Metodologías de investigación en

psicología

RESPONDIENDO PREGUNTAS EN PSICOLOGÍA USANDO EVIDENCIA

Shavelson, R. J. & Towne, L. (2003). Scientific research in education. National Academy Press. Cap. 3.

• En psicología, el enfoque en la investigación basada en evidencia es esencial para avanzar

en el entendimiento de los procesos mentales y el comportamiento humano.

¿De dónde vienen las buenas preguntas?

• Las buenas preguntas en psicología suelen surgir de la curiosidad y la necesidad de

comprender mejor un fenómeno o problema particular.
• Pueden derivar de observaciones en la vida cotidiana, de la literatura existente en el campo
de la psicología, o de cuestiones prácticas que los profesionales de la psicología encuentran
en su trabajo.
• Las buenas preguntas suelen ser claras, específicas, relevantes y significativas para la
comprensión de procesos psicológicos o la resolución de problemas en la práctica
psicológica.

Razonamiento basado en la evidencia

• El razonamiento basado en la evidencia implica la utilización de datos empíricos y

pruebas concretas para respaldar afirmaciones o conclusiones en psicología.
• Los psicólogos deben basar sus afirmaciones en datos recopilados a través de métodos de
investigación válidos y fiables.
• El razonamiento basado en la evidencia también implica la capacidad de evaluar
críticamente la calidad y la relevancia de la evidencia existente.

El proceso de investigación

• La investigación en psicología implica pasos, que suelen incluir la formulación de

preguntas, la revisión de la literatura existente, la selección de métodos de
investigación apropiados, la recopilación y análisis de datos y la interpretación de
los resultados.
 • La investigación en psicología puede ser tanto cualitativa como cuantitativa, y los
investigadores deben elegir métodos que se ajusten a la pregunta de investigación y
al objetivo del estudio.
• La ética es un componente fundamental del proceso de investigación, y los investigadores
deben seguir pautas éticas al tratar con participantes humanos y al informar los
resultados.

Tipos de preguntas y tipos de explicaciones en psicología

"Explaining Science: A Cognitive Approach" de Giere (Capítulo 2)

Preguntándonos para comprender, explicar y predecir

• En psicología, las preguntas pueden agruparse en tres categorías principales: comprender,

explicar y predecir.
- Comprender implica obtener una visión más profunda de un fenómeno, conocer sus
características y componentes.
- Explicar busca identificar las causas subyacentes y los mecanismos que respaldan un
fenómeno.
- Predecir involucra anticipar cómo se comportará o cambiará un fenómeno en el
futuro.

Formas de responder preguntas

• Para responder a las preguntas en psicología, los investigadores utilizan métodos de

investigación que incluyen la observación, la experimentación, la recopilación de
datos y el análisis estadístico.
• Se selecciona el método más adecuado en función de la pregunta de investigación y de los
objetivos específicos del estudio.

"Research Methods: Concepts and Connections" de Passer (Capítulo 1)

La ciencia y la generación de conocimientos

• La psicología se basa en el método científico para generar conocimientos.

• La investigación en psicología implica la formulación de preguntas de investigación, la
recopilación de datos, el análisis de datos y la interpretación de resultados.
• Los hallazgos se comunican a la comunidad científica a través de la publicación en
revistas especializadas.

Concepciones de la ciencia, sus alcances y limitaciones

• La ciencia es una empresa sistemática que busca explicar y predecir fenómenos naturales,
incluidos los procesos mentales y el comportamiento humano.
 • La ciencia tiene alcances y limitaciones. No todas las preguntas pueden responderse
mediante métodos científicos, y existen cuestiones éticas y filosóficas que pueden
estar más allá del alcance de la ciencia.
• La investigación científica es un proceso en constante evolución, y las teorías y
conclusiones pueden revisarse a medida que se acumula nueva evidencia.

Evidencia en psicología: observación, descripciones e interpretaciones

"Biopsicología" de Pinel (pp. 121-133)

• Observación
- Pinel describe la observación como un método esencial para recopilar datos sobre el
comportamiento animal y humano.
- Explica cómo la observación puede ser naturalista (en entornos naturales) o estructurada
(en entornos de laboratorio) y cómo los observadores deben ser entrenados para
minimizar el sesgo y registrar datos de manera objetiva.
• Entrevista
- Señala que las entrevistas permiten a los investigadores obtener información detallada
sobre las experiencias subjetivas de los participantes.
- Destaca la importancia de formular preguntas de manera precisa y de establecer una
relación de confianza con los participantes.
• Cuestionarios y pruebas
- Son herramientas estandarizadas para recopilar datos cuantitativos en
investigaciones psicológicas.
- Señala cómo estos instrumentos pueden ser utilizados para medir habilidades
cognitivas, personalidad, actitudes y otros aspectos psicológicos.

"La investigación del comportamiento: una guía práctica con técnicas y herramientas" de Sommer y Sommer (Caps.
4, 8 y 9)

Observación y métodos no intrusivos

• Los autores proporcionan una visión amplia de la observación en la investigación del

comportamiento y cómo se puede utilizar en diferentes contextos.
• Discuten métodos no intrusivos, como la observación no participante, para recopilar
datos sin perturbar a los participantes.

Entrevista

• Una técnica de investigación.

• Exploran cómo diseñar y realizar entrevistas efectivas, incluyendo la formulación de
preguntas y la gestión de la interacción con los participantes.

Mediciones fisiológicas
 • Estas medidas pueden ayudar a comprender la relación entre los procesos biológicos y
el comportamiento.

Cuantificación, ordenación y clasificación en psicología

"Introducción a la investigación cualitativa" de Flick (Cap. 15)

Tipos de atributos

• Los atributos se refieren a las características o cualidades que se pueden medir en un

estudio. Pueden ser de naturaleza cualitativa o cuantitativa.
• Discute cómo los atributos pueden ser categorizados en términos de su medibilidad y
cómo esta distinción afecta la elección de métodos de investigación.

Clasificación, ordenación y cuantificación

• Aborda cómo se pueden clasificar, ordenar y cuantificar atributos en la investigación

cualitativa y cuantitativa, destacando las diferencias en los enfoques y métodos utilizados
en cada enfoque.

"Estándares para pruebas educativas y psicológicas" de APA, AERA y NCME

Teorías de medición en psicología

• Los estándares mencionan la importancia de que las pruebas y mediciones en psicología

estén basadas en teorías de medición sólidas.
• Se enfatiza que las teorías de medición deben respaldar la validez y la confiabilidad de
las mediciones.

La teoría de escalas de medición de S.S. Stevens

• Stevens propuso una teoría de escalas de medición que clasifica las mediciones en cuatro
tipos: nominal, ordinal, de intervalo y de razón. Esta clasificación ayuda a comprender
la naturaleza de las mediciones y las operaciones matemáticas que se pueden aplicar a ellas.

Criterios de calidad: rigurosidad, validez y confiabilidad

• Los estándares establecen criterios de calidad esenciales en la construcción y el uso de

pruebas y medidas en psicología, incluyendo la rigurosidad en la recopilación de datos,
la validez (que mide lo que se pretende medir) y la confiabilidad (que garantiza la
consistencia de las mediciones).

"On the theory of scales of measurement" de S.S. Stevens

Teoría de escalas de medición de Stevens

 • El artículo de Stevens introduce su teoría de escalas de medición, que define cuatro tipos
de escalas: nominal (cualitativa), ordinal (ordenada), de intervalo (con igualdad de
intervalos) y de razón (con punto de referencia absoluto).
• Stevens discute cómo estas escalas tienen propiedades distintas y cómo influyen en el
análisis de datos.
a. Escala Nominal:
- La escala nominal es la más básica y simple de las cuatro.
- En esta escala, los datos se dividen en categorías o grupos distintos, pero no hay ningún
orden inherente entre las categorías.
- Los valores numéricos se utilizan simplemente como etiquetas para identificar categorías.
- Ejemplos comunes incluyen el género (masculino, femenino, otros), estados civiles
(soltero, casado, divorciado), colores (rojo, verde, azul).
b. Escala Ordinal:
- La escala ordinal se utiliza cuando los datos se pueden ordenar, pero las diferencias
entre los valores no son significativas.
- Los valores numéricos se utilizan para indicar el orden relativo de los elementos, pero no
se puede afirmar cuánto mayor o menor es un valor en relación con otro.
- Ejemplos incluyen las calificaciones académicas (A, B, C), clasificaciones de satisfacción
(muy satisfecho, satisfecho, insatisfecho), o niveles de dolor (sin dolor, leve, moderado,
severo).
c. Escala de Intervalo:
- En esta escala, los valores numéricos representan no solo un orden, sino también una
distancia igual entre los puntos en la escala.
- Sin embargo, la escala de intervalo no tiene un punto de partida absoluto, lo que significa
que no se puede decir que un valor sea "cero" en el sentido absoluto.
- Ejemplos incluyen la temperatura en grados Celsius, donde la diferencia entre 20°C y 30°C
es igual que la diferencia entre 30°C y 40°C, pero no significa que 0°C sea ausencia de
temperatura.
d. Escala de Razón:
- La escala de razón es la más avanzada y completa de las cuatro escalas.
- En esta escala, los valores numéricos tienen un punto de partida absoluto y pueden
realizar todas las operaciones matemáticas, como sumar, restar, multiplicar y
dividir.
- Ejemplos incluyen la edad (0 años representa la ausencia de edad), la altura en centímetros,
el peso en kilogramos y la distancia en metros.

Selección de unidades de análisis

“Técnicas de muestreo sobre una población a estudio” de Otzen, T. & Manterola, C. (2017).

Definiendo el Nivel de análisis

El nivel de análisis se refiere a la unidad a la que se aplican las técnicas de muestreo y análisis. En
el contexto del texto, se menciona el análisis a nivel de muestra, donde se estudian las relaciones
entre la distribución de una variable en una población y la distribución de esa misma variable en la
muestra de estudio.

Criterios de selección de unidades de análisis

Los criterios de selección de unidades de análisis son condiciones o características que se utilizan
para decidir qué elementos formarán parte de la muestra de estudio. El autor destaca la importancia
de definir criterios de inclusión (características clínicas, demográficas, temporales y geográficas de
los sujetos que componen la población a estudio) y de exclusión (características que pueden
interferir con la calidad de los datos o la interpretación de los resultados).

Conceptos de muestreo y representatividad:

• Muestreo: El muestreo se refiere al proceso de selección de una parte de la población para

su estudio. Se describen diferentes técnicas de muestreo, tanto probabilísticas como no
probabilísticas, que implican la elección de individuos de la población para formar la
muestra.
- Probabilístico:
▫ Aleatorio Simple: Todos en la población tienen la misma oportunidad de ser
seleccionados.
▫ Aleatorio Estratificado: La población se divide en estratos según variables
relevantes.
▫ Aleatorio Sistemático: Se selecciona cada h-ésimo caso de la población.
▫ Por Conglomerados: Se eligen conglomerados aleatorios y luego se seleccionan
unidades más pequeñas.
- No Probabilístico:
▫ Intencional: Se seleccionan casos característicos de interés.
▫ Por Conveniencia: Se eligen casos accesibles.
▫ Accidental o Consecutivo: Se reclutan casos hasta completar el tamaño deseado.
• Representatividad: La representatividad se refiere a la capacidad de la muestra para
reflejar de manera precisa las características de la población de la cual se extrajo. Se destaca
que una muestra será representativa si se selecciona al azar, es decir, si todos los sujetos de
la población blanco tienen la misma posibilidad de ser incluidos en la muestra. Además, se
menciona que la representatividad se evalúa considerando la distribución y valor de las
variables en la población.
- Inadecuada representación de la población si se usan muestras pequeñas.

"Qualitative Data Analysis: An Expanded Sourcebook" de Miles y Huberman (pp. 25-34)

Definiendo el nivel de análisis

- En el contexto cualitativo, los autores enfatizan la importancia de definir claramente el

nivel de análisis, lo que a menudo está relacionado con el alcance de la investigación.
- Pueden analizar tanto unidades de análisis individuales como unidades colectivas, como
grupos o comunidades.
Criterios de selección de unidades de análisis:

- Los criterios de selección en la investigación cualitativa pueden ser más flexibles que en la
cuantitativa.
- Los autores sugieren que la elección de las unidades de análisis en la investigación
cualitativa puede basarse en factores como la relevancia, la información rica y la
diversidad de perspectivas.
a. Relevancia:
- La relevancia se refiere a la importancia de las unidades de análisis en relación con la
pregunta de investigación o el objetivo del estudio. En la investigación cualitativa, es
fundamental seleccionar unidades pertinentes y relacionadas directamente con el
tema investigado.
- Por ejemplo, si se está investigando la percepción de los estudiantes sobre la educación en
línea, las unidades de análisis relevantes podrían ser estudiantes que han tenido experiencias
significativas con la educación en línea.
b. Información rica:
- La información rica se refiere a la profundidad y la calidad de los datos que se pueden
obtener de las unidades de análisis. En la investigación cualitativa, se valora la obtención
de datos detallados, descriptivos y contextuales que permiten una comprensión más
profunda del fenómeno estudiado.
- Al seleccionar unidades de análisis, se busca encontrar fuentes de información rica que
puedan proporcionar una visión más completa y matizada del tema. Esto puede incluir
personas con experiencias diversas y perspectivas enriquecedoras.
c. Diversidad de perspectivas:
- La diversidad de perspectivas se refiere a la inclusión de diferentes puntos de vista, voces
y experiencias en la investigación. En la investigación cualitativa, se valora la variedad de
perspectivas para enriquecer la comprensión del fenómeno estudiado.
- Al seleccionar unidades de análisis, se busca incluir personas o grupos con diversas
experiencias, antecedentes, valores y opiniones. Esto puede ayudar a capturar la
complejidad y la diversidad inherentes a muchos temas de investigación.

Conceptos de muestreo y representatividad

• En la investigación cualitativa, la representatividad se aborda de manera diferente que

en la investigación cuantitativa. En lugar de buscar representatividad estadística, se busca
la representatividad conceptual y teórica.
• El muestreo en la investigación cualitativa a menudo sigue enfoques de muestreo teórico
o estratégico, donde se seleccionan unidades que proporcionan información valiosa para
el problema de investigación.

Preguntas y explicaciones causales en psicología

Tipos de preguntas y explicaciones causales

• Preguntas Causales: Son preguntas que buscan entender por qué ocurre un evento o
fenómeno específico. Estas preguntas pueden ser de diferentes tipos:
 - ¿Por qué ocurrió el evento A?: Buscan encontrar la causa o conjunto de causas que
llevaron al evento A.
- ¿Qué causó el evento B?: Exploran las relaciones de causalidad entre el evento B y sus
posibles causas.
- ¿Cómo afecta la causa X al efecto Y?: Investigan el mecanismo de la causalidad.
• Explicaciones Causales: Estas explicaciones buscan ofrecer razones o fundamentos para
entender por qué ocurren ciertos eventos. Pueden ser de diferentes tipos:
- Explicación por Regularidad: Argumenta que un evento es causado por otro debido a la
repetición de una secuencia de eventos en la que uno sigue al otro de manera
consistente.
- Explicación por Necesidad: Sostiene que las causas obligan o hacen que sus efectos
sucedan de manera necesaria, es decir, sin la causa, el efecto no podría haber ocurrido.
- Explicación Contrafactual: Se basa en suposiciones de lo que hubiera ocurrido si una
causa no hubiera estado presente y cómo esto afecta al efecto.

Definiendo Causalidad

• La causalidad se refiere a la relación entre eventos o fenómenos en la que uno es

responsable de la ocurrencia del otro. Es el concepto que intenta explicar por qué un
evento (causa) produce otro evento (efecto). Se puede definir la causalidad como una
conexión o vínculo entre eventos en la que la presencia de la causa conlleva la ocurrencia
del efecto, y esta relación se basa en regularidades, prioridad temporal y contigüidad
espacial.

Causalidad como Regularidad

• Desde la perspectiva de causalidad como regularidad, se argumenta que la causalidad se

basa en la observación de patrones de eventos que ocurren de manera consistente. La
repetición de ciertos eventos o secuencias de eventos es lo que lleva a la creencia en la
causalidad. Esta perspectiva destaca la importancia de la regularidad y la observación de
secuencias constantes para inferir la causalidad.

Causalidad como Necesidad

• La perspectiva de causalidad como necesidad sugiere que las causas no solo están
relacionadas con sus efectos por regularidades, sino que también existe una necesidad
intrínseca en la relación causal. En otras palabras, una causa hace que su efecto ocurra
de manera necesaria; sin la causa, el efecto no podría haber ocurrido. Esta visión implica
una cierta obligación en la relación causal.

El Modelo Contrafactual de Causalidad

• El modelo contrafactual de causalidad se basa en la idea de que una causa es aquello

sin lo cual un efecto no habría ocurrido. Implica la capacidad de imaginar cómo hubiera
sido el resultado si la causa no hubiera estado presente. Este enfoque busca identificar la
influencia de una causa al considerar cómo los eventos habrían sido diferentes en su
ausencia. La dependencia contrafactual se convierte en un criterio central para evaluar la
causalidad en este modelo.
Búsquedas de causas y efectos en psicología

White, H., & Sabarwal, S. (2014). Quasi-experimental design and methods. Methodological Briefs: Impact
Evaluation, 8, 1-16.

"Metodología y técnicas de investigación social" de Corbetta (Capítulo 4)

Experimentos y Contrafácticos

• White menciona los ensayos controlados aleatorios como un tipo de diseño

experimental utilizado en la evaluación de impacto. También se hace referencia a la
importancia de establecer un grupo de comparación o contrafáctico en los diseños
cuasiexperimentales para poder medir el impacto de la intervención evaluada.
• Contrafácticos: Se refiere, en el contexto de un experimento, a lo que habría sucedido si
la variable independiente (X) no se hubiera manipulado. Es una parte fundamental
de la inferencia causal y se utiliza para comparar lo que realmente ocurrió (Y con X) con
lo que habría ocurrido (Y sin X). Los experimentos permiten crear condiciones para
comparar estas dos situaciones, lo que ayuda a establecer relaciones causales.

Validez Interna y Validez Externa:

- Importancia de la validez interna en los diseños de investigación y evaluación, y la

necesidad de realizar controles de calidad de los datos para asegurar que sean de alta
calidad.
- Importancia de establecer un grupo de comparación o contrafáctico en los diseños
cuasiexperimentales para poder medir el impacto de la intervención evaluada
• Validez Interna: Se refiere a la precisión con la que un experimento mide la relación
causal entre la variable independiente y la variable dependiente, excluyendo la
influencia de variables extrañas. Una alta validez interna significa que los resultados
reflejan con precisión la relación causal entre las variables controladas.
• Validez Externa: Se relaciona con la capacidad de generalizar los resultados del
experimento a otras situaciones o poblaciones. Una alta validez externa implica que
los resultados son aplicables a un rango más amplio de contextos y grupos.

Tipos de Experimentos:

- White menciona que los ensayos controlados aleatorios son un tipo de diseño experimental
utilizado en la evaluación de impacto.
• Experimentos de Laboratorio: Se llevan a cabo en un entorno controlado y artificial, lo
que permite un alto grado de control sobre las condiciones experimentales. Estos
experimentos suelen ser más adecuados para estudiar relaciones causales específicas
bajo condiciones controladas.
• Experimentos de Campo: Se realizan en entornos del mundo real, lo que aumenta la validez
externa. Sin embargo, a menudo se sacrifica parte del control experimental. Estos
experimentos son útiles para comprender cómo las intervenciones afectan a
situaciones de la vida cotidiana.
Tipos de Cuasi-Experimentos

- Permiten a los investigadores abordar cuestiones de causalidad cuando no pueden

utilizar un diseño experimental tradicional.
• Diseño de series temporales interrumpidas: En este diseño, se recopilan datos a lo largo
del tiempo antes y después de la implementación de un evento o intervención. Se
analiza cómo ese evento afecta la tendencia temporal de la variable de interés. Por ejemplo,
se podría analizar el impacto de una nueva política de salud en la tasa de vacunación a lo
largo de varios meses.
• Diseño de comparación de tendencias: Similar al diseño de series temporales
interrumpidas, pero en lugar de enfocarse en un solo grupo, compara múltiples grupos o
ubicaciones para observar cómo una intervención afecta las tendencias en diferentes
lugares. Por ejemplo, se podría comparar la tendencia de ventas de un producto en
diferentes regiones antes y después de un cambio en la estrategia de marketing.
• Diseño de comparación de grupos no equivalentes: Aquí se comparan dos grupos que no
son equivalentes, no se asignaron aleatoriamente: Se intenta controlar las diferencias
observables entre los grupos para aislar el efecto de la intervención. Por ejemplo,
comparar el rendimiento académico entre dos escuelas, una que ha implementado un
nuevo método de enseñanza y otra que no lo ha hecho.
• Diseño de regresión discontinua: Se utiliza cuando una intervención se aplica a un grupo
basado en un criterio específico, como una puntuación en un examen. Se compara el
resultado de aquellos que están justo por encima y por debajo de ese umbral. Por ejemplo,
se podría analizar el impacto de una beca académica en el rendimiento de estudiantes cuya
calificación está justo por encima o por debajo del puntaje requerido.
• Diseño de emparejamiento por propensión: Aquí, se intenta emparejar individuos en
grupos de tratamiento y control que sean similares en características relevantes. Se
utiliza un método estadístico para estimar la probabilidad de que un individuo esté
en el grupo de tratamiento, basándose en sus características observables. Por
ejemplo, emparejar pacientes con cierta condición médica que reciben un medicamento
con pacientes similares que no lo reciben, para evaluar el efecto del medicamento.

Mecanismos complejos en psicología

"Introduction to Statistical Mediation Analysis" de MacKinnon (Capítulos 1 y 2)

Mediación

• La mediación es un proceso en el que una variable intermedia explica la relación entre

una variable independiente y una dependiente. En otras palabras, la variable
mediadora sirve como un mecanismo a través del cual la variable independiente
influye en la variable dependiente.
• Los investigadores utilizan análisis de mediación para descomponer el efecto total de la
variable independiente en el efecto directo e indirecto, a través de la variable mediadora.
 MacKinnon describe su importancia en la investigación política y de salud. También se
mencionan ejemplos de cómo la exposición a información acerca de los candidatos
políticos puede llevar a actitudes acerca de los candidatos que predice el voto o la
 participación política. Además, el texto describe aplicaciones del modelo de
mediación en diferentes campos para ilustrar su utilidad.

Moderación e interacciones

• La moderación implica que la relación entre dos variables puede cambiar en función de
una tercera variable. La influencia de la variable independiente en la dependiente
puede variar según el nivel de la variable moderadora.
• Las interacciones son patrones de cambio en una variable dependiente que se
asocian con diferentes niveles de dos o más variables independientes.
• Los análisis de moderación e interacciones permiten comprender las condiciones bajo las
cuales una relación es más fuerte, más débil o incluso se invierte.
 Se menciona que la distinción entre variables mediadoras y moderadoras ha sido discutida
en diferentes campos, como enfermería, psicología industrial y organizacional, psicoterapia
infantil, psicología clínica, psiconeuroinmunología y programas para niños. Además, se
describen las asunciones del modelo de mediación y moderación con ejemplos concretos.
El texto también proporciona información sobre dónde se puede encontrar información
más detallada sobre las variables moderadoras y los tipos de modelos que tienen efectos
de moderador y mediador.

Teoría conceptual y teoría de la acción: evaluación de intervenciones y programas

• La teoría conceptual se refiere a la formulación de un marco teórico que describe las

relaciones hipotéticas entre las variables en un estudio. Ayuda a los investigadores a
generar predicciones sobre cómo las variables están relacionadas y a desarrollar hipótesis.
• La teoría de la acción es un enfoque que se centra en cómo se deben diseñar las
intervenciones o programas para lograr resultados deseados, se refiere a cómo la
intervención cambia a la variable mediadora.
• Los investigadores pueden utilizar la evaluación de intervenciones y programas para
determinar si las teorías conceptuales y de la acción se confirman y si las
intervenciones son eficaces.
 Se menciona que la teoría debiera ser usada para esclarecer cómo una intervención lleva a
cambios en la variable dependiente. Además, se describe la teoría de acción y conceptual
para los mediadores de la Prueba de Intervención de Múltiple Factor de Riesgo (PSMFR)
del estudio de prevención de enfermedad cardiovascular. También se mencionan las
razones para considerar la teoría de acción en el diseño de un programa.

Cambio y desarrollo en psicología

Singer, J. D. & Willet, J. B. (2003). Applied longitudinal data analysis: Modeling change and event occurrence.
Oxford University Press. Cap. 1 (pp. 3-10).

Valsiner, J. (2005). Culture and human development: An introduction. SAGE. Cap. 2 (pp. 17-27).

Cambio y estabilidad
 • Ambos autores abordan la noción de cambio y estabilidad, pero desde perspectivas
ligeramente diferentes.
• Singer (2003) se enfoca en la capacidad de medir y modelar el cambio en el tiempo
utilizando modelos estadísticos apropiados. Destaca que, a medida que se
desarrollaron modelos estadísticos adecuados, se pudieron estudiar los cambios de manera
más efectiva. Su enfoque se centra en el análisis de datos longitudinales para
comprender cómo las variables cambian con el tiempo. En este contexto, el énfasis
está en identificar patrones de cambio y evaluar la predictibilidad de los problemas
basados en signos y síntomas.
• Valsiner (2005) aborda el cambio y la estabilidad desde una perspectiva más filosófica
y epistemológica. Destaca la novedad como elemento central del desarrollo y argumenta
que el desarrollo implica la transformación constante. Valsiner sugiere que el desarrollo
es un proceso bidireccional y probabilístico, lo que significa que el cambio puede
ocurrir, pero también puede haber estabilidad relativa en medio del cambio
constante. Se enfoca en la flexibilidad y la variabilidad como características
inherentes al desarrollo.

Enfoques longitudinales

• Ambos autores reconocen la importancia de los enfoques longitudinales para estudiar el

cambio a lo largo del tiempo, pero su énfasis es diferente.
• Singer (2003) destaca la necesidad de múltiples olas de datos para estudios
longitudinales. Afirma que, para analizar adecuadamente el cambio a lo largo del tiempo,
es fundamental tener datos en diferentes momentos en el tiempo. Su enfoque se centra
en el análisis estadístico de estos datos para describir y modelar el cambio.
• Valsiner (2005) no se centra en los detalles de los enfoques de investigación longitudinal,
pero subraya que el desarrollo implica la apertura a la novedad y la variabilidad. Esto
sugiere que los enfoques longitudinales deben ser flexibles para capturar y analizar los
cambios impredecibles en el tiempo. Su enfoque está más orientado hacia la
comprensión de la dinámica del desarrollo que hacia la metodología específica.

Diseños longitudinales

• Singer (2003) resalta la importancia de tener múltiples olas de datos en los diseños
longitudinales para obtener una imagen más precisa de cómo cambian las variables con el
tiempo.
• Valsiner (2005) no se centra en los diseños de investigación específicos, pero su enfoque
en la flexibilidad y la variabilidad sugiere que los diseños longitudinales deben ser
adaptables y estar abiertos a la novedad.

Reflexiones acerca de la causalidad

• Singer (2003) no aborda directamente el tema de la causalidad en su capítulo. Se enfoca

más en el análisis descriptivo y modelado de datos longitudinales.
• Valsiner (2005) introduce la idea de que el desarrollo implica relaciones bidireccionales
y probabilísticas entre diferentes niveles. Esto implica una comprensión más compleja
 de la causalidad en el desarrollo, donde múltiples factores interactúan de manera
probabilística para determinar las trayectorias de desarrollo.

Azar y modelos probabilísticos en psicología

Gigerenzer, G. (2000). The empire of chance: How probability changed science and everyday life. Cambridge
University Press. Caps. 6.1 y 6.2.

Stigler, S. M. (1992). A historical view of statistical concepts in psychology and educational research. American
Journal of Education, 101(1), 60-70.

Stigler, S. M. (2016). The seven pillars of statistical wisdom. Harvard University Press. Introduccion

Conceptos de probabilidad y azar

• La probabilidad se utiliza para medir la posibilidad de resultados específicos, y el

azar se refiere a la componente de incertidumbre o variabilidad en los resultados
de un experimento o proceso.
- En estadística, la probabilidad se utiliza para cuantificar la incertidumbre o la
posibilidad de que ocurra un evento.
▫ Para Stigler (2016) es el tercer pilar de la estadística: Se trata de hacer inferencias
usando las probabilidades (ejemplo, la probabilidad que una mujer mida entre 1,60
y 1,65 es...).
- El concepto de azar también está vinculado a la probabilidad. En el contexto
estadístico, cuando se realiza un experimento o se recopilan datos, ciertos
resultados pueden ser el resultado del azar o de factores no controlados. La
probabilidad se utiliza para modelar y entender la variabilidad inherente a estos
procesos.

Variabilidad
• En el contexto estadístico, la variabilidad se refiere a las diferencias o dispersiones que
pueden existir en un conjunto de datos. En el resumen, se sugiere que la
intercomparabilidad implica observar la variabilidad dentro de los datos para poder
compararlos de manera efectiva.
• Permite una imagen completa de la distribución de los datos.
▫ Para Stigler (2016) es el cuarto pilar de la estadística, la intercompatibilidad: La
intercomparabilidad implica que los datos se pueden comparar con mediciones
tomadas de los propios datos, y se hace referencia a ver la variabilidad dentro de
los datos.

Distinción entre estadística descriptiva e inferencial

• Estadística descriptiva: se centra en la organización, resumen y presentación de

datos de manera que sea comprensible. Esto implica el uso de medidas como la media,
la mediana, la moda, la desviación estándar, entre otras, para describir las características
principales de un conjunto de datos. Es esencialmente una forma de simplificar y resumir
la información de los datos.
 • Estadística inferencial: se utiliza para hacer inferencias o deducciones sobre una
población basándose en una muestra de datos de esa población. Implica la aplicación
de métodos de probabilidad para tomar decisiones o hacer predicciones sobre una
población más amplia. La inferencia estadística utiliza conceptos como la estimación de
parámetros y las pruebas de hipótesis.
 La estadística descriptiva se enfoca en resumir y describir datos, mientras que la estadística
inferencial se centra en hacer inferencias y generalizaciones sobre poblaciones más grandes
a partir de muestras específicas.

Modelos estadísticos como herramientas

▫ Según Stigler (1992) en las ciencias sociales, donde no es posible realizar experimentos
y no hay teorías exactas, los modelos estadísticos se utilizan como herramientas para
abordar la variabilidad y la falta de teorías exactas en las ciencias sociales, se presentan
como una manera de definir el objeto de inferencia de manera más directa.

Crisis técnica y problemas éticos en psicología

Shaughnessy, J. J., Zechmeister, E. B., Zechmeister, J. S. & Gutiérrez, M. E. (2007). Métodos de investigación
en psicología. McGraw-Hill Interamericana. Cap. 3.

Shrout, P. E. & Rodgers, J. L. (2018). Psychology, science, and knowledge construction: Broadening perspectives
from the replication crisis. Annual Review of Psychology, 69, 487- 510.

Ética: aspectos básicos a considerar

• Planteados por la APA

- Aprobación institucional: antes de hacer la investigación. Consejos institucionales de
revisión (CIR) ven la investigación para proteger derechos y bienestar de participantes
humanos.
→ Determinar los riesgos físico, social, estrés mental o emocional.
- Consentimiento informado: el consentimiento se obtiene usando un lenguaje que es
entendible para la persona. Tiene que ser una voluntad expresada explícitamente de la
persona para participar en un proyecto.
- Engaño en la investigación psicológica: Engaño es cuando se retiene información, se
informa intencionalmente mal a los participantes
- Brindar una explicación a los participantes: Los investigadores están éticamente
obligados a buscar maneras para beneficiar a los participantes, Una manera, es dando
una explicación de la investigación.
- Cuidado humanitario y uso de animales en investigación: Se usan animales de acuerdo
a leyes, regulaciones y principios profesionales
- Reporte de una investigación psicológica: Los investigadores comunican sus hallazgos
de investigación en revistas científicas revisadas por semejantes.
- Crédito de la publicación: El crédito de autor es solo por el trabajo que realmente han
realizado por el que han contribuido sustancialmente
 - Publicación duplicada de datos: psicólogos no publican como información original
información que ya ha sido publicada.
- Compartir información de la investigación para su verificación (transparencia):
Psicólogos no ocultan los datos en los que sus conclusiones están basadas a otros
profesionales competentes que buscan verificar afirmaciones analizando.
- Revisores profesionales: Psicólogos que revisan el material, tiene que respetar
confidencialidad y derechos de propiedad de la información de quien la presenta.

El engaño en la investigación: ¿en qué medida es necesario?

• El engaño controlado puede ser necesario para obtener resultados válidos, especialmente
cuando revelar completamente el propósito del estudio podría sesgar las respuestas
de los participantes.
▫ En psicología se usa para evitar que los participantes ajusten su comportamiento o
respuestas de acuerdo con lo que creen que el investigador espera
• Debe seguir estos códigos éticos:
- El engaño debe estar justificado por la importancia del estudio.
- Antes de recurrir al engaño, se deben explorar alternativas sin engaños.
- El engaño debe ser mínimo y proporcionado a los objetivos del estudio. Luego se
les debe informar a los participantes del engaño y su motivo.

Crisis de la replicabilidad
• Dificultad de replicar o reproducir los resultados de estudios científicos anteriores.
• En el contexto de la psicología, ha habido preocupaciones sobre la falta de consistencia
al intentar replicar experimentos y hallazgos, lo que plantea interrogantes sobre la
confiabilidad y validez de algunos resultados.
- Factores: Prácticas científicas deficientes, sesgos de publicación (donde los resultados
positivos son más propensos a ser publicados que los resultados negativos), y
problemas con el diseño y la ejecución de experimentos.

Soluciones al problema de la replicabilidad.

• Preinscripción de estudios: Los investigadores pueden preinscribir sus estudios, lo que

significa que declaran públicamente sus métodos y análisis planificados antes de realizar el
experimento. Esto ayuda a evitar el sesgo de publicación y aumenta la transparencia
en el proceso de investigación.
• Compartir datos abiertamente: Compartir conjuntos de datos permite a otros
investigadores replicar estudios utilizando los mismos datos. Esto facilita la verificación
de resultados y fomenta la transparencia en la investigación.
• Revisión por pares más transparente: Algunas propuestas sugieren mejorar el
proceso de revisión por pares, haciéndolo más transparente y abierto. Esto podría
incluir la publicación de revisiones y comentarios junto con los artículos científicos.

P-hacking y el fraude en la investigación

• Pueden afectar la validez y la integridad de los resultados científicos.

 • El P-hacking: prácticas inapropiadas en el análisis de datos para obtener resultados
estadísticamente significativos.
- Esto puede incluir la manipulación de variables, la exclusión selectiva de datos o la
realización de múltiples pruebas sin ajustar los niveles de significancia, todo con el fin
de obtener resultados que parezcan significativos.
• Fraude en la investigación: implica conductas más graves, como la fabricación o
manipulación completa de datos, la presentación de resultados falsos o la
apropiación indebida del trabajo de otros.
- Estas acciones comprometen la confianza en la investigación científica y pueden tener
consecuencias éticas y legales.

Desafíos a una psicología científica

Leahey, T. H. (2000). A history of psychology: Main currents in psychological thought. Prentice Hall. Cap. 1.

Desafíos para la psicología

• Desafío naturalista: Explicar a la psicología sin recurrir a ninguna explicación

sobrenatural y de manera que trascienda al espacio y al tiempo, ya que busca explicar cosas
naturales de manera natural.
• Desafío del realismo: Mantenerse en el ambiguo margen de lo real, sin inferir estados y
proceso de la mente a los que no se puede acceder (por ejemplo, inferir a partir de la
conducta, la existencia del inconsciente).
• Desafío de la autonomía: Poder desarrollarse sin depender de la asistencia de ninguna
ciencia. Muchos sostienen que la esencia última de la realidad es natural, lo que lleva a
pensar que las causas últimas de la conciencia y la conducta deben ser de índole psicológica.
Sin embargo, la psicología puede ser entendida de manera independiente a la biología y
explicarse a través de la razón o la teología.
• Desafío de la explicación: Encontrar leyes universales desde las cuales se pueda explicar
la mente. La explicación se detiene cuando se consiguen leyes.