 44, 160, 169, 191, 215, tamaño de la muestra, 108, 109-111,
216, 242,243,354, 392,452 385-386
problema de asignación, 267-269, 277, tendencia, 160, 169, 269, 272, 429, 433,
287, 294, 298, 302, 337,429,454 445,463
proceso generador de los datos (PGD), teoría de conjuntos, 181, 184, 242, 243,
4/14 452 ' 353,360,455
proximidad, 38, 256, 352 teoría de respuesta al ítem (TRI), 190,
puerta trasera, 312, 313, 316, 317, 319, 478
321, 322, 433,452 test de robustez, 39, 276, 317, 337-339,
428,455,491
Ragin, Charles, 70, 360, 361, 366, 374, test placebo, 328-330,439,453,455
377, 428, 460,466,478,493,494,496 tipología, 159,160,163-169,455
razonamiento causal, 339-341,453 tipología configuracional, 160, 165, 168,
realismo, 53 455-456
realismo científico, 453 tipología de matriz, 160, 164-165, 455,
red, 160, 169-171,429 456
referencias cruzadas, 36, 38, 181, 196- tipología secuencial, 160, 168-169, 455,
198 456
regresión a la media, 269, 272,433, 453 tipología simple, 160,163,456
relevancia, 81, 91-94, 137, 219, 358,405, tipología taxonómica, 160,165,166,455
416, 453 tipología temporal, 160,163-164,166
replicación, 113, 114-116, 291, 292,451 transparencia, 102,113,116-117,456
representatividad, 108-109, 151, 386,
453, 454 unidad, 96,453,456
resonancia, 36, 38, 135, 136-138, 149, unidad de análisis, 97,456
154, 157, 158,450,453,472 uniformidad, 253-254
resultados alternos, 39, 266, 317, 328- utilidad causal, 36, 38, 135, 136, 148-
383, 453 149,398
Rosenbaum, Paul, 101, 115, 120, 468,
469, 482-484, 487,491,492,495-497 validez, 103-107,177,247,456
Rubín, Donald, 42, 100, 339, 389, 390, validez conceptual, 177-180
391, 429, 445,- 448, 468, 469, 478, validez de constructo, 38, 102, 117-118,
481,486,487,489,491,492,495-497 121,249,342,457
.
ruido, 105, 176, 177, 200, 222, 246, 247, validez externa, 38,42,85,102-105,290-
259,454 292,457
validez interna, 102, 103, 105-107, 287-
Sartori, Giovanni, 19, 127, 130, 132, 290
459, 461, 469,471 -474, 497 variable, 42,97,457
,
ección de casos, 266, 337, 449, 454, variable omitida, 443,457
466 variación, 215,251,457
separación, 219, 228-229,454 varianza, 104, 105, 176, 258, 259, 309,
sesgo de selección, 266,454 390, 398,452,457
sesgo/error sistemático, 104,177,454 verdad, 30,81-82,219,405,407-409
severidad, 102, 117, 118-122,454
simplicidad, 251-252 Weber, Max, 28, 58, 61, 127, 155, 163,
síntesis, 159, 160, 162-163,455 398,467,469,473-475,495,499
supuesto de la estabilidad del valor en la Wittgenstein, Ludwig, 432, 452, 472,
unidad (SEVUT [en inglés SUTVA]), 474
391,455
559