inv. cuantitativa

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA – UNAD Escuela de Ciencias Sociales, Artes y humanidades.

Programa de Psicología 2014

CURSO INVESTIGACIÓN CUANTITATIVA

401533

2014

La edición de material didáctico del curso Investigación Cuantitativa, diseñado por Sandra Melo Zipacón del programa Psicología estuvo a cargo de la Escuela de Ciencias Sociales Artes y Humanidades de la Universidad Nacional Abierta y a Distancia (UNAD). Derechos reservados: ©2014, Universidad Nacional Abierta y a Distancia - UNAD Vicerrectoría de Medios y Mediaciones Pedagógicas, Bogotá D.C. 3443700 Calle 14 # 14- 22 sur. Programa de Psicología



TABLA DE CONTENIDO

OBJETIVO DIDACTICO DEL MODULO

UNIDAD DIDÁCTICA 1.

Fundamentación y diseño de la investigación cuantitativa.

Presentación.

Objetivos Específicos de la unidad.

Evaluación diagnóstica.

Capítulo 1. Aspectos generales de la investigación cuantitativa.

Lección 1. Referentes epistemológicos de la investigación cuantitativa.

Lección 2. Criterios metodológicos de la investigación cuantitativa.

Lección 3. Características y diferencias de investigación cuantitativa y cualitativa.

Lección 4. Diseño y tipos de la investigación cuantitativa.

Lección 5. Aspectos éticos de la investigación psicológica.

Momento reflexivo: Cuáles son los aportes de la investigación cuantitativa a la

psicología?.

Capítulo 2. Medición de lo psicológico

Lección 1: Características del paradigma positivista.

Lección 2: Hipótesis.

Lección 3: Variables, constructos y definición operacional.

Lección 4: Medición de variables y tipos de variables.

Lección 5: Muestra y tipos de muestreo.

Momento reflexivo: Por qué el problema de la cuantificación en la investigación

psicológica?



Capítulo 3. Técnicas y escalas de actitud.

Lección 1. La encuesta.

Lección 2. La entrevista.

Lección 3. La observación.

Lección 4. Análisis de contenido.

Lección 5. Escalas de actitudes.

Momento reflexivo: Cuál es la importancia de elegir la técnica adecuada para la

investigación?

Autoevaluación de la unidad.

Referencias bibliográficas.


Tratamiento y análisis de datos en el proceso de investigación cuantitativa.

Presentación.

Objetivos específicos de la unidad.

Evaluación diagnóstica.

Capítulo 1. Resumen y descripción de datos

Lección 1. Procedimiento para el análisis de datos y tipos de datos.

Lección 2. Codificación y matriz de datos

Lección 3. Métodos gráficos

Lección 4. Probabilidad

Lección 5. Significación estadística

Momento reflexivo: Cómo proceder al tratamiento de datos?



Capítulo 2. Análisis Estadístico

Lección 1. Concepto básico de estadística.

Lección 2. Análisis Univariado

Lección 3. Análisis Bivariado

Lección 4. Análisis multivariante

Lección 5. Software para el análisis estadístico de datos.

Momento reflexivo: Cuales son las dificultades y ventajas que ofrece la estadística ante

el análisis de datos?.

Capítulo 3. Meta análisis

Lección 1. Definición de meta análisis

Lección 2. Etapas del meta análisis

Lección 3. Limitaciones metodológicas del meta análisis

Lección 4. Presentación de los resultados del meta análisis.

Lección 5. Utilidad de la aplicación del meta análisis.

Momento reflexivo: De qué manera el meta-análisis permite una mayor generalización

de sus resultados respecto de los estudios individuales?

Autoevaluación de la unidad




OBJETIVO GENERAL DEL MODULO:

Brindar al estudiante elementos conceptuales y didácticos que permitan satisfacer las

necesidades de aprendizaje a través de la activación de esquemas organizados y

secuenciales de los temas propuestos y sugeridos con el fin de posibilitar el alcance de

las intencionalidades formativas expuestas en el protocolo académico del curso.

En este punto inicial del curso, se invita a que ingresen al siguiente enlace

http://youtu.be/g5OcFz_e6c8 en el cual se presenta un video de saludo y presentación

de aspectos generales del curso.


FUNDAMENTACIÓN Y DISEÑO DE LA INVESTIGACIÓN CUANTITATIVA.

Presentación:

La investigación es un proceso riguroso, cuidadoso y sistematizado en el que se busca

resolver problemas, es un proceso organizado y garantiza la producción de

conocimiento o de alternativas de solución viables. Esta primera unidad del curso

denominada perspectiva epistemología se basa en la presentación de los aspectos

teóricos, metodológicos y éticos de investigación, especialmente en el área de las

ciencias sociales con el fin de orientar un proceso de aprendizaje en torno la

coherencia y pertinencia de elección de un enfoque de investigación, el respectivo

diseño metodológico, el impacto a nivel de la generación de conocimiento y los

parámetros éticos en torno acercamiento a las personas y las comunidades. Por tanto,

apreciado estudiante y próximo profesional de psicología es importante tenga en

cuenta que desde el código ético y deontológico que regula esta profesión en Colombia

se define la psicología como una ciencia sustentada en la INVESTIGACIÓN, por tanto

la invitación es que realice la lectura de cada uno de los temas, analizando los

conceptos, igualmente desarrolle los ejercicios planteados en cada lección con el fin de

reforzar y contextualizar los temas.

http://youtu.be/g5OcFz_e6c8



Estas dos actividades son fundamento del aprendizaje, permitirá mejores logros en las

actividades evaluativas y de trabajo colaborativo, por ende permitirá una mayor de

cualificación como profesional, y más aún, conducen a un ejercicio ético, estético y

pragmático que orientado por el principio de la autonomía y la solidaridad lograran la

consolidación de procesos de gestión en comunidad y calidad de vida en las personas,

aspectos que en la sociedad actual son el reto a la labor y campo de acción

profesional.

Objetivos específicos de la unidad:

- Brindar referentes conceptuales sobre los aspectos teóricos, metodológicos y éticos

de la investigación a través de la presentación de las características de conocimiento

científico, generalidades del código deontológico y enfoques y diseños de investigación.

- Generar a través de la comprensión de los temas y el desarrollo de los ejercicios

niveles de contextualización sobre las situaciones reales del contexto en el cual cada

estudiante interactúa.

- Aplicar estrategias pedagógicas, didácticas y evaluativas en cada capítulo con el fin

de promover las competencias cognitivas y contextuales basado en las fases de

aprendizaje de reconocimiento, profundización y trasferencia.

Evaluación diagnóstica

Apreciado estudiante, este es un momento preliminar para dar inicio a la lectura de la

unidad 1. Este curso requiere de unos conocimientos previos y básicos sobre

metodología de la investigación, técnicas de investigación, e igualmente aspectos

sobre presentación de propuesta de investigación, y paradigmas y enfoques de

investigación, por tanto es importante responda las preguntas expuestas.



Preguntas:

1. Conozco la definición de paradigma de investigación?. Si____ Cual :______________________________________________ _________________________________________________________ _________________________________________________________ No____ Es importante conocerla? Si____ No______ Por qué ____________________________________________________ __________________________________________________________ 2. Conozco cuáles son los tipos de investigación cuantitativa? Si_____ Nómbralos: ________________________ ________________________ ________________________ No_____ Es importante indagar sobre ellos? Si______ No________ Dónde o con quién puedo Investigar:_____________________________ 3. Conozco los parámetros éticos de la profesión de psicología en Colombia ? Si_____ De un concepto general: __________________________________________________________ __________________________________________________________ No_____ Es importante conocerlos como eje temáticos del curso Investigación Cuantitativa: Si______ No_______ Por qué?____________________________________________________ ___________________________________________________________ ___________________________________________________________ 4. He revisado de forma juiciosa el protocolo académico del curso. Si______ Qué elementos son importantes: ___________________________________________________________ ___________________________________________________________ Es importante revisarlo? Si_______ No_______ Por qué:___________________________________________________ 5. Valoro el impacto de la labor de investigación desde la psicología. Si______ No_______ Por qué?____________________________________________________ ___________________________________________________________



CAPÍTULO 1. ASPECTOS GENERALES DE LA INVESTIGACIÓN CUANTITATIVA.

Apreciado (a) estudiante es importante tenga en cuenta que el proceso de aprendizaje

se basa en una fases, que desde la UNAD se contemplan como reconocimiento,

profundización y trasferencia. En ese orden de ideas, se inicia con la fase de

reconocimiento del capítulo 1. Es importante tenga en cuenta que esta actividad que

emprende se basa en los principios del aprendizaje autónomo y significativo.

Lección 1. Referentes epistemológicos de la investigación cuantitativa.

Los enfoques cuantitativos pretenden moverse en el campo de la predicción y la

explicación, tratando de encontrar nexos lógicos entre hechos y causas o entre estas y

sus efectos, en una realidad social objetivada, vista desde afuera y considerada en sus

aspectos generales

El método cuantitativo nos permite concluir que la base de la investigación parte de los

referentes teóricos aceptados por la comunidad científica. Ello implica la formulación

de las hipótesis, que serán puestas a prueba, tomando a las variables como conceptos

empíricos y medibles. La clasificación y análisis de los datos permitirán la obtención de

resultados y establecer el grado de significación entre las relaciones de los fenómenos

en estudio.

En la investigación una vez identificada la índole de un problema y definidos los

objetivos que persigue, es el de escoger el modelo de método que más se adecua,

tanto al problema como al logro de los objetivos. Sin embargo, valga la pena aclarar

que es difícil escoger un método como el ideal y único camino para realizar una

investigación, pues muchos de ellos se complementan y relacionan entre si. Para ello

dispone de un amplio menú de posibilidades, dentro del cual se encuentra:

-El modelo lógico - deductivo.

Es un tipo de modelo por lo general empleado en las ciencias naturales, aunque no

exclusivamente en ellas. Tiene la estructura formal de un razonamiento deductivo en el

cual el explicandum es una consecuencia lógicamente necesaria de las premisas



explicativas; por consiguiente, en las explicaciones de este tipo, las premisas expresan

una condición suficiente (y a veces aunque no siempre, necesaria) de la verdad del

explicandum. Este tipo de explicación ha sido estudiado intensamente desde la

antigüedad, considerado como el paradigma de toda explicación ―genuina" y a

menudo ha sido adoptado como la forma ideal a la cual deben tender todos los

esfuerzos por hallar explicaciones.

Para algunos académicos el método más completo de investigación es el método

DEDUCTIVO ya que en él se plantea una hipótesis que se puede analizar deductiva o

inductivamente y posteriormente comprobar experimentalmente, es decir que se busca

que la parte teórica no pierda su sentido, por ello la teoría se relaciona posteriormente

con la realidad. Una de las características del método deductivo es que incluye otros

métodos, como el inductivo, el deductivo y el experimental, lo cual es opcional. La

deducción, tiene a su favor que sigue pasos sencillos, lógicos y obvios que permiten el

descubrimiento de algo que hemos pasado por alto. Mediante este modelo, se aplican

los principios descubiertos, representados en proposiciones generales, a casos

particulares, a partir de un enlace de juicios. El rol de la deducción en la investigación

es doble:

a. Primero consiste en encontrar principios desconocidos, a partir de los ya

conocidos.

Una ley o principio puede reducirse a otra más general que la incluya. Si, por ejemplo,

un cuerpo cae, decimos que pesa porque es un caso particular de la gravedad.

b. También sirve para descubrir consecuencias desconocidas, de principios conocidos.

Si sabemos que la fórmula de la velocidad es v=e/t, por deducción podremos calcular la

velocidad de un avión. La matemática es la ciencia deductiva por excelencia, que parte

de axiomas y definiciones aplicables a los casos particulares.

El proceso de la deducción varía en ciencia y en filosofía. Las investigaciones en

ciencia y filosofía son de carácter teórico porque su dinámica es la búsqueda de la

verdad en alas de resolver problemas teóricos.

Ej. En filosofía

Se parte de una premisa general y se llega a una premisa particular.

En ciencia



Se parte de hipótesis o conjeturas y se van depurando con la experimentación.

En un razonamiento deductivo se pretende que sus cuyas premisas suministren

pruebas, concluyentes para afirmar la verdad de su condición. La teoría de la

deducción trata explicar la relación entre las premisas y las conclusiones de un

razonamiento válido y de establecer técnicas para juzgar los razonamientos

deductivos, es decir, para discriminar entre las deducciones válidas y las que no lo

son. El tratamiento clásico o aristotélico, de la deducción se centraba en los

razonamientos que contenían proposiciones de un tipo especial llamados

proposiciones categóricas.

Cuadro 1: Aspectos epistemológicos

Lección 2. Criterios metodológicos de la investigación cuantitativa.

La investigación cuantitativa corresponde a una metodología que exige la

determinación de variables, de técnicas de recolección de información mediante

instrumentos objetivos y estandarizados; además, requiere de la interpretación de la

información obtenida por medio de técnicas estadísticas para realizar generalizaciones



en la cuantificación de las características observadas. En este tipo de investigación la

validez interna y la fiabilidad son los requisitos de rigor y credibilidad científica.

En él se exige a la investigación el uso de técnicas que en general son cuantitativas

dado que tiene como finalidad la elaboración de leyes de algún nivel de generalidad y

desecha lo particular en tanto que a partir de unos pocos casos no se puede inferir

nada sobre lo universal.

El siguiente cuadro muestra cómo el paradigma cuantitativo se preocupa por los hechos

estáticos que abarca en su totalidad, los asume como atemporales y los sitúa en

contextos de una amplitud considerable.

Cuadro 2 Metodología de la investigación cuantitativa.

Metodología de la investigación cuantitativa

La realidad es única, se puede controlar y predecir dado que se caracteriza por un orden mecánico y estable.

Es un diseño cerrado lógico deductivo conformado por conceptos, definiciones operacionales, recolecciones de datos, comprobación de hipótesis, análisis e informes para ratificar o desechar la hipótesis.

Busca identificar relaciones causales predominantes previamente establecidas con base en un marco teórico.

Se establecen generalidades como afirmaciones verdaderas y con independencia del contexto, con base en las relaciones de causalidad dado que cada acción es el resultado de otra que la precede.

El investigador emplea conceptos y definiciones operacionales de los mismos.

El papel del investigador debe ser neutro y acrítico por lo tanto debe eliminar toda subjetividad y mantenerse al margen del hecho investigado. En este paradigma la relación sujeto objeto no debe existir. Utiliza información previamente delimitada y reducida solamente a las variables que se deben observar. Esta delimitación es establecida solamente por el investigador.

Transmite información por medio de números y medidas requiriendo garantizar la objetividad; para ello utiliza procedimientos estáticos y sin la intervención del investigador.

La información se entrega en un reporte final que se expresa en un informe objetivo y ajeno tanto al investigador como al investigado.



Cuadro 3. Criterios metodológicos

Lección 3. Características y diferencias de investigación cuantitativa y cualitativa.

Uno de los aspectos más relevantes, tenidos en cuenta en el debate epistemológico de

los últimos años, ha sido el relacionado con los nexos entre los diseños cuantitativos y

cualitativos de la investigación científica. Los defensores de una y otra posición asumen

con frecuencia posturas radicales en relación con los puntos de vista que consideran

los modelos defendidos y hasta se llega a posturas excluyentes y de rechazo de la

posición no compartida. Pocas veces asumen la posibilidad de conjugar ambas formas

del diseño en un mismo proceso investigativo, cuando la realidad dice que lo cualitativo

y lo cuantitativo no son compartimentos estancos y excluyentes.

Las diferencias entre la investigación cuantitativa y la cualitativa, no estriban tanto en

que la una elabore sus conclusiones a partir del análisis de cifras o que trabaje con

datos numéricos, mientras la otra lo hace a partir de la evaluación de conceptos. Los

dos tipos de diseños se diferencian más bien en el punto de partida, en el diseño



metodológico, en los objetos abordados y en el desarrollo del proceso. Igualmente, se

puede decir que hay diferencias en lo referente al tratamiento de las fuentes y el uso

de la información obtenida, además de otros aspectos relacionados. Lo anterior tiene

implicaciones en la fase de planeación o elaboración de la propuesta, proyecto o plan

de la investigación, lo mismo que en la ejecución del plan; por cuanto para los

proyectos cuantitativos el diseño es más riguroso y prospectivo, pues requiere de una

previsión de todos y cada uno de los pasos que se van a ejecutar y las actividades

planeadas se cumplen con cierto rigor, pues se trata de pautas de estricto

cumplimiento, si se quiere llegar a los resultados previstos.

En general, los enfoques cuantitativos pretenden moverse en el campo de la

predicción y la explicación, tratando encontrar nexos lógicos entre hechos y causas o

entre estas y sus efectos, en una realidad social objetivada, vista desde afuera y

considerada en sus aspectos generales. Mientras que en la investigación cualitativa,

los esfuerzos se orientan más a comprender la realidad social como el resultado de

un proceso histórico siempre en construcción, visto con los lentes de la lógica, pero

sin prescindir de los aspectos valorativos de sus protagonistas; todo lo cual pone de

presente la existencia de diferentes propósitos y diferentes lógicas.

En los procesos cualitativos por tanto, se presenta una situación totalmente diferente

a la que plantean los diseños cuantitativos, especialmente en lo que tiene que ver con

el o los momentos de identificación del problema, la exploración y uso de la literatura

disponible, el muestreo, la metodología, las técnicas y estrategias a emplear para la

recolección de los datos, lo mismo que en el empleo de estos a lo largo del proceso y

en el momento final. Si se intenta establecer las diferencias básicas entre los dos

tipos de diseño, se encuentra que entre ellas hay rasgos distintivos que en general se

pueden representar de manera a sintética en lo que se indica en el siguiente cuadro

comparativo:



Cuadro 4. Comparación de los enfoques

INVESTIGACIÓN CUANTITATIVA INVESTIGACIÓN CUALITATIVA

Son analíticos. Asumen aspectos parciales de

la realidad para abordarlos mediante el análisis de sus componentes, los cuales reduce a variables.

Tienen carácter holístico. Mediante un enfoque

totalizador de la realidad estudiada, buscan afrontarla con una visión integral o de conjunto, como un todo.

Experimentales. Mediante el sistema de creación

de condiciones especiales, controlan y manipulan variables para medir resultados.

Constructivistas. Se atienen a la realidad dada,

de la cual intentan hacer una lectura, sin intervenir para modificarla.

Probabilísticos. Sus conclusiones se infieren a

partir del número de posibilidades. A partir de las cuales un resultado se puede dar en condiciones específicas.

Heurísticos. Mediante un trabajo comprensivo,

se convierte en una búsqueda de hechos, significados, y esfuerzo por llegar a la naturaleza del objeto estudiado.

Deductivistas Universalistas.

A partir de hipótesis o principios generales o universales busca llegar a inferencias y aplicaciones a casos particulares.

Inductivistas Particularistas.

Del estudio de casos y hechos particulares, su intención es llegar a conclusiones universales.

Extensivos. A partir de las deducciones alcanzadas,

buscan incluir universos de individuos en sus conclusiones.

Intensivos. Centraliza si interés en el foco de

estudio que la ocupa y circunscribe a él sus conclusiones.

Empiristas. Sus conclusiones solo pueden provenir del

dictado experiencial que suministran los datos de la realidad estudiada. No hay mucho campo para la subjetividad.

Racionalistas. Además de las sugerencias

de la realidad estudiada, el investigador aporta su propia racionalidad e interpretación, a partir de su formación y experiencia.

Lección 4. Diseño y tipos de la investigación cuantitativa.

En el proceso de construcción y reconstrucción del conocimiento en el campo de las

ciencias sociales hablamos de diseños cuantitativos y cualitativos. El diseño que utiliza

como base, preferiblemente una información expresada en forma numérica y factible de

cuantificar es el cuantitativo. Se apoya en categorías numéricas y permite realizar el

análisis de los fenómenos a través de diferentes formas estadísticas.

-Diseño cuantitativo

- Se aplica a planteamientos operacionales.

- A referentes empíricos observables.

- Se trata de entender el cuánto.

Pero en la práctica existe interacción de diferentes factores que se deben tener en

cuenta: sociales, psicológicos y culturales que influyen en las personas.



Hoy en la investigación social, se pueden integrar las herramientas estadísticas y la

informática como instrumentos auxiliares.

Cuadro 5. Clasificación de diseños de investigación.



La investigación, independiente de cual diseño tenga mayor énfasis, se entiende como

un proceso social donde se debe integrar al análisis: la creatividad, el compromiso, la

imaginación, las ideas, la argumentación, la perspicacia y la sagacidad. Utilizando

instrumentos válidos y confiables.

Así por su nivel de profundidad se pueden clasificaren estudios exploratorios,

descriptivos, correlaciónales y explicativos.

-Los estudios exploratorios, observación documental, a fin de rastrear la información

con estrategias que impliquen trabajo de campo, pueden tener como alcance la

realización de un sondeo de opinión, en una muestra limitada, de suerte tal que le

permita descubrir otras alternativas que no pudo detectar desde la bibliografía y

documentación relevada, como así también podrá dar sugerencias para aplicar otras

técnicas y profundizar en la investigación que se propone.

En general este tipo de estudios, metodológicamente no se exige rigurosidad alguna,

que, aunque tiene un perfil acotado, puede dar las bases de lo que hasta el momento

no se contaba.

-Los estudios descriptivos, por el contrario, colocan al investigador frente a un objeto de

estudio el cual será descrito y obligan a la medición de las variables que entran en

juego. Esta medición podrá ofrecer un estado de situación de las variables sin

profundizar en las relaciones que se establecen. Desde ese punto de vista se responde

al cómo es, más que al por qué es.

Los estudios descriptivos, nos sitúan ante las taxonomías, Las mismas procuran lograr

un esquema o clasificación de cualquier cuestión de incumbencia social, para nuestro

caso. Desde luego que en las Ciencias Naturales se encuentran estudios que

clasifican un determinado factor de la naturaleza con lo cual se puede tener una

referencia del mismo, sin que por ello se ofrezcan explicaciones.

En las Ciencias Sociales existen muchos ejemplos que podrían citarse, desde los

estudios de Parsons y Smelser- respecto de la distinción entre oferta y demanda es un



caso especial entre sanción y acción en un sistema social hasta los sistemas de

categorías establecidas.

En cualquiera de los casos, no se trata de estudios relaciónales, tan sólo, son, pero no

por ello menos importante, diagnósticos sobre el objeto de estudio que se aborde.

El método que se instrumente tendrá un fuerte sesgo cuantitativo, en el sentido de

procurar la medición de variables específicas y generalmente aplicadas a áreas

geográficas de mayor extensión que, para acceder a ellas, se necesitarían de técnicas

de corte cuantitativo, como los cuestionarios estructurados o el denominado método

por encuesta, que tienen como particularidad la precisión de los aspectos sobre los que

se quiere indagar. Si bien no tiene un grado de profundidad, desde el punto de vista de

las potenciales explicaciones que del diagnóstico pueden derivarse, igualmente sus

resultados tienen relevancia sustantiva. Las investigaciones descriptivas adoptan

también el método cualitativo. Sobre estudios de caso, que es a lo que el enfoque

cualitativo se orienta, en el sentido del hecho particular, lo que se obtenga de una

investigación de esa naturaleza, es una descripción basada en variables nominales. El

modelo de los "tipos ideales," antes señalado, se presenta como un caso sobresaliente

de investigación comprensiva-interpretativa, de la que Weber no sólo pudo propiciar

una sobrada caracterización de la sociedad de su tiempo, sino que sienta las bases de

una construcción teórica que tiene resonancia hasta nuestros días, dicho lo cual, los

criterios sostenidos respecto de los grados de profundidad conforme los modelos que

se exponen, entran en un tono de relatividad que no puede ser obviado.

-Los estudios correlaciónales: nos acercan a los estudios explicativos en tanto medir el

grado de influencia que una variable tiene sobre otra, aunque no tengamos, a través de

tal respuesta, precisiones acerca de por qué se puede dar tal o cual hecho o fenómeno

y cuáles pueden ser sus efectos.

No obstante son estudios muy utilizados por cuanto, muchas veces, la composición de

las hipótesis es realizada sobre más de dos variables respecto de las unidades de

análisis que se tengan en consideración. En el esquema que sintetiza los tipos de

proposiciones según relaciones establecidas entre determinantes y resultados, pueden

observarse diferentes maneras de provocar las mismas. Entre otras: Si P ------ Q es la



relación que más conocemos, pero, también, frecuentemente usamos más de dos

variables en nuestras investigaciones con lo cual los tipos que pueden establecerse

son muy diversos.

Por su parte, también en Zetterberg85, "las relaciones que puedan intentar nos pueden

llevar a configurar sistemas de hipótesis", en los que podemos fijar relaciones a través

de:

A) Listado de determinantes: "Todos los factores que afectan ciertos factores están

ligados a un conjunto de determinantes".

B) Listado de Resultados: "La determinante es una y la misma, pero en la que las

variables dependientes son diferentes, es un inventario de resultados".

C) Secuencia de proposiciones encadenadas: "Cuando en dos o más proposiciones

secuenciales en las cuales el resultado de una vuelve a aparecer como determinante

en otra, permiten su ordenamiento en cadena. Las relaciones establecidas dan lugar a

observar que la variable que aparece como efecto en una, luego se presenta como

determinante en otra".

Damos a entender de ese modo las diversas opciones que en materia de relac iones

pueden establecerse entre variables y que dejamos para el lector ampliar sobre el

tema.

-Los Estudios Explicativos: son aquellos que alcanzan mayor profundidad y, como ya

señaláramos, son los que permiten responder al por qué de las hipótesis. Se

configuran a través de un sistema de hipótesis que mediante su comprobación dan

lugar a la obtención de generalizaciones teóricas de mayor relevancia.

Otra clasificación importante de las investigaciones cuantitativas se basa en la

posibilidad que tiene el investigador de controlar la variable independiente y otras

situaciones del estudio (como conformar por su cuenta el grupo o los grupos que serán

objetos de su estudio). De acuerdo con este criterio se distinguen los siguientes tipos

generales de investigaciones:

a) experimentales

b) cuasi experimentales



c) no experimentales.

Investigaciones experimentales

En las investigaciones experimentales el investigador tiene el control de la variable

independiente o variable estímulo, la cual puede hacer variar en la forma que sea más

apropiada a sus objetivos. De igual manera, puede controlar la conformación de los

grupos que necesita para su estudio.

En términos generales, las investigaciones experimentales permiten determinar:

a) El efecto de una variable independiente (llamada también causal, estímulo o

tratamiento) sobre una variable dependiente (por ejemplo, el efecto de la autoimagen

creada experimentalmente sobre el rendimiento en la solución de problemas de

aprendizaje).

b) Los efectos diferenciales de dos o más modalidades de una variable independiente

sobre otra dependiente (por ejemplo, comparar el estudio individual con el estudio en

grupo .dos modalidades de la variable estudiar. sobre los niveles de aprendizaje).

c) El efecto conjunto de dos o más variables independientes sobre otra (como sería el

caso de determinar el efecto combinado de dos métodos de enseñanza con dos formas

de organización del trabajo en el aula sobre el rendimiento escolar).

Antes de pasar a la presentación de los principales tipos específicos de la

investigación experimental, cuando se trata de utilizar estos diseños en educación, de

manera especial, pero no exclusivamente, conviene tener en cuenta estas

recomendaciones:

1. La investigación debe realizarse, en la medida de lo posible, en la misma escuela o

ambiente en el cual se pretende generalizar los resultados obtenidos en una muestra:

de alumnos, profesores, etc.

2. Deben utilizarse diversos contextos educacionales (escuelas de diversos niveles

socioeconómicos, etc.) con las respectivas muestras experimentales cuando se desea,

por ejemplo, validar un cierto recurso instruccional: una guía didáctica, un nuevo texto,

un método de enseñanza diferente, etc.

3. Al efectuar un experimento, el investigador debe prestar atención a las conductas de

las personas sometidas al estudio con el propósito de utilizar, si procede, sus opiniones

y comentarios al interpretar los resultados obtenidos. (Podría servirse de una entrevista



individual en profundidad, con lo cual utiliza una técnica cualitativa con una técnica

cuantitativa, como lo es el estudio experimental).

4. En muchas ocasiones, es útil darle instrucciones un tanto más detalladas que las

usuales a las personas que participan en el experimento, sin llegar a inducir las

respuestas o reacciones buscadas. Este procedimiento puede convenir cuando las

condiciones en las cuales se va a realizar el estudio son muy diferentes a aquellas en

las cuales se desenvuelven habitualmente tales personas.

A continuación pasamos a presentar los tipos específicos más usados de la

investigación experimental, propiamente tal.

a) Diseño con un grupo experimental, un grupo de control y mediciones antes y

después en ambos grupos.

Este diseño constituye la forma clásica de la investigación experimental. En él, los

sujetos del estudio son asignados aleatoriamente al azar al grupo experimental y al

grupo de control. Luego se siguen los pasos siguientes:

1. En ambos grupos se hace una medición antes (pre-test) de la variable dependiente,

es decir, del fenómeno o característica en el cual se desea determinar el efecto de la

variable independiente (llamada, también, como ya dijimos, variable estímulo,

experimental o tratamiento).

2. Luego, se aplica la variable independiente sólo en el grupo experimental (por

ejemplo, se expone a los sujetos de este grupo un video sobre el tema que se está

estudiando).

3. Se hacen mediciones después (postest) en ambos grupos.

4. Finalmente, se hacen comparaciones, en ambos grupos entre las mediciones antes y

las respectivas mediciones después.

La aplicación de la variable independiente puede ser de corta o de mediana duración.

Un ejemplo del primer caso es la aplicación de un video, ofrecer una conferencia, etc.

Del segundo, podría ser la enseñanza durante algunas semanas con un nuevo método

al grupo experimental. En este caso, debe cuidarse especialmente la influencia posible

de factores externos al experimento que pudieran afectar a las personas involucradas

en él.



Dicho lo mismo en términos metodológicos: que pudieran afectar la validez interna del

experimento con lo cual sería difícil afirmar que los cambios producidos en el grupo

experimental se deben a la variable experimental, de manera directa. (Para el concepto

de validez interna y de los factores que pueden invalidarla, conviene que usted recurra

al libro de Campbell y Stanley Diseños experimentales y cuasi-experimentales en la

investigación social, que citamos en la bibliografía).

De acuerdo con la terminología introducida por los dos autores que acabamos de

mencionar, el diseño experimental clásico se representa en la forma siguiente:

E: designa al grupo experimental.

A: quiere decir que el grupo se ha conformado al azar

C: indica al grupo de control

O: significan mediciones antes y después

X: indica la introducción o aplicación de la variable independiente o tratamiento utilizado

por el investigador:

La conformación aleatoria de los dos grupos permite eliminar, al nivel del azar, las

diferencias que pudieran existir entre sus sujetos componentes; las mediciones antes y

después en ambos grupos y sus comparaciones en cada uno de ellos permiten

constatar si ha habido diferencias entre ellos, y si éstas fueran a favor del grupo

experimental, entonces el investigador podría decir que ellas se deben a la acción de

la variable independiente o tratamiento que sólo fue aplicado a ese grupo.

Debido al mismo hecho de utilizar el azar, en la formación de los grupos se controlan

los factores de selección (no hay elección intencionada) y el de mortalidad (si los

grupos son prácticamente iguales, los dos deberían tener, de ocurrir, similar número de

personas que no completan el experimento). Por usar un grupo de control, el

experimento clásico controla también los factores de historia (efecto de circunstancias

externas al experimento que pueden influir en sus resultados, el cual debería ser similar

para los dos grupos) y el de maduración (cambios biológicos y psicológicos que se

darían en ambos grupos de manera semejante mientras se hace el experimento).

Para la constatación de las posibles diferencias entre los grupos experimental y de

control, una vez terminado el experimento, se debe utilizar análisis de la covarianza con

los puntajes antes (pretest) como covariable. Este procedimiento permite ajustar las



diferencias de los sujetos de ambos grupos, dejando solamente los cambios de la

variable independiente como causa de las modificaciones que se darían entre ellos. Es

frecuente, sin embargo, especialmente si hay bases para asegurar que las condiciones

de los dos grupos en lo que se refiere a su valores en la variable dependiente son

iguales en el momento de iniciar el estudio, que se utilice en el análisis de los datos la

estadística o el análisis de la varianza. Este diseño, como el que exponemos a

continuación, puede utilizarse con más de un grupo experimental.

b) Diseño con un grupo experimental y un grupo de control con mediciones sólo

después. Es un diseño que sólo se diferencia del clásico que acabamos de ver en

cuanto, por alguna razón o impedimento, no se hacen mediciones antes de la variable

dependiente en ninguno de sus dos grupos. Comprende los siguientes pasos:

Conformación aleatoria de los grupos experimental y de control (puede utilizarse más

de un grupo experimental, por ejemplo, al comparar dos métodos de exposición sobre

las drogas).

2) Aplicación de la variable independiente, tratamiento o prueba sólo al grupo

experimental.

3) Medición después (postest) de la variable dependiente (por ejemplo, actitud frente a

las drogas) en ambos grupos.

4) Comparación de las dos mediciones después.

La representación simbólica del diseño es la que sigue:

El diseño controla los factores que pueden actuar contra la validez interna del

experimento, como lo son la historia y la maduración, por utilizar un grupo de control.

También controla los factores de la selección (sesgos) y de la mortalidad experimental.

Debido al hecho que no se hacen mediciones antes no puede haber efecto sobre la

prueba que se utiliza en la medición después. Pero, precisamente, por no utilizar

medición antes, el diseño tiene varias desventajas, entre las cuales se destacan las

siguientes:

1) No es posible usar el análisis de la covarianza para controlar las diferencias iníciales

que podrían tener los grupos experimental y de control.



2) Si se retiran sujetos de cualquiera de los dos grupos, y como no tenemos

mediciones antes., no sabemos si las diferencias, de producirse, entre las situaciones

finales del grupo experimental y de control se deben a la influencia del tratamiento

(variable independiente) en el primero de estos grupos o bien se deben a las

diferencias que pudieron existir al comienzo del experimento entre los sujetos de

ambos grupos.

3) El análisis de los resultados (puntajes, en general) se hace comparando la

diferencia entre los puntajes después de ambos grupos mediante la estadística t. Si se

utilizan más de dos grupos, se debe utilizar el análisis de la varianza.

c) Diseño de dos grupos apareados con mediciones antes y después. Es una variación

del diseño clásico en cuanto consiste en aparejar (igualar, en la mayor medida posible)

los sujetos que constituirán el grupo experimental y el grupo de control, con la finalidad

de eliminar o disminuir al máximo las diferencias entre ellos. El apareamiento cumple la

misma función que la asignación al azar utilizada en el diseño clásico con el resultado

que en este nuevo diseño se logra mayor precisión en el momento de analizar los

datos.

El procedimiento metodológico comprende las siguientes tareas:

1) Se aplica una prueba a un grupo de sujetos, destinada a medir la variable

dependiente (digamos, la actitud hacia la política), o una variable estrechamente

correlacionada con ella, cuya modificación se desea establecer por una cierta variable

independiente.

2) Con base en los puntajes obtenidos por los sujetos en la prueba mencionada en el

paso anterior, se forman pares de sujetos con puntajes iguales o con pequeñas

diferencias entre sí.

3) De cada par, se asigna un sujeto al grupo que será el grupo experimental y el otro al

que será el grupo de control (puede haber más de un grupo experimental).

4) Se aplica el tratamiento (por ejemplo, una exposición sobre las funciones de la

política en la sociedad) al grupo experimental y, si es necesario, un placebo al grupo de

control.

5) Como medición después se aplica a los dos grupos la misma prueba de la medición

o una prueba equivalente a ella.



6) Finalmente se comparan las diferencias entre los valores después de los dos grupos.

Para el análisis de la diferencia anterior se emplea la estadística como prueba de

significación estadística.

Todos los diseños que hemos presentado hasta aquí trabajan con una sola variable

independiente. Sin embargo, se debe tener en cuenta que en muchas investigaciones,

sobre todo de aquellas que se realizan en el campo de la enseñanza-aprendizaje en el

aula, se utilizan dos o más variables independientes, con el propósito de determinar los

efectos combinados de ellas en la variable dependiente del caso. Los diseños

correspondientes a tales investigaciones reciben el nombre de diseños factoriales como

lo son el diseño factorial 2x2, el diseño factorial m x n, el diseño jerárquico, etc.

Un problema diferente al anterior, pero importante de resolver, tiene que ver con el

tamaño de los grupos del experimento. En sentido estricto, ese tamaño está

determinado por la estadística que se utilizará en el análisis de los datos, el nivel de

significación elegido, la estimación del tamaño de la varianza y la magnitud del error

probable que tendrá la diferencia real encontrada. Sin perjuicio de esos criterios, en la

práctica, los investigadores utilizan alrededor de 10 sujetos por grupo, con rangos que

van de 5 a 30 sujetos.

-Investigaciones cuasiexperimentales

En todos los diseños experimentales, propiamente tales, la asignación a los grupos

experimentales y de control se realiza en forma aleatoria, con la finalidad principal de

lograr una igualación, lo más cercana posible, de las características de los sujetos que

conforman esos grupos. Esto, en definitiva, para descartar variables (propiedades)

distintas a la variable independiente cuyo efecto particular se desea establecer en la

variable dependiente.

Con toda la importancia que tiene la aleatorización de los grupos, en muchas

circunstancias no es posible cumplir con el propósito de control señalado

anteriormente. Sin embargo, como lo han señalado Campbell y Stanley, en ausencia de

esa posibilidad, aún es posible realizar experimentos que pueden tener validez interna

y externa, si bien no eliminan todos los factores que las debilitan. De manera general,



los diseños en los cuales no se ha podido utilizar el azar en la formación de los grupos

reciben el nombre de diseños cuasiexperimentales, de los cuales presentamos los de

mayor utilización.

a) Diseño con un grupo de control no equivalente.

Es un diseño que se utiliza, no exclusivamente, con grupos naturales, como el

constituido por los alumnos de un cierto grado o de una cierta escuela, personas que

han sido sometidas a una intervención social (de la cual se podría tomar una muestra),

etc. Tales grupos forman el grupo experimental; el grupo de control se forma con

sujetos, no elegidos al azar, que tengan características muy semejantes a los sujetos

del grupo experimental. El diseño se representa de la manera siguiente:

La línea de puntos indica que los grupos no han sido formados al azar.

La principal debilidad del diseño es la no aleatorización de los grupos, en la medida que

el grupo de control sea diferente del grupo experimental, más allá de la diferencias

debidas al azar. En esa medida, no podrán controlarse los factores extraños cuyos

efectos podrían confundirse con el efecto de la variable independiente, que es el foco

de la investigación.

Esta situación, sin embargo, puede resolverse, en buena proporción, con el uso del

análisis de la covarianza en el tratamiento final de los datos, con la elección de una

covariable adecuada.

b) Diseño de series cronológicas.

Es un diseño cuasiexperimental que no requiere de grupo de control. Consiste en una

serie de mediciones periódicas que se hacen en las personas en estudio, antes y

después que se ha introducido la variable experimental. Su representación simbólica es

la que sigue:

Los posibles resultados entre los dos momentos se dan en el gráfico siguiente, tomado

de Campbell y Stanley (pág. 78).

Posibles configuraciones de los resultados de introducir una variable experimental en el

punto X, en una serie cronológica de mediciones, O1 - O8. Salvo en el caso D, la

diferencia O4 - O5 es la misma para todas las series cronológicas, en tanto que la

legitimidad de inferir un efecto varía mucho, siendo máxima en A y B y totalmente

injustificada en F, G y H.



El principal problema de este diseño es el factor denominado historia, constituido por la

influencia que pudieron tener factores externos al experimento, ocurridos durante su

desarrollo. Otro problema tiene que ver con la elección de las técnicas de análisis que

permitan establecer el efecto de la variable independiente en los sujetos del estudio. La

mejor fórmula es el análisis de la varianza, que compara el promedio de los valores

antes de la introducción de la variable independiente con el promedio de los valores

después.

-Las investigaciones no experimentales

Las investigaciones no experimentales sobre la variable independiente, que es una de

las características de las investigaciones experimentales y cuasiexperimentales, como

tampoco conforma a los grupos del estudio. En estas investigaciones, la variable

independiente ya ha ocurrido cuando el investigador hace el estudio. O sea, ha ocurrido

un cierto fenómeno, que es tomado como variable independiente (por ejemplo, la

exposición a la televisión) para un estudio en el cual el investigador desea describir esa

variable como también los efectos que provoca sobre otro fenómeno, que es la variable

dependiente (por ejemplo, conductas delictivas). Por esta característica distintiva en lo

que se refiere a la ocurrencia de la variable independiente, las investigaciones en las

que se da esta circunstancia reciben el nombre de investigaciones ex post facto

(después del hecho). A este tipo de investigaciones pertenecen, entre las principales se

encuentra la encuesta social, el estudio de casos, el estudio de cohortes, la

observación estructurada, la investigación acción participativa y la investigación

evaluativa.

Según el tiempo durante el cual se realiza el estudio se distinguen las investigaciones

sincrónicas o transversales, que se refieren al objeto de investigación en un mismo

período de tiempo. Y, las investigaciones diacrónicas o longitudinales, en las cuales los

individuos se analizan durante un cierto tiempo, de manera más o menos continua. A

este tipo pertenecen los estudios de cohortes constituidas por personas que tienen uno

o más rasgos comunes (por ejemplo, estudiantes egresados de un cierto nivel

educativo en un mismo año), los estudios de paneles (un mismo grupo estudiado en

varios momentos), etc.



Lección 5. Aspectos éticos de la investigación psicológica.

Es importante considerar que todo profesional debe acogerse a unos parámetros éticos

y se retoma los principios como un conducto que regula toda acción profesional entre

ella la investigación, igualmente es importante reconocer este código con el fin de

orientar y servir como regla de conducta profesional, en el ejercicio de la psicología en

cualquiera de sus modalidades, proporcionando principios generales que ayuden a

tomar decisiones informadas en la mayor parte de las situaciones con las cuales se

enfrenta el profesional de la Psicología, fundamentado en los principios de

beneficencia, no maleficencia, autonomía, justicia, veracidad, solidaridad, lealtad y

fidelidad, además de las contempladas en la ley.

El ejercicio de la profesión de psicología debe ser guiado por criterios, conceptos y

elevados fines que propendan a enaltecer su profesión; por lo tanto, están obligados a

ajustar sus actuaciones profesionales a las disposiciones de las siguientes normas que

constituyen su Código Deontológico y de Bioética. Los psicólogos en todas sus

especialidades, para todos los efectos del Código y Bioético y su régimen disciplinario

contemplado en esta ley se denominarán los profesionales.

Como componentes fundamentales está el uso de la información, el respeto, la

igualdad, la prudencia, la crítica, igualmente aspectos legales de uso de la profesión a

nivel público, la imparcialidad, el secreto profesional, la confidencialidad de información

del consultante, tales como datos de la entrevista, resultados de pruebas psicotécnicas,

aspectos que pueden consultarse de forma más puntual en la ley 1090 de 2006 en los

artículos 14 hasta el 32.

En este tema es importante revisar y comprender la definición de la psicología, tal y

como se contempla en la ley 1090, como una ciencia sustentada en la investigación y

una profesión que estudia los procesos de desarrollo cognoscitivo, emocional y social

del ser humano, desde la perspectiva del paradigma de la complejidad, con la finalidad

de propiciar el desarrollo del talento y las competencias humanas en los diferentes



dominios y contextos sociales tales como: La educación, la salud, el trabajo, la justicia,

la protección ambiental, el bienestar y la calidad de la vida. Con base en la

investigación científica fundamenta sus conocimientos y los aplica en forma válida,

ética y responsable a favor de los individuos, los grupos y las organizaciones, en los

distintos ámbitos de la vida individual y social, al aporte de conocimientos, técnicas y

procedimientos para crear condiciones que contribuyan al bienestar de los individuos y

al desarrollo de la comunidad, de los grupos y las organizaciones para una mejor

calidad de vida. Tal artículo presenta la siguiente observación: La definición de salud

por parte de OMS; En la que se subraya la naturaleza biopsicosocial del individuo, que

el bienestar y la prevención son parte esencial del sistema de valores que conduce a la

sanidad física y mental, que la Psicología estudia el comportamiento en general de la

persona sana o enferma. Se concluye que, independientemente del área en que se

desempeña en el ejercicio tanto público como privado, pertenece privilegiadamente al

ámbito de la salud, motivo por el cual se considera al psicólogo también como un

profesional de la salud.

Retomando nuevamente la definición de la psicología como una ciencia sustentada en

la investigación, la ley 1090 de 2006 define de forma puntual el proceso que debe

seguir el profesional que se dedica a esta labor, invito en este punto a detenernos un

momento y hacer un análisis y reflexión, realmente se debe comprender que la

actividad investigativa va más allá de la formulación de problemas, indagación y

búsqueda de respuesta bajo un estudio que aborda los fenómenos, en nuestro caso,

sociales; esta ley le da el realce como una actividad que promueve la producción

científica, la propiedad intelectual y la gestión de conocimiento, por lo cual contempla el

uso adecuado de metodologías, la planeación, el manejo adecuado de la información

recolectada, el consentimiento de las personas o comunidades, la práctica de los

principios básicos definidos por la Unesco y la APA para guiar éticamente la

investigación con animales, el derecho a la propiedad intelectual sobre los trabajos que

elabore en forma individual o colectiva, en general guiarse por los principios éticos que

generan de forma crítica y objetiva el análisis de las problemáticas y el respeto por el



ser humano. Estos aspectos pueden ser revisados de forma puntual en los artículos 49

y 55 establecidos en el código deontológico y bioético de psicología.

Para ampliar el tema y dar revisión completa al código bioético y deontológico, revisar

la ley 1090 de 2006. Que pueden consultar en el siguiente enlace:

http://www.colpsic.org.co/portal/tribunales_normatividad.php

Momento reflexivo: Cuáles son los aportes de la investigación cuantitativa a la

psicología?.

CAPÍTULO 2. MEDICIÓN DE LO PSICOLÓGICO

Lección 1: Características del paradigma positivista.

En psicología abundan los paradigmas de investigación y por tanto los métodos para

abordar los fenómenos que le interesan a cada uno. Gracias a esa diversidad, también

son frecuentes los debates y apuntes que hacen los representantes de un paradigma

hacia otro. Cabe aclarar que las ideas que se emiten de un lado hacia otro están llenas

de matices, y en varias ocasiones estas opiniones están basadas en concepciones

antiguas, dogmáticas o que simplemente no están acordes con la realidad. Para que

una disciplina avance deben hacerlo sus métodos, teorías y discurso; los debates y

opiniones respecto a otros paradigmas y disciplinas no se pueden quedar en

malentendidos. Con el presente texto se pretende aclarar algunas de las críticas que se

le hacen a ciertos enfoques en psicología que usan como su método principal lo

cuantitativo; críticas hechas especialmente por las áreas de la psicología, la enfermería

y otras disciplinas sociales que prefieren el uso de los métodos de corte cualitativo.

El Enfoque Cuantitativo es Positivista: Según Zamora (2003) el positivismo, sea viejo o

nuevo, sostiene que los únicos métodos válidos de obtención de conocimiento son la

demostración formal y la contrastación empírica. Estos datos son reinterpretados a la

http://www.colpsic.org.co/portal/tribunales_normatividad.php



luz de una teoría al igual que se haría en cualquier metodología investigativa, de tal

forma que sean coherentes con las ideas científicas.

El enfoque cuantitativo es Penetrantes no Naturalista: Cook y Reichardt (1997)

mencionan que algunos métodos como la observación participativa, de uso frecuente

en la investigación cualitativa, es de hecho un método penetrante; adicionalmente hay

métodos cuantitativos que son naturalistas.

El enfoque cuantitativo es objetivo e Ignora la Subjetividad: Cook y Reichardt (1997),

citando a Scriven (1972), afirman que los significados del término subjetivo pueden ser

dos; a saber, “influido por el juicio humano” o que toma en cuenta los sentimientos y

creencias humanos, se supondría que lo objetivo sería lo contrario. Cos métodos

cuantitativos no se pretende ignorar la subjetividad sino que ésta sea lo más prec isa y

coherente con los datos que se presentan en la realidad, los métodos cuantitativos nos

son “antihumanistas” (Zamora, 2003), las conclusiones de un trabajo tienen

afirmaciones a la luz de los datos y teorías, hipótesis respecto a lo que aún no tiene

una explicación consistente y por último opiniones y especulaciones respecto a lo que

se podría encontrar en otros estudios.

Los métodos cuantitativos son confirmatorios y deductivos y no se fundamentan en la

realidad: En la investigación de corte cuantitativo existe una forma de investigación

denominada exploratoria que no está interesada en confirmar una hipótesis sino, como

su nombre lo indica, explorar y describir un fenómeno, y poder hacer ajustes para

abordarlo de la forma más apropiada.

Estudios Carentes de Validez: Se supone que no son válidos porque ignoran la

individualidad, “La pregunta que evidentemente hacen los investigadores cualitativos a

los cuantitativos es ¿cuán particularizables son tus generalidades...?” (Pita y Pértegas,

2002). Es innegable que cada persona en el mundo es diferente a otra, pero resulta,

que así como hay diferencias, las similitudes entre personas que comparten ciertos

grupos sociales también son bastantes, y es gracias a esos puntos en común que se



pueden hacer generalizaciones y además afirmar que esas generalizaciones son

correctas; no se niega la individualidad ni se promedian subjetividades se parte de

puntos comunes entre los sujetos para explicar una situación.

Ignoran la Totalidad: Es prácticamente imposible abarcar un fenómeno en su totalidad,

y más aún si es un fenómeno social, la cantidad de variables es tal (familia, entorno,

ambiente, biología (genética, nutrición, salud), economía, creencias, educación…) que

su manejo se convertiría en un problema más difícil de resolver que el objeto de estudio

como tal, hay un dicho popular que dice que “el que mucho abarca poco aprieta”; en

ese orden de ideas se hablaría de estudios que tienen en cuenta más o menos

factores.

Consideran una Realidad Inmutable: En los estudios sociales con métodos

cuantitativos se registran los factores relevantes para el lugar, comunidad y momento

objetivo, decir que la investigación cuantitativa y las disciplinas que hacen uso de ella

consideran la realidad inmutable es equivalente a decir que ignoran el contexto, y eso

es algo que definitivamente no ocurre con este tipo de investigación, así como tampoco

en la cualitativa.

Se Sirve de los Sujetos no se Comunica con Ellos:Esta posición tomada del texto de

Mendoza (2006), asume que la investigación que utiliza una metodología cuantitativa

no se comunica con los sujetos sino que les “extrae” información. Gran parte de la

investigación cuantitativa o empírico analítica busca obtener datos para más adelante

proponer programas para la solución de ciertos problemas, si el interés no es la

solución de un problema sino dar cuenta de un fenómeno podría decirse que tanto la

investigación cuantitativa como la cualitativa “extraen” información de los sujetos, pero

si se tiene un interés académico el término “extraer” no tiene un carácter peyorativo

como se presenta en el texto de Mendoza (2006).

Explica no Comprende: Según Guerrero (2007) “una explicación es un respuesta

eficaz, en relación con una teoría, a petición de información sobre ciertos hechos



relevantes”. Se explican los fenómenos de la naturaleza de carácter predecible y

repetible, al contrario las actividades humanas son hechos únicos, sin causa (sino con

propósito) que no se explican sino se comprenden. Esta dicotomía entre explicación y

comprensión, más que aportar al conocimiento y abordaje de lo que es relevante para

la psicología, lo que hace es crear confusión; al respecto hay que preguntar a los

investigadores que hacen uso de los métodos cualitativos si el comportamiento es algo

que se puede explicar o solamente comprender, y si el que es capaz de explicar algo

no lo comprende también.

Los anteriores planteamientos son tomados a modo de lo más relevante del artículo

¿Los que explican pero no comprenden? Una reflexión en torno a las críticas que

hacen otras metodologías a los abordajes cuantitativos. Ávila, J (2008), psicólogo

Universidad Nacional de Colombia, es importante dar la revisión al todo el artículo,

pueden ubicarlo por el nombre.

Lección 2: Hipótesis

Las hipótesis como una suposición o conjetura sobre características con las cuales se

da en la realidad el fenómeno social en estudio; o bien como una conjetura de las

relaciones que se dan entre características o variables de ese fenómeno. Como un

problema de investigación es una pregunta que se plantea el investigador con el

propósito de darle una respuesta correcta, también se puede decir que la hipótesis es

la respuesta anticipada que el investigador propone a tal pregunta, respuesta que

someterá a verificación empírica con los datos que recoja, ya sea de manera directa o

indirecta. Agreguemos, todavía, que no toda suposición es una hipótesis: lo es cuando

ella se formula dentro de un conjunto de conocimientos ya acumulados sobre el objeto

de investigación o dentro de la problemática teórica o práctica que lo rodea. En tal

caso, esos conocimientos constituyen la fundamentación de la hipótesis.

Ejemplo de un objetivo formulado como hipótesis.



Objetivo: En las escuelas básicas de un municipio, determinar el efecto que produce

sobre el logro escolar la inversión per cápita por alumno en capacitación de los

profesores en técnicas actuales de enseñanza - aprendizaje.

Hipótesis: En las escuelas básicas de un municipio, la inversión per cápita por alumno

aumenta el logro escolar cuando la inversión se hace en la capacitación de los

profesores en técnicas actuales de enseñanza - aprendizaje.

Clasificación de las hipótesis.

Existen varios criterios para clasificar las hipótesis. Aquí elegimos la relación que, se

supone, tiene la hipótesis con las principales funciones que ella, con las principales

funciones de la investigación. Según este criterio, se distinguen cinco tipos de

hipótesis: descriptivas, tipológicas, relacionales, explicativas y estadísticas.

Hipótesis descriptivas: Se refieren a características que se darían en el objeto

estudiado: .En un grupo heterogéneo en su composición socioeconómica, las personas

con mayores niveles son menos autoritarias que las personas con menores niveles.

Hipótesis tipológicas: Proponen clasificaciones de las personas u objetos estudiados:

.En relación con la modernización del currículum, los profesores pueden clasificarse

en: a) innovadores; b) conformistas; c) opositores totales; d) opositores parciales.

Hipótesis relacionales: Suponen relaciones entre dos o más propiedades o variables

que se dan en las personas del objeto estudiado: .La correlación entre el nivel de

escolaridad de la madre y el nivel de escolaridad que logran sus hijos es mayor que la

correlación que se da entre este nivel y la escolaridad del padre.

Hipótesis explicativas o causales: Suponen causas o factores determinantes de un

cierto fenómeno: .La causa principal de la deserción en las escuelas básicas es la

diferencia que existe entre el código lingüístico que se usa en la escuela y el código

lingüístico de los alumnos en el cual han sido socializados en sus hogares.



Si bien muchas de las hipótesis explicativas o causales proponen un solo factor (el

código lingüístico, en el ejemplo), en la complejidad del mundo social sobre todos y

cada uno de los fenómenos se dan múltiples influencias. Como reconocimiento de esta

situación, estas hipótesis deberían enunciarse con la cláusula .en igualdad de otras

condiciones.. Así se diría, por ejemplo: .En igualdad de condiciones económicas las

personas que respetan principios religiosos son más autoritarias que aquellas que no

se rigen por tales principios.. El investigador debe elegir las condición (es) que se

igualará (n) en cuanto también podría tener efecto en el fenómeno estudiado (el

autoritarismo, en el ejemplo).

Hipótesis estadísticas: Las hipótesis estadísticas son supuestos hechos por el

investigador acerca del valor que puede tener una cierta medida estadística en una

muestra probabilística tomada de una determinada población. Estas hipótesis se

formulan con una cierta probabilidad del margen del error que puede tener ese valor.

Dentro de estas hipótesis estadísticas tienen especial importancia las llamadas

hipótesis nulas y la correspondiente hipótesis alternativa. Así, e:n un estudio realizado

en una muestra en la cual se han calculado dos medios aritméticos, la hipótesis nula

dirá que, si fuera el caso, no existe una diferencia estadísticamente significativa entre el

promedio de salarios de los hombres y de las mujeres en una cierta profesión. La

hipótesis alternativa, por su lado, dirá que sí existe diferencia. Para aceptar o rechazar

una u otra de las alternativas, se deberá conocer cuál es la probabilidad de darse tal

valor y cuál es la probabilidad propuesta por el investigador para eso.

Lección 3: Variables y Constructos y definición operacional.

Las variables son las características de un objeto o evento que tenga a los menos dos

atributos (categorías o valores); los atributos son distintas categorías o valores que

componen la variable, en función de ellos se clasifican los objetos. Variables como

edad, ingresos económicos, altura, toman valores numéricos; pero las variables cono

sexo, estado civil, adoptan categorías.



A continuación encuentra un cuadro esquemático de los tipos de variables y

posteriormente encuentra la definición y ejemplos.

Cuadro 6. Tipo de variables.

Se invita a ver el siguiente vínculo. http://www.youtube.com/watch?v=4x3iI-oj53k

- Variable independiente: es el atributo, propiedad o característica que el investigador

va a observar bajo condiciones controladas, proceso denominado manipulación de la

variable en una investigación experimental, para valorar y medir la incidencia en la

variable dependiente; es la causa en la relación causa-efecto.

- Variable Dependiente: en una investigación es una característica cuyo valor cambia

porque se manifiesta de diferentes formas, o aparece y desparece cuando el

experimentador introduce, reitera o cambia la variable independiente. Es la

consecuencia en la relación causa-efecto y no se manipula sino que se mide para ver

http://www.youtube.com/watch?v=4x3iI-oj53k



el efecto de la manipulación de la variable independiente sobre ella; por lo tanto se

debe definir para saber qué se va a medir u operacionalizar.

- Variables Intervinientes: son aquellas que pueden modificar os valores de la variable

dependiente pero que no son controladas por el investigador.

Según el tipo de valor:

- Variables cualitativas son aquellas que toman como valores cualidades o categorías

que representan la pertenencia a una clase de cosas.

- Variables cuantitativas: toman como valores numéricos aunque no representan

cantidades, como es el caso de los códigos.

-Variables Continuas: son variables cuantitativas cuyos valores cambian en forma

progresiva y no a asaltos o de una a otra categoría, tienen un orden que no puede

alterarse y sobre ellas se pueden hacer análisis estadísticos descriptivos a través de

medidas de tendencia central y medidas de dispersión.

- Variables Discretas: son aquellas cuyos valores corresponden a clases

independientes, no admiten valores intermedios y por lo tanto, no tiene sentido hablar

de promedios o de otros estadísticos descriptivos.

Según técnicas u operaciones estadísticas (Escalas):

- Variables nominales: se refieren a nombres, no proporcionan información referente a

un atributo, excepto en términos de equivalencia o no equivalencia. Son excluyentes y

si se asignan números sólo se utilizan para distinguir unos objetos sociales de otros.

- Variables ordinales: se refiere a la distribución de objetos según su lugar relativo con

respecto a otros, de un tributo especifico. Los atributos o características se ordenan de

acuerdo con algún criterio, sin embargo no dice que tanto es mayor el atributo con

respecto a otro nivel. El criterio para clasificar a las personas u objetos en un grupo u

otro no obedece a operaciones matemáticas sino a criterios establecidos por el

investigador que construyo la escala o prueba) Ver modulo Psicometría o Medición

Psicológica).

- Variables de intervalo: los números asignados corresponden a la intensidad con la

cual se da una variable en las personas u objeto de estudio. Especifican el rango de

ordenamiento de los objetos o atributos y la distancia entre dichos objetos.



- Variables de proporción o de razón: cumplen todos los requisitos anteriores, excepto

que aquí el cero si es racional, es decir el cero indica ausencia del atributo o

característica que se está midiendo.

Los constructos se definen como propiedades subyacentes, que no pueden medirse en

forma directa, sino mediante manifestaciones externas de su sexo, la ocupación, etc.,

que, como se ve, corresponden a grados diferentes o iguales de darse una cierta

propiedad en las personas o de darse en modalidades diferentes.

Los constructos se definen como propiedades subyacentes, que no pueden medirse en

forma directa, sino mediante manifestaciones externas de su existencia, es decir,

mediante indicadores. En otras palabras, los constructos son variables subyacentes,

por lo cual, habitualmente, caen en la denominación común de variables.

A partir de esa definición, es importante buscar procedimientos que permitan su

medición indirecta mediante manifestaciones externas, empíricas y observables. Tales

manifestaciones o expresiones reciben el nombre de indicadores. En el caso de una

cierta actitud, son indicadores de ella las respuestas que pueda dar un sujeto a una o

más preguntas que se supone se relacionan con la correspondiente variable

subyacente. O, también como ejemplo, el ingreso de una persona es un indicador de su

posición social, o bien su nivel de instrucción formal, etc. Como se ve en estos

ejemplos, los indicadores dicen la forma cómo será medida una cierta variable.

La selección de indicadores objetivos para medir una variable subyacente o compleja

corresponde a la definición operacional de esa variable. De manera abreviada, y si

corresponde, una definición operacional consiste en señalar el instrumento con el cual

será medida la variable. Así, la inteligencia queda definida operacionalmente cuando

decimos que será medida por el test de Raven.

Otras definiciones operacionales se dan en los párrafos que siguen.

. Definición operacional de la variable posición socioeconómica. En este caso, se dirá

que la variable será medida con los siguientes indicadores con sus respectivos valores

ordinales:



Ocupaciones no manuales = 2

Ocupaciones manuales = 1

Educación universitaria = 5

Educación secundaria = 3

Educación primaria = 1

De acuerdo con esta definición operacional, una persona con una ocupación no manual

y con educación secundaria tendrá una posición socioeconómica de valor .5.; otra con

ocupación manual y educación primaria tendrá un valor .2. Cabe hacer notar que esos

valores corresponden a una variable ordinal: los números sólo indican que uno de ellos

es mayor que el otro. Lo mismo vale para otros ejemplos que damos a continuación.

. Definición operacional de actitud autoritaria. La actitud será medida con las

respuestas y ponderaciones dadas a las siguientes preguntas:

- Debe enseñársele a los niños que la obediencia es siempre un comportamiento

positivo.

De acuerdo = 3 Indiferente=2 En desacuerdo=. 1

Definición operacional de flexibilidad laboral a nivel de la empresa. Se medirá la

flexibilidad laboral de las empresas con el número de trabajadores que salen de ellas

anualmente. (Nótese que según el problema que se investiga, este mismo indicador

podría serlo de .inseguridad laboral.).

Directamente relacionado con los indicadores se encuentra la medida de una variable

compleja que no se puede medir directamente, denominada índice. En forma de

definición, un índice es una combinación de dos o más variables o de sus indicadores

elegidos por el investigador que propone como procedimiento para medir una cierta

variable de la naturaleza indicada antes.

Por lo dicho, un índice puede estar representado por los indicadores que se utilizan en

la definición operacional de una variable. De esta manera, un índice de posición

socioeconómica sería la combinación de valores o ponderaciones asignados a las

categorías distinguidas, por ejemplo, en la ocupación y en la educación.



Lección 4: Medición de variables y tipos de escalas de medición.

Una variable puede adoptar varios valores, tal vez muchos de ellos en cierto rango. El

valor suele ser numérico, aunque no necesariamente. Los diferentes valores son

nombres; ese tipo de variable se conoce como variable categórica, porque cada valor

de ella es una categoría diferenciada. Si bien es posible decir porque partido vota una

persona, esto no mide una actitud política en una escala; de igual modo, se puede

preguntar a los individuos si son casados o solteros, pero no es posible decir que tan

casados están. Las variables como la estatura, el tiempo y la cantidad de hermanos

que se tiene, eso sí representa una un valor concreto y se conocen como variables

medidas, puesto que se vale de un numero para indicar en qué parte de una escala se

encuentra la persona en esa variable. Una de las principales tareas al tratar de evaluar

las variables psicológicas, a menudo consiste en pasar de una variable categoría, de

acuerdo/ desacuerdo a una variable de medida que tan de acurdo esta.

Algunas variables son fáciles de medir y uno esta familiarizado con el tipo de

instrumento de medición necesario. Algunas variables son familiares en términos

conceptuales, pero medirlas en forma numérica es algo difícil de hacer, como en el

caso de la actitud, la ansiedad, o los sentimientos. Sin embargo, aunque a las personas

suele agradarles pensar que no hacen mediciones psicológicas de las personas, hay al

menos cierta medición implícita en afirmaciones como por ejemplo se opone

fuertemente al consumo del cigarrillo, y quien puede oponerse solo un poco.

En psicología se trabaja con variables como la actitud y la ansiedad, es necesario en

posibilidades de especificarlas con precisión, en parte porque se desea ser exacto en la

medición de sus cambios y en parte porque es importante comunicar a los demás los

hallazgos. Si se aspira que estos trabajos se tomen con seriedad, debe existir la

posibilidad de que los demás los repliquen con la ayuda de los mismos procedimientos

de medición que uno utilizó y que obtengan los mismos resultados.

La medición de una variable consiste precisamente en el proceso de asignar valores o

categorías a las distinta características que conforman el objeto de estudio, para que se

realice adecuadamente la medición, se recomienda tres aspectos; el primero, la



exhaustividad; es decir, que comprenda el mayor número de atributos, el propósito es

que ningún atributo quede sin poder clasificarse, en un cuestionario la opción -otros-

corresponde a aquellas en las que caben otras respuestas diferentes a las del

cuestionario; el segundo; la exclusividad, los distintos atributos que componen la

variable deben ser mutuamente excluyentes y el tercero; la exactitud, que establece la

precisión y claridad.

-Tipos de escalas de medición

Todos los datos son en última instancia resultado de un proceso de medición.

Podemos distinguir cuatro niveles de medición: escala nominal, escala ordinal, escala

de intervalo, escala de razón.

Escala nominal: corresponde a los datos cualitativos, cuando se clasifican en

categorías que no implican orden.

¿Es propietario de automóvil?: Sí No

Escala ordinal: cuando los datos cualitativos se clasifican en categorías distintas en las

que existe algún orden.

Rango docente: Titular Asociado Adjunto Auxiliar

Escala de intervalo: es una escala ordenada en la cual la diferencia entre las

mediciones es una cantidad que tiene significado preciso. Por ejemplo, si una persona

mide 1,65 m, entonces tiene 5 cm más que otra que mide 1,70 m. Estos 5 cm

representan la misma diferencia entre una persona que mide 1,82 m y otra que mide

1,77m.

Escala de razón: En este caso, además de que las diferencias son significativas e

iguales en todos los puntos de la escala, existe un cero real, de modo que se pueden

considerar cocientes de mediciones. Por ejemplo, una persona que mide 180 cm tiene

el doble de altura de otra que mide 90 cm, mientras que una temperatura de 80ºC no

significa precisamente el doble de otra de 40ºC.



Lección 5: Muestra y tipos de muestreo.

Cuadro 7. Tipos de muestreo

La muestra es una parte de la población que de acuerdo con la selección que se haga

representa la población y es la suficiente y necesaria para obtener la información

requerida. Axial la muestra son los grupos de individuos, acontecimientos o situaciones,

que se incluirán en la investigación. La muestra es siempre una parte representativa de

la población dada y de ella se obtiene efectivamente la información. El problema

principal consiste en asegurar que la muestra sea representativa de la población, de

manera que permite generalizar las conclusiones a ésta. En ocasiones, cuando la

investigación no es muy extensa, puede tomarse la totalidad de la población como

muestra.

Establecer la Unidad de Observación, es un paso inevitable. Esta nos conduce a las

Unidades de Análisis, las cuales se configuran por las instituciones, grupos de

individuos, personas individuales, etc, las que por su parte se ubican en un espacio

geográfico y temporal.



Por ejemplo, estudiantes universitarios, organizaciones gubernamentales, jefes de

hogar, otros.

La pregunta que aparece frente a tales Unidades de Análisis es ¿todos los estudiantes

secundarios?, ¿todas las ONG?.. .Naturalmente, la respuesta remite a considerar que

"todos" es el universo de la población, que exigirá el diseño de una muestra, lo que

implica la selección de unidades concretas.

Como ya se dijo, dependerá de los objetivos de la investigación. Si la decisión es un

estudio de caso, como se planteará en apartados próximos, la muestra en cuestión, se

limita a la selección de aquellas personas, grupos, instituciones que serán constituidas

como "el caso", para lo cual se avanzará con un procedimiento diferenciado.

Mientras que si el interés es realizar una encuesta, es necesario una muestra, la cual

está determinada por un subconjunto del conjunto total que es el universo.

El propósito perseguido es establecer generalizaciones sobre lo que se está

investigando, los elementos que conforman la muestra y obtener conclusiones con un

mínimo de error. Se basa en la teoría estadística y fundamentalmente en el cálculo de

probabilidades, en los diferentes tipos de distribución de probabilidades y el de prueba

de hipótesis.

Para que una muestra sea representativa, se necesita:

• Determinar el tamaño de la muestra: implica calcular el número de personas a

entrevistar con base en criterios de fíabilidad de resultados y optimización de costos y

tiempo.

La forma de muestreo: elegir el tipo que se utilizará conforme la teoría estadística que

sea viable de aplicar (muestras probabilísticas, muestras no probabilísticas)

• Determinar las unidades muéstrales: establecida la muestra, obtener las unidades

(personas, instituciones, etc) sobre las que se aplicará.

-El Tamaño de la Muestra

Conforme la fuente citada cumple con el primer paso significa que se debe tener en

cuenta que las unidades seleccionadas sean representativas, conlleven el menor costo

y otorguen la mayor confianza. Ello implica tener en cuenta tres funciones:



1. La varianza poblacional, que refiere a la heterogeneidad u homogeneidad de la

población. A mayor homogeneidad, menor será el número de elementos y,

contrariamente, a mayor heterogeneidad, o dispersión de la población, será exigida

mayor proporción, a fin de garantizar la representatividad.

2. El nivel de confianza, que se alcanza a través de la distribución de los elementos

sobre la base de la campana de Gauss. En el ejemplo anterior, distribuiríamos a la

población, si se pretende reconocer nivel de estudios alcanzados, conforme la

frecuencia de jóvenes con estudios de nivel básico, de nivel medio y de nivel superior.

De ello se obtendría que la mayor parte se ubica en el nivel básico y medio y una

minoría estaría en el nivel superior. El grado de confianza se alcanza teniendo en

cuenta que la población sea representativa de cada nivel de aprendizaje, de manera

que se puedan establecer intervalos de confianza siguiendo reglas estadísticas

preparadas para tal fin.

3. El máximo de error: Implica estimar hasta dónde es posible tener un sesgo de

error, que se define por algo que ya se apuntó: cuanto mayor es el tamaño de la

muestra, menor el error muestral y viceversa. Este último, generalmente ya está

establecido por el investigador, el cual oscila entre 2.5% al 2%.98

-Clases de muestras: La selección de una muestra se hace en función del

problema, objetivos, hipótesis, variables y tipos de estudio.

Una muestra debe satisface dos condiciones:

En ella debe ser posible poner a prueba las hipótesis, es decir, las relaciones

entre variables.

Debe ser posible la generalización, es decir, inferencias validas con un grado de

incertidumbre conocido.

-Tipos de muestreo:

- Probabilística: o al azar. Para que un muestreo sea Probabilístico se requiere que

todo y cada uno de los elementos de la población ténganla misma probabilidad de ser

seleccionados. Se divide en:



- Aleatorio simple: todos los elementos tienen las mismas probabilidades de ser

seleccionados.

- Muestreo sistemático: tiene las mismas características del aleatorio simple, solo

difiere en el procedimiento de selección de las unidades de muestra.

- Estratificado: se utiliza cuando la población es demasiado heterogénea con respecto a

las características que se desean estudiar; en este caso se agrupan los elementos

dentro de grupos o estratos. Se puede estratificar por sexo, edad, nivel

socioeconómico, ubicación geográfica etc.

- Conglomerado: se divide a la población de acuerdo con características específicas, se

escogen los grupos que se requiere para el estudio y en cada uno de ellos se hace una

selección al azar conservando la misma proporciona en todos.

- No probabilístico: no sigue el proceso aleatorio o al azar no es representativa de una

población, se caracteriza porque el investigador selecciona su muestra siguiendo

algunos criterios identificados para los fines de la investigación que desea realizar.

Dentro de éste se encuentra el muestreo por conveniencia y el muestreo por cuotas.

La estadística inferencial se ocupa de este problema y determine si la muestra es o no

representativa; cuando ello sucede, se puede predecir el resto de la población también

cumple con la misma ley enunciada en la hipótesis.

Momento reflexivo: Por qué el problema de la cuantificación en la investigación

psicológica?

CAPÍTULO 3. TÉCNICAS Y ESCALAS DE ACTITUD.

Lección 1. La encuesta.

Una vez que se decide el tipo de muestreo a utilizar en la investigación, resulta

necesario armar el de recolección de información. Una definición técnica de la

encuesta es que es una técnica estandarizada que permite obtener información acerca

de una muestra de población total. Para Cecilia Blanco ( 2011) la encueta es ” un

método científico de recolección de datos de carácter cuantitativo que permite recopilar

información sobre opiniones , creencias y/o actitudes de los sujetos estudiados e



indagar acerca de temas múltiples, tales como pautas de conducta, prejuicios,

tendencias políticas”: Esta técnica brinda información acerca de cómo se manifiestan

muchas propiedades ( categorías, variables, atributos) en innumerables individuos y se

aplican ámbitos diversos, comercial, político, académico.

En el mundo académico, la encuesta adquirió importancia en la década de los 40,

especialmente en áreas de sociología y comunicación, esta técnica se convirtió

prontamente en una de las más utilizadas en la investigación social empírica en los

Estados Unidos. La encueta resulto ser una de los más potente métodos cuantitativos

puesto que permite obtener datos validos en un plazo relativamente corto y así realizar

inferencias y estimaciones, ( Marradi, Archenti y Piovani, 2010).

La base estadística de la encuesta permite establecer predicciones representativas

respecto de las características de grandes poblaciones a partir del análisis de datos

obtenidos en estudios a pequeña escala de pequeñas muestras probabilísticas

adecuadamente seleccionadas. La encuesta permite describir como e manifiestan

determinadas propiedades de una población, a partir del análisis del comportamiento

de las variables de una muestra.

Lección 2. La entrevista.

La recolección de la información igualmente puede ser mediante otras técnicas,

especialmente para áreas de las ciencias sociales existe diversas formas de

aproximarse a las personas, entre ellas la entrevista, esta es una forma de tener un

encuentro cara a cara y utilizan una variedad de preguntas dese las cerradas hasta las

abiertas, y las diverso tipos, estructuradas o semiestructuradas, para el caso de la

investigación cuantitativa se den tratar que sea una entrevista lo más estructurada

posible, porque al no ser así, el análisis de respuestas es un proceso algo, complejo y

es de un orden más interpretativo. Al tener un interés en la cuantificación se deben

generar categorías que prioricen la información recolectada.



Los tipos de entrevista de acuerdo al texto de Hugh, C. (2005), son 5: no directiva,

informal, semi estructurada, estructurada abierta, completamente estructurada; a

continuación se presenta algunos aspecto relevante de cada una.

Entrevista no directiva: El entrevistado puede hablar de lo que quiera, se trata de que

se aumente los conocimientos acerca de si mismo y de manejar sus problemas

personales.

Entrevista Informal: El objetivo es reunir datos de investigación, bajo un atmosfera

cordial y más relajada, pero centrada en un tema específico, además no se ve limitada

por una respuesta fija.

Entrevista semiestructurada: Tiene en cuenta un ambiente informal, pero es guiada,

porque el entrevistador puede ofrecer respuesta que conlleven a nuevas preguntas o a

omitir otras, dado que ya ha dado la respuesta; este tipo de entrevista se emplea más

en la investigación cualitativa, o puede conllevar a análisis de contenido cuando la

información es relevante y amplia para la investigación.

Entrevista estructurada pero abierta: A fin de evitar la indefinición, se utiliza un

procedimiento estandarizado el cual consiste en hacer la pregunta un el orden

predeterminado y garantiza mayor consistencia en cuanto los datos que se reúnen.

Las preguntas son abiertas. Cuénteme, dígame…

Entrevista completamente estructurada: Las preguntas tienen un formato

preestablecido y las opciones de respuesta están establecidas, por ejemplo a veces,

casi nunca, brinda la opción de manejo de datos específicos, pero no es muy usada en

ciencias sociales dado que de alguna manera se distancia de una conversación, por

esta razón, este tipo de entrevista puede hacerse por teléfono y no necesariamente

cara a cara.

Lección 3. La observación.

Esta técnica va más allá del registro de datos observados, en cierto sentido, los datos

que proviene de las personas se obtienen por medio de alguien tipo de observación,

para ello puede tomarse datos en ambientes naturales o en ambientes artificiales, así

mismo donde puede darse un control total de las variables, por tanto la observación

como técnica de investigación implica un amplio significado, porque comprende toda



una preparación del ambiente y de elementos que permitan ese registro, un registro de

las conductas; por ello puede usarse en estudio de orden descriptivo y en estudios de

orden experimental y para estos últimos es donde representa ese proceso de medican

de variables, la variable independiente y la variable dependiente.

Por consiguiente se usa como técnica de recolección de datos, pero, cabe aclarar que

puede usarse como diseño general de la investigación. Como técnica, pretende medir

las variables o describir las conductas; como diseño busca contrastar los datos con

otras investigaciones en particular de orden experimental, pero en ambiente naturales,

es decir, no se manipula variables, que es lo que se hace en entornos de laboratorio o

artificiales.

Esta técnica igualmente tiene formas de realizar la observación, por un lado esta la

observación participante y no participante, la primera permita al investigador hacer

parte del grupo de sujetos observados, mientras que la no participante el investigador

debe observa a distancia. Cuando se emplea esta técnica, el investigador de acuerdo

al estudio puede informar o no las intencionalidades de la investigación, lo que permita

los comportamiento naturales de las personas y no afecte la recolección de datos.

De otro se encuentra la observación estructurada o sistemática, cuyas características

son; la definición de categorías conductuales a registrarse, el muestreo de la conducta,

de manera consistente y la capacidad del investigador en ese ejercicio observacional,

en especial orientadas por un sistema de codificación de los datos.

Esta técnica se apoya en instrumentos de recolección necesariamente, porque no se

puede dejar solo lo observado a percepción o recuerdo del investigador, por ello se

sugiere que se tenga una hoja de registro, que puede ser el diario de campo, como

otras hojas de codificación, así mismo se recomienda y resalta la importancia de hacer

uso de instrumentos como la grabación en vio que permitirá la totalidad de registro y las

ventajas para analizar varios factores luego de la situación observada.

Lección 4. Análisis de contenido.

Es la descripción objetiva, sistemática y cuantitativa del contenido manifiesto de la

comunicación cuya finalidad es interpretarla. Actualmente se lo entiende, como el



conjunto de procedimientos interpretativos y de técnicas de comprobación y verificación

de hipótesis aplicadas a productos comunicativos (mensajes, textos o discursos), o a

interacciones comunicativas que previamente registradas, constituyen un documento,

con el objeto de extraer y procesar datos.

En este apartado, diferenciaremos el Análisis de Contenido teniendo en cuenta la

"Semántica Cuantitativa" o de base no gramatical en la concepción de Duverger.

Para ello se tiene en cuenta:

• Constituir un universo (Un libro; un capitulo, un discurso, las editoriales publicadas en

una fecha determinada por un N° determinado de periódicos, etc) que exige, una clara

delimitación

• Establecer las Unidades de Análisis. La palabra, la unidad más sencilla, el tema,

conformado frecuentemente como una oración; el ítem, definido como la unidad de

análisis que es usada por los productores de material simbólico (pueden ser un libro,

una editorial, un programa); las medidas de espacio-tiempo (N° de páginas dedicadas a

la sección economía y a la sección; centímetros que ocupa una columna; etc.).

• Conformar las Categorías. Los niveles en los que se clasifican las unidades de

análisis en las que Duverger, (pp. 182) distingue: Categorías de materia que

comprende: Los temas tratados(los diferentes programas televisivos; las diferentes

materias del plan de estudios; los fenómenos políticos -propuestos por Lasswell- las

personas; los grupos y las comunidades; las organizaciones; la política; las ideologías-

los métodos o técnicas, son una variedad de las categorías basada en los temas;

Categorías de Forma. Como su nombre sugiere, se refiere al modo en que son tratados

los temas: De forma propiamente dicha. La distinción entre los hechos, las

declaraciones de preferencia y las declaraciones de identificación ("El Plan Económico

se pone en vigencia el próximo mes", es una declaración de hecho; las Políticas

sociales están bien instrumentadas -o no- es una declaración de preferencia; El Diario

País de España llega a la toda L.A, es una declaración de identificación. De Intensidad.

Es el efecto que provoca la comunicación. Requiere de la definición de conceptos

emocionales que midiendo su frecuencia intenta conocer la intensidad del hecho. Las

repercusiones de un hecho policial transmitido en la TV. Las estratagemas. El análisis

de un texto en el que se encubre otro mensaje, por ej. Una propaganda. Las



Categorías de Apreciación. Se clasifican las U.A. según las estimaciones que hace el

autor: toma de posición (aprobación-desaprobación; afirmación - negación); los valores

(bien-mal; Justo-injusto; fuerte-débil); las autoridades, las personas, grupos, etc, en

cuyo nombre se hace la declaración. Las Categorías de Personas y de Actores. Se

separan los que responden a las personas, su características personales, de los que

refieren a los documentos.

Respecto del estatus personal y rasgos de carácter discierne sobre: sexo; edad;

educación; nivel de ingresos. Se pueden añadir otras condiciones: preferencias,

atractivo personal; o bien disponiéndose de información de las características

personales: por ej. ¿Cuántas veces se dice que el funcionario es leal para con sus

votantes y coherente en su conducta con las decisiones que toma? Un análisis de ese

tipo, lleva al investigador a contar las veces que tales términos se repiten en las

preguntas abiertas, en un cuestionario que busque información sobre el escaso éxito

de las políticas sociales, es frecuente la respuesta: "los políticos no hacen nada. Solo

vienen cuando hay que votar"

Esa respuesta el analista la puede connotaren una expresión que la identifique, junto

con otras expresiones parecidas y, categorizarla como "lealtad". En otras palabras el

investigador está codificando a través de una operación que le permite "contar" las

veces que el código en cuestión se repite. Respecto de los actores, indica las

personas, grupos, presentados en los documentos como protagonistas principales. Las

Categorías de Origen y Destino. Alude a la procedencia y a destinatarios del

documento. El trabajo consiste en analizar durante un tiempo determinado, el origen de

la noticia, por ejemplo, si es de una provincia, de un municipio, de otro país. El destino

es la categoría que procura determinara quien se dirige la noticia, el discurso, la

propaganda, etc. Analizar, por ej. ¿A quién está dirigido el discurso del Presidente?: a

los banqueros, a los empresarios, a los más necesitados, etc.; o la propaganda de una

marca de cigarrillos: a los más jóvenes, a las mujeres, etc.

El análisis de contenido en las categorías que han sido descritas, es el medio por el

cual se realiza luego la codificación de un documento, técnica a la que nos hemos

referido. Es decir que codificación y análisis de contenido se encuentran relacionados,



y a su vez, ambas están estrechamente vinculadas con el cuestionario y las escalas de

medición de opinión y actitudes.

Lección 5. Escalas de actitudes.

Las actitudes pueden considerarse como una relativamente duradera organización de

creencias, sentimientos y tendencias de conducta hacia objetos, grupos, eventos o

símbolos socialmente significativos; una predisposición adquirida, un sentimiento

general de evaluación (positiva o negativa), sobre personas, objetos o asuntos. De esta

definición, se desprende el “ABC” de los componentes de las actitudes:

AFECTIVOS: Respuesta emocional, positiva o negativa

DE CONDUCTA (“BEHAVIOURAL”). Intención de realizar una acción

COGNITIVOS: Creencias que moldean los componentes anteriores, estos

componentes siempre trabajan conjuntamente, jugando un papel importante en la

determinación de la conducta.

Este enfoque involucra la conversión de algo abstracto, como lo es la actitud, en alguna

clase de escala numérica, dando mayor facilidad al manejo de los datos y subsecuente

análisis estadístico. Algunas de las más utilizadas son:

-Escala de Likert: denominada así en honor de Rensis Likert, quien diseñó este método

en 1932. En general, se plantean una serie de afirmaciones, juicios o preguntas

(“proposiciones”), ante las cuales el individuo debe mostrar su “acuerdo” usando

palabras que implican grados crecientes (o decrecientes) del mismo; es pues, una

escala de tipo ordinal, que se desarrollará más ampliamente en este reporte.

-Diferencial semántico: método desarrollado por Osgood, Suci, y Tannenbaum en 1957,

se basa en usar un par de adjetivos opuestos, representando valores extremos en una

opción bipolar, como bueno/malo, útil/inútil, adecuado/inadecuado, seguro/peligroso,

etc. Se asume que hay un espacio semántico hipotético, entre los cuales debería estar

situada la verdadera actitud del sujeto, que se evalúa de manera “gráfica”. Ejemplo:

¿qué le parece el contenido de esta guía?



Obviamente, el investigador debe elegir, previamente, la forma de codificar cada

respuesta. Este tipo de escala permite la medición simple de las actitudes hacia

aspectos muy generales

- Escala o “escalograma” de Guttman: Planteada por Luis Guttman en 1944. Se

presentan una serie de planteamientos similares a los de la escala de Likert, pero

asumiéndose que cada escalograma está dirigido a estudiar un solo detalle de cada

aspecto en particular, siendo entonces “unidimensionales”.

En este tipo de escalas hay gradación interna y externa, la interna respecto al grado de

concordancia con el planteamiento propuesto y externa en el sentido de que hay

diversos planteamientos similares que varían en intensidad, por lo que se asume que el

aceptar el de mayor intensidad es equivalente a aceptar todos los demás y viceversa.

Los ítems deben construirse y validarse con especial cuidado, debiendo ser

presentados en orden creciente o decreciente de “intensidad”. Ejemplo: si una persona

responde que le gustan todas las frutas, entonces debería decir también que le gustan

las manzanas, ya que esta afirmación es de menor intensidad que la primera.

-Escala de Bogardus: es una escala acumulativa, como la de Guttman, en el sentido de

que hay diversos planteamientos similares que varían de grado, por lo que se asume

que el aceptar un determinado implica aceptar todos los que tengan un grado menor.

La diferencia con la de Guttman estriba en que se usa un escalamiento de intervalos.

-Escala de Thurstone y Chave: realizada con ítemes que valoran opiniones con valores

fluctuantes entre 0 y 11, los cuales, sin embargo, no se muestran a los participantes,

quienes sólo deben seleccionar la opinión con la que concuerden más. Los valores de

1 a 11 se obtienen promediando los valores o pesos que se asignan por un grupo de

expertos, implicando que esta escala tiende a representar una medición de intervalos.

Momento reflexivo: Cuál es la importancia de elegir la técnica adecuada para la

investigación?



Autoevaluación de la Unidad:

Apreciado estudiante, luego de la lectura, análisis y comprensión de los temas de la

unidad 1, es importante el proceso de autoevaluación, entendida como una oportunidad

para hacer la revisión y reflexión autocrítica de procesos, aprendizaje y productos del

proyecto de formación que está desarrollando en su rol de estudiante.

Conteste las siguientes preguntas de acuerdo con la siguiente escala valorativa:

5: Totalmente de acuerdo.

4: De acuerdo

3: Nivel medio

2: Desacuerdo

1: Totalmente desacuerdo.

Competencia cognitiva 1 2 3 4 5 1-Comprende los conceptos y temas presentados en el módulo. 2-Identifica la importancia de los objetivos de aprendizaje. 3-Reconoce las características epistemológicas de investigación.

4- Reconoce las características metodológicas de investigación cuantitativa.

5- Reconoce los aspectos éticos de investigación en psicología.

Competencia metodológica 1 2 3 4 5 1-Organizó su tiempo para el desarrollo de lectura y ejercicios. 2-Demostró dominio en los ejercicios de cada capítulo 3-Desarroló habilidades en el proceso de diseño metodológico. 4-Consultó otras fuentes bibliográficas. 5-Generó estrategias para alcanzar las metas de aprendizaje.

Competencia contextual 1 2 3 4 5 1-Reconoce el impacto social de la investigación cuantitativa. 2-Relaciona el aprendizaje con situaciones reales del contexto. 3-Identifica los campos de acción en los que puede intervenir. 4-Genera aportes conceptuales ante los problemas del contexto. 5-Valora el desempeño profesional ante el servicio a la comunidad.

Competencia comunicativa 1 2 3 4 5 1-Generó dialogo claro y oportuno con el tutor y compañeros. 2-Comprendió las instrucciones para la elaboración de trabajos. 3-Expresó inquietudes sobre el tema o actividades del curso. 4- Intercambió ideas y opiniones sobre los temas del curso. 5-Establece pautas de interacción apropiadas a su rol.




Avila, J. (2008). ¿Los que explican pero no comprenden? Una reflexión en torno a las

críticas que hacen otras metodologías a los abordajes cuantitativos. Indago. Número 2. Universidad Nacional de Colombia.

Blanco, C. (2011). Encuesta y estadística. Métodos de investigación cuantitativa en ciencias sociales y comunicación. Editorial Brujas. Argentina.

Clark-Carter, David. (2002). Investigación cuantitativa en psicología, del diseño

experimental al reporte de la investigación. Universidad de Oxford.

Hugh, C. (2005). Métodos de investigación y estadística en psicología. 3a Ed. Manual Moderno. México.




TRATAMIENTO Y ANÁLISIS DE DATOS EN EL PROCESO DE INVESTIGACIÓN

CUANTITATIVA.

Presentación:

La investigación cuantitativa parte de entidades teóricas de amplio reconocimiento por

parte de la comunidad científica, los estudios desde esta investigación generalmente

examinan los datos numéricos tomados de un fenómeno observado especialmente con

el apoyo de disciplinas como la estadística. A partir de la cual se hacen demostraciones

de los aspectos separados de su todo, a los que se asigna significado numérico y se

logran inferencias causales, por tanto en esta segunda unidad en la cual se tiene en

cuenta el proceso propio de la investigación cuantitativa se presentara de forma puntual

los aspectos de diseño de investigación cuantitativa, la recolección de información y el

tratamiento y análisis de datos desde esa misma perspectiva de la investigación

cuantitativa. Por tanto es importante en primer lugar reconocer que la investigación

cuantitativa no es de ninguna manera una investigación en contraposición de la

investigación cualitativa, solo se presenta como una forma diferente de abordar

estudios o problemáticas y que desde esa perspectiva brinda opciones especificas

tales como más rigurosidad, objetividad, generalidad y especialmente la deducción,

formas que se basan en métodos y estrategias de cuantificación de la información.

La invitación en este punto es que como profesionales de psicología se adquiera

igualmente un aprendizaje sobre las características de la investigación cuantitativa, sus

diseños y sus formas de recolección y tratamiento de datos, para lo cual es importante

realizar la lectura de cada uno de los temas, igualmente abordar las lecturas

complementarias sugeridas, así mismo el desarrollo de los ejercicios y actividades de

autoevaluación, con el fin de generar competencias metodológicas y contextuales que

contribuyan al conocimiento y especialmente la intervención en los contextos sociales,

a partir de una mirada del método lógico –deductivo que igualmente exigirá el dominio

de las teorías o enfoques psicológicos.



Objetivos específicos de la unidad:

- Presentar de forma organizada referentes conceptuales sobre diseños metodológicos,

formas de recolección y tratamiento de información a partir de la investigación

cuantitativa.

- Establecer actividades reflexivas que promuevan actitudes valorativas y competencias

contextuales en torno los procesos de gestión de conocimiento investigación y el

análisis de las realidades desde la investigación cuantitativa.

- Orientar un proceso de aprendizaje a partir de las respectivas fases de

reconocimiento, profundización y trasferencia basado en estrategias pedagógicas,

didácticas y evaluativas de cada capítulo.

Evaluación diagnóstica:

Señor estudiante, es importante tenga en cuenta que para realizar la lectura de los

ejes temáticos que integran la segunda unidad, se requiere que previamente haya

cumplido la lectura, ejercicios y trabajo colaborativo de la Unidad 1, es decir, se

requiere de bases conceptuales y dominio en los aspectos teóricos, metodológicos y

éticos de la investigación, por tanto es un momento para reconocer las fortalezas y

reforzar aquellas en las cuales se detectó dificultad dada la autoevaluación de la

Unidad 1. Responda las siguientes preguntas:



Preguntas:

1. Conozco la definición de estadística?. Si____ Cuáles?: ______________________________________________ _________________________________________________________ _________________________________________________________ No____ Es importante conocerlos? Si____ No______ Por qué ____________________________________________________ __________________________________________________________

2. Conozco el significado y la función de los datos en un proceso de investigación?

Si_____ Nómbralas: ________________________ ________________________ ________________________ ________________________ No_____ Es importante investigar sobre ellas? Si______ No________ Dónde o con quién puedo Investigar: _____________________________ 3. Conozco en términos conceptuales los diferentes métodos estadísticos para organizar datos? Si_____ Cuáles?: _________________________________________________________ __________________________________________________________ __________________________________________________________ No_____ Es importante conocerlos?. Si______ No_______ Por qué?____________________________________________________ ___________________________________________________________ 4. Conozco en términos prácticos algunos métodos estadísticos para organizar datos? Si______ Cuáles?: ___________________________________________________________ ___________________________________________________________ No_____ Es importante revisarlo? Si_______ No_______ Por qué:___________________________________________________ __________________________________________________________ 5. Identifico el procedimiento para la construcción de unidades y categorías de análisis. Si______ No_______ Por qué?____________________________________________________ ___________________________________________________________



CAPÍTULO 1. RESUMEN Y DESCRIPCIÓN DE DATOS

Lección 1. Procedimiento para el análisis de datos y tipos de datos

Una vez concluidas las etapas de colección y procesamiento de datos se inicia con una

de las más importantes fases de una investigación: el análisis de datos. En esta etapa

se determina como analizar los datos y que herramientas de análisis estadístico son

adecuadas para éste propósito. El tipo de análisis de los datos depende al menos de

los siguientes factores.

a) El nivel de medición de las variables (los niveles de medición fueron explicados en la

sección 2.4 del capítulo II).

b) El tipo de hipótesis formulada (ver sección 2.2, capítulo II).

c) El diseño de investigación utilizado indica el tipo de análisis requerido para la

comprobación de hipótesis.

El análisis de datos es el precedente para la actividad de interpretación. La

interpretación se realiza en términos de los resultados de la investigación. Esta

actividad consiste en establecer inferencias sobre las relaciones entre las variables

estudiadas para extraer conclusiones y recomendaciones (Kerlinger, 1982). La

interpretación se realiza en dos etapas; la primera, la interpretación de las relaciones

entre las variables y los datos que las sustentan con fundamento en algún nivel de

significancia estadística. La segunda, establecer un significado más amplio de la

investigación, es decir, determinar el grado de generalización de los resultados de la

investigación.

Las dos anteriores etapas se sustentan en el grado de validez y confiabilidad de la

investigación. Ello implica la capacidad de generalización de los resultados obtenidos.

“Analizar significa establecer categorías, ordenar, manipular y resumir los datos,”

(Kerlinger, 1982, p. 96). En esta etapa del proceso de investigación se procede a



racionalizar los datos colectados a fin de explicar e interpretar las posibles relaciones

que expresan las variables estudiadas.

El diseño de tablas estadísticas permite aplicar técnicas de análisis complejas

facilitando este proceso. El análisis debe expresarse de manera clara y simple

utilizando lógica tanto inductiva como deductiva.

Los resultados de una investigación basados en datos muestrales requieren de una

aproximación al verdadero valor de la población (Zorrilla, 1994). Para lograr lo anterior

se requiere de una serie de técnicas estadísticas. Estas técnicas se derivan tanto de la

estadística paramétrica como de la estadística no paramétrica. La primera tiene como

supuestos que la población estudiada posee una distribución normal y que los datos

obtenidos se midieron en una escala de intervalo y de razón. La segunda no establece

supuestos acerca de la distribución de la población sin embargo requiere que las

variables estudiadas se midan a nivel nominal u ordinal (ver Weiers, 1993).

Las tablas diseñadas para el análisis de datos se incluyen en el reporte final y pueden

ser útiles para analizar una o más variables. En virtud de éste último criterio el análisis

de datos puede ser univariado, bivariado o multivariado

Tipos de datos

En una investigación estadística, se manejan diversas características, a las que se

denomina variables. Los datos son los resultados que se observan para estas

variables. Básicamente existen dos tipos de variables, que producen dos tipos de

datos: cualitativos y cuantitativos. Las primeras variables producen respuestas

categóricas, en tanto que las segundas producen respuestas numéricas. Por otra parte,

los datos cuantitativos pueden ser discretos o continuos.

Los datos cuantitativos discretos son respuestas numéricas que surgen de un proceso

de conteo, mientras que los continuos son los que surgen de un proceso de medición,

en este aspecto deben tener en cuenta las escalas de medición presentadas en la

primera unidad, capitulo 2, lección 4.



Lección 2. Codificación y matriz de datos:

Realizado el trabajo de campo, es tiempo de proceder al tratamiento y análisis de la

información obtenida. Recordemos que aludirá la información está ligada a tener del

problema en estudio una base de "datos brutos", los cuales reclaman su clasificación y

ordenamiento para orientarse a las etapas finales de la investigación.

Tomada la decisión respecto de lo que se hará con la información, el investigador

procede a preparar la matriz de datos o la base de datos de su investigación.

Con el avance tecnológico que sobre el tema existe, desde el punto de vista del

sistema informático, no seremos nosotros los que daremos aportes en tal sentido. No

obstante cabe reconocer que es necesaria la elaboración y ejecución de un programa

para su aplicación por computadora. Esto, desde ya, en el entendimiento de que el

análisis de los datos ya nadie los hace en forma manual.

Sin embargo el conjunto de pasos a seguir, independientemente del procedimiento

informático, serán por lo menos someramente descritos, ya que el sistema recibe los

insumos que deben ser preparados y cuidadosamente controlados por el investigador.

La Matriz de datos es el espacio en el que converge la información que se recolecta y

la que nos da la oportunidad de construir los datos, considerados estos últimos como la

conjunción de tres elementos: Unidad de Análisis; Variable; Valor, los cuales son partes

constitutivas de aquella, tal como será observado.

Por lo tanto para comprender el proceso de tratamiento de los datos, los criterios que a

continuación serán expuestos son los seguidos según la técnica del cuestionario

semiestructurado, haciendo para esta ocasión un breve punteado de los pasos

principales.

• Recolectar la información conforme la técnica ya mencionada.

• Proceder a la codificación de las preguntas cerradas, si es que no se hizo antes de la

salida a campo.

• Realizar el trabajo de "limpieza" de los cuestionarios. Esto significa: su numeración;

revisión dejas respuestas, a fin de corregir los errores de toma, por ejemplo si no se ha

pasado de una pregunta a otra, o aquellas que en las que se debe registrar una sola

opción y aparecen marcadas dos o más; los casos en que no correspondía preguntar y



por el contrario así ocurrió; etc. En otras palabras, proceder a la edición de los

cuestionarios, tarea inevitable porque de ella dependen los pasos posteriores.

Proceder a la codificación de las variables y/o preguntas cerradas.

• Preparar la muestra para la codificación de las preguntas abiertas.

• Codificar las preguntas abiertas, según la muestra seleccionada.

• Preparar el libro de códigos

• Completar la codificación.

Resueltas estas instancias cabe completar la matriz, ya sea en forma manual o

informática. Precisamente el trabajo de codificación contribuye a identificar con un

número o símbolo cada respuesta, a fin de que la misma se traspase a la matriz.

El trabajo con los datos. Hacia la contrastación de las hipótesis.

a). Procurar que las celdas estén cubiertas. Es decir, cumplir con el principio de

integridad. Si se ha realizado bien el trabajo de campo, el cuestionario no ha tenido

dificultad en su implementación y si las tareas posteriores como la edición, ha sido

bien realizada, es de suponer que cada pregunta ha tenido una respuesta. En otras

palabras: cada variable del cuestionario, alcanzó un valor, conforme las dimensiones o

la categorización otorgada a la misma en el instrumento. Ello motivó la utilización del

código que reemplaza el valor de la variable, para ser volcado en la matriz. Los

espacios vacíos del ejemplo, están colocados en las variables edad e ingresos. Para

estas, las recomendaciones que se realizan son: poner tal como ha sido dado el

número de años (32,15, o el que fuera), o bien trabajar la variable y, dado su carácter

cuantitativo, construir intervalos y luego a cada uno de ellos otorgar el valor del código

que corresponda, como lo proponemos en el ejemplo:

-10 años (1)

11 a 20 (2)

21 a 30 (3)

34 a 40 (4)

41 a 50 (5)

+ de 50 (6)

De igual forma, con la variable ingreso, la cual también puede ser ordenada en

intervalos, según lo valores que se hayan registrado.



b) La matriz sirve para clasificar. Por lo tanto a cada Unidad de Análisis le corresponde

una variable y un valor de la misma, Es decir se tiene que producir una clasificación en

la que el par comprendido por la (JA 1V1, por ejemplo, muestre el carácter exclusivo

del valor y a la vez el carácter exhaustivo del mismo. Cada entrevistado debe registrar

una sola respuesta o categoría

c) Cada uno de las combinaciones que se realicen debe tener un sentido.

Si se alude a países, (como unidades de Análisis), estos no pueden tener valores que

respondan al sexo, o a lugar de residencia. Esta advertencia responde a la posibilidad

de comparación de las variables entre sí.

Lo expuesto corresponde a lo que se denomina "principios básicos", que como se

observa son los de integridad; clasificación y comparabilidad.

Tomado de Gloria E. Sobre Tesis y Tesistas. Lecciones de enseñanza – aprendizaje.

Editorial Espacio. Buenos Aires, Argentina, 2003.

Lección 3. Métodos gráficos

Existen diferentes formas de resumir gráficamente los datos, la ventaja es que

comunica al lector aspectos de los datos como tamaño relativo, de manera más

inmediata. Cabe indicar que presenta dos desventajas, la primera, a veces resulta

difícil obtener los valores exactos de una gráfica, segunda, generalmente quien las

elabora no tiene en cuenta que algunos lectores no estén acostumbrados a las

convenciones relacionadas con las gráficas.

La mayoría de la representación grafica de datos emplea dos dimensiones o ejes, una

para los valores de la variable independiente y otra para la dependiente. Por

convención el eje vertical representa la variable dependiente y el horizontal la

independiente. A menudo no hay variables dependiente o independientes obvias, en

ese caso, han de colocarse en los ejes de la manera en que tenga más sentido a la luz

de la convención.



-Gráficas de barras:

Se utiliza cuando los niveles de la variable independiente se relacionan con categorías,

como en el ejemplo de personas fumadoras y no fumadoras.

Gráfica 1. Ejemplo Grafica de barras variable independiente

0

2

4

6

8

10

12

14

16

Fumadores No fumadores

Series1

Ahora, si integramos la variable dependiente como género, la gráfica corresponde:

Gráfica 2. Ejemplo Grafica de barras variable dependiente e independiente

-Histogramas:

Son similares a las gráficas de barra, solo que estas se tocan entre sí, y tienden a

usarse cuando los niveles de las variables independientes son cuantitativos, por

ejemplo la edad.



Gráfica 3. Ejemplo Histograma.

-Gráficas de pastel o de sectores:

Etas graficas difieren de la mayoría de las gráficas porque representan los subtotales

como área de un pastel correspondientes a una categoría.

Número de personas en cada grupo de edad:

Gráfica 4. Ejemplo 1 grafica de barras



Porcentaje de personas en cada grupo de edad:


Rango especifico 20 a 29 años:


También resulta factible mostrar más de un conjunto de datos en graficas de pastel

separadas, de modo que el lector pueda compararlas.

Porcentaje de fumadores y no fumadores entre hombre y mujeres:




Lección 4. Probabilidad.

En este tema es importante tener en cuenta que más allá de la descripción de datos,

los resultados resultan útiles para explicar y probar las hipótesis, mas desde un marco

de la probabilidad, porque nunca se puede probar que una hipótesis es verdadera.

Para recordar, la hipótesis se trata de una afirmación que postula el posible resultado

ante un fenómeno, evento, acontecimiento o situación.

La expresión formal de una hipótesis de investigación siempre se realiza en términos

de dos hipótesis relacionadas. Una es la experimental o alternativa o de investigación

(a menudo se muestra como H1 o HA). Se trata de una afirmación que postula el

resultado del estudio o en términos de la psicología, la predicción de que un evento

ocurra o no. La segunda hipótesis es la nula (H0), por lo general es una afirmación de

que una variable independiente no tiene efecto sobre una variable dependiente o de

que no hay relación de variables.

Afirmaciones en términos probabilísticos hacen parte de nuestro lenguaje diario:

chance, riesgo, probable, posible, pueda que ocurra o no, casi cierto y otras más.

Todas estas son utilizadas para comunicar un cierto grado de incertidumbre aunque su

uso no técnico no permite establecer una clara diferencia entre probable y verosímil o

entre improbable e imposible. Uno de los objetivos de este capítulo es introducir una

medida numérica de incertidumbre.

Los primeros estudios de probabilidad fueron motivados por la posibilidad de acierto o

fracaso en los juegos de azar. La probabilidad es un mecanismo por medio del cual

pueden estudiarse sucesos aleatorios, es decir, operaciones cuyo resultado no puede

ser predicho de antemano con seguridad. Por ejemplo, el lanzamiento de una moneda.

Se asigna entre 0 (absolutamente improbable) y 100 (muy probable).

A partir de este ejemplo de la moneda, y en el contexto de que una amiga dice que

puede influir en el resultado del lanzamiento haciendo que caiga cara, puede

plantearse lo siguiente:

HA: nuestra amiga puede hacer que la moneda caiga en cara.

H0: nuestra amiga no puede influir en la caída de la moneda.



Se sabe que la posibilidad de que una moneda caiga cara por azar es de 0.5: Por tanto,

si la lanzamos y cae cara, sabríamos que era muy PROBABLE que esto sucediera por

azar y no se tendrían pruebas suficientes para rechazar la hipótesis nula. En realidad,

esta no constituye una prueba justa de nuestras hipótesis, pues ningún resultado del

estudio en particular es suficientemente IMPROBABLE por azar para servir de

evidencia contra la hipótesis nula. Para que la prueba de la hipótesis resultara más

justa se requiere una situación en la que fuera improbable que algunos resultados

ocurrieran por azar. Si la situación se complica, se puede ver que puede tener

probabilidades distintas; por ejemplo no una moneda, sino 5 monedas a la vez, esto

aumenta el número de resultados posibles. Las posibilidades van desde que todas

caigan cara hasta que todas caigan sello, pasando por toda la gama de combinaciones

cara y otras sello, con un total 32 combinaciones posibles.

Cuadro 9. Probabilidades de diferentes resultados cuando se lanzan 5 monedas

Número de caras Numero de

combinaciones que

se obtiene

Probabilidad

5 1 0.031

4 5 0.156

3 10 0.313

2 10 0.313

1 5 0.156

0 1 0.031

Por tanto, los resultados menos probables son que todas las monedas caigan cara o

sello, y las opciones más probables son las de 3 caras y 2 sellos, y 3 sellos y 2 caras.

Ante el planteamiento de un estudio para probar si nuestra amiga puede influir en las

monedas de modo que caigan solo caras, obtener ese resultado en el primer intento

pudo ocurrir por azar, pero es importante preguntarnos ¿es sufrientemente improbable

que ocurra por azar para arriesgarnos a decir que pensamos que puede rechazarse la

hipótesis nula y sustentar la hipótesis alternativa.



Antes de probar una hipótesis, los investigadores establecen un nivel de probabilidad

crítico, de modo que el resultado de su trabajo debe tener una probabilidad igual o

menor que el nivel crítico antes de rechazar la hipótesis nula de que el resultado ocurrió

por azar. Estos investigadores o expertos dicen que el rango de resultados tan

probable o menos probable que la probabilidad critica se encuentra en la región de

rechazo en otras palabras, es suficientemente improbable que estos resultados ocurran

al azar para rechazar la hipótesis nula.

Si el resultado del estudio se encentra en la región de rechazo, se dice que el resultado

es estadísticamente significativo, si su probabilidad se halla fuera de la región de

rechazo, no se considera estadísticamente significativo. Por convención, en

investigación, la probabilidad crítica suele fijarse en 0.05. En general, se utiliza el

símbolo α (letra griega alfa) para denotar la probabilidad crítica. Por tanto, α=0.05, este

valor se ha elegido como un compromiso ente dos tipos de error que los investigadores

llegan a cometer cuando deciden si rechazan la hipótesis nula. Si la probabilidad de

que nuestro resultado haya ocurrido por azar es igual o menor que α, no resulta

estadísticamente significativa y no podemos rechazar la H0.

Como la probabilidad de obtener 5 caras por azar es de 0.031, p=0.031, es menor que

α =0.05, entonces, se rechaza la hipótesis nula y se acepta la hipótesis alternativa,

concluyendo que nuestra amiga puede hacer que las monedas caigan cara.

Lección 5. Significación estadística

En estadística, un resultado se denomina estadísticamente significativo cuando no es

probable que haya sido debido al azar. Una "diferencia estadísticamente significativa"

solamente significa que hay evidencias estadísticas de que hay una diferencia entre las

variables estudiadas. No significa que la diferencia sea grande, importante, o

significativa en el sentido estricto de la palabra, sólo indica que hay diferencias.



Una de las aplicaciones de la estadística es hacer inferencias a poblaciones, a partir de

muestras. En la realización de este proceso, siempre existe el riesgo de error o

imprecisión ya sea por el azar o la variabilidad del fenómeno a estudiar.

Cualquier resultado puede ser un evento al azar, aun cuando sea muy improbable.

Pero debemos decidir si deseamos arriesgarnos a rechazar la hipótesis nula, pese a la

posibilidad. Como no se puede saber con seguridad que nuestra hipótesis es correcta,

hay cuatro resultados posibles dl proceso de decisión y se basan en las opciones y la

naturaleza de la realidad. Ante este tema, se conocen dos tipos de error, error tipo I,

elegir rechazar la hipótesis nula cuando es verdadera; error tipo II, elegir no rechazar

la hipótesis nula cuando es falsa.

Este aspecto de elegir rechazar o elegir no rechazar la hipótesis nula, conlleva

establecer unos pasos para la prueba de significancia, en su orden son:

1. Expresar una hipótesis nula apropiada para ponerla a prueba.

2. Calcular la probabilidad de que el efecto estadístico ocurra según la hipótesis

nula.

3. Si esta probabilidad es menor o igual a 0.05 se rechaza la hipótesis nula.

Momento reflexivo: Cómo proceder al tratamiento de datos?

CAPÍTULO 2. ANÁLISIS ESTADÍSTICO

Lección 1. Concepto básico de estadística.

El origen de la Estadística se remonta a dos tipos de actividades humanas: los juegos

de azar y las necesidades de los Estados: necesidades de describir numéricamente

ciudades, provincias, etc. Los juegos de azar llevaron al estudio de la probabilidad, y

éste condujo al tratamiento matemático de los errores de las mediciones y a la teoría

que hoy constituye la base de la estadística, mientras que la segunda actividad condujo



a la estadística descriptiva: presentación de datos en tablas y gráficos, aunque en

nuestros días incluye también la síntesis de ellos mediante descripciones numéricas.

El método estadístico moderno se refiere a la Inferencia estadística: ésta se relaciona

con el desarrollo de métodos y técnicas para obtener, analizar e interpretar datos

cuantitativos de tal manera que la confiabilidad de las conclusiones basadas en los

datos pueda ser evaluada objetivamente por medio del uso de la probabilidad. La teoría

de la probabilidad permite pasar de datos específicos a conclusiones generales, por

eso desempeña un papel fundamental en la teoría y aplicación de la estadística.

En épocas recientes la inferencia estadística ha adquirido la importancia que antes

tenía la estadística descriptiva. La inferencia estadística trata de generalizaciones

basadas en muestras de datos: se aplica a problemas como estimar, mediante

pruebas, la emisión promedio de contaminantes en una turbina, verificar las

especificaciones de un fabricante a partir de mediciones efectuadas sobre muestras de

un producto, etc.

Cuando se hace una inferencia estadística, debe procederse con cautela: debe

decidirse hasta qué punto pueden hacerse generalizaciones a partir de un conjunto de

datos disponibles, si las generalizaciones son razonables, o si sería preferible disponer

de otro conjunto de datos...

Algunos de los problemas importantes de la inferencia estadística se refieren

precisamente a la evaluación de los riesgos y las consecuencias al hacer

generalizaciones. Esto incluye una estimación de la probabilidad de tomar decisiones

erróneas, las posibilidades de hacer decisiones incorrectas y de obtener estimaciones

no comprendidas dentro de los límites permitidos. Todos estos problemas los aborda

en los últimos años la teoría de la decisión.

Para clarificar esta definición, se requieren ten claridad de algunas definiciones:

Población (o universo): es la totalidad de elementos que se consideran.

Muestra: es un subconjunto de una población que se selecciona para su estudio.

Parámetro: es una medida que se calcula para describir una característica poblacional.

Estadística: es una medida utilizada para describir una característica muestral.



Lección 2. Análisis Univariado:

Es un análisis básico, primario, en el cual, las características o propiedades de las

personas o cosas han de medirse una a una, de modo univariado. Los tipos de

medidas que se utilizan en los análisis univariados son, medidas de tendencia central,

medidas de dispersión y distribución de frecuencias.

-Medidas de tendencia central:

Consiste en el retomar un listado de los datos brutos, es decir tal como se presentan,

pero para mayor eficacia el investigador utiliza una forma de despliegue que los

presente de forma organizada.

El tipo más común es el que trata de presentar alguna especie de valor central de los

datos, el cual se conoce como promedio, existen tres conocidos en este tema

estadístico, la media, la mediana y la moda.

La media, es el valor que se encuentra al sumar las puntuaciones de las respuestas y

dividir entre el número total de éstas. Por ejemplo, si al sumar valores de un grupo de

participantes, (n=15), la suma total de esas respuestas da 91, ese valor se divide en 15,

lo cual significa que el valor de la media corresponde a 6.066. El símbolo más común

para representar la media de una muestra es Los expertos en estadística emplean

letras minúsculas del alfabeto latina para simbolizar estadísticas calculadas a partir de

una muestra.

La mediana, es el valor r que se encuentra en el centro de todos los valores, por tanto,

para encontrarla deben ordenarse los datos de mayor a menor, cuando la muestra es

impar la median es el valor que queda en el medio de eso muestra por ejemplo una

muestra de 15 sujetos, y sus datos son

3, 4, 4, 4, 5, 5, 6, 6, 7, 7, 7, 8, 8, 8, 9. El valor en este caso de la median es 6. Si la

muestra es par, corresponde sumar los dos valores centrales y se divide en 2.

3, 3, 4, 4, 5, 5, 5 , 6, 7, 7, 7, 7, 8, 8, 9, 9 = 15/2= 6.5



La moda, es el valor que más se presenta entre los participantes, tomando el ejemplo

exactamente anterior, el número que más se presenta es el 7, al ordenar los datos por

magnitud, permite identificar de forma más sencilla ese valor.

El texto Investigación cuantitativa en psicología de (Clark-Carter 2002) se expone que

la media es la medida de tendencia central que los psicólogos emplean más,

probablemente por tres razones. Su cálculo tiene en cuanta todos los valores de los

datos. Se utiliza en muchas pruebas estadísticas. Puede utilizarse junto con otras

medidas para dar una idea del rango de puntuaciones de la mayoría.

Ante este mimo uso de la media, es importante indicar que tiene dos desventajas, la

primera, que representa a todo el grupo, pero así mismo el dato obtenido podría

representar a nadie, por ejemplo cuando ante la variable de número de hijos, el valor

obtenido es de 2.4, que es un dato matemáticamente valido, pero en el caos de la

variable no es posible. La segunda desventaja, radica en que puede afectarse por una

sola puntuación muy diferente del resto de la muestra, por ejemplo capacidad de

recordar unas palabras, el promedio es 6 palabras, pero puede haber personas que

recuerdan el mínimo 1 palabra o el máximo 30 palabras, que aunque son los extremos

y pueden ser la excepción, para la investigación resulta dejar de lado datos que

pueden ser útiles.

Una sola medida de tendencia central no es suficiente para analizar los datos de la

muestra, por ello resulta útil reportar alguna medición de esta dispersión de

puntuaciones, a fin de poner la medida de tendencia central en contexto. Veamos

entonces el tema de medidas de dispersión.

-Medidas de dispersión:

Las medidas de dispersión permiten conocer la variabilidad de un conjunto de datos,

analicemos los siguientes factores:

Máximo y mínimos, precisamente son los valore extremos que representa el menor

valor obtenido y al mayor alcanzado por los sujetos de la muestra. Retomando



nuevamente el último ejemplo de datos que ha ilustrado estos métodos, el máximo es 9

y el mínimo 3.

Rango, otra forma de hallar el máximo y el mínimo, consiste en restar el mínimo del

máximo para dar el rango de valores. Esta cifra permite que diferentes muestras

tengan rangos similares aun que el valor de los máximos y mínimos difieran. Por

ejemplo, una muestra puede tener un recuerdo máximo de 9 y un mínimo de 9, en tanto

que otra muestra puede tener un máximo de 11 y un mínimo de 3, al reportar el rango

puede notarse claramente que ambas tienen las misma dispersión de 8.

Tanto el rango, como el máximo y el mínimo aún tienen problemas para resumir de

manera suficiente al grupo, pues tratan solo con valores extremos; la falla se encuentra

en que no considera si esos extremos son comunes. Por ende, una muestra de 15

personas podría incluir una con una puntuación de 3, otra de 11 y todo el resto con

puntuación de 7. En algunos casos, se emplea el rango intercuartilar porque emplea el

valor de puntuación más alto del 25% inferior y el valor de puntuación más alto del

75% y se anota su diferencia. Tomando como referencia el ejemplo de datos anterior,

3, 3, 4, 4, 5, 5, 5 , 6, 7, 7, 7, 7, 8, 8, 9, 9

25% = 4

75% = 8

La varianza, tiene en cuenta la diferencia entre el valor de cada persona y la media del

grupo, para calcularla se anota cuanto difiere (o se desvía) cada puntuación de la

media. Pero, como es fácil de comprobar, la suma de los desvíos de cada valor

respecto a la media es siempre cero, es decir



Una manera de sorterar tal dificultad consiste en elevar al cuadrado las desviasiones

antes de sumarlas, ya que eso elimina los signos negativo. Para complicar el team , los

expertos en estadistica han observado que si tratan de estimar , a apartir de los datos

reunidos, la varianza d ela poblacion de que provienen los aprticipantes , obtiene un

estimado màs exacto si dividen la suma de los cuadrados de las desviaciones entre el

numero de lementos d ela muestra , menos 1. Esta version de la varianza es la que

suelen dar los programas de computo y la que se utiliza en pruebas estadísticas.

La desviación estándar (s o DE) se vincula directamente con la varianza porque es la

raíz cuadrada de esta: por tanto, suele representarse como

S= √ s²

Ante el tema de las medidas de dispersión se prefiere emplear la desviación estándar

en el resumen de datos por 3 razones. En primer lugar, es igual que la varianza una

medida de dispersión relacionada con la media; por consiguiente cuando se reporta la

media es apropiado notificar la desviación estándar. En segundo lugar, las unidades

en que se expresa la desviación estándar es la misma que la medición original. En

tercer lugar, la desviación estándar se usa en ciertas circunstancias para indicar la

proporción de personas de la población que se inscriben en un rango determinado de

valores.

En este mismo tema de métodos numéricos, se encuentra el tratamiento de datos

nominales, lo cual significa la oportunidad de trabajar con variables que tiene niveles en

forma de categorías. Por ejemplo, para reportar el número de sujetos que fuman



(digamos 10) y los no fumadores (digamos 15); estos datos se pueden expresar en

cifras como fracciones, proporciones o porcentajes.

Fracciones, para encontrar una fracción buscamos el número total de personas

(Fumadores y no fumadores 25) y se expresa el de fumadores como una fracción de

ese total 10/25, y el de no fumadores 15/25, esta fracción puede simplificarse más,

dado que 10, 15 y 25 Son divisibles entre 5, así que 2/5 eran fumadores y 3/5 no

fumadores.

Proporciones, se pueden encontrar convirtiendo las facciones en decimales, por tanto

al dividir 10/25 o 2/5, el resultado es 0.4, indicando que esa proporción de la muestra

corresponde a los fumadores, mientras que los no fumadores revelan el valor de 0.6.

Los valores deben someterse a comprobación, por tanto los valores de los subgrupos

deben sumar 1.

Porcentajes, para encontrar este valor se debe multiplicar una proporción por 100,

como resultado siguiendo el ejemplo, un 40% de la muestra corresponde a fumadores y

el 60% corresponde a no fumadores, ese porcentaje debe sumar 100.

De otro lado, otro método conocido para el resumen de datos corresponde a las

distribuciones e frecuencia, a continuación se presenta una descripción y ejemplos.

-Distribuciones de frecuencia:

Es una ordenación tabulada de los datos recopilados en una investigación o estudio, de

acuerdo a la clase o intervalo a que pertenece y con el número de veces que se repite.

Una distribución de frecuencias se represente por medio de tablas de frecuencia y

gráficas.

Esta forma de organización de datos procede a un agrupamiento desde categorías o

rangos, por ejemplo ante una muestra de 120 personas, se pretende identificar a que

grupo de edad pertenece, para ello se debe presentar una tabla simple:



Edad 20-29 30-39 40-49 50-59 60-69

# personas 15 45 30 20 10

-Clases de frecuencias:

La frecuencia absoluta de una variable estadística, es el número de veces que aparece

en la muestra dicho valor de la variable, la representaremos por fi.

La frecuencia relativa es una medida útil para poder comparar. La frecuencia relativa es

el cociente entre la frecuencia absoluta y el tamaño de la muestra. Generalmente se

expresa en porcentaje. Se denota por fr.

La frecuencia absoluta acumulada Para poder calcular este tipo de frecuencias hay que

tener en cuenta que la variable estadística ha de ser cuantitativa. La frecuencia

absoluta acumulada de un valor de la variable, es el número de veces que ha

aparecido en la muestra un valor menor o igual que el de la variable y lo

representaremos por Fi.

La frecuencia relativa acumulada es la frecuencia absoluta acumulada dividida por el

tamaño de la muestra, y la denotaremos por Fr.

Cuadro 8: Ejemplo de frecuencias



Pasos para elaborar una distribución de frecuencias:

1. Ordenar los datos u observaciones, desde el menor hasta el mayor o viceversa

2. Se determina el rango o amplitud de la serie de datos, que es la diferencia entre

el valor mayor y el valor menor.

3. Se determina el número de intervalos o clases (K) que se utilizan para agrupar

los datos.

4. En general se recomienda tener, hasta donde sea posible, tener entre 5 y 20

intervalos o clases. Sin embargo, si no se tiene seguridad del número de

intervalos a utilizar, se puede aplicar la regla de Sturges, con la cual se obtiene

una aproximación aceptable sobre el número de intervalos necesarios para

agruparlos.

5. Una vez escogido el número de intervalos se determina la amplitud de cada

clase o intervalo (C). Esta amplitud es igual al rango de los datos dividida en el

número de intervalos. El primer intervalo debe contener el menor valor de los

datos y el último intervalo debe contener el mayor valor de los datos.

6. Se calcula la marca de clase (Xi), que es el valor medio o promedio de cada

intervalo. el cual sirve para facilitar el cálculo de algunas medidas de posición y

de dispersión.

Lección 3. Análisis Bivariado:

En las ciencias sociales a menudo se desea determinar la existencia o no de relación entre

dos variables, para lo cual se realizan diferentes pruebas de significación estadística. La

forma en que se relacionan dos variables se denomina asociación entre dos variables. El

interés de este tipo de análisis se centra principalmente en la forma en que se distribuye la

variable dependiente en función de las diferentes categorías o valores de la variable

independiente. Es decir, la variable que atrae primordialmente la atención del investigador,

y cuya variación trata de explicar, se llama variable dependiente, porque se supone que los

valores que toma dicha variable dependen de los valores que presentan otras variables.

Estas variables que se suponen influyen en los valores que toma la variable dependiente

son las variables independientes (explicativas o causales), ya que permiten conocer por



qué varía la variable dependiente de la forma que lo hace en una determinada población

(usualmente una muestra).

Sin embargo, los resultados que aparecen al establecer relaciones significativas entre dos

variables son de naturaleza descriptiva y tales resultados no explican por qué ocurre dicha

relación. Esto es, una correlación entre dos variables no implica necesariamente una

relación causal entre ellas puesto que en cualquier correlación podría existir una tercera

variable que explique la asociación entre las dos variables que han sido medidas (relación

espuria). A su vez, se debe verificar que la variable independiente (causa) anteceda

temporalmente a la variable dependiente (efecto). Del mismo modo, se hace necesaria la

existencia de una teoría que nos permita discriminar entre las simples relaciones

estadísticas y las relaciones causales propiamente tales.

El estudio de la relación entre dos variables se puede caracterizar mediante: i) la existencia

o no de asociación; ii) la fuerza de dicha asociación y iii) la dirección de ésta.2 Ciertamente

solamente tiene sentido ii) y iii) si se verifica en i) la existencia de relación entre las

variables. Para ello se utilizan un conjunto de pruebas de significación estadística, las

cuales dependerán del nivel de medición de las variables.

A la base de dicho análisis se encuentra la “teoría” y las “hipótesis” que se puedan

desprender de ésta. En otras palabras, en el estudio de relaciones entre variables

intentamos testear empíricamente hipótesis que nos resultan plausibles a la luz de un cierto

marco teórico-analítico. Una hipótesis no es otra cosa que una respuesta tentativa a la

pregunta de investigación (problema). Es una predicción respecto del posible resultado que

se espera encontrar. Y, en el estudio de relaciones entre variables, ésta guarda relación

con el hecho de determinar si las variaciones en los valores de la variable independiente se

encuentran o no asociados a las variaciones en los valores de la variable dependiente.

Puesto que una hipótesis requiere de verificación empírica, se hace necesario realizar una

prueba de significación estadística para determinar si la hipótesis planteada se verifica o

no.

-Coeficiente de correlacion

La fuerza de asociación entre las dos variables puede obtenerse descriptivamente por

medio del coeficiente de correlación muestral, denotado por R, esta medida es

calculada por la expresión



Los valores de r oscilan entre -1 y 1. Entre más cercano sea el valor a 1 o -1 mejor es

el ajuste de la recta de regresión. Un valor de r = 0 indica que no existe relación lineal

entre las dos variables pero puede existir otro tipo de relación (curvilínea). Un valor

positivo de r indica que la recta sube hacia la derecha; un valor negativo, que la recta

baja hacia la derecha. En la figura 2 se presentan algunas situaciones relacionados con

el tipo de relación entre dos variables y el coeficiente de correlación.

-Diagrama de dispersión:

La forma simple de un diagrama consiste de un gráfico en el plano cartesiano para

mostrar la relación entre dos variables. Cuando se analizan proceso, la relación entre

una variable controlable y una característica de calidad es de frecuente importancia.

Conociendo esta relación se puede llegar a decidir cómo controlar un conjunto de

variable para llegar a obtener una característica de calidad deseada.

Grafica 8. Ejemplo diagrama de dispersión



-Tablas de contingencia:

En ciertas ocasiones, los elementos de una muestra tomada de una población pueden

clasificarse de acuerdo con dos criterios diferentes. Por tanto, es importante conocer si

estadísticamente los dos métodos de clasificación son estadísticamente

independientes. Ejemplo: Una compañía opera cuatro máquinas tres turnos al día. De

los registros de producción, se obtienen los siguientes datos sobre el número de fallas

Máquinas

Turno A

B

C

D

1 4

2

1

1

2 3

1

1

1

3 2

3

2

4

El número de fallas es independiente del turno?

El interés en una tabla de contingencia es probar la hipótesis de que los métodos de

clasificación renglón-columna son independientes. Si se rechaza la hipótesis entonces

se concluye que existe alguna interacción entre los dos criterios de clasificación. En

algunos casos, para propósitos comparativos se diagrama en grafica de barras.



Cuadro 9: procedimiento en Excel para tablas de contingencia

Lección 4. Análisis multivariante

El análisis multivariante no es fácil de definir. En un sentido amplio, se refiere a todos

los métodos estadísticos que analizan simultáneamente medidas múltiples de cada

individuo u objeto sometido a investigación. Cualquier análisis simultáneo de más de

dos variables puede ser considerado aproximadamente como un análisis multivariante.

En sentido estricto, muchas técnicas multivariantes son extensiones del análisis

univariante (análisis de distribuciones de una sola variable) y del análisis bivariante

(clasificaciones cruzadas, correlación, análisis de la varianza y regresiones simples

utilizadas para analizar dos variables). Por ejemplo, una regresión simple (con una



variable predictor) se extiende al caso multivariante para incluir varias variables

predictor. De la misma foma, la variable dependiente que se encuentra en el análisis de

la varianza se extiende para incluir múltiples variables dependientes en el análisis

multivariante de la varianza, en muchas ocasiones las técnicas multivariantes son un

medio de representar en un análisis simple aquello que requirió varios análisis

utilizando técnicas univariantes. Otras técnicas multivariantes, sin embargo, están

diseñadas exclusivamente para tratar con problemas multivariantes, tales como el

análisis factorial que sirve para identificar la estructura subyacente de un conjunto de

variables o el análisis discriminante que sirve para diferenciar entre grupos basados en

un conjunto de variables.

Una de las razones de la dificultad de definir el análisis multivariante es que el término

multivariante no se usa de la misma forma en la literatura. Para algunos investigadores,

multivariante significa simplemente examinar relaciones entre más de dos variables.

Otros usan el término sólo para problemas en los que se supone que todas las

variables múltiples tienen una distribución normal multivariante. Sin embargo, para ser

considerado verdaderamente multivariante, todas las variables deben ser aleatorias y

estar interrelacionadas de tal forma que sus diferentes efectos no puedan ser

interpretados separadamente con algún sentido. Algunos autores afirman que el

propósito del análisis multivariante es medir, explicar y predecir el grado de relación de

los valores teóricos (combinaciones ponderadas de variables). Por tanto, el carácter

multivariante reside en los múltiples valores teóricos (combinaciones múltiples de

variables) y no sólo en el número de variables u observaciones.

El análisis multivariante es un conjunto de técnicas de análisis de datos en expansión.

Entre las técnicas más conocidas esta la regresión múltiple y correlación múltiple;

análisis discriminante múltiple; componentes principales y análisis factorial común;

análisis multivariante de varianza y covarianza; correlación canónica; análisis cluster;

análisis multidimensional y análisis conjunto. Entre las técnicas emergentes también

incluidas están análisis de correspondencias; modelos de probabilidad lineal como logit



y probit; y modelos de ecuaciones simultáneas/estructurales. En este apartado,

introduciremos cada una de las técnicas multivariantes.

-Componentes factoriales y análisis factorial común

El análisis factorial, que incluye variaciones tales como el análisis de componentes y el

análisis factorial común, es una aproximación estadística que puede usarse para

analizar interrelaciones entre un gran número de variables y explicar estas variables en

términos de sus dimensiones subyacentes comunes (factores). El objetivo es encontrar

un modo de condensar la información contenida en un número de variables originales

en un conjunto más pequeño de variables (factores) con una pérdida mínima de

información.

Si se proporciona una estimación empírica de la estructura de las variables

consideradas, el análisis factorial se convierte en una base objetiva para crear escalas

aditivas.

-Regresión múltiple

La regresión múltiple es el método de análisis apropiado cuando el problema del

investigador incluye una única variable métrica dependiente que se supone está

relacionada con una o más variables métricas independientes. El objetivo del análisis

de la regresión múltiple es predecir los cambios en la variable dependiente en

respuesta a cambios en varias de las variables independientes. Este objetivo se

consigue muy a menudo a través de la regla estadística de los mínimos cuadrados.

La regresión múltiple es útil siempre que el investigador esté interesado en predecir la

cantidad o la magnitud de la variable dependiente. Por ejemplo, se puede hacer la

predicción de los gastos mensuales de cenar fuera de casa (variables dependientes)

con información referente a la renta familiar, su tamaño y la edad del cabeza de familia

(variables independientes). De la misma forma. el investigador puede intentar predecir

las ventas de una compañía a partir de información sobre sus gastos en publicidad, el

número de vendedores y el número de tiendas que distribuyen sus productos.



-Análisis discrimante múltiple

Si la única variable dependiente es dicotómica (es decir, comprador-no comprador) o

multidicotómica (es decir, alto-medio-bajo) y por tanto no métrica, la técnica

multivariante apropiada es un análisis discriminante múltiple (MDA). Como con la

regresión múltiple, las variables independientes se supone que son métricas. El análisis

discriminante es útil en situaciones donde la muestra total puede dividirse en grupos

basándose en una variable dependiente caracterizada por varias clases conocidas. Los

objetivos primarios del análisis discriminante múltiple son entender las diferencias de

los grupos y predecir la verosimilitud de que una entidad (persona u objeto) pertenezca

a una clase o grupo particular basándose en varias variables métricas independientes.

Por ejemplo, el análisis discriminante puede usarse para distinguir innovadores de no

innovadores de acuerdo a sus perfiles demográficos y psicográficos. Otras aplicaciones

incluyen la distinción entre usuarios habituales u ocasionales de un producto,

compradores de marcas de ámbito nacional o restringido y el riesgo de crédito bueno

del riesgo de crédito malo. Incluso la Agencia Tributaria utiliza un análisis discriminante

para comparar las declaraciones seleccionadas con las devoluciones compuestas

hipotéticas del contribuyente normal (para distintos niveles de renta) con el fin de

identificar las devoluciones y áreas más prometedoras para la auditoria.

Análisis multivariante de la varianza y covarianza

El análisis nmltivariante de la varianza (MANOVA) es una técnica estadística que

puede ser usada simultáneamente para explorar las relaciones entre diversas

categorías de variables independientes (usualmente denominadas como tratamientos)

y dos o más variables métricas dependientes. Como tal, representa una extensión del

análisis univariante de la varianza (ANOVA). El análisis multivariante de la covarianza

MANCOVA) puede usarse en conjunción con MANOVA para eliminar (después del

experimento) el efecto de cualquier variable independiente no controlada sobre las

variables dependientes. El procedimiento es similar al que se encuentra en la



correlación parcial bivariante. MANOVA es útil cuando el investigador diseña una

situación experimental (manipulación de varias variables de tratamiento no métricas)

para comprobar hipótesis concernientes a la varianza de respuestas de grupos sobre

dos o más variables métricas dependientes.

Análisis conjunto

El análisis conjunto es una técnica de dependencia emergente que ha introducido una

nueva sofisticación en la evaluación de objetos, sean nuevos productos, servicios o

ideas. La aplicación más directa está en productos nuevos o desarrollo de servicios,

permitiendo la evaluación de productos complejos mientras que mantiene un contexto

de decisión realista para el encuestado. El analista de mercado es capaz de evaluar la

importancia de atributos así como los niveles de cada atributo mientras que los

consumidores evalúan sólo los perfiles de unos pocos productos, que son com-

binaciones de niveles de producto. Por ejemplo, un concepto de un producto que tiene

tres atributos (precio, calidad y color), cada uno de los cuales a tres niveles (por

ejemplo, rojo, amarillo y azul). En lugar de tener que evaluar todas las 27

combinaciones posibles (3 X 3 X 3), se puede evaluar un subconjunto (9 o más) por su

atractivo para los consumidores: y el investigador sabe no sólo cuál es la importancia

de cada atributo sino también la importancia de cada nivel (el atractivo del rojo frente al

amarillo y frente al azul). Más aun, cuando se completan las evaluaciones del

consumidor, pueden usarse los resultados del análisis conjunto en simuladores del

diseño del producto, que mostrarán la aceptación del cliente para cualquier número de

formulaciones de producto y ayudar en el diseño del producto óptimo.

Correlacion canónica

El análisis de correlación canónica puede verse como una extensión lógica de un

análisis de regresión múltiple. Recordemos que el análisis de regresión múltiple implica

una única variable dependiente métrica y varias variables métricas independientes. Con

el análisis canónico el objetivo es correlacionar simultáneamente varias variables

dependientes métricas y varias variables métricas independientes. Mientras que la



regresión múltiple implica una única variable dependiente, la correlación canónica

implica múltiples variables dependientes. El principio subyacente es desarrollar una

combinación lineal de cada conjunto de variables (tanto independientes como

dependientes) para maximizar la correlación entre los dos conjuntos. O dicho de otra

forma, el procedimiento implica obtener un conjunto de ponderaciones para las

variables dependientes e independientes que proporcione la correlación única máxima

entre el conjunto de variables dependientes y el conjunto de variables independientes.

Análisis cluster

El análisis cluster es una técnica analítica para desarrollar subgrupos significativos de

individuo u objetos. De forma específica, el objetivo es clasificar una muestra de

entidades (personas u objetos) en un número pequeño de grupos mutuamente

excluyentes basados en similitudes entre las entidades. En el análisis cluster, a

diferencia del análisis discriminante, los grupos no están predefinidos. Por

consiguiente, se usa la técnica para identificar los grupos.

Habitualmente, el análisis cluster implica al menos dos etapas. La primera es la medida

de alguna forma de similitud o asociación entre las entidades para determinar cuántos

grupos existen en realidad en la muestra. La segunda etapa es describir las personas o

variables pata determinar su composición. Este paso puede llevarse a cabo aplicando

el análisis discriminante a los grupos identificados por la técnica cluster.

Análisis multidimensional

En el análisis multidimensional, el objetivo es transformar los juicios de los

consumidores de similitud o preferencia (por ejemplo, preferencias por tiendas o

marcas comerciales) en distancias representadas en un espacio multidimensional. Si

los objetos A y B son en opinión de los encuestados más similares que el resto de los

pares posibles de objetos, las técnicas de análisis multidimensional situarán a los

objetos A y B de tal forma que la distancia entre ellos en un espacio multidimensional

es menor que la distancia entre cualquier otro par de objetos. Los mapas perceptuales



resultantes muestran el posicionamiento relativo entre los objetos, pero es necesario un

análisis adicional para evaluar qué atributos predicen la posición de cada objeto.

Análisis de correspondencias

Para finalizar, el análisis de correspondencias es una técnica de interdependencia

recientemente desarrollada que facilita tanto la reducción dimensional de una

clasificación de objetos (por ejemplo: productos, personas, etc.,) sobre un conjunto de

atributos y el mapa perceptual de objetos relativos a estos atributos. Los investigadores

se enfrentan constantemente a la necesidad de «cuantificar datos cualitativos» que

encuentran en variables nominales. El análisis de correspondencias difiere de otras

técnicas de interdependencia discutidas antes en su capacidad para acomodar tanto

datos no métricos como relaciones no lineales.

En su forma más básica, el análisis de correspondencias emplea una tabla de

contingencia, que es la tabulación cruzada de dos variables categóricas. A continuación

transforma los datos no métricos en un nivel métrico y realiza una reducción

dimensional (similar al análisis factorial) y un mapa perceptual (similar al análisis

multidimensional). A modo de ejemplo, las preferencias por una marca de los

encuestados pueden ser tabuladas de forma cruzada con variables demográficas (por

ejemplo, género, categorías de renta, ocupación) indicando cuánta gente que prefiere

cada una de las marcas entra dentro de cada categoría de las variables demográficas.

A través del análisis de correspondencias, la asociación o «correspondencia» de

marcas y las características distintivas de aquellos que prefieren cada marca se

muestran en un mapa bi o tridimensional, tanto de marcas como características de los

encuestados. Las marcas percibidas como similares están localizadas en una cercana

proximidad unas de otras. De la misma forma, las características más distintivas de los

encuestados que prefieren cada marca están determinadas también por la proximidad

de las categorías de las variables demográficas respecto de la posición de la marca. El

análisis de las correspondencias proporciona una representación multivariante de la

interdependencia de datos no métricos que no es posible realizar con otros métodos.



Modelos de probabilidad lineal

Los modelos de probabilidad lineal, a menudo llamados análisis logit, consisten en una

combinación de regresión múltiple y análisis de discriminante múltiple. Esta técnica es

similar al análisis de regresión múltiple en que una o más variables independientes se

usan para predecir una única variable dependiente. Lo que distingue un modelo de

probabilidad lineal de la regresión múltiple es que la variable dependiente es no

métrica, como en el análisis discriminante. La escala no métrica de la variable

dependiente requiere diferencias en el método de estimación y supuestos sobre el tipo

de distribución subyacente, siendo en la mayoría de sus otras facetas similar a la

regresión múltiple. Por tanto, una vez que la variable dependiente está especificada

correctamente y se emplea la técnica de estimación apropiada, se usan igualmente los

supuestos básicos considerados en la regresión múltiple. Los modelos de probabilidad

lineal se distinguen del análisis discriminante en que acomodan todos los tipos de

variables independientes (métricas y no métricas) y no requieren el supuesto de

normalidad multivariante. Sin embargo, en muchos casos, particularmente con más de

dos niveles de la variable dependiente, el análisis discriminante es la técnica más

apropiada.

Modelos de ecuaciones estructurales

El modelo de ecuaciones estructurales, a menudo denominado simplemente como

LISREL (el nombre de uno de los paquetes informáticos más populares), es una

técnica que permite separar las relaciones para cada conjunto de variables

dependientes. En su acepción más simple, el modelo de ecuaciones estructurales

proporciona la técnica de estimación más adecuada y eficiente para series de

estimaciones de ecuaciones simultáneas mediante regresiones múltiples. Se

caracteriza por dos componentes básicos: (1) el modelo estructural y (2) el modelo de

medida. El modelo estructural es el modelo «guía», que relaciona variables

independientes y variables dependientes. En tales situaciones, la teoría, antes que la

experiencia u otras directrices, permitirá al investigador distinguir qué variables

independientes predicen cada variable dependiente. Los modelos previamente



discutidos que incluyen múltiples variables dependientes -análisis multivariante de la

varianza y correlación canónica- no son apropiados en esta situación. dado que

permiten sólo una única relación entre variables dependientes e independientes.

El modelo de medida permite al investigador usar varias variables (indicadores), para

una única variable dependiente o independiente. Por ejemplo, la variable dependiente

puede ser un concepto representado por una escala aditiva, tal como el amor propio.

En el modelo de medida el investigador puede evaluar la contribución de cada ítem de

la escala así como incorporar cómo la escala mide el concepto (fiabilidad) en la

estimación de las variables dependientes e independientes. Este procedimiento es

similar al desarrollo del análisis factorial (discutido en una sección posterior) de los

ítems de la escala y utiliza las cargas factoriales en la regresión.

Otras técnicas multivariantes emergentes

El uso generalizado de las herramientas informáticas ayudó a iniciar la era del análisis

multivariante tal y como lo conocemos hoy, con un número de técnicas especializadas

que se pueden aplicar a una gama amplia de situaciones. No obstante, ahora nos

encontramos al principio de una era en la cual el análisis multivariante incorpora

nuevos enfoques para identificar y representar las relaciones multivariantes. Un área de

desarrollo en el análisis multivariante es la búsqueda de datos y las redes neuronales.

La búsqueda de datos es el intento de cuantificar las relaciones entre grandes

cantidades de información con una especificación previa mínima de la naturaleza de las

relaciones. Una técnica que se usa muchas veces junto con la búsqueda de datos son

las redes neuronales, una técnica de análisis flexible que es capaz de llevar a cabo una

identificación de relaciones (parecida a la regresión múltiple o al análisis discriminante)

o la reducción de datos y el análisis estructural (semejante al análisis factorial o

cluster). Las redes neuronales son diferentes a las técnicas multivariantes más

tradicionales citadas previamente tanto en la formulación del modelo como en los tipos

de relaciones más complejos que se pueden formular. Otra área que incluye un

distanciamiento de la teoría estadística inferencial tradicional es el desarrollo de la

técnica de la muestra repetida o «arranque». Esta técnica elimina la necesidad de



cumplir determinados supuestos estadísticos (como la normalidad), mediante el uso del

ordenador para replicar una «muestra repetida» de la muestra original, con el

reemplazo y la generación de una estimación empírica de la distribución muestral.

Lección 5. Software para el análisis estadístico de datos.

En la mayoría de las investigaciones cuantitativas se usan paquetes de programas

estadísticos los cuales son frecuentemente actualizados, con los que el tratamiento de

la información se hace más fácil, sobre todo cuando se trata de un numero amplio de

datos, ya que, como señala Briones (1997), salvo situaciones en las cuales la cantidad

de datos a analizar es pequeña y se usan calculadoras manuales, el manejo de la

información puede convertirse en un dilema para el investigador.

El manejo de dichos software requiere una preparación previa y, desde luego, un

conocimiento básico en estadística. Entre los paquetes estadísticos más usados en

investigaciones que manejan datos numéricos se encuentran el SAS, SPSS, BMDP,

MINITAB, entre otros, que ofrecen distintas posibilidades de tratamiento de la

información:

-Paquete estadístico para las ciencias sociales o SPSS, desarrollado en la Universidad

de Chicago, es uno de los más difundidos. Posee versiones para Windows, Macintosh

y Unix, en inglés y español, aunque debe usarse en computadores que posean la

capacidad necesaria para correr el programa. Contiene dos partes: “a) vista de

variables (para definiciones de las variables y consecuentemente, de los datos) y b)

vista de los datos (matriz de datos). La cual contiene comandos para operar en la parte

superior”. El programa SPSS trabaja de una manera sencilla y practica: el investigador

usuario ingresa los datos recolectados en la matriz de datos, tal como se hace en otros

programas, selecciona las opciones que considere necesarias, de acuerdo a los

propósitos de su investigación, ya sea correlacionar dos o más variables, realizar una



regresión, un análisis bivariado, etc. El programa posee además distintas herramientas

para elaborar los gráficos estadísticos básicos.

-El MINITAB es un paquete conocido por su relativamente bajo costo. Incluye

considerable número de pruebas estadísticas, y cuenta con un tutorial para aprender a

utilizarlo y practicar; además, es muy sencillo de manejar. Al igual que el SPSS, el

MINITAB posee una matriz u hoja de trabajo donde se ingresan los datos, se asignan

criterios para los componentes de las variables como nombre, formato (numérico, texto

o fecha), el tamaño de las celdas y se define el tipo de escala (nominal, ordinal, de

intervalo o de razón). Los análisis realizados aparecen en la parte superior de la

pantalla, mientras que -los gráficos se reproducen en recuadros-.

-El SAS o sistema de análisis estadístico, es otro programa frecuentemente usado en el

tratamiento de la información recogida en investigaciones cuantitativas. Diseñado en la

Universidad de Carolina del Norte, es un paquete muy completo que posee una amplia

variedad de pruebas estadísticas, incluye además ejercicios para que el usuario pueda

practicar y comprender las pruebas básicas.

-R es un paquete de software de código interpretado, esto es, tienes que ingresar el

código y en la misma ventana el programa emite los resultados. En ello reside también

su fortaleza, porque puedes construir tu propio código para análisis con base en

funciones de análisis contruidas por la comunidad que soporta R. Para los que no

pueden vivir sin apretar botones, siempre está la posibilidad de usar R Commander,

una librería extra que permite tener una interfaz de análisis más amigable. El poder de

R está en su versatilidad y en que posee una enorme cantidad de rutinas que pueden

ser agregadas a su “módulo base”. Lla mayor desventaja es que requiere de mucho

estudio, la curva de aprendizaje es muy larga.

Momento reflexivo: Cuales son las dificultades y ventajas que ofrece la estadística ante

el análisis de datos?.



CAPÍTULO 3. META ANÁLISIS

Lección 1. Definición de meta análisis

El término meta análisis fue introducido por primera vez en 1976 dentro del campo de

las ciencias de la educación3, para designar “todo análisis estadístico de un gran

colección de resultados de la literatura individual, con el propósito de integrar los

resultados”. Puesto que el método utiliza usualmente como “datos” los estadísticos

resumen derivados de informes publicados de estudios individuales, es un análisis de

un análisis estadístico.

El meta análisis es el equivalente cuantitativo de la descripción de artículos publicados,

pero con tres ventajas. En primer lugar, permite cuantificar las tendencias presentadas

en las publicaciones, combinando los tamaños de los efectos y las probabilidades

encontradas en varios estudios. En segundo, permite combinar los diferentes

resultados de estudios y se incrementa el poder de la prueba estadística, en cuyo caso

es posible que, tras combinarse, varios hallazgos no significativos y con la misma

tendencia se tornen significativos. En tercer lugar, el proceso de preparar los

resultados de trabajos anteriores para realizar el meta análisis obliga a leer los

estudios con mayor detenimiento que si se realizara una reseña narrativa.

Lección 2. Etapas del meta análisis

-Elección del tema e identificación de la investigación

Como todo estudio, el psicólogo debe decidir en qué área concreta centrarse; además

necesita una hipótesis específica que comprobará con el meta análisis; sin embargo, la

naturaleza exacta de la hipótesis podría no ser especifica en un principio y delimitarse

posteriormente, tras establecer el alcance de la investigación.

Subsiguiente a la elección del tema, se procede a la identificación de las

investigaciones relevantes, pueden hacer mediante sistemas estándar de resúmenes;

por ejemplo: PsychLit, Psychological Abstrac y Social Science Citation Index. Así

mismo, pueden recolectarse más artículos en sus listas de referencias. Otra forma, es

retomar el autor que ha trabajado en el área y que el investigador sabe que es

conocido ante ese campo de investigación.



Esta fase demuestra la complejidad de este ejercicio, porque puede encontrarse una

múltiple gama de estudios, o grupos; así mismo permite identificar las medidas que se

han tomado; es decir, las variables dependientes utilizadas.

-Elección de hipótesis por comprobar

Tras distinguir la amplitud de diseños y medidas, cabe identificar la o las hipótesis

relevantes por comprobar en el meta análisis. El meta análisis ofrece la opción de

realizar, a su vez, meta análisis de cada variable dependiente o de elegir una definición

más global de la variable dependiente que permitirá incluir más estudios en cada meta

análisis. Por ejemplo el tema de consumo de SPA en niños, consumo de SPA en

adulto, puede combinarse con el título Consumo de Experiencia a cualquier edad.

En cada meta análisis debe haber una hipótesis direccional por comprobar ; si no se

tuviera en cuenta la dirección del efecto en cada estudio, los resultados que apuntan

hacia un sentido se combinarían con otros que apuntaran en el contrario , lo cual

sugeriría que el hallazgo es más significativo de lo real. De hecho, los efectos positivos

y los negativos tienden a anularse entre sí. El termino dirección del hallazgo no implica

que los resultados apoyen la hipótesis general a prueba porque son estadísticamente

significativos, sino si tales resultados han ido en la dirección de la hipótesis o en la

opuesta.

Es irrelevante si los investigadores originales tuvieron hipótesis direccionales o no, peor

en el meta análisis es totalmente relevante la hipótesis determina la dirección.

-Clasificación de estudios

Tras recolectar los estudios puede decidirse a cera del meta análisis por efectuar: Ello

puede realizarse con base en los grupos de comparación y en las variables

dependientes utilizados. Cuanto más estudios se incluyen en cierto análisis, tanto

mejor. Por ello se recomienda utilizar inicialmente un proceso de clasificación amplio e

identificar después subcategorías relevantes. Por ejemplo, en el caso de personas

que sufren depresión con cualquier otro grupo, en un caso compararse con pacientes



que sufren otro tipo de trastorno del estado del ánimo y otra comparación con

personas que no la sufren.

El meta análisis puede componerse de dos análisis: una de la probabilidad combinada

de todos los estudios y otro del tamaño combinado de su efecto: En cada uno de ellos

debe convertirse cada medición de probabilidad y del efecto a un valor estándar.

En algunos artículos de investigación se incluyen los resultados de varios sub grupos.

Por ejemplo; en estudios sobre diferencia de géneros en la aptitud para matemáticas,

los artículos comprenderían los resultados obtenidos en más de una escuela e incluso

en más de un país.

El meta análisis permite elegir cómo tratar los resultados de tales artículos. Por otra

parte, los resultados de cada submuestra pueden incluirse como un elemento

separado en el meta análisis; no obstante, quizá se diga que ello significaría dar un

peso indebido a un artículo y a su método. En este caso, convendría más crear un solo

tamaño del efecto y de probabilidad para todas las sub muestras dela artículo. Para

estar más seguros, lo mejor será realizar dos meta análisis; uno con cada sub estudio

considerado estudio en sí mismo y otro donde los artículos respectivos se utilicen una

sola vez en el meta análisis. Que ambos meta análisis se contradigan indicaría

claramente que los resultados son cuestionables.

-Combinación y análisis de estudios

Como se ha expresado el meta análisis puede componerse por el tamaño combinado

de su efecto, en este tema, el coeficiente de correlación se debe tener en cuenta que el

coeficiente de correlación r es una medición estándar útil del tamaño del efecto. Se

prefiere tal valor a otras medidas porque no lo afectan las diferencias del tamaño de

las submuestras en diseños entre sujetos. Ello se convierte en un problema solo si el

investigador no tiene la información necesaria sobre los tamaños de las muestras para

calcular los del efecto en los cuales se toman en cuenta submuestras desiguales. Es de

anotar que el uso de r como medida del tamaño del efecto debe convertirse en

transformación Z de Fischer. Como existe el riesgo de confundir con el valor z estándar



utilizada en la ecuación para combinar la probabilidad, en este caso se utiliza el

símbolo r’, en la tabla Z de Fischer.

-Cálculo de un tamaño del efecto combinado

Una vez que se calculó r’ para cada estudio, los valores correspondientes pueden

usarse a fin de producir una r’ combinada, la cual puede transformarse de nuevo en r

para obtener el tamaño combinado del efecto.

-Producción de una medida estándar de probabilidad

La medida estándar para calcular la probabilidad es la puntuación z; tras calcular esta

puntuación y el tamaño de la muestra de cada estudio, es factible calcular una

puntuación z combinada que puede considerarse una puntuación z convencional y su

probabilidad se halla mediante la consulta de la tabla z estándar.

Lección 3. Limitaciones metodológicas del meta análisis.

Las técnicas meta-analíticas presentan ciertas limitaciones propias de su metodología.

Estas limitaciones deben conocerse y tenerse en cuenta a la hora de interpretar sus

resultados. En primer lugar, el meta-análisis puede originar resultados distorsionados

debido a posibles sesgos de selección y de publicación de los estudios. Por otro lado,

la validez de los resultados y las conclusiones del meta-análisis dependen de la calidad

de los estudios individuales de modo que la combinación de estudios sesgados puede

potenciar aún más el sesgo. Por último, la interpretación del meta-análisis en caso de

heterogeneidad o variabilidad entre los estudios es difícil y controvertida. La obligación

de quienes utilizan el meta-análisis es conocer estas limitaciones, así como explicitarlas

y discutirlas en cada caso concreto.

Antes de comentar las etapas en el proceso de un meta-análisis, se describen

brevemente algunos de sus principales problemas metodológicos.

-Heterogeneidad entre estudios.

Una primera crítica metodológica al meta-análisis consiste en intentar una combinación

estadística de resultados que provienen de estudios que exhiben una gran variabilidad



(heterogeneidad) entre ellos10. Esta no es una dificultad exclusiva del meta análisis,

ya que es compartida por toda investigación clínica (especialmente los estudios

multicéntricos), donde la amplia variedad de características inherentes a los sujetos de

estudio hace necesario diseñar un protocolo uniforme, realizar un riguroso proceso de

selección de los sujetos de estudio y posteriormente efectuar un análisis cuidadoso de

la influencia sobre los resultados de los casos extremos. Esto se hace particularmente

difícil al integrar evidencia derivada de numerosos estudios que fueron a su vez

realizados en distintos contextos, con diseños variados, incluyendo sujetos diferentes

en cuanto a características sociodemográficas o de gravedad de la enfermedad,

comparando con grupos diferentes. También podemos observar heterogeneidad

midiendo resultados o efectos distintos; esto es, cuando los estimadores de efecto de

los diferentes estudios individuales van en direcciones opuestas, o que un estudio no

encuentre un efecto y otros encuentren un efecto de magnitud muy importante.

-Sesgo de publicación.

El sesgo de publicación, es decir, la publicación selectiva de estudios en base a sus

hallazgos, representa un riesgo para la validez de cualquier meta-análisis. Es bien

sabido que muchos trabajos de investigación terminados no llegan a publicarse. Esto

es más frecuente cuando el resultado del ensayo es "negativo", es decir, cuando no se

demuestran diferencias significativas entre los grupos comparados o bien cuando es

desfavorable a un nuevo fármaco. En estos casos, el investigador y el patrocinador del

ensayo (generalmente una compañía farmacéutica) suelen tener menos interés en

preparar un artículo para publicar. Por otra parte, los directores de revistas médicas

tienen más tendencia a rechazar su publicación, porque los resultados "negativos" no

suelen ser noticia. También se ha comprobado que los estudios en los que no se

hallan diferencias significativas tardan más tiempo en ser publicados. También puede

ocurrir que un mismo estudio haya sido publicado más de una vez, en formas

aparentemente diferentes; la publicación duplicada también puede introducir un sesgo,

que favorece la tendencia de los resultados de los estudios que han sido objeto de

publicación duplicada. Además, se ha comprobado que en una proporción importante

de meta-análisis se ignoran los trabajos publicados en idiomas distintos del inglés16, y



se ha visto que la proporción de estudios "negativos" es mayor en otras lenguas. Dada

su naturaleza, es muy difícil impedir el sesgo de publicación, o por lo menos hacerse

una idea de su magnitud.

Lección 4. Presentación de los resultados del meta análisis.

En esta fase, deben informarse los sistemas de categorización aplicados para

identificar los estudios y los años cubiertos: Se deben presentar de manera explícita

todas las decisiones tomadas sobre la clasificación de los estudios y las bases para

incluir o no ciertos estudios en un meta análisis. Así mimo, han de mencionarse en un

apéndice todos los artículos consultados. La mejor manera de presentar los resultados

del meta análisis quizá sea una tabla resumen que incluya los detalles siguientes:

-La variable dependiente.

-La naturaleza de los grupos experimental y control.

-El número de estudios.

-El total de participantes del meta análisis.

-El tamaño del efecto combinado y su intervalo de confianza.

-La probabilidad combinada, como valor z y como probabilidad.

Para realizar un meta análisis se identifican todos los estudios disponibles relacionados

con el área que se explora. Estos deben clasificarse de acuerdo con su diseño y con

las variables dependientes que se utilizan en ellos. Se deciden cuantos meta análisis

se necesitan para describir plenamente el área. Pueden calcularse un tamaño del

efecto y una probabilidad combinados para cada meta análisis. Además, debe

calcularse le heterogeneidad de cada una de las medidas. Cuando se identifica la

heterogeneidad del tamaño del efecto, se eliminan estudios del meta análisis hasta

identificar un conjunto homogéneo. Se presenta en el informe tanto las probabilidades

combinadas de todos los estudios y del conjunto homogéneo como el tamaño dl efecto

combinado del conjunto completo de estudios y del homogéneo. Todas las decisiones

sobre la inclusión y la exclusión de estudios de plantean de manera explícita en el

informe respectivo.



Lección 5. Utilidad de la aplicación del meta análisis.

En definitiva, los meta-análisis son, hoy por hoy, los tipos de revisión sistemática de

mayor rigor científico, y poseen una serie de particularidades que los hacen

especialmente atractivos. En primer lugar, el meta-análisis permite una mayor

generalización de sus resultados respecto de los estudios individuales, es decir,

presenta una mayor validez externa ya que las muestras de los distintos estudios no

provienen de la misma población. En segundo lugar, al aumentar la potencia

estadística, además de incrementar la capacidad de encontrar diferencias

estadísticamente significativas, también permite aumentar la precisión en la estimación

del efecto, a través de intervalos de confianza más estrechos. En tercer lugar, el meta-

análisis permite valorar las discrepancias entre los resultados de distintos estudios y

sugerir hipótesis explicativas de esta heterogeneidad. Finalmente, la realización de un

meta-análisis es menos costosa y plantea menores problemas logísticos que la

realización de otro tipo de estudios que requieren conocer los resultados desde

diferentes estudios, especialmente ene áreas de la psicología, la medicina, la

educación.

Las técnicas de meta-análisis se presentan como herramientas útiles:

1. Cuando los resultados individuales son inconsistentes y los tamaños muéstrales

de los estudios primarios son pequeños, puesto que la combinación de estudios

aumenta la potencia.

2. Al iniciar un nuevo estudio, para obtener información de trabajos de investigación

previos y así determinar si el nuevo estudio añadirá o no algo sustancial a lo que

ya se conoce sobre el tópico hasta la fecha.

3. Para detectar áreas con estudios de baja calidad y poco fiables, así como para

evaluar necesidades futuras de investigación.

Momento reflexivo: De qué manera el meta-análisis permite una mayor generalización

de sus resultados respecto de los estudios individuales?



Autoevaluación de la unidad

Competencia

cognitiva

1 2 3 4 5 1-Comprende los conceptos y temas presentados en el modulo. 2-Identifica la importancia de los objetivos de aprendizaje. 3-. Reconoce los conceptos y características de la codificación y matriz de datos.

4- Reconoce los conceptos y características de las técnicas de análisis estadístico.

5- Reconoce los conceptos y características del meta análisis.

Competencia metodológica 1 2 3 4 5 1-Organizó su tiempo para el desarrollo de lectura y ejercicios. 2-Demostró dominio en los ejercicios de cada capítulo 3-Desarroló habilidades en el proceso de investigación cuantitativa. 4-Consultó otras fuentes bibliográficas. 5-Generó estrategias para alcanzar las metas de aprendizaje.

Competencia contextual 1 2 3 4 5 1-Reconoce la aplicación de técnicas para tratamiento de datos 2-Relaciona el aprendizaje con situaciones reales del contexto. 3-Identifica los campos de acción en los que puede intervenir. 4-Genera aportes conceptuales ante los problemas del contexto. 5-Valora el desempeño profesional ante el servicio a la comunidad.

Competencia comunicativa 1 2 3 4 5 1-Generó dialogo claro y oportuno con el tutor y compañeros. 2-Comprendió las instrucciones para la elaboración de trabajos. 3-Expresó inquietudes sobre el tema o actividades del curso. 4- Intercambió ideas y opiniones sobre los temas del curso. 5-Establece pautas de interacción apropiadas a su rol.


Clark-Carter, David. (2002). Investigación cuantitativa en psicología, del diseño

experimental al reporte de la investigación. Universidad de Oxford.

Hugh, C. (2005). Métodos de investigación y estadística en psicología. 3a Ed. Manual Moderno. México.

Mendoza, H, Bautista, G. (2002). Probabilidad y Estadística. Universidad Nacional de

Colombia, http://www.virtual.unal.edu.co/cursos/ciencias/2001065/. Licencia: Creative

Commons BY-NC-ND.

http://www.virtual.unal.edu.co/cursos/ciencias/2001065/

inv. cuantitativa

Documents