investigacion experimental cuasi experimental y no experimental ejemplos

Investigación experimental y no experimental: ejemplos y diferencias

En el ámbito de la investigación, existen diferentes enfoques y metodologías para abordar un estudio. Dos de los enfoques más utilizados son la investigación experimental y no experimental. Ambos enfoques tienen como objetivo obtener conocimiento y comprensión sobre un fenómeno o problema en particular, pero difieren en su diseño y ejecución.

En esta introducción, exploraremos los conceptos de investigación experimental y no experimental, así como ejemplos de cómo se aplican en la práctica. También analizaremos las diferencias clave entre ambos enfoques y cómo pueden influir en los resultados y conclusiones obtenidas.

Ya sea que estés interesado en adentrarte en el mundo de la investigación o simplemente desees comprender mejor estos enfoques, este contenido te proporcionará una visión general completa de la investigación experimental y no experimental, permitiéndote apreciar las ventajas y desventajas de cada uno y seleccionar la metodología más adecuada para tus propias investigaciones. ¡Comencemos!

Diferencia entre investigación experimental y no experimental

La investigación experimental y no experimental son dos enfoques diferentes utilizados en la investigación científica. La diferencia principal entre estos enfoques radica en cómo se manipulan las variables y cómo se obtienen los datos.

1. Investigación experimental: En este enfoque, se manipulan deliberadamente una o más variables independientes para observar el efecto que tienen sobre una variable dependiente específica. Se utiliza un diseño experimental controlado donde se asignan aleatoriamente los participantes a diferentes condiciones o grupos. Se busca establecer una relación causal entre las variables manipuladas y la variable dependiente.

2. Investigación no experimental: En este enfoque, no se manipulan directamente las variables independientes. En cambio, se observan y se recopilan datos sobre las variables tal como se presentan naturalmente. No hay una asignación aleatoria de los participantes a diferentes condiciones o grupos. Se busca describir o correlacionar variables, en lugar de establecer una relación causal.

Características de la investigación experimental:

– Manipulación de variables: En la investigación experimental, se manipulan deliberadamente una o más variables independientes para observar su efecto sobre la variable dependiente.

– Control: Se busca controlar todas las variables que puedan influir en los resultados, excepto las variables independientes que se están manipulando.

– Asignación aleatoria: Los participantes se asignan aleatoriamente a diferentes condiciones o grupos para reducir el sesgo y garantizar que cualquier diferencia observada sea atribuible a la manipulación de las variables independientes.

– Causalidad: La investigación experimental busca establecer una relación causal entre las variables manipuladas y la variable dependiente mediante la manipulación controlada de las variables independientes.

Características de la investigación no experimental:

– Observación: En la investigación no experimental, se observan y se recopilan datos sobre las variables tal como se presentan naturalmente, sin manipulación directa.

– Descripción o correlación: En lugar de establecer una relación causal, la investigación no experimental busca describir o correlacionar variables.

– No hay asignación aleatoria: No se realiza una asignación aleatoria de los participantes a diferentes condiciones o grupos, lo que puede introducir sesgos en los resultados.

– Variables de interés: Se observan variables de interés y se recopilan datos sobre ellas, sin manipulación directa.

Investigación no experimental: definición y ejemplo

La investigación no experimental es un enfoque de investigación utilizado en ciencias sociales y en otras disciplinas que no se basa en la manipulación de variables o en la realización de experimentos. En cambio, se centra en la observación y la recopilación de datos existentes para analizar y comprender fenómenos o situaciones específicas.

La investigación no experimental se caracteriza por no intervenir en la realidad estudiada, sino por observar y analizar los datos tal y como se presentan naturalmente. Este enfoque es útil cuando el investigador no puede o no quiere manipular las variables de estudio, ya sea por razones éticas, prácticas o teóricas. En lugar de eso, se recopilan datos de fuentes secundarias o se realizan estudios descriptivos o correlacionales para obtener información sobre las relaciones entre variables.

Un ejemplo de investigación no experimental podría ser un estudio que analiza la relación entre el consumo de tabaco y el riesgo de desarrollar cáncer de pulmón. En lugar de intervenir y manipular la variable de consumo de tabaco, el investigador recopila datos de estudios previos y realiza un análisis estadístico para determinar si existe una asociación significativa entre el consumo de tabaco y el riesgo de cáncer de pulmón. En este caso, la investigación se basa en la observación y el análisis de datos existentes, en lugar de llevar a cabo un experimento controlado.

La investigación no experimental puede utilizar diferentes métodos de recopilación de datos, como la revisión de literatura, los análisis de datos secundarios, los estudios de caso, las encuestas o los cuestionarios. Estos métodos permiten obtener información detallada sobre un fenómeno o situación específica sin la necesidad de manipular variables en un entorno controlado.

Investigación experimental: definición y ejemplo

La investigación experimental es un método científico que busca establecer una relación causal entre variables manipuladas y variables de respuesta. A través de la manipulación de variables independientes, se busca determinar su efecto sobre las variables dependientes.

El objetivo principal de la investigación experimental es probar hipótesis y establecer relaciones de causa y efecto entre las variables. Para lograr esto, se sigue un diseño experimental riguroso que incluye la manipulación de variables, la aleatorización de los grupos de estudio y el control de variables extrañas.

Un ejemplo de investigación experimental podría ser el estudio del efecto de un nuevo medicamento en el tratamiento de una enfermedad. En este caso, se establecerían dos grupos de participantes: un grupo experimental que recibiría el nuevo medicamento y un grupo de control que recibiría un placebo o un medicamento existente. Se medirían variables como la mejoría en los síntomas, la reducción de la enfermedad o los efectos secundarios, y se compararían los resultados entre los dos grupos.

La investigación experimental se caracteriza por su método controlado y riguroso, que permite establecer relaciones de causalidad. Sin embargo, también presenta limitaciones, como la dificultad para generalizar los resultados a la población en general debido a las restricciones en la selección de participantes y las condiciones artificiales del experimento.

Explora ambos métodos para maximizar tus resultados.

Artículos Relacionados:

• Legado Genético
• Síntomas del Alzheimer
• Test De Intolerancia Cafeina
• Test De Intolerancia Sulfitos

Cuasiexperimento: Qué es, tipos y ejemplos

Descubra el concepto de cuasi-experimento, sus distintos tipos, ejemplos del mundo real y cómo QuestionPro ayuda a realizar estos estudios.

Los diseños de investigación cuasiexperimentales han obtenido un reconocimiento significativo en la comunidad científica debido a su capacidad única para estudiar las relaciones causa-efecto en entornos del mundo real. A diferencia de los experimentos verdaderos, los cuasiexperimentales carecen de asignación aleatoria de los participantes a los grupos, lo que los hace más prácticos y éticos en determinadas situaciones. En este artículo profundizaremos en el concepto, las aplicaciones y las ventajas de los cuasiexperimentos, arrojando luz sobre su relevancia e importancia en el ámbito científico.

¿Qué es un diseño de investigación cuasiexperimental?

Los diseños de investigación cuasiexperimentales son metodologías de investigación que se asemejan a los experimentos reales, pero carecen de la asignación aleatoria de los participantes a los grupos. En un experimento real, los investigadores asignan aleatoriamente a los participantes a un grupo experimental o a un grupo de control, lo que permite comparar los efectos de una variable independiente sobre la variable dependiente. Sin embargo, en los cuasiexperimentos, esta asignación aleatoria a menudo no es posible o éticamente permisible, lo que lleva a la adopción de estrategias alternativas.

Tipos de diseños cuasi experimentales

Existen varios tipos de diseños de cuasiexperimentos para estudiar relaciones causales en contextos específicos. Algunos tipos comunes son:

Diseño de grupos no equivalentes

Este diseño implica la selección de grupos preexistentes que difieren en algunas características clave y la comparación de sus respuestas a la variable independiente. Aunque el investigador no asigna los grupos al azar, puede examinar los efectos de la variable independiente.

Regresión discontinua

Este diseño utiliza un punto de corte o umbral para determinar qué participantes reciben el tratamiento o la intervención. Supone que los participantes situados a ambos lados del umbral son similares en todos los demás aspectos, excepto en su exposición a la variable independiente.

Diseño de series temporales interrumpidas

Este diseño implica medir la variable dependiente varias veces antes y después de la introducción de una intervención o tratamiento. Comparando las tendencias de la variable dependiente, los investigadores pueden inferir el impacto de la intervención.

Experimentos naturales

Los experimentos naturales aprovechan acontecimientos o circunstancias naturales que imitan la asignación aleatoria de los experimentos reales. Los participantes se exponen a diferentes condiciones en situaciones identificadas por los investigadores sin ninguna manipulación por su parte.

Aplicación del diseño cuasiexperimental

Los diseños de investigación cuasiexperimentales encuentran aplicaciones en diversos campos, que van desde la educación a la salud pública y más allá. Una ventaja significativa de los cuasiexperimentos es su viabilidad en entornos reales en los que la aleatorización no siempre es posible o ética.

Razones éticas

A menudo surgen problemas éticos en la investigación cuando la asignación aleatoria de los participantes a diferentes grupos podría negar a los individuos el acceso a tratamientos o intervenciones beneficiosos. En tales casos, los diseños cuasiexperimentales ofrecen una alternativa ética que permite a los investigadores estudiar el impacto de las intervenciones sin privar a nadie de los beneficios potenciales.

Ejemplos de diseño cuasi experimental

Exploremos algunos ejemplos de diseños cuasi experimentales para comprender su aplicación en diferentes contextos.

Determinar la eficacia de las aplicaciones matemáticas como complemento de las clases de matemáticas

Imaginemos un estudio destinado a determinar la eficacia de las aplicaciones matemáticas como complemento de las clases tradicionales de matemáticas en un colegio. Asignar aleatoriamente a los alumnos a grupos diferentes podría resultar poco práctico o alterar la estructura existente en el aula. En su lugar, los investigadores pueden seleccionar dos clases comparables, una que reciba la intervención de la aplicación de matemáticas y otra que continúe con los métodos de enseñanza tradicionales. Comparando el rendimiento de los dos grupos, los investigadores pueden sacar conclusiones sobre la eficacia de la aplicación.

Para realizar un estudio cuasiexperimental como el mencionado, los investigadores pueden utilizar QuestionPro QuestionPro es una plataforma de investigación avanzada que ofrece herramientas completas de encuesta y análisis de datos. Con QuestionPro, los investigadores pueden diseñar encuestas para recopilar datos, analizar resultados y obtener información valiosa para sus investigaciones cuasi experimentales.

¿Cómo ayuda QuestionPro en la investigación cuasi experimental?

Las potentes funciones de QuestionPro, como la asignación aleatoria de participantes, la ramificación de encuestas y la visualización de datos, permiten a los investigadores realizar y analizar estudios cuasiexperimentales de forma eficiente. La plataforma ofrece una interfaz fácil de usar y sólidas capacidades de generación de informes, lo que permite a los investigadores recopilar datos, explorar relaciones y extraer conclusiones significativas.

En algunos casos, los investigadores pueden aprovechar los experimentos naturales para examinar las relaciones causales. 

Cómo determinar la eficacia de la enseñanza de técnicas modernas de liderazgo en empresas incipientes

Consideremos un estudio que evalúe la eficacia de enseñar técnicas modernas de liderazgo en empresas de nueva creación. En lugar de asignar artificialmente las empresas a grupos diferentes, los investigadores pueden observar las que adoptan de forma natural técnicas modernas de liderazgo y comparar sus resultados con los de las empresas que no han aplicado tales prácticas.

Ventajas e inconvenientes del diseño cuasi experimental

Los diseños cuasiexperimentales ofrecen varias ventajas sobre los experimentos reales, lo que los convierte en valiosas herramientas de investigación:

• Ámbito de la investigación : Los cuasiexperimentos permiten a los investigadores estudiar las relaciones causa-efecto en entornos reales, aportando valiosos conocimientos sobre fenómenos complejos que pueden resultar difíciles de reproducir en un entorno de laboratorio controlado.
• Regresión discontinua : Los investigadores pueden utilizar la regresión discontinua para evaluar los efectos de las intervenciones o los tratamientos cuando la asignación aleatoria no es factible. Este diseño aprovecha los datos existentes y los umbrales naturales para extraer inferencias causales.

Falta de asignación aleatoria : Los diseños cuasiexperimentales carecen de asignación aleatoria de los participantes, lo que introduce la posibilidad de que variables de confusión afecten a los resultados. Los investigadores deben considerar cuidadosamente posibles explicaciones alternativas de los efectos observados.

¿Cuáles son los distintos diseños de estudios cuasi experimentales?

Los diseños cuasiexperimentales abarcan varios enfoques, incluidos los diseños de grupos no equivalentes, los diseños de series temporales interrumpidas y los experimentos naturales. Cada diseño ofrece ventajas y limitaciones únicas, proporcionando a los investigadores herramientas versátiles para explorar las relaciones causales en diferentes contextos.

Ejemplo de experimento natural

Los investigadores interesados en estudiar el impacto de una campaña de salud pública destinada a reducir las tasas de tabaquismo pueden aprovechar un experimento natural. Comparando las tasas de tabaquismo de una región que ha puesto en marcha la campaña con las de una región similar que no lo ha hecho, los investigadores pueden examinar la eficacia de la intervención.

Diferencias entre cuasi experimentos y verdaderos experimentos

Los cuasiexperimentos y los experimentos reales difieren principalmente en su capacidad para asignar aleatoriamente a los participantes a los grupos. Mientras que los experimentos reales proporcionan un mayor nivel de control, los cuasi-experimentos ofrecen alternativas prácticas y éticas en situaciones en las que la aleatorización no es factible o deseable.

Ejemplo de comparación entre un experimento real y un cuasiexperimento

En un experimento real en el que se investigaran los efectos de un nuevo medicamento en una enfermedad concreta, los investigadores asignarían aleatoriamente a los participantes al grupo experimental, que recibe el medicamento, o al grupo de control, que recibe un placebo. En un cuasiexperimento, los investigadores podrían comparar a los pacientes que voluntariamente deciden tomar la medicación con los que no lo hacen, examinando las diferencias en los resultados entre los dos grupos.

Cuasiexperimento: Resumen rápido

Los diseños de investigación cuasiexperimentales desempeñan un papel fundamental en la investigación científica, ya que permiten a los investigadores estudiar las relaciones causa-efecto en entornos reales. Estos diseños ofrecen alternativas prácticas y éticas a los experimentos reales, lo que los convierte en herramientas valiosas en diversos campos de estudio. Gracias a su versatilidad y aplicabilidad, los diseños cuasi experimentales siguen contribuyendo a nuestra comprensión de fenómenos complejos.

Convierta sus datos en historias dinámicas y fáciles de entender

Cuando se desea explicar datos complejos, siempre es aconsejable descomponerlos en imágenes o historias más sencillas. Aquí es donde Mind the Graph entra en juego. Se trata de una plataforma que ayuda a investigadores y científicos a convertir sus datos en historias dinámicas y fáciles de entender, ayudando a la audiencia a comprender mejor los conceptos. Regístrese ahora para explorar la biblioteca de infografía científica . 

Artículos relacionados

Suscríbase a nuestro boletín de noticias

Contenidos exclusivos de alta calidad sobre la eficacia visual comunicación en la ciencia.

Inscribirse gratis

Pruebe la mejor infografía fabricante y promover su investigación con precisión científica hermosas figuras

no necesita tarjeta de crédito

Content tags

• Curiosidades
• Investigación no experimental, cuasiexperimental y experimental

En el vasto mundo de la investigación científica, existen diferentes enfoques y métodos que buscan desentrañar los misterios que nos rodean. Entre ellos, se encuentran la investigación no experimental, la cuasiexperimental y la experimental. Estos tres caminos divergentes hacia la verdad han intrigado a generaciones de científicos, cada uno con su propio conjunto de virtudes y limitaciones.

La investigación no experimental , como su nombre lo sugiere, desafía las convenciones y nos sumerge en un universo de preguntas sin respuestas predefinidas. Aquí, el investigador explora el terreno desconocido, sin manipular variables ni controlar situaciones. Por otro lado, la investigación cuasiexperimental nos invita a adentrarnos en un mundo de incertidumbre, donde las variables son manipuladas pero sin un control absoluto. Finalmente, la investigación experimental emerge como un faro en la oscuridad, guiándonos hacia la verdad con su riguroso control y manipulación de variables.

Diferencias entre Investigación Experimental, Cuasiexperimental y No Experimental

La investigación en el ámbito científico se lleva a cabo utilizando diferentes enfoques y metodologías, y una de las formas de clasificarla es en investigación experimental, cuasiexperimental y no experimental. Estas categorías se refieren a la manera en que se manipulan las variables y se establecen los grupos de estudio.

La investigación experimental es aquella en la que se manipula deliberadamente una o más variables independientes para observar su efecto sobre una variable dependiente. En este tipo de investigación, se utilizan grupos de control y grupos de tratamiento, y se aplica un diseño aleatorio para asignar a los participantes a cada grupo. De esta manera, se busca establecer una relación causa-efecto entre las variables.

La investigación cuasiexperimental , por otro lado, se caracteriza por no utilizar un diseño aleatorio en la asignación de los participantes a los grupos. En este tipo de investigación, se manipula una variable independiente, pero no se puede establecer una relación causal tan clara como en la investigación experimental. A pesar de esto, la investigación cuasiexperimental sigue siendo útil para observar y analizar fenómenos de interés.

Por último, la investigación no experimental se basa en la observación y recopilación de datos sin la manipulación de variables. En este tipo de investigación, el investigador no tiene control directo sobre las variables y se limita a observar y analizar los fenómenos tal como se presentan en su contexto natural.

Investigación experimental vs. investigación no experimental: ¿Cuál es la diferencia?

La investigación experimental y la investigación no experimental son dos enfoques diferentes utilizados en el campo de la investigación científica. Aunque ambos métodos buscan obtener conocimiento y comprensión, existen diferencias significativas entre ellos.

La principal diferencia entre la investigación experimental y la no experimental radica en su diseño y en la manera en que se manipulan las variables. En la investigación experimental, el investigador tiene control sobre las variables independientes y puede manipularlas para estudiar su efecto en las variables dependientes. Por otro lado, en la investigación no experimental, el investigador no tiene control sobre las variables independientes y solo puede observar y analizar su relación con las variables dependientes.

Otra diferencia importante es el grado de control que se tiene sobre las condiciones del estudio. En la investigación experimental, se busca controlar todas las variables que puedan influir en los resultados, creando un ambiente controlado y replicable. En cambio, en la investigación no experimental, se estudian fenómenos tal como ocurren en su entorno natural, sin intervenir ni manipular las condiciones.

En cuanto a la aplicabilidad , la investigación experimental se utiliza principalmente en ciencias naturales y exactas, donde se pueden realizar experimentos controlados en laboratorios. Por otro lado, la investigación no experimental se emplea en ciencias sociales y humanidades, donde no es posible realizar experimentos controlados debido a la complejidad y ética de los fenómenos estudiados.

Es importante mencionar que existe un término intermedio llamado investigación cuasiexperimental, que combina elementos de ambas metodologías. En este tipo de investigación, se manipulan algunas variables, pero no se tiene control completo sobre todas ellas, lo que permite obtener resultados más cercanos a la realidad sin sacrificar completamente el control experimental.

¿Cuáles son las principales diferencias entre la investigación experimental y la investigación no experimental?

La investigación experimental se caracteriza por el control y manipulación de variables independientes para establecer relaciones de causa y efecto, mientras que la investigación no experimental se enfoca en la observación y recopilación de datos sin intervenir activamente en la manipulación de variables.

¿En qué consiste la investigación cuasiexperimental y cómo se diferencia de la investigación experimental?

La investigación cuasiexperimental comparte características tanto de la investigación experimental como de la investigación no experimental. Aunque no se manipulan las variables de manera controlada como en la investigación experimental, se implementan técnicas de control para acercarse a un diseño experimental. La diferencia principal radica en la falta de asignación aleatoria de los participantes a los grupos de estudio.

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Guarda mi nombre, correo electrónico y web en este navegador para la próxima vez que comente.

Investigación cuasi experimental: ¿qué es y cómo está diseñada?

¿cuáles son las características de la investigación cuasi experimental y cómo se utiliza.

Laura Ruiz Mitjana

La investigación cuasi experimental es un tipo de investigación muy empleada en psicología . Su característica más relevante es que no se seleccionan los grupos experimentales de forma aleatoria, sino que se escogen grupos ya formados (por ejemplo un equipo de fútbol).

Se fundamenta en una metodología descriptiva y en algunos elementos cuantitativos y cualitativos, y se utiliza para estudiar diferentes comportamientos, variables sociales, etc. En este artículo conoceremos sus características y algunas diferencias con la investigación experimental, así como las ventajas y desventajas que presenta.

• Artículo relacionado: " Los 15 tipos de investigación (y características) "

¿Qué es la investigación cuasi experimental?

La investigación cuasi experimental se utiliza especialmente en el ámbito de la psicología, aunque también en las ciencias sociales. Esta consiste en un tipo de investigación a medio camino entre la investigación experimental y la investigación observacional . En realidad, muchos autores no la consideran científica, aunque presenta notables ventajas, como veremos en este artículo.

A diferencia de la investigación experimental, en la investigación cuasi experimental el grado de control de las variables extrañas (VVEE) es menor . Por su parte, las variables extrañas son aquellas variables o factores que producen un efecto en la variable que estamos estudiando (variable dependiente), pero que debemos controlar, ya que su efecto es diferente al que produce(n) la(s) variable(s) independiente(s) (que son las que nos interesa estudiar).

¿Cómo se investiga?

¿Pero, cómo se investiga realmente? Tanto en investigación cuasi experimental como en otros tipos de investigación, ya sea en psicología como en otras ciencias, la investigación se basa sobre todo en estudiar el efecto de una variable independiente (VI) (o más) sobre otra variable , denominada variable dependiente (VD) (o más).

Por ejemplo, investigamos cuando queremos estudiar la eficacia de un tratamiento (variable independiente) a la hora de reducir la ansiedad (variable dependiente).

La investigación cuasi experimental tiene su origen en el ámbito educativo . Nació a raíz de observar que algunos efectos o fenómenos no podían estudiarse empleando el método experimental, y debían utilizarse diseños alternativos. Se trataba sobre todo de fenómenos o variables sociales.

En los últimos años, la cantidad de estudios realizados a través de una investigación cuasi experimental han ido aumentando cada vez más.

Características

Existen ciertas características que diferencian la investigación cuasi experimental de otros tipos de investigación. Son las siguientes.

1. No aleatoriedad

La característica básica de la investigación cuasi experimental (y que la diferencia de la investigación propiamente experimental) es la no aleatoriedad en la formación de los grupos experimentales . Es decir, el investigador selecciona a grupos ya formados (por ejemplo los estudiantes de un curso o los trabajadores de una oficina) para realizar su experimento.

Además, se utiliza este tipo de investigación cuando los sujetos no pueden asignarse de forma aleatoria a las diferentes condiciones experimentales de la investigación.

Para ilustrarlo, pensemos en un ejemplo: imaginemos que queremos estudiar la eficacia de tres tipos de terapia psicológica (por ejemplo psicodinámica, cognitivo-conductual y sistémica) a la hora de reducir el nivel de ansiedad en un grupo de personas.

Si utilizáramos un diseño experimental y no cuasi experimental, asignaríamos los sujetos a las diferentes condiciones experimentales (en este caso, los tres tipos de terapia) de forma aleatoria, es decir, utilizando el azar.

En la investigación cuasi experimental, en cambio, eso no lo podríamos hacer. Para solventar este problema, frecuentemente se opta por incluir un grupo control en el experimento .

2. No control de la varianza sistemática secundaria

Por otro lado, la investigación cuasi experimental también es una buena opción cuando no se puede controlar la varianza sistemática secundaria ; ésta se origina cuando la validez interna del experimento se ve amenazada. La validez interna es la que asegura que la variable independiente sea causa de la variable dependiente (es decir, ejerza efecto sobre ella).

• Quizás te interese: " Los 10 tipos de validez fundamentales en ciencia "

Consecuencias

Cuando se utiliza un tipo de investigación cuasi experimental, y al no haber seleccionado a los grupos experimentales de forma aleatoria, ocurre una cosa: que no podemos garantizar que todos los sujetos tengan características similares . Es decir, se produce un control menor de las variables. Ello hace que los resultados puedan sean menos fiables (de ahí el nombre de “cuasi” experimental).

Eso conlleva que este tipo de investigación no se utilice tanto en contextos de laboratorio , sino más bien en contextos naturales, en las escuelas, etc. O sea, que se utiliza sobre todo en investigación aplicada.

Así, la investigación cuasi experimental presenta tanto componentes positivos como negativos. Vamos a ver sus ventajas y desventajas.

La ventaja principal de la investigación cuasi experimental es que permite seleccionar grupos accesibles y ya formados ; además, en muchas ocasiones es difícil encontrar grupos que cumplan todos los requisitos para participar en un experimento (como ocurriría en un diseño experimental).

Por otro lado, son diseños fáciles de aplicar y económicos. El tiempo de preparación que requieren y los recursos a destinar son menores que en un diseño experimental. Además, se trata de un tipo de investigación que se puede aplicar no solo para estudiar grupos, sino también casos individuales.

Desventajas

Como características negativas o desventajas en la investigación cuasi experimental, encontramos su menor precisión y su menor validez, en comparación con los diseños experimentales .

Además, la falta de aleatoriedad en la formación de los grupos supone una amenaza a la validez del experimento y a la precisión o exactitud del mismo.

Por otro lado, muchas veces en este tipo de experimentos se produce el llamado efecto placebo , que consiste en sentir o percibir una mejora después de creer que hemos recibido un tratamiento (que en realidad no hemos recibido).

• Quizás te interese: " ¿Qué es el efecto placebo y cómo funciona? "

Tipos de diseños

En investigación cuasi experimental, concretamente en el campo de la psicología, se utilizan especialmente dos tipos de diseños cuasi experimentales:

1. Diseños transversales

A partir de estos diseños se estudian diferentes grupos en un momento temporal concreto . Por ejemplo, los podemos utilizar para medir el coeficiente intelectual (CI) de una clase de 4º de la ESO el día 1 de enero.

Es decir, este tipo de diseño se basa en recoger datos en un momento determinado (en un tiempo único). El objetivo del mismo es describir y analizar una serie de variables.

2. Diseños longitudinales

Este segundo tipo de diseños, los longitudinales, estudian cómo evolucionan o cambian unas determinadas variables (o una sola) en un grupo de sujetos (o más) . Es decir, estudian dichas variables en diferentes momentos temporales. Por ejemplo, en enero, febrero y marzo (aunque podría ser con intervalos de tiempo de años, también, o más).

También se pueden aplicar de forma individual para casos únicos. El objetivo es estudiar el cambio que se produce en “X” período de tiempo.

• Balluerka, N. y Vergara, A. I. (2002). Diseños de investigación experimental en psicología. Madrid: Prentice-Hall.
• Fontes de Gracia, S. García, C. Quintanilla, L. et al. (2010). Fundamentos de investigación en psicología. Madrid: UNED.
• Shadish, W. R., Cook, T. D. y Campbell, D. T. (2002). Experimental and cuasi-experimental designs. Boston: Houghton Mifflin Company.

Cómo citar este artículo

Al citar, reconoces el trabajo original, evitas problemas de plagio y permites a tus lectores acceder a las fuentes originales para obtener más información o verificar datos. Asegúrate siempre de dar crédito a los autores y de citar de forma adecuada.

Laura Ruiz Mitjana . ( 2019, julio 4 ). Investigación cuasi experimental: ¿qué es y cómo está diseñada? . Portal Psicología y Mente. https://psicologiaymente.com/miscelanea/investigacion-cuasi-experimental Copiar cita

Artículos relacionados

Artículos nuevos.

10 monumentos modernistas imprescindibles en España

Sonia Ruz Comas

¿Cómo desarrollar un concepto de ti mismo más elevado?

María Carina Castellano

¿Cuáles son las aplicaciones de la Terapia Cognitivo-Conductual?

Hermelinda Espinoza Jara

Organizaciones, Recursos humanos y Marketing

La vuelta al trabajo: Cómo afrontarla de la mejor manera posible

Avance Psicólogos

Quizás te interese

Psicología clínica.

Mioclonías hípnicas: qué son y por qué aparecen

Isabel Rovira Salvador

Vida saludable

Cómo aumentar nuestro nivel de serotonina de manera natural: 8 consejos

Investigación cuasi experimental: definición y características

Inicio » Educación » Investigación cuasi experimental: definición y características

¿Buscas información sobre la investigación cuasiexperimental? En este artículo la traemos para ti. Abordamos su definición, características resaltantes, métodos, pasos y partes, además de un par de ejemplos.

Índice de contenidos

¿Qué es una investigación cuasi experimental?

Características de la metodología de investigación cuasi-experimental, diseño transversal, diseño longitudinal, pasos para realizar una buena investigación cuasiexperimental por partes, ejemplos de investigación cuasi experimental.

Es un tipo de diseño investigativo aplicado a aquellas ciencias y casos en los que no es posible seleccionar al azar a los miembros de los grupos de tratamiento y control , como sí hace el enfoque experimental .

Más bien, se aprovechan situaciones o grupos existentes previamente, sin que exista aleatoriedad, como sí ocurre con los experimentos verdaderos.

Aparte de su definición, las características te ayudarán a comprender mejor este tipo de metodología o enfoque. Son estas:

• No se realiza una asignación aleatoria de los sujetos participantes, sino que se toman grupos ya formados .
• Hay dos grupos de comparación: el de tratamiento y el de control .
• El investigador no manipula directamente las variables independientes.
• Se miden las variables dependientes antes y después de la intervención.
• Se aplica en situaciones de la vida real , por ejemplo, en contextos educativos.

Tipos de métodos de investigación cuasi experimental

Hay dos categorías principales de métodos de este tipo de investigación, los cuales se refieren a la forma de recopilar los datos y la relación temporal entre las variables.

Los datos se recopilan en un solo momento y se calculan las variables de interés en ese momento.

Se encarga de analizar los cambios atravesados por el individuo objeto de estudio en un periodo de tiempo prolongado .

Estos son los pasos que debes seguir para hacer un estudio cuasi-experimental:

• Identifica el problema de investigación.
• Revisa la literatura existente.
• Establece los objetivos y las preguntas de investigación.
• Selecciona a los participantes.
• Desarrolla e implementa la intervención.
• Recopila los datos mediante las técnicas apropiadas.
• Analiza los datos.
• Interpreta los resultados y conclusiones.

Te dejamos algunos ejemplos de este tipo de investigación que se aplica especialmente en las ciencias sociales:

• Efectividad de un programa compuesto por técnicas intervención educativa.
• Impacto de un programa de capacitación laboral.

2 comentarios en «Investigación cuasi experimental: definición y características»

Sería mejor que se coloque un autor de lo dicho para poder usar la información en trabajos académicos.

Puedes citar a la web como organización y listo. Gracias, Un saludo

Deja un comentario Cancelar la respuesta

Guarda mi nombre, correo electrónico y web en este navegador para la próxima vez que comente.

CONTACTO SOBRE NOSOTROS AVISO LEGAL POLÍTICA DE COOKIES SITEMAP

© CAOS Y CIENCIA 2024

• Biología
• Química
• Ecología y Medio ambiente
• Ciencias sociales
• Matemáticas
• Psicología
• Salud y enfermería

Diseños cuasi-experimentales: definición, características, tipos y ejemplos

Cuasi-experimento: definiciones.

Voy a hacer un experimento psicológico en el que hago a las personas de diferentes edades y luego veré cómo reaccionan a los ruidos fuertes. Bueno, me gustaría. Desafortunadamente, incluso con nuestra avanzada física cuántica y computadoras, no podemos revertir o controlar la edad de esa manera. Los investigadores psicológicos se ven obligados a solucionar el problema.

Como no podemos revertir la edad de alguien, tenemos que trabajar con personas que ya tienen esa edad. Pero, perdemos algunas cosas en el proceso. Pero, me estoy adelantando.

Un verdadero experimento tiene un componente principal: grupos asignados al azar. Esto se traduce en que todos los participantes tienen las mismas posibilidades de estar en el grupo experimental, donde están sujetos a una manipulación, o en el grupo de control, donde no son manipulados.

Un cuasi-experimento se define simplemente como no un verdadero experimento. Dado que el componente principal de un verdadero experimento son los grupos asignados al azar, esto significa que un cuasi-experimento no tiene grupos asignados al azar. ¿Por qué son tan importantes los grupos asignados al azar, ya que son la única diferencia entre cuasi-experimentales y experimentales verdaderos?

Al realizar un experimento, un investigador intenta demostrar que la variable A influye o hace que la variable B haga algo. Quieren demostrar causa y efecto. La asignación aleatoria ayuda a garantizar que no haya ninguna condición preexistente que influya en las variables y estropee los resultados.

Un ejemplo tonto sería algo como, ‘¿El químico X1 causa ceguera?’ Si accidentalmente pone a todas las personas que usan anteojos en la condición en la que rocía X1 en la cara de alguien, entonces sus resultados serán sesgados. Este es un ejemplo extremo y demasiado simplista, pero demuestra por qué normalmente un experimentador desea asignar personas al azar en diferentes grupos. Veamos algunos cuasiexperimentos más realistas y típicos en psicología.

Grupos no equivalentes

A veces, un investigador necesita un tipo particular de participante o solo tiene acceso a un determinado grupo de participantes. Esto significa que el investigador reúne a los participantes en un grupo que no puede o no debe dividirse, o más simplemente, el investigador no puede asignar los participantes al azar. Este grupo no equivalente se define como un experimento en el que los grupos existentes no se dividen.

Un experimento con grupos no equivalentes podría tener lugar en una institución de salud mental. No puede asignar personas al azar a terapia y otras para que no reciban terapia. Eso no sería ético. Por lo tanto, está obligado a asignar a todo el grupo a la terapia, lo que significa que no hay asignación aleatoria.

Es posible tener varios grupos. En el ejemplo de nuestra institución de salud mental, digamos que el personal dividió a todos en tres grupos. Además, digamos que tiene un nuevo tipo de terapia y un tipo antiguo de terapia, por lo que nadie se va a quedar sin.

Asignar los grupos al azar, para intentar hacer de su estudio un verdadero experimento, no es suficiente. Esto se debe a que no se sabe por qué se asignó a una persona a cualquiera de los tres grupos. La razón por la que un individuo podría estar en el grupo B y no en el grupo A podría sesgar sus resultados. Debe poder asignar individuos al tratamiento o grupos de tratamiento alternativos para reclamarlo como un verdadero experimento.

Pretest-Posttest

Un investigador encuentra un grupo de personas para probar. Luego, el investigador introduce una manipulación que debería cambiar a las personas y probar para ver si hubo algún cambio. Por ejemplo, evalúa a un grupo de personas sobre su conocimiento de la historia de Estados Unidos. Luego, les asigna un paquete de estudio y vuelve a probarlos para ver si sus conocimientos han aumentado. Esto se conoce como diseño de prueba previa y posterior, que es cuando se estudia a los participantes antes y después de la manipulación experimental.

Un investigador puede utilizar la prueba previa y posterior de una cantidad casi ilimitada de formas, siempre que siga los pasos:

• Pruebe a los participantes antes de la manipulación experimental.
• Realiza la manipulación experimental, que es una forma elegante de decir que harías algo con el grupo, como darles tarea o darles terapia o ensordecerlos con ruido.
• Pruebe a los participantes después de la manipulación para ver qué cambios ocurrieron.

La razón por la que la prueba previa y posterior se considera un diseño cuasi-experimental es porque la mayoría de los investigadores manipularán a todo su grupo. Esto les da un tamaño de muestra más grande para ver si su manipulación realmente cambió el grupo. Es posible asignar personas al azar a la condición experimental o de control para convertirlo en un verdadero experimento, pero está reduciendo el tamaño de la muestra y esto podría afectar sus estadísticas.

Otro ejemplo de un diseño de prueba previa y posterior podría ser examinar los efectos de no dormir. Usted toma a los participantes y los prueba para ver qué tan bueno es su juicio, su conocimiento y su coordinación mano-ojo. Luego los mantienes despiertos toda la noche con refrescos de cola, juegos y luces brillantes. Mantenerlos así es su manipulación experimental. Por último, los prueba por la mañana para ver qué efecto tuvo la falta de sueño en su juicio, conocimiento y coordinación ojo-mano.

Transversal y longitudinal

Otras veces quieres estudiar cosas como la edad, pero la edad es un dolor de estudiar porque no puedes controlarla. Entonces, eso te deja con dos opciones:

• Diseños transversales , que es cuando los participantes son representantes de grupos de edad a lo largo de una ruta de desarrollo para determinar cómo el desarrollo en diferentes edades influye en una variable dependiente.
• Los diseños longitudinales son cuando se estudia una muestra de la población a intervalos para examinar los efectos del desarrollo.

Los diseños transversales toman muestras de todo el continuo de edades como representantes. Por lo tanto, si estuviera interesado en la capacidad de las personas para resolver matemáticas complejas a lo largo de su vida, seleccionaría personas de 5, 10, 15, 20 años y así sucesivamente y luego hacer que resuelvan matemáticas complejas. La idea aquí es que un gran grupo de personas de 15 años le permitirá crear una declaración generalizable sobre los jóvenes de 15 años. Luego compararía los resultados de los niños de 15 años con los de los de 10 y 5 años.

Un diseño longitudinal implica tomar a un grupo de personas que tienen la misma edad y luego registrarse con ellos cada dos años. Entonces, en nuestro ejemplo de matemáticas, tienes un grupo de niños de 5 años para hacer matemáticas. Luego, cada cinco años, volvería a consultar con ellos y vería cómo resuelven los problemas de matemáticas. Estos son cuasi-experimentales porque no puede controlar la edad y asignarla al azar. No hay forma complicada de solucionar ese problema.

Ex post facto

El último tipo de estudio cuasi-experimental se centra en otras cosas que no puedes controlar. Por ejemplo, no puedo asignarte obesidad. Quiero decir que podría, pero no tengo el dinero para alimentarte. Esto se conoce como diseño ex post facto , que se define como cómo una variable independiente, presente en los participantes antes del estudio, afecta a una variable dependiente.

Además de cosas como la obesidad, un investigador a veces necesita trabajar con personas que tienen esquizofrenia, lesiones cerebrales traumáticas o enfermedades. El investigador no puede asignar estas cosas al azar, por lo que debe trabajar con lo que pueda encontrar.

Un experimento que utilice un diseño ex post facto podría analizar la estabilidad emocional de las personas altas en comparación con las personas bajas. No puedes asignar altura, por lo que encuentras un grupo de personas altas y bajas y pruebas su estabilidad emocional. Soy una persona alta, así que tengo mi dinero en que sean bastante estables emocionalmente.

Resumen de la lección

El cuasi-experimento se define simplemente como un experimento falso. Un verdadero experimento tiene un componente principal: grupos asignados al azar.

Los principales tipos de cuasi-experimentos son:

• Grupos no equivalentes , definidos como grupos existentes que no están divididos
• Diseño pretest-postest , definido como participantes que son estudiados antes y después de la manipulación experimental
• Diseños longitudinales , definidos como una muestra de la población que se estudia a intervalos para examinar los efectos del desarrollo.
• Diseños ex post facto , definidos como cómo las variables independientes, presentes en los participantes antes del estudio, afectan una variable dependiente

Los resultados del aprendizaje

Una vez que haya terminado con esta lección, debería poder:

• Diferenciar entre cuasi-experimento y experimento verdadero
• Describir los principales tipos de cuasiexperimentos.
• Identificar los pasos que se deben seguir en el diseño pretest-postest
• Explicar las diferencias en los diseños transversales y longitudinales.
• Definir diseños ex post facto

Articulos relacionados

• El propósito de los ensayos clínicos
• Diseños longitudinales: Definición y ejemplos
• Uso de sujetos animales en la investigación: problemas y consideraciones
• Variable interviniente: definición y ejemplo
• Variables extrañas y confusas: diferencias y ejemplos
• Conjunto perceptual: definición y ejemplos
• Cómo elegir un método y diseño de investigación
• Muestra aleatoria estratificada: ejemplo y definición
• Diseños entre asignaturas: Definición y ejemplos
• Las cinco fases de los ensayos clínicos en humanos

• Skip to main content
• Skip to primary sidebar
• Skip to footer
• QuestionPro

• Soluciones Soluciones Muestra Online Comunidades Online Encuestas Offline Dashboards Journey mapping Repositorio de Insights Quizzes y sondeos Licencia Académica Herramientas Net Promoter Score AskWhy Análisis Conjoint MaxDiff Closed-Loop Van Westendorp
• Recursos Blog eBooks Webinarios Plantillas para encuestas Estudios de caso Centro de ayuda
• Características

Inicio Investigación de mercado

Investigación no experimental: Qué es, características, ventajas y ejemplos

Existe un tipo de investigación muy común en campos como la psicología, la medición de las tasas de desempleo, los estudios de consumo o los sondeos de opinión, es la investigación no experimental

Conozcamos más de sus características, ventajas y cuándo utilizarla.

Contenido del artículo

¿Qué es la investigación no experimental?

• Características de la investigación no experimental

Cuando utilizar la investigación no experimental

Ventajas y desventajas de la investigación no experimental, tipos de investigación no experimental.

• Ejemplos de investigación no experimental

La investigación no experimental es el tipo de investigación que carece de una variable independiente. En cambio el investigador observa el contexto en el que se desarrolla el fenómeno y lo analiza para obtener información.

A diferencia de la investigación experimental , donde las variables se mantienen constantes,  la investigación tipo no experimental se realiza cuando, durante el estudio, el investigador no puede controlar, manipular o alterar a los sujetos sino que se basa en la interpretación o las observaciones para llegar a una conclusión. Esto significa que el método no debe basarse en correlaciones, encuestas o estudios de caso, y no puede demostrar una verdadera relación de causa y efecto.

Los investigadores no participan directamente en el experimento. Al ser observacional, también se utiliza para la investigación descriptiva .

Características de la investigación tipo no experimental

Alguna de las características más importantes de la investigación no experimental son:

• La mayoría de los estudios se basan en sucesos que ocurrieron anteriormente y se analizan posteriormente.
• En este método no se realizan experimentos controlados por razones como la ética o moral.
• No se crean muestras de estudio , al contrario las muestras o participantes ya existen y se desenvuelven en su medio.
• El investigador no interviene directamente en el entorno de la muestra.
• Este método estudia los fenómenos exactamente como ocurrieron.

La investigación tipo no experimental puede aplicarse de las siguientes formas:

• Cuando la pregunta de investigación puede ser sobre una variable en lugar de una relación estadística sobre dos variables.
• En una investigación donde la pregunta de investigación tiene una relación estadística no causal entre variables.
• Cuando la pregunta de investigación tiene una relación causal, pero la variable independiente no puede manipularse.
• En una investigación exploratoria o amplia donde se enfrente una experiencia particular.

Algunas ventajas de la investigación no experimental son:

• Es muy flexible durante el proceso de investigación
• Se conoce la causa por la que sucede el fenómeno y se investiga el efecto que tiene.
• El investigador puede definir las características del grupo de estudio.

Entre las desventajas se encuentran:

• Los grupos no son representativos de toda la población.
• Pueden presentarse errores en la metodología, lo que provoca sesgos.

La investigación tipo no experimental se basa en la observación de los fenómenos en su entorno natural. De esta forma, pueden ser estudiados posteriormente para llegar a una conclusión.

La investigación tipo no experimental puede ser de las siguientes formas:

Investigación transversal: La investigación transversal se utiliza para observar y analizar un momento exacto de la investigación para abarcar diversos grupos o muestras de estudio. Este tipo de investigación se divide en:

• Descriptiva: Cuando se observan los valores donde se presentan una o más variables para que al obtener los datos, se realice una descripción de ellos.
• Causal: Se encarga de explicar las razones y relación que existe entre las variables en un tiempo determinado.

Investigación Longitudinal: En un estudio longitudinal los investigadores tienen el objetivo de analizar los cambios y el desarrollo de las relaciones que ocurren entre las variables a lo largo del tiempo. La investigación longitudinal puede dividirse en:

• Tendencia: Cuando estudian los cambios que enfrenta el grupo de estudio en general.
• Evolución grupal: cuando el grupo de estudio es una muestra más pequeña.
• De panel: se encarga de analizar los cambios individuales y de grupo para descubrir el factor que los produce.

Conoce más de las diferencias entre estudio transversal y estudio longitudinal .

Ejemplos de investigación no experimental 

Ejemplos de investigación no experimental son las medidas estadísticas, en las que se consulta a la opinión pública sobre un tema para determinar una posición común. O encuestas, en las que se dispone de un conjunto de datos estadísticos y éstos se interpretan y organizan para obtener el mayor número posible de datos pertinentes.

Otro ejemplo posible es la investigación bibliográfica: consultar fuentes bibliográficas o hemerográficas, leer a autores anteriores y presentar los resultados en un informe, un ensayo o una monografía. En este caso, tampoco se trata de experimentos controlados, sino de la visión profesional y/o personal del autor consultado o del propio investigador, en su caso.

La investigación no experimental es un tipo de investigación que no extrae sus conclusiones finales ni datos de trabajo mediante una serie de acciones y reacciones reproducibles en un entorno controlado para obtener resultados interpretables, es decir, mediante experimentos. Esto no significa, por supuesto, que deje de ser una investigación seria, documentada y rigurosa en sus métodos.

La elección de un diseño de investigación experimental o no experimental depende de tus objetivos y recursos. Si necesitas ayuda sobre cómo llevar a cabo una investigación y recopilar datos relevantes, o tienes dudas sobre cuál es el mejor enfoque para tus objetivos de investigación, ponte en contacto con nosotros hoy mismo. Puedes crear una cuenta en nuestro software de encuestas y disfrutar de más de 88 funciones, incluidos el panel de control e informes, de forma gratuita.

MAS COMO ESTO

Qualtrics vs. SurveyMonkey: Comparativa 2024

Sep 2, 2024

Herramientas de plan de acción: Qué es y elementos clave

Ago 30, 2024

Jotform vs Typeform: ¿Cuál es la mejor opción? Comparación

Ago 29, 2024

Entrevistas con stakeholders: Guía para una participación eficaz

Ago 28, 2024

Otras categorías

• Beneficios para empleados
• Capacitación
• Compromiso con el cliente
• Compromiso de los empleados
• Comunidades
• Comunidades en línea
• Conocimiento de la marca
• Entrenamiento
• Estrategia de marketing
• Estudios de casos
• Experiencia del Cliente
• Fuerza de Trabajo
• Funciones mejoradas
• Herramientas y aplicaciones de investigación
• InsightsHub
• Interceptar
• Investigación académica
• Investigación de Consumidores
• Investigación de mercado
• Lealtad del cliente
• Mejores Practicas
• Mercadotecnia
• Productos de QuestionPro
• Productos QuestionPro
• Retención de empleados
• Satisfacción al cliente
• Sin categorizar
• Software para Encuestas
• Startup @es
• Toma de decisiones

• Ejemplos Verdes
• Concepto de Investigación Experimental: Ejemplos, Tipos y Significado

hace 3 meses · Actualizado hace 3 meses

🎯 En este artículo, exploraremos el concepto de investigación experimental, su significado, características, tipos y aplicaciones en diferentes ámbitos.

• ➡️ ¿Qué es la Investigación Experimental?

La investigación experimental es un tipo de investigación que implica la manipulación intencional de una o más variables independientes y la medición de sus efectos en una o más variables dependientes. El objetivo de este tipo de investigación es determinar si existe una relación causal entre las variables y, en caso de que exista, describir la naturaleza de esa relación.

• 📗 Concepto de Investigación Experimental

La investigación experimental se basa en la experimentación, que implica la manipulación de variables y la medición de sus efectos. Esta técnica se utiliza para establecer relación causal entre variables y para evaluar la efectividad de intervenciones o tratamientos. La investigación experimental se utiliza en various campos, como la psicología, la medicina, la física, la química, la biología, la economía, entre otros.

• 📗 Diferencia entre Investigación Experimental y No Experimental

La principal diferencia entre la investigación experimental y no experimental es que la investigación experimental implica la manipulación intencional de variables, mientras que la investigación no experimental no implica la manipulación de variables. La investigación no experimental se basa en la observación y el análisis de datos existentes, sin manipular las variables. La investigación experimental es más precisa y controlada que la investigación no experimental.

• 📗 ¿Por qué es Importante la Investigación Experimental?

La investigación experimental es importante because permite establecer relación causal entre variables, lo que ayuda a comprender los fenómenos naturales y sociales. También permite evaluar la efectividad de intervenciones o tratamientos, lo que es fundamental en campos como la medicina y la psicología.

📗 Concepto de Investigación Experimental según Autores

Varios autores han contribuido a la teoría y la práctica de la investigación experimental. Algunos de estos autores son: Fisher, quien desarrolló el diseño experimental; Campbell y Stanley, quienes desarrollaron el diseño cuasi-experimental; y Cook y Campbell, quienes desarrollaron el diseño experimental y cuasi-experimental.

• ❇️ Concepto de Investigación Experimental según Fisher

Ronald Fisher, estadístico y biólogo británico, es considerado el padre de la estadística moderna. Fisher desarrolló el diseño experimental, que implica la asignación aleatoria de participantes a grupos de tratamiento o control. Fisher también desarrolló el concepto de significación estadística, que se utiliza para determinar si los resultados de un experimento son significativos.

• ❄️ Concepto de Investigación Experimental según Campbell y Stanley

Donald Campbell y Julian Stanley, psicólogos estadounidenses, desarrollaron el diseño cuasi-experimental, que implica la selección no aleatoria de participantes para los grupos de tratamiento o control. Campbell y Stanley también desarrollaron el concepto de validez interna y externa, que se utilizan para evaluar la calidad de un diseño experimental.

• 📌 Concepto de Investigación Experimental según Cook y Campbell

Thomas Cook y Donald Campbell, psicólogos estadounidenses, desarrollaron el diseño experimental y cuasi-experimental. Cook y Campbell también desarrollaron el concepto de generalizabilidad, que se utiliza para evaluar la capacidad de generalizar los resultados de un estudio a otras poblaciones.

📗 Significado de Investigación Experimental

El significado de la investigación experimental radica en su capacidad para establecer relación causal entre variables y evaluar la efectividad de intervenciones o tratamientos. La investigación experimental es fundamental en various campos, como la medicina, la psicología, la física, la química, la biología, la economía, entre otros.

• 📌 Importancia de la Investigación Experimental en la Ciencia

La investigación experimental es fundamental en la ciencia, ya que permite establecer relación causal entre variables y evaluar la efectividad de intervenciones o tratamientos. La investigación experimental es esencial para el avance del conocimiento científico y para la resolución de problemas complejos.

🧿 Para que Sirve la Investigación Experimental

La investigación experimental sirve para establecer relación causal entre variables, evaluar la efectividad de intervenciones o tratamientos, y comprender los fenómenos naturales y sociales. La investigación experimental es fundamental en various campos, como la medicina, la psicología, la física, la química, la biología, la economía, entre otros.

✨ ¿Cuáles son los Pasos para Realizar una Investigación Experimental?

Los pasos para realizar una investigación experimental son: (1) formular la hipótesis de investigación, (2) seleccionar el diseño experimental, (3) selección de la muestra, (4) asignación aleatoria de participantes a los grupos de tratamiento o control, (5) aplicación del tratamiento, (6) medición de las variables dependientes, (7) análisis de los datos, y (8) interpretación de los resultados.

• ✳️ Ejemplo de Investigación Experimental

Ejemplos de investigación experimental son: (1) un estudio que evalúa la efectividad de un nuevo medicamento para tratar una enfermedad, (2) un estudio que evalúa la efectividad de un programa de educación para mejorar la salud mental, (3) un estudio que evalúa la relación entre la exposición a la contaminación del aire y la salud respiratoria, (4) un estudio que evalúa la efectividad de un tratamiento para la adicción, y (5) un estudio que evalúa la relación entre la actividad física y el riesgo de enfermedades crónicas.

• 📗 Cuándo se Utiliza la Investigación Experimental

La investigación experimental se utiliza cuando se busca establecer relación causal entre variables, evaluar la efectividad de intervenciones o tratamientos, y comprender los fenómenos naturales y sociales.

• 📗 Origen de la Investigación Experimental

La investigación experimental tiene sus raíces en la Antigüedad, cuando los filósofos y científicos como Aristóteles y Galeno realizaron experimentos para comprender la naturaleza. Sin embargo, el desarrollo de la investigación experimental como la conocemos hoy en día se remonta al siglo XIX, cuando los científicos como Antoine Lavoisier y Claude Bernard desarrollaron los conceptos de experimentación y control.

• 📗 Definición de Investigación Experimental

La investigación experimental es un tipo de investigación que implica la manipulación intencional de una o más variables independientes y la medición de sus efectos en una o más variables dependientes.

• 📗 ¿Existen Diferentes Tipos de Investigación Experimental?

Sí, existen diferentes tipos de investigación experimental, como el diseño experimental, el diseño cuasi-experimental, el diseño factorial, el diseño de bloques, entre otros.

📗 Características de la Investigación Experimental

Las características de la investigación experimental son: (1) la manipulación intencional de variables, (2) la asignación aleatoria de participantes a los grupos de tratamiento o control, (3) la medida de las variables dependientes, y (4) el control de variables extrínsecas.

• 📌 Uso de la Investigación Experimental en la Educación

La investigación experimental se utiliza en la educación para evaluar la efectividad de programas de educación, desarrollar materiales educativos, y mejorar la enseñanza y el aprendizaje.

• ⚡ A qué se Refiere el Término Investigación Experimental

El término investigación experimental se refiere a la manipulación intencional de variables y la medición de sus efectos en variables dependientes.

🧿 Ejemplo de una Conclusión para un Informe, Ensayo o Trabajo Educativo sobre Investigación Experimental

En conclusión, la investigación experimental es fundamental en various campos, como la medicina, la psicología, la física, la química, la biología, la economía, entre otros. La investigación experimental permite establecer relación causal entre variables y evaluar la efectividad de intervenciones o tratamientos. Es fundamental para el avance del conocimiento científico y para la resolución de problemas complejos.

🧿 Referencia Bibliográfica de Investigación Experimental

• Fisher, R. A. (1925). Statistical Methods for Research Workers. Edinburgh: Oliver and Boyd.
• Campbell, D. T., & Stanley, J. C. (1963). Experimental and Quasi-Experimental Designs for Research. Chicago: Rand McNally.
• Cook, T. D., & Campbell, D. T. (1979). Quasi-Experimentation: Design and Analysis Issues for Field Settings. Chicago: Rand McNally.
• Kerlinger, F. N., & Pedhazur, E. J. (1973). Multiple Regression in Behavioral Research. New York: Holt, Rinehart and Winston.
• Kirk, R. E. (2013). Experimental Design: Procedures for the Behavioral Sciences. Newbury Park, CA: Sage.

✅ Conclusión

En este artículo, hemos explorado el concepto de investigación experimental, sus características, tipos y aplicaciones en diferentes ámbitos. La investigación experimental es fundamental en various campos, como la medicina, la psicología, la física, la química, la biología, la economía, entre otros.

Temas Relacionados

10 Ejemplos de Animales carnívoros y de qué se alimentan: Definición, Que es, Diferencias, Significado y Usos

10 Ejemplos de Convertir fracción decimal a fracción común: Definición, Que es, Diferencias, Significado y Usos

Definición de Cruz Roja: Ejemplos, Que es, Autores

Definición de Actividad Busqueda del Tesoro: Ejemplos, Autores y Concepto

Definición de angulo recto: Ejemplos, Autores y Concepto

Definición de Branquial en Embriología: Significado, Ejemplos y Autores

Definición de Instrumento de Medida: Significado, Ejemplos y Autores

Definición de Activo Fijo ISR Según autores, Ejemplos y Concepto

10 Ejemplos de Bacterias de importancia medica: Definición, Que es, Diferencias, Significado y Usos

10 Ejemplos de Guion Bajo: Definición, Que es, Diferencias, Significado y Usos

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Servicios Personalizados

Indicadores, links relacionados.

International Journal of Morphology

Versión on-line  issn 0717-9502, int. j. morphol. vol.33 no.1 temuco mar. 2015, http://dx.doi.org/10.4067/s0717-95022015000100060 .

Int. J. Morphol., 33(1):382-387, 2015.

Estudios Experimentales 2 Parte. Estudios Cuasi-Experimentales

Experimental Studies 2nd Part. Quasi-experimental Studies

Carlos Manterola*,**,***,**** & Tamara Otzen****,*****

* Departamento de Cirugía y Traumatología, Universidad de La Frontera, Temuco, Chile.

** Centro de Excelencia en estudios Morfológicos y Quirúrgicos (CEMyQ), Universidad de La Frontera, Temuco, Chile.

*** Centro de Investigación en Ciencias Biomédicas, Universidad Autónoma de Chile, Temuco, Chile.

**** Programa de Doctorado en Ciencias Médicas, Universidad de La Frontera, Temuco, Chile.

***** Escuela de Psicología, Universidad Autónoma de Chile, Temuco, Chile.

Dirección para Correspondencia :

RESUMEN : Los estudios experimentales, se caracterizan por la valoración del efecto de una o más intervenciones, habitualmente de forma comparativa con otra intervención, o un placebo; y el carácter prospectivo, de la recolección de datos y seguimiento. Agrupados bajo esta denominación, existe una diversidad de diseños, entre los que se encuentran los estudios cuasi-experimentales (ECE), que se caracterizan especialmente por la ausencia de asignación aleatoria. El objetivo de este manuscrito, es reportar los principios básicos, tipos, características y estrategias para la conducción de ECE.

PALABRAS CLAVE: Estudios experimentales; Asignación aleatoria; Cuasi-experimentales.

SUMMARY : Experimental studies are characterized by assessing the effect of one or more interventions, usually comparatively with other intervention, or placebo; and the prospective nature of data collection and follow-up. Clustered under this denomination, a variety of designs, among which are the quasi-experimental studies (QES), which are characterized particularly by the absence of randomization. The aim of this manuscript is to report the basic principles, types, characteristics and strategies for conducting QES.

KEY WORDS: Experimental studies; Random allocation; Non-Randomized Controlled Trials.

INTRODUCCIÓN

La investigación cuasi experimental proviene del ámbito educativo y de la psicología, donde la investigación de ciertos fenómenos no podía llevarse a cabo siguiendo los procedimientos experimentales. De este modo, es que dos psicólogos norteamericanos: Donald Campbell y Julian Stanley, hicieron las primeras contribuciones a la metodología de investigación en su disciplina, desarrollando los conceptos de validez convergente y discriminante (entre otros); y escribieron el libro "Experimental and Quasi-Experimental Designs for Research" que se publicó en 1966, y se constituyó en uno de los textos de consulta obligado para el formación en estudios cuasi experimentales (ECE) (Campbell & Stanley, 1966). Posteriormente Thomas Cook, edita junto a Donald Campbell un nuevo tratado relacionado con ECE en 1979, denominado "Quasi-Experimentation: Design & Analysis Issues for Field Settings" (Cook & Campbell, 1979). A continuación Jacinto Gómez e Isabel Hombrados (Gómez & Hombrados, 1988), realizan su aportación al tema en capítulo del texto "Diseños de intervención comunitaria". Finalmente, Ato (1995) publica su contribución al tema en el texto "Métodos de investigación en psicología".

Sin embargo, aunque que los conceptos se relacionan fundamentalmente a la psicología; no menos cierto es que en el campo de la medicina, los ECE son muy frecuentes, y pos iblemente por desconocimiento de sus propios usuarios se les ha denominado por décadas "clinical trials", confundiéndolos con los verdaderos ensayos clínicos con asignación aleatoria (AA). Es así como los primeros reportes de estudios que pudiesen catalogarse como ECE en el ámbito de la medicina datan de varias décadas. Uno de ellos es "Estudio clínico comparativo sobre la acción de lidocaína y prilocaína en hemorragias quirúrgicas en relación por anestésicos locales" (Rintalla & Tammisto, 1965); o "Ensayo clínico (EC) controlado de tres diferentes métodos de tratamiento de la herida perineal después de la extirpación del recto" (Irvin & Goligher, 1975). De hecho, la comunidad científica médica se preocupaba a principios de los años noventa por el denominado "fenómeno del respondedor saludable en los ensayos clínicos no aleatorios" (Hallstrom et al., 1991).

Es así como la NCBI para las bases de datos Medline y Pubmed incluyó recientemente el concepto de ECE (Quasi Experimental Studies) bajo el término MeSH "Non-Randomized Controlled Trials as Topic" (NCBI, 2015).

Los estudios de tipo "EC", se identifican porque su metodología lleva implícito el carácter prospectivo (la recolección de datos y seguimiento se desplaza por el eje longitudinal del tiempo hacia el futuro) y la "intervención en el curso normal de los acontecimientos" (Manterola & Bustos, 2001). En este tipo de estudios, se evalúa de forma especial, el efecto de una o más intervenciones de forma comparativa con otra intervención, o un placebo; por ende, uno de las asuntos primordiales de planificar es la manera en que se decidirá cuales participantes van a recibir la intervención en estudio, el placebo, o la intervención estándar (Calva-Mercado, 2000).

En esta maniobra, que puede dejarse al azar; los participantes se agrupan en dos o más grupos. El grupo experimental (al que se aplicará la intervención en estudio); y él o los grupos control (al o a los que se aplicará un placebo o intervención (es), cuyo efecto es (son), ya conocido (s)) (Pita, 2001; Manterola & Bustos).

Entonces, esta maniobra, denominada AA; es la que define a un estudio experimental verdadero o EC. De este modo, cuando la AA no se realiza y es el equipo de investigación el que decide quienes recibirán la intervención en evaluación y quienes la estándar o el placebo; el estudio se denomina ECE (Segura, 2003).

El objetivo de este manuscrito, es reportar los principios básicos, tipos, características y estrategias propias de los ECE.

GENERALIDADES (Non-Randomized Controlled Trials)

Se podrían definir como "un conjunto estrategias de investigación conducentes a la valoración del impacto de una intervención; y por ende, al estudio de los eventuales cambios que pueden ocurrir y por ello detectarse en los sujetos sometidos a esta (s) intervención (es) en función del tiempo, en circunstancias en que no existe AA (Bono, 2015).

Entonces, por lo anteriormente expuesto, este tipo de diseños tienen supuestamente todas las características de un EC; con el considerando, que en algunos escenarios o situaciones no es posible manipular la intervención (es) a estudio (variable independiente) y asignar aleatoriamente los sujetos a las condiciones experimentales. Por esta razón, es que hay quienes los califican de variantes de los EC, con el objetivo de analizar los efectos asociados a la intervención (es) en estudio respecto de aquellos ocasionados por variables de confusión.

Su principal ventaja es que son más simples y económicos de realizar que un EC. Por otro lado, es la única forma de realizar un estudio cuando existen inconvenientes éticos y de factibilidad para realizar una AA, o cuando es preciso realizarlo en condiciones naturales.

Sus desventajas son la alta susceptibilidad a los sesgos, en especial los de selección y confusión. Por otra parte, el utilizar grupos ya existentes compromete la validez externa y la aplicabilidad de los resultados.

Otra dificultad inherente a estos estudios, es el riesgo de presentar efecto placebo y efecto Hawthorne, lo que puede minimizarse consiguiendo que los sujetos participen en el estudio sin estar informados de la intervención que se les aplicará (Molina & Ochoa, 2014).

TIPOS Y CLASIFICACIONES

Como se comentó anteriormente, los ECE o diseños pre-experimentales son frecuentemente utilizados en investigación en el ámbito de las ciencias sociales; en especial en educación y psicología. Existen numerosas calificaciones asignadas a este tipo de diseños, entre las que destacan: diseños de control mínimo, aproximaciones experimentales, diseños intrasujeto, diseños no experimentales, diseños de caso único, diseños experimentales débiles, diseños cuasi experimentales, diseños defectuosos, diseños pre experimentales o de control mínimo, experimento piloto; y el denominado "mal experimento" (Salas, 2013). Es así como Campbell propuso una suerte de clasificación general que los dividió en diseños pre-experimentales de grupo control no equivalente y de series temporales interrumpidas (Cook & Campbell); los que pasaremos a explicar a continuación.

Ahora bien, a partir de este concepto, vale la pena ahondar algo más en algunos subtipos de estos; entre ellos, explicaremos los pretest-postest de un solo grupo; el de grupo no equivalentes sin pretest; el de grupo control no equivalente; el de grupo control no equivalente pretest y postest; y el de series temporales interrumpidas.

El "diseño pretest-postest" se considera "intrasujeto"; por lo cual consta de un grupo sobre el que se ha realizado una observación antes "a1" y otra después "a2" en relación con una intervención "x". Ahora bien, como solo existe un grupo de sujetos, obviamente no existe AA. Por ello, su mayor limitación consiste en la inexistencia de grupo control; lo que limita el establecer evidencias de asociatividad respecto del tratamiento en evaluación.

Por otra parte, en el "diseño de grupos no equivalentes sin pretest"; hay dos grupos, el experimental y denominado grupo control no equivalente (no hay AA). Su característica principal es que en ninguno de los grupos se efectuó una medición basal de la variable dependiente; por ende, una de sus mayores debilidades es el no conocer de modo contundente, cual es la real variación ocurrida luego de la intervención en estudio (imposibilidad de utilizar procedi mientos de ajuste estadístico). Para paliar esta situación, suele recurrirse al uso de mediciones previas procedentes de archivos, fichas clínicas, etc. Con este formato, diferencias previas (de selección) entre los grupos pueden causar cambios en la variable resultado sin efecto alguno de la intervención en evaluación; por ello es imprescindible aplicar técnicas de control de sesgos.

El "diseño de grupo control no equivalente", consiste en un estudio en el que a uno o varios grupos se les aplica una intervención (variable independiente); y se comparan con uno o varios grupos control, que no reciben la intervención. Sin embargo, en todos los grupos se efectúan las mediciones basales y posteriores a la aplicación de la intervención. Por lo anteriormente expuesto, se desprende que existen variantes de este tipo de diseños, entre las que destaca el Diseño de grupo control no equivalente pretest y postest. En esta variación, los grupos forman conjuntos similares, a los que se les asigna de forma aleatoria la (s) intervención (es). Es decir, no existe una AA real a partir de una muestra de la población blanco, sino que son dos grupos parecidos a los que se les asigna una intervención u otra; por lo que presentan una importante fuente de sesgos.

Otra forma de clasificar los ECE se refiere a su carácter en relación al eje del tiempo; de forma tal, que se acepta el concepto de "estrategias trasnversales" y "estrategias longitudinales". En los transversales, se incluyen estudios de comparación estática de grupos (grupos paralelos), estudios de grupo control no equivalente (sólo con medición post-tratamiento; y con medición basal y post-tratamiento), estudios de grupos no equivalentes; y los denominados estudios de discontinuidad en la regresión (mayor robustez que el diseño de grupos no equivalentes, pues se conoce la naturaleza del procedimiento de selección de los grupos en estudio; sin embargo su utilidad es limitada al ámbito de la investigación en ciertos aspectos de la educación). Por otra parte, las estrategias longitudinales, incluyen los estudios de "medidas repetidas" de la variable de respuesta, que se definen como estudios de comparación dinámica. El objetivo de este tipo de estudios es caracterizar el cambio de la variable respuesta en función del tiempo y examinar eventuales covariables que puedan contribuir a este cambio. Una de las características fundamentales de este tipo de estudio dice relación con la medición de basal y a lo largo del tiempo de una o más variables; de este modo, cada unidad de estudio es medida en distintos momentos a lo largo del tiempo de forma secuencial.

Desde la perspectiva médica, los ECE se han clasificado de la siguientes forma: Experimentos naturales; aquellos que se ejecutan sobre una población en la que la intervención se ha producido de forma natural o circunstancial (por ejemplo, los efectos de un terremoto); escenarios, en los que investigadores no actúan directamente sobre la intervención en estudio. Estudios con controles históricos; aquellos en los que se compara el grupo que recibe una intervención con otro grupo que recibió una intervención similar en el pasado. Estudios pos intervención; aquellos en los que la medición se realiza con posterioridad a la aplicación de una intervención. Estudios antes / después (diseño pretest-postest); aquellos en los que se miden algunas variables antes y después de aplicada una intervención (una variante es cuando se usa un grupo de comparación al que no se aplicó ninguna intervención, pero en el que se realizan las dos mediciones, de modo tal de intentar identificar el efecto sobre los resultados de otras posibles variables). (Molina & Ochoa).

NIVELES DE EVIDENCIA DE UN ESTUDIO CUASI EXPERIMENTAL

Como los ECE son estudios experimentales, gozan de un buen nivel de evidencia; tanto así, que en algunas propuestas aparecen en la pirámide jerárquica, sólo por debajo de los EC (Nieto & Luengo, 2015); sin embargo, al analizar el punto según las diversas propuestas de jerarquización de la evidencia, se puede observar que este tipo de estudios sólo aparecen citados de forma más bien colateral en tres clasificaciones (Manterola et al., 2014).

En la de la Canadian Task Force on Preventive Health Care (CTFPHC); como nivel de evidencia II-1 en escenarios de intervención, en el caso de EC sin AA.

En la de la National Health and Medical Research Council (NHMRC); como nivel de evidencia III-2 para escenarios de intervención; en el caso de EC sin AA. O como nivel de evidencia III-3 para escenarios de intervención; si se trata de estudios con controles históricos.

En la de la American Heart Association Task Force on Practice Guidelines (ACCF/AHA); como nivel de evidencia B, Clases I, IIa o IIb (según los beneficios de la intervención sean o no mayores que los riesgos involucrados); si se trata de estudios sin AA.

LECTURA CRÍTICA DE UN ESTUDIO CUASI EXPERIMENTAL

Como la mayor parte de los ECE se relacionan con escenarios de tratamiento y prevención, es que se pueden utilizar las mismas estrategias de tamizado rápido y descarte de artículos que no ameritan ser leídos.

Sin embargo, se ha de tener presente que, como estas pautas fueron diseñadas especialmente para EC; es muy posible que un ECE pueda ser a priori descartado por no cumplir criterios básicos para ser considerado por ellas.

Lamentablemente la organización CASPe, Osteba, SIGN, el Instituto Joanna Briggs, el Journal of American Medical Association (JAMA), no disponen de guías especiales para el análisis y lectura crítica de ECE (Nieto & Luengo); por ende, para valorar la validez interna, la calidad de los resultados y la validez externa del estudio; se pueden utilizar las mismas guías e información relacionada que sugerimos en el artículo anterior referente a EC (Guyatt et al., 1993; Guyatt et al., 1994; Manterola et al., 2004; Manterola & Otzen, 2014).

1.-Efectos del café sobre la motilidad esofágica. Estudio con manometría esofágica. Con el objetivo de estudiar el efecto del café sobre la motilidad esofágica, se estudiaron 10 individuos de sexo masculino, con un promedio de edad de 23,5 años; asintomáticos digestivos. Se les realizó manometría esofágica basal. Diez minutos después, se les administró 5 g de café diluidos en agua tibia sin azúcar. Y 40 minutos después de la ingestión del café, se les realizó una segunda manometría. Se verificó una caída de la presión de reposo del esfínter esofágico inferior, baja amplitud de las ondas del cuerpo esofágico e incremento en la aparición de ondas terciarias respecto de las mediciones basales. Se concluyó que el café afecta la motilidad esofágica y la presión de reposo del esfínter esofágico inferior (Manterola et al, 1997). Este ejemplo podría encasillarse como un estudio antes-después.

2. Cambios fisiopatológicos observados en la reperfusión hepática tras un período de isquemia normotérmica. Con el objetivo de conocer el comportamiento de algunas variables de función hepática tras un período de isquemia y reperfusión hepática, se estudiaron 30 pacientes, con un promedio de edad de 55 años sometidos a resección hepática reglada, en la que se requirió realizar exclusión vascular parcial del hígado. Se midieron basalmente las variables glóbulos rojos, leucocitos totales (Gb), recuento de plaquetas (Pl), bilirrubina total, fosfatasas alcalinas, transaminasas ASAT y ALAT, protrombina (PT) y tiempo parcial de tromboplastina (el día anterior a la cirugía) y posteriormente en los días 1, 2, 3, 5 y 7 del postoperatorio; observando el comportamiento de éstas variables a través del tiempo. Se verificaron diferencias significativas en el comportamiento de las variables Gb, Pl, ASAT, ALAT y PT a lo largo del tiempo. Al ajustar por edad, género e indicaciones de resección, no se constataron confundentes ni modificadores de efecto (Manterola et al., 2001). Este ejemplo podría encasillarse como un estudio de medidas repetidas.

3. Gentamicina en dosis única diaria frente a tres dosis diarias en lactantes con pielonefritis aguda. Con el objetivo de comparar la eficacia del tratamiento de la pielonefritis aguda en lactantes con gentamicina en única dosis diaria (UDD) frente a la pauta clásica de tres dosis diarias (TDD); se condujo un estudio cuasi experimental en el que se comparó el grupo de intervención (UDD) frente a una cohorte histórica de niños tratados con TDD. Se analizó leucocitosis, proteína C reactiva (PCR), creatinina, dosis de gentamicina, niveles máximo y valle del fármaco, tiempo necesario para la desaparición de la fiebre y evolución clínica. Se estudiaron 58 lactantes de 1 a 20 meses. 25 recibieron gentamicina TDD y 33 gentamicina UDD. El nivel máximo de gentamicina fue superior en el grupo UDD (9,32 mg/ml) que en el grupo TDD (5,09 mg/ml) con p<0,001. Los niveles valle fueron inferiores en el grupo UDD que en TDD (0,23 vs. 0,78 mg/ml, respectivamente; p<0,001). No se encontraron diferencias en el tiempo necesario para la desaparición de fiebre. Los valores de creatinina fueron normales en ambos grupos. La evolución fue buena en todos los pacientes. Se concluyó que el tratamiento con gentamicina en UDD en lactantes con pielonefritis aguda es tan eficaz como el TDD tradicional y, posiblemente, igual o incluso más seguro (Calvo et al., 2003). Este ejemplo podría encasillarse como un estudio cuasi experimental con controles históricos.

4. Formación temprana de investigadores en Medicina familiar: estudio cuasi-experimental. Con el objetivo de analizar la estrategia metodológica y los resultados de un proyecto de formación de investigadores en medicina familiar, se llevó a cabo un ECE en la Facultad de Medicina de la UNAM. Para ello, se aplicó el modelo de tutoría en investigación TI-ATR (asesor-tutor-residente). Se generaron tres grupos (sin muestreo ni AA); dos experimentales (uno de tutores y otro de residentes) y un grupo control (profesores). Se midieron diversas variables, entre las que destacaron: "diplomación temprana", "tesis terminadas a tiempo" y "publicación de trabajos". La aplicación del modelo mostró diferencias significativas en las variables antes señaladas, con valores de p<0,01. Se concluyó señalando que el modelo TI-ATR permite capacitar a tutores y residentes en la formación de proyectos de investigación (Ponce et al., 2005). Este ejemplo podría encasillarse como un estudio de grupos no equivalentes.

5. Efecto de la visita a los pacientes quirúrgicos en la unidad de reanimación en la ansiedad de sus familiares. Con el objetivo de determinar si la visita de los pacientes en la unidad de recuperación postanestésica (URPA) reducirían los niveles de ansiedad de los familiares, se realizó un estudio cua si-experimental pretest / post-test. Se evaluó la ansiedad de los familiares de los pacientes a través de la escala Ansiedad Estado-Rasgo (STAI) al inicio del procedimiento quirúrgico y después de la visita de los pacientes en la URPA. Las puntuaciones STAI fueron significativamente mayores en el preoperatorio (57) que después de la operación (51; p<0,001). Sin embargo, los niveles clínicos de ansiedad estaban presentes en el 76% y el 58% de los participantes, antes y después de la operación, respectivamente. Se concluyó que a pesar que puntuaciones postoperatorias STAI se redujeron, las visitas de la familia en la URPA no fueron suficientes para reducir de forma adecuada la ansiedad de los familiares de los pacientes operados (Patelarou et al., 2014). Este ejemplo podría encasillarse como un estudio antes / después.

6. Efecto de la música sobre el dolor postoperatorio en pacientes sometidos a cirugía a corazón abierto. Con el objetivo de investigar el efecto de la música sobre el dolor postoperatorio en pacientes sometidos a cirugía a corazón abierto, se realizó un cuasi-experimental. 60 pacientes de este tipo fueron divididos dos grupos (uno experimental y otro control). Los pacientes del grupo experimental escucharon música por auriculares durante 30 minutos después de la cirugía. El grupo control, sólo los cuidados rutinarios de este tipo de situaciones. Antes y después de la intervención, se midió la intensidad del dolor registrada por la escala analógica visual en dos grupos. Se verificó una diferencia en la percepción del dolor postoperatorio en el grupo experimental (p=0,04). Se concluyó que el oír música relajante puede reducir el dolor postoperatorio (Mirbagher et al., 2014). Este ejemplo podría encasillarse como un estudio de grupos no equivalentes pretest y postest.

DISCUSIÓN

Si bien las bases metodológicas para los ECE se generaron a partir del mundo de las ciencias sociales (en especial de la psicología), un gran número de ECE han sido realizados y publicados desde hace décadas en las distintas disciplinas de la medicina y otras áreas de las ciencias de la salud.

Constituyen diseños interesantes, que deben ser de conocimiento de los investigadores (en especial de los clínicos); pues a través de las diversas opciones existentes; se puede dar respuesta a problemas de difícil solución por la vía de los EC u otro tipo de diseños.

Otra idea que es menester considerar en esta discusión es la escases de información (a veces confusa e incluso contradictoria) referente al tema; posiblemente porque este tipo de diseños no son demasiado conocidos y utilizados por los clínicos.

Esto conlleva entre otras cosas a que la evidencia que en definitiva aportan, respaldada por las distintas clasificaciones existentes, es poco clara y en la mayor parte de ellas los ECE simplemente no son considerados; situación que llama a la meditación, pues como se ha mencionado anteriormente, desde alrededor de 50 años que se conducen investigaciones de esta naturaleza y no es posible clasificarla respecto del nivel de evidencia que aporta y menos del grado de recomendación asociado para la toma de decisiones en salud.

REFERENCIAS BIBLIOGRÁFICAS

Ato, M. Tipología de los diseños cuasiexperimentales. En: Anguera, M. T.; Arnau, J.; Ato, M.; Martínez, R.; Pascual, J. & Vallejo, G. (Eds.). Métodos de investigación en Psicología. Madrid, Síntesis, 1995.

Calvo, R. C.; García, D. B.; Nebreda, P. V.; García, G. M. L.; Maderuelo, S. A. I.; Cilleruelo, P. M. L. & García, L. C. Gentamicina en dosis única diaria frente a tres dosis diarias en lactantes con pielonefritis aguda. An. Pediatr. (Barc.), 58(3):228-31, 2003.

Campbell, D. T. & Stanley, J. C. Experimental and quasi-experimental designs for research. Chicago, Rand-McNally, 1966.

Cook, T. D. & Campbell, D. T. Quasi-experimentation: Design and analysis issues for field settings. Boston, Houghton Mifflin Company, 1979.

Calva-Mercado, J. J. Estudios clínicos experimentales. Salud Pública Méx., 42(4):349-58. 2000.

Gómez, L. & Hombrados, I. Diseños de intervención comunitaria. En: Martín González, A.; Chacón Fuertes, F. & Martínez García, M. Psicología comunitaria. Madrid, Visor, 1988. pp.149-66.

Guyatt, G. H.; Sackett, D. L. & Cook, D. J. Users' guides to the medical literature. II. How to use an article about therapy or prevention. A. Are the results of the study valid? Evidence-Based Medicine Working Group. JAMA, 270(21):2598-601, 1993.

Guyatt, G. H.; Sackett, D. L. & Cook, D. J. Users' guides to the medical literature. II. How to use an article about therapy or prevention. B. What were the results and will they help me in caring for my patients? Evidence-Based Medicine Working Group. JAMA, 271(1):59-63, 1994.

Hallstrom, A. P.; Greene, H. L. & Huther, M. L. The healthy responder phenomenon in non-randomized clinical trials. CAST Investigators. Stat. Med., 10(10):1621-31, 1991.

Irvin, T. T. & Goligher, J. C. A controlled clinical trial of three different methods of perineal wound management following excision of the rectum. Br. J. Surg., 62(4):287-91, 1975.

Manterola, C.; Garrido, L. & Acencio, L. Efectos del café sobre la motilidad esofágica. Estudio mediante manometría esofágica. Rev. Chil. Cir., 49:249-55, 1997.

Manterola, C. & Bustos, L. Estrategias de investigación. Diseños experimentales. Ensayo clínico. Rev. Chil. Cir., 53(5):498-503, 2001.

Manterola, C.; Horta, J.; Muñoz, S.; Bustos, L.; Cuadra, A. Cambios fisiopatológicos observados en la reperfusión hepática tras un periodo de isquemia normotérmica. Rev. Chil. Cir., 53(2):138-45, 2001.

Manterola, C.; Pineda, V.; Vial, M. & Losada, H. Revisión crítica de la literatura para artículos de terapia. Rev. Chil. Cir., 56(6):604-609. 2004.

Manterola, C.; & Otzen, T. Critical analysis of biomedical literature. Int. J. Morphol., 32(2):599-607, 2014.

Manterola, C.; Asenjo-Lobos, C. & Otzen, T. Hierarchy of evidence: Levels of evidence and grades of recommendation from current use. Rev. Chilena Infectol., 31(6):705-18, 2014.

Mirbagher, A. N.; Mohammadi, A.; Najaran, H. & Khazaei, S. Effect of music on postoperative pain in patients under open heart surgery. Nurs. Midwifery Stud., 3(3):e20213, 2014.

Molina, A. M.; & Ochoa, S. C. Ensayo clínico (I). Definición. Tipos. Estudios cuasiexperimentales. Evid. Pediatr., 10:52, 2014.

Nieto, P. B. & Luengo, G. R. Módulo V. Evaluación y síntesis de la evidencia. Guiasalud.es, Biblioteca de Guías de Práctica Clínica del Sistema Nacional de Salud, Gobierno de España, 2015. Disponible en: http://formacion.guiasalud.es/cursos/elaboracion-gpc/5/GPC-05-V3.pdf

Patelarou, A.; Melidoniotis, E.; Sgouraki, M.; Karatzi, M.; Souvatzis, X. The effect of visiting surgical patients in the postanesthesia care unit on family members' anxiety: a prospective quasi-experimental study. J. Perianesth. Nurs., 29(3):221-9, 2014.

Ponce, R. E. R.; Irigoyen, C. A. E.; Gómez, C. F. J.; Terán, T. M.; Landgrave, I. S.; Fernández, O. M. A.; Sánchez, E. L. E.; Monroy Caballero, C.; Boschetti, F. B.; González Salinas, C.; Madrigal de León, H. F.; Rodríguez López, J. L.; Sánchez Ahedo, R.; Morales López, H.; Hernández Torres, I.; Navarro García, A M.; Jiménez Galván, I. & Saura Llamas, J. Formación temprana de investigadores en Medicina familiar: estudio cuasi-experimental. Arch. Med. Fam., 7(2):35-44. 2005.

Rintala, A. & Tammisto, T. On surgical hemorrhages in relation to local anesthetics. II. Comparative clinical studies on the action of lidocaine and prilocaine. Anaesthesist., 14(6):183-4, 1965.

Salas, B- E. Diseños preexperimentales en psicología y educación: una revisión conceptual. Liber., 19(1):133-41, 2013.

Segura, C. A. M. Diseños cuasiexperimentales. Antioquia, Facultad Nacional de Salud Pública, Universidad de Antioquia, 2003. Disponible en: http://www.sld.cu/galerias/pdf/sitios/renacip/disenos_cuasiexperimentales.pdf

Dr. Carlos Manterola

CEMyQ Universidad de La Frontera. Temuco CHILE

Email: [email protected]

Recibido : 26-10-2014 Aceptado: 30-01-2015

Investigación cuasi experimental: concepto, características, ejemplos

¿Qué es la investigación cuasi experimental?

La investigación cuasi experimental es un tipo de investigación en la que se pretende encontrar una relación causa-efecto entre la variable independiente y la dependiente. Sin embargo, no es igual a un experimento real, ya que los sujetos no son asignados a los grupos de estudio de forma aleatoria. Se da especialmente en el campo educativo y social.

Por ejemplo, en una investigación se quiere estudiar el efecto de un nuevo tratamiento para el cáncer en un hospital. Sin embargo, por motivos éticos la dirección del hospital no permite asignar el tratamiento a una mitad de los pacientes y a la otra mitad no.

El tratamiento es ofrecido por la dirección a los pacientes y una parte de ellos deciden tomar el nuevo tratamiento, mientras que otra parte prefiere seguir con el tratamiento tradicional. El investigador estudia el efecto en cada grupo, convirtiéndose por tanto en una investigación cuasi experimental, ya que los sujetos no han podido ser asignados aleatoriamente a un grupo experimental (que reciba el tratamiento) y uno control (que no lo reciba).

La no aleatoriedad en su elección determina que no va a existir un control sobre las variables importantes. Igualmente, provoca que este tipo de investigación sea mucho más proclive a la aparición de sesgos. Existe una serie de alternativas a la hora de realizar el diseño del estudio. 

Por ejemplo, se pueden establecer unos controles históricos o, aunque no es obligatorio, crear un grupo de control que sirva para verificar la validez de los resultados. Se considera que este tipo de investigación se puede dividir en cuatro tipos: experimentos naturales, estudios con controles históricos, estudios posintervención y estudios antes/después.

Características de la investigación cuasi experimental

El origen de la investigación cuasi experimental se dio en el ámbito educativo. Las propias características de ese sector impedía que se pudieran realizar estudios de ciertos fenómenos con experimentos convencionales.

A partir de los años 60 del siglo pasado, pero sobre todo en las últimas décadas, este tipo de estudios se han multiplicado. Hoy en día tienen mucha importancia en la investigación aplicada .

Manipulación de la variable independiente

Como ocurre también en la investigación experimental, estos estudios tienen como objetivo definir cómo actúa una variable independiente sobre la dependiente. En resumen, se trata de establecer y analizar las relaciones causales que se producen.

Grupos no aleatorios

Como se apuntaba anteriormente, una de las características definitorias de la investigación cuasi experimental es la no aleatorización en la formación de los grupos.

El investigador recurre a grupos ya formados por las circunstancias que sean. Por ejemplo, pueden ser los miembros de una clase universitaria o un grupo de trabajadores que comparten oficina.

Esto provoca que no exista la certidumbre de que todos los sujetos presenten similares características, lo que puede provocar que los resultados no sean totalmente científicos.

Por ejemplo, a la hora de estudiar la alimentación escolar y las alergias relacionadas, puede haber niños totalmente sanos que pueden distorsionar los resultados.

Poco control de las variables

Estos modelos son frecuentes en investigaciones aplicadas. Esto significa que se van a desarrollar en ambientes ajenos a los laboratorios, en contextos naturales. De esta manera, el control del investigador sobre las variables es mucho menor.

Metodologías y diseño

De manera resumida, el modo en el que se desarrollan las investigaciones cuasi experimentales es muy simple. Lo primero es elegir el grupo a estudiar, tras lo que se le asigna la variable deseada. Una vez hecho esto, se analizan los resultados y se sacan conclusiones.

Para obtener la información deseada se utilizan varias herramientas metodológicas. La primera es una serie de entrevistas con los individuos del grupo elegido. De igual manera, existen protocolos estandarizados para realizar las observaciones pertinentes que aseguran un resultado más objetivo.

Otro aspecto que se recomienda es hacer una “preprueba”. Esto consiste en medir la equivalencia entre los sujetos estudiados previamente al experimento.

Además de estas líneas generales, es importante delimitar bien el tipo de diseño que se quiere establecer, ya que va a marcar el sentido de la investigación.

Diseños transversales

Sirven para comparar diferentes grupos, enfocando la investigación en un punto temporal concreto. Así, no se utiliza para obtener conclusiones universales, sino simplemente para medir una variable en un momento concreto.

Diseños longitudinales

En este caso se van a tomar varias medidas de la variable para cada individuo. Estos, que son los sujetos del estudio, pueden ser desde una sola persona hasta grupos que conformen una unidad, como una escuela.

A diferencia de los que sucede con los transversales, con este diseño se pretende estudiar los procesos de cambio en un periodo continuado de tiempo.

Ventajas y desventajas

En muchos estudios de ciencias sociales es muy complicado seleccionar grupos que puedan cumplir los requisitos para realizar investigaciones puramente experimentales.

Por esto, los cuasi experimentales, aunque menos precisos, se convierten en una herramienta muy valiosa para medir las tendencias generales.

Un ejemplo muy clásico es la medición del efecto del alcohol en adolescentes. Obviamente, no sería posible éticamente dar de beber a los chavales y observar de manera experimental los efectos. Por eso, lo que hacen los investigadores es preguntar cuánto alcohol han bebido y cómo les ha afectado.

Otra ventaja es que estos diseños pueden ser usados en casos individuales y, más tarde, extrapolar con otras entrevistas parecidas.

Por último, la característica de estos estudios los hace mucho más baratos y fáciles de desarrollar. Los recursos necesarios y el tiempo de preparación es mucho menor que si se quisiera realizar un experimento tradicional.

Desventajas

La principal desventaja que los expertos señalan es el no reunir a los grupos aleatoriamente, al azar. Esto provoca que los resultados puedan no ser todo lo exactos que se desearía.

Parte del problema es la imposibilidad de los investigadores de tener en cuenta factores externos que puedan desvirtuar las respuestas de los sujetos.

Cualquier circunstancia preexistente o rasgo personal que no se adapte al estudio puede suponer que las conclusiones sean diferentes. Entonces, el investigador queda sin respuesta ante estas situaciones.

Por otra parte, muchos teóricos advierten de que se puede presentar lo que llaman efecto placebo o de Hawthorne. Este consiste en la posibilidad de que alguno de los sujetos participantes cambie su conducta al saber que está participando en un estudio.

No se trata de que exista una manipulación externa, pero está demostrado que el ser humano tiende a adaptar su comportamiento a los patrones generales o a lo que piensa que se espera de él.

Para intentar evitar que esto altere los resultados, los investigadores cuentan con herramientas metodológicas para evitarlo, aunque es imposible un control al cien por cien.

Ejemplos de investigaciones cuasi experimentales

– Se investiga el nivel educativo entre niños que han ido a un colegio y niños que han ido a otro, con padres que se han mostrado voluntarios.

– Se investiga los efectos de dos vacunas contra el coronavirus, tomando como sujetos de estudio a personas que se presentan voluntarias. Es cuasi experimental porque no se ha podido asignar aleatoriamente a los sujetos a distintos grupos.

– Se investiga los efectos en la salud dental de dos comidas para perros, tomando como sujetos de estudio a perros cuyos dueños han sido voluntarios.

– Estudiar los efectos de un programa para encontrar trabajo, en el que los sujetos del grupo experimental y control no son asignados aleatoriamente.

– Se estudia el efecto de dos métodos de relajación, permitiendo a los sujetos de estudio que elijan el método voluntariamente.

Diseño de investigación cuasi experimental: Guía completa

La investigación cuasi experimental se utiliza en psicología y ciencias sociales como un tipo de investigación que se sitúa a medio camino entre la investigación experimental y la investigación observacional. En este tipo de investigación, se busca estudiar el efecto de una o más variables independientes sobre una o más variables dependientes. Aunque algunos autores no consideran la investigación cuasi experimental como científica debido a la falta de aleatoriedad en la selección de los grupos, presenta ventajas significativas que la hacen relevante en el campo de estudio.

Una de las características distintivas de la investigación cuasi experimental es la no aleatoriedad en la selección de los grupos experimentales. En lugar de seleccionar los grupos de forma aleatoria, se eligen grupos ya formados. Por ejemplo, en un estudio sobre el efecto de un tratamiento psicológico en la reducción de la ansiedad, se pueden seleccionar grupos de pacientes que ya están recibiendo ese tratamiento.

Otra característica importante de la investigación cuasi experimental es la falta de control de la varianza sistemática secundaria. En algunos casos, no es posible controlar todas las variables que podrían afectar la validez interna del experimento. Por lo tanto, la investigación cuasi experimental es la opción más adecuada cuando existen variables que no se pueden controlar.

En cuanto a la forma en que se lleva a cabo la investigación cuasi experimental, es similar a otros tipos de investigación. Se estudia el efecto de una o más variables independientes sobre una o más variables dependientes. Por ejemplo, se puede investigar la eficacia de un tratamiento psicológico en la reducción de la ansiedad midiendo los niveles de ansiedad antes y después del tratamiento.

Entre las ventajas de la investigación cuasi experimental se encuentran la posibilidad de seleccionar grupos accesibles y ya formados, lo que facilita el reclutamiento de participantes. Además, los diseños cuasi experimentales suelen ser más fáciles de aplicar y más económicos que los diseños experimentales tradicionales. También se pueden aplicar tanto a grupos como a casos individuales, lo que amplía las posibilidades de estudio.

Sin embargo, la investigación cuasi experimental también presenta algunas desventajas. En comparación con los diseños experimentales, los diseños cuasi experimentales suelen ser menos precisos y tienen una menor validez interna. Esto se debe en parte a la falta de aleatoriedad en la formación de los grupos, lo que puede introducir sesgos y amenazar la validez del experimento y la precisión de los resultados. Además, existe la posibilidad de que los resultados se vean afectados por el efecto placebo, ya que los participantes pueden esperar ciertos resultados debido a su participación en el estudio.

Existen diferentes tipos de diseños cuasi experimentales que se pueden utilizar en la investigación. Uno de ellos es el diseño transversal, en el que se estudian diferentes grupos en un momento temporal concreto. Por ejemplo, se pueden medir los coeficientes intelectuales de diferentes clases de estudiantes en enero. Otro tipo de diseño es el longitudinal, en el que se estudia cómo evolucionan o cambian unas variables en un grupo de sujetos en diferentes momentos temporales. También se pueden aplicar diseños cuasi experimentales de forma individual para casos únicos.

Conclusión, la investigación cuasi experimental es un tipo de investigación ampliamente utilizado en psicología y ciencias sociales. Aunque se diferencia de la investigación experimental en la forma en que se seleccionan los grupos, presenta ventajas significativas, como la posibilidad de seleccionar grupos accesibles y ya formados y diseños fáciles de aplicar y económicos. Sin embargo, también tiene sus limitaciones en términos de precisión y validez en comparación con los diseños experimentales. Es importante tener en cuenta estas limitaciones al interpretar los resultados de la investigación cuasi experimental.

Contenido del artículo

Preguntas frecuentes

¿cuál es la diferencia entre investigación experimental e investigación cuasi experimental.

La principal diferencia entre la investigación experimental y la investigación cuasi experimental radica en la forma en que se seleccionan los grupos. En la investigación experimental, los grupos se seleccionan de forma aleatoria, mientras que en la investigación cuasi experimental se eligen grupos ya formados. Esta diferencia afecta la validez interna del experimento y la forma en que se interpretan los resultados.

¿Cuáles son las ventajas de la investigación cuasi experimental?

¿cuáles son las desventajas de la investigación cuasi experimental.

Las desventajas de la investigación cuasi experimental incluyen una menor precisión y validez en comparación con los diseños experimentales, debido a la falta de aleatoriedad en la formación de los grupos. También existe la posibilidad de efecto placebo en los resultados, ya que los participantes pueden esperar ciertos resultados debido a su participación en el estudio.

¿Qué tipos de diseños cuasi experimentales existen?

Publicaciones similares.

Los 80 Proverbios Turcos: Descubre las sabias enseñanzas de la cultura turca

Los Proverbios Turcos más Conocidos Los proverbios son frases populares que transmiten enseñanzas, consejos y reflexiones basadas en la sabiduría y la experiencia acumulada a lo largo de los años. En diferentes culturas alrededor del mundo existen proverbios que se han transmitido de generación en generación, y Turquía no es una excepción. A continuación, te…

Los 4 tipos de ciencia y sus campos de investigación: Guía completa

La ciencia es una actividad intelectual y práctica que nos permite entender el mundo que nos rodea. Mediante el estudio sistemático de los elementos del mundo en sus distintos niveles de organización estructural y comportamiento individual en el entorno físico, natural o social, la ciencia busca ofrecer explicaciones y descripciones de los fenómenos que ocurren…

Teoría de Personalidad Marvin Zuckerman: Descubre sus fundamentos

Marvin Zuckerman es una figura notable en el campo de la psicología. Nacido en Chicago en 1928, Zuckerman se embarcó en una carrera académica que lo llevó a convertirse en una de las autoridades más reconocidas en el estudio de la personalidad. Después de obtener su doctorado en Psicología Clínica en la Universidad de Nueva…

Funciones de la glía radial en el cerebro: Descubre su importancia

Las células gliales son un tipo de células que derivan del epitelio embrionario y se encargan de recubrir y sostener al sistema nervioso. Aunque en un principio se creía que solo cumplían funciones de soporte y protección de las neuronas, se ha descubierto que también desempeñan un papel importante en la transmisión de información y…

Neurohipófisis: Todo sobre su estructura, funciones y enfermedades

La diabetes insípida es una enfermedad que se caracteriza por la emisión excesiva de orina y la sed intensa. Ocurre cuando la neurohipófisis no libera suficiente vasopresina, lo que provoca que los riñones no reabsorban adecuadamente el agua y produzcan grandes cantidades de orina diluida. Esta enfermedad puede ser causada por lesiones en la neurohipófisis,…

Los 18 planetas más extraños del Universo – Descubre los mundos más sorprendentes y fascinantes fuera de nuestra galaxia

Sumérgete en un fascinante viaje por los confines del Universo y déjate maravillar por los 18 planetas más extraños, donde la realidad supera la ficción. Prepárate para descubrir mundos con dos soles, lluvia de rubíes y zafiros, núcleos de diamante y océanos subterráneos. ¡La diversidad del cosmos te espera! En el vasto y misterioso universo…

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Comentario *

Correo electrónico *

Guarda mi nombre, correo electrónico y web en este navegador para la próxima vez que comente.

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios .

Privacy Overview

Ciencia, Educación, Cultura y Estilo de Vida

Investigación no experimental

Explicamos qué es la investigación no experimental, sus características, diseño y damos varios ejemplos

¿Qué es la investigación no experimental?

La investigación no experimental es aquella que se realiza a través de la observación, sin intervenir o manipular el objeto estudiado, o tratar de controlar las variables de una situación observada.

La investigación no experimental se utiliza en las ciencias sociales (sociología, antropología, psicología, etc.), en algunas ramas de las ciencias naturales (como en la etología o la botánica), o en áreas como mercadeo o comunicación social.

En este tipo de investigación el objeto de estudio es observado en su espacio habitual o ambiente natural, se registran las variables y procesos sin agregar o quitar nada que pueda perturbar los procesos evaluados.

Características de la investigación no experimental

Ausencia de intervención.

Es la característica fundamental de esta clase de investigación: no se realiza ninguna clase de ensayo, intervención o manipulación de la situación, grupo o proceso que se va a estudiar. El observador presta atención a determinadas relaciones y variables, las analiza y propone o confirma hipótesis.

Investigación ex post facto

Con frecuencia la investigación no experimental se realiza sobre hechos que ya acontecieron (este es el significado de la locución ex post facto ). Este tipo de investigación puede usarse para determinar las causas de un evento, a partir de sus efectos o consecuencias.

Por ejemplo, las investigaciones históricas tienen carácter ex post facto , donde ya los hechos sucedieron y se pretende buscar las posibles causas partiendo de las consecuencias que se advierten.

Carácter ético de la investigación

Al no manipularse los sujetos de la investigación, sobre todo cuando se trata de grupos humanos o animales, no se transgreden límites éticos, como sí sucede con frecuencia en la investigación experimental: cuando se inoculan enfermedades a ratones o monos, o se dan placebos a personas enfermas (grupos de control).

Es descriptiva

En la investigación no experimental se describen las relaciones y variables del evento o grupo observado, para luego compararlas con situaciones similares o con variables parecidas.

Investigación no experimental transversal y longitudinal

Investigación no experimental transversal.

La investigación no experimental transversal o transeccional se enfoca en un grupo de variables o en una situación en determinado momento. Puede compararse con la fotografía de un grupo de personas o de un ecosistema en determinado momento: este tipo de investigación puede ser exploratoria, descriptiva y de causalidad (correlacional).

Transversal exploratoria

El investigador se acerca al grupo, proceso o evento sin una hipótesis previa, y con el objeto de recabar información inicial. Se corresponde con actividades de censos o inventarios, y con las primeras visitas de campo en estudios antropológicos.

Transversal descriptiva

En la transversal o transeccional descriptiva se levanta toda la información pertinente al objeto de estudio tal y como está en un momento dado; esto implica registrar todos los datos de un grupo o área determinada. En este tipo de investigaciones las mediciones y datos estadísticos juegan un papel importante.

Transversal correlacional o causal

En este tipo de investigación se estudian los vínculos entre dos o más variables de una investigación, que puede ser de causa y efecto, o de correlación (variables que interactúan entre sí, o son afectadas por un mismo fenómeno).

Investigación longitudinal

Se habla de investigación longitudinal cuando se estudia un evento y sus variables a lo largo de un período de tiempo. En este caso se recogen datos cada cierto tiempo para comparar y analizar la evolución o cambios en los mismos. Este tipo de investigación puede ser de tendencia, de análisis evolutivo y de panel.

Investigación longitudinal de tendencia

Analiza o estudia determinadas variables generales en una población determinada a lo largo del tiempo. Por ejemplo, la postura general de una población respecto al consumo de tabaco en las últimas décadas.

Investigación longitudinal de análisis evolutivo

Es un tipo de investigación que se enfoca en subgrupos de una población y su evolución a lo largo del tiempo. Por ejemplo, mujeres de treinta años que trabajan, estudiantes extranjeros en secundaria, seguidores de un equipo deportivo, etc.

Investigación longitudinal de panel

Es similar a las otras formas de investigación longitudinal, pero se caracteriza porque a lo largo del tiempo se estudian o se evalúan los mismos individuos del subgrupo en cuestión.

Ventajas y desventajas de la investigación no experimental

Recolección de datos confiables.

Al mantener el investigador la distancia y no introducir variables externas, los datos que obtenga serán más confiables.

Este tipo de estudio, con pocas excepciones, no produce daños en el objeto de estudio: no se inoculan enfermedades o se proporcionan drogas, o se sacrifican ejemplares (excepto en algunos inventarios biológicos que conllevan mediciones de biomasa, por ejemplo).

La investigación no experimental, basada en la observación y recopilación de información, es menos invasiva que la investigación experimental.

Menor esfuerzo y costos

La investigación no experimental generalmente necesita menos recursos e infraestructura que la investigación experimental.

Visión panorámica

Este tipo de investigación puede proporcionar al investigador una visión más completa de determinados eventos y sirve para identificar y localizar puntos de estudios más precisos.

Desventajas

Falta de control sobre las variables.

La investigación no experimental está sujeta a imprevistos y variables no consideradas de antemano. Al no controlar todas las variables es posible que las conclusiones no sean correctas.

Superficialidad

Los resultados de una investigación no experimental pueden ser un poco superficiales, aunque esta pueda ser un paso previo a una investigación más profunda.

Margen de error en las correlaciones

Al tratar de determinar las correlaciones entre variables de un estudio solo mediante la observación, es posible que no se estén contemplando todas las posibilidades, lo que aumenta la posibilidad de una percepción errónea.

Ejemplos de investigación no experimental

Presencia de animales silvestres en entornos urbanos.

Inventario de fauna presente en barrios de la ciudad. Determinar especies, población estimada y percepción de los habitantes (peligrosos, inocuos, perjudiciales o benéficos).

Impacto de las redes sociales en comunidades indígenas

A través de entrevistas y cuestionarios, determinar en una comunidad el número de habitantes conectados a distintas redes, tipos de equipos (ordenadores, celulares, etc.), edades y nivel socioeconómico.

Evaluación de atención psicológica en hospitales públicos

Entrevistas a psicólogos y personal hospitalario, revisión de registros de acceso público y entrevistas a pacientes.

Evolución de la percepción sobre el consumo de gaseosas en las escuelas primarias de un barrio urbano

Entrevistas a estudiantes, docentes y representantes y análisis del consumo durante un periodo de cinco años.

Efectos secundarios en la aplicación de vacunas para la fiebre amarilla en comunidades fronterizas

Entrevistas, observación y seguimiento de un grupo de estudiantes vacunados en determinado período.

Recuperación de bosques comunales destruidos por incendios de 2021

Inventarios y levantamientos de vegetación, mediciones anuales de parcelas y comparación con la recuperación de otros bosques afectados en 2021.

Uso de bicicletas en barrios céntricos de una ciudad con servicio de alquiler

Revisión de la información digital de los servicios de bicicletas, entrevistas a usuarios, comparación con estadísticas de años anteriores.

Efectos de la contaminación sobre la avifauna urbana

Inventarios de especies en un barrio de la ciudad, demografía, número de nidos. Comparación con información anterior y seguimiento de ejemplares marcados.

Personas en situación de calle

Censo, entrevistas (procedencia, último trabajo, modo de subsistencia, etc.), sectores de la ciudad donde se concentran, acceso a servicios, etc.

Recuperación de zonas rurales por éxodo inverso (ciudad/campo)

Estudios de censos poblacionales de la última década, identificación de familias que hayan hecho esta migración. Entrevistas.

Referencias

• Tipos de investigación (2021) Tomado de intep.edu.co.
• Investigación no experimental (2021), Tomado de ecured.cu.
• Diseño no experimental (2021). Tomado de uaeh.edu.mx.
• Non-Experimental and Experimental Research: Differences, Advantages & Disadvantages (2021). Tomado de study.com.
• Diseño de investigación (2021). Tomado de es.wikipedia.org.

Investigación Cuasi Experimental: Qué Es Y Cómo Está Diseñada

Me complace escribir sobre un tema clave para la ciencia de la psicología que es la Investigación cuasi experimental . Esta técnica de investigación se ha convertido en una herramienta indispensable para dar respuesta a las interrogantes de los profesionales y académicos en el área de la salud mental.

A lo largo de este artículo voy a contarte en detalle el concepto y disposición de la Investigación cuasi experimental, para que conozcas esta metodología y sus principios para la correcta interpretación de los resultados obtenidos.

¿Qué es la Investigación cuasi experimental?

¿cómo está diseñada, alcances de una investigación i metodología de la investigación, investigación cualitativa diseño, ¿qué implicaciones tiene un diseño cuasi experimental en el campo de la psicología, ¿cuáles son las principales diferencias entre los diseños experimentales y cuasi experimentales, ¿es la manipulación controlada una estrategia necesaria para un diseño cuasi experimental, ¿en qué situaciones es apropiado recurrir a un diseño cuasi experimental para obtener resultados fiables.

Se trata de una técnica de investigación cuyo objetivo es probar una hipótesis establecida previamente con respecto a una determinada situación a partir de la recolección y análisis de datos. Esta metodología se diferencia de la Investigación experimental por la imposibilidad de asignar aleatoriamente los sujetos de estudio a un grupo (los grupos ya existen por sí mismos).

La Investigación cuasi experimental se compone de diversos pasos y etapas fundamentales para lograr su correcta ejecución. A continuación voy a detallarte cada uno de ellos:

• Definir el problema de investigación.
• Establecer un objetivo.
• Elaborar una hipótesis.
• Diseñar la estrategia de recolección de información.
• Recolectar datos.
• Analizar los datos.
• Interpretar los resultados.

Al finalizar el proceso de Investigación cuasi experimental se elabora un informe donde se explican los resultados hallados dentro del desarrollo de la técnica.

Preguntas Relacionadas

Un diseño cuasi experimental en el campo de la psicología tiene algunas implicaciones importantes que son necesarias de conocer para trabajar correctamente con este tipo de investigación.

Estos aspectos son:

• Es importante tener en cuenta los factores externos: Debe ser considerada al momento de realizar la investigación toda variable externa que pueda influir en los resultados obtenidos, como por ejemplo el contexto social, el nivel socioeconómico, etc.
• Valorar si hay un grupo control: Es necesario definir un grupo control que servirá para comparar los resultados obtenidos con respecto a otros grupos de estudio, a fin de tener un criterio de valoración objetiva.
• Estrategias para el manejo de la muestra: El diseño cuasi experimental, al comparar diferentes grupos, requiere definir muy bien la muestra en cuanto a parámetros como edad, género, etc. para evitar posibles sesgos.

De esta forma, el diseño cuasi experimental es una herramienta muy útil para la realización de investigaciones de calidad sobre diferentes temas relacionados con la psicología y el comportamiento humano.

Cuando hablamos de los diseños experimentales y cuasi experimentales , generalmente estamos hablando del modo en el que se llevan a cabo los estudios para determinar la relación entre variables. Estas dos herramientas tienen sus similitudes, pero hay algunas diferencias clave que deben entenderse claramente.

Las principales diferencias entre los diseños experimentales y cuasi experimentales son las siguientes:

• Control de las variables . Los diseños experimentales consideran estrictos controles de variables, mientras que los cuasi experimentales tienen menos controles. Los primeros permiten establecer relaciones causales entre variables, mientras que los segundos no.
• Exclusión de variables . Los diseños experimentales cuentan con una variable independiente sobre la cual se hace una prueba, mientras que los cuasi experimentales incluyen varias variables independientes e inferir qué variable(s) contribuyen a la variable dependiente.
• Medición de datos . En los diseños experimentales, se controlan los valores de entrada y salida (mediante grupos de control). En los cuasi experimentales, se recogen datos directamente de los participantes, sin grupos de control.

En relación con la pregunta sobre si la manipulación controlada es una estrategia necesaria para un diseño cuasi experimental, la respuesta es sí . Esto se debe a que el estudio de los experimentos cuasi-experimentales requiere la manipulación de variables para evitar las influencias externas que pudieran distorsionar el resultado.

Los diseños cuasi experimentales no se basan en la selección al azar de los sujetos de investigación, por lo que resulta imposible controlar todas las variables. Por esta razón, la manipulación controlada permite controlar una o más variables para lograr un mejor diseño del experimento y obtener resultados más precisos.

A continuación se muestran algunas estrategias comunes para manipular variables en un diseño cuasi experimental:

• Utilización de bloques para compensar la influencia de los grupos.
• Selección de los grupos más cercanos a la variable independiente.
• Dividir el grupo con base en la variable dependiente.
• Mantener un cuidadoso seguimiento sobre los factores ambientales que influyan en la variable.

En determinadas situaciones se hace necesario recurrir a un diseño cuasi experimental para obtener resultados fiables. Estas pruebas son un buen método para estudiar el comportamiento humano debido a su gran versatilidad en la recolección de datos, y se utilizan al momento de obtener resultados acertados que no siempre se pueden conseguir con otros tipos de experimentos.

Cuando la situación planteada no nos brinda la posibilidad de controlar todas las variables involucradas , generalmente usamos un diseño cuasi experimental como herramienta para validar los resultados. También es posible utilizar este tipo de pruebas para estudiar causas y efectos de ciertos fenómenos o situaciones que son difíciles de controlar.

Otras situaciones en las que es recomendable contar con este procedimiento son:

• Experimentos a largo plazo: Para los casos en los cuales se necesita medir los resultados de un experimento a largo plazo, usar un diseño cuasi experimental ayuda a lograr resultados fiables.
• Estudios de corta duración: Cuando el estudio es de corto alcance, y no hay tiempo para poner en práctica un diseño clásico de experimento, nos apoyamos en este método para conseguir los resultados deseados.
• Grupos humanos: Es común usarlo para programas sociales u otros propósitos relacionados con grupos grandes de personas, donde es imposible controlar todas las variables involucradas.

En conclusión , una investigación cuasi experimental es un diseño de investigación altamente útil para obtener datos e información a través del uso de métodos no experimentales. Sin embargo, se requiere considerar varios factores como diferencias en el grupo de control, una asignación imparcial de tratamientos y análisis estadístico para minimizar los sesgos.

Al mismo tiempo, un buen diseño debe incluir la selección adecuada de indicadores de rendimiento cuantitativos y cualitativos para evaluar el impacto real en la problemática elegida.

Finalmente, los resultados deberán interpretarse cuidadosamente para eliminar cualquier error en la interpretación de los datos. Por lo tanto, una investigación cuasi experimental puede ser una herramienta potente para investigar cualquier aspecto de la vida, siempre y cuando se cumplan los criterios exigidos para garantizar la calidad de los resultados.

Si quieres conocer otros artículos parecidos a Investigación Cuasi Experimental: Qué Es Y Cómo Está Diseñada puedes visitar la categoría Miscelánea .

¡Más Contenido!

Aprenda A Escribir Una Referencia Personal Con Estos 10 Ejemplos

Familiograma: Partes Y Características

Preguntas De Yo Nunca Para Jugar Con Tus Amigos

Los Animales De Compañía Más Populares

Las 10 Mejores Películas En Netflix

Oraciones Temáticas: Características, Cómo Escribirlas Y Ejemplos

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Guarda mi nombre, correo electrónico y web en este navegador para la próxima vez que comente.

Con su consentimiento, usamos cookies para acceder y procesar datos como su visita en esta web. Puede retirar su consentimiento haciendo clic en "Revisar cookies" o en nuestra Política de Cookies.

Investigación Cuasi experimental: Definición y Diseños

Introducción

La investigación cuasi experimental proviene del ámbito educativo, donde la investigación de ciertos fenómenos no podía llevarse a cabo siguiendo los procedimientos experimentales (Campbell y Stanley, 1966).

En las últimas décadas, han adquirido gran protagonismo en la investigación aplicada.

Características de los Diseños Cuasi experimentales

Se utilizan en situaciones en las que no se pueden asignar aleatoriamente los sujetos a las distintas condiciones.

Menor grado de control sobre los efectos de la VVEE que en los diseños experimentales.

Quien investiga puede… (Recordar el Principio MAX-MIN-CON, tema 3)

–  MAXimizar las diferencias en la VI (la varianza sistemática primaria).

–  MINimizar la varianza error.

Quien investiga no puede controlar la varianza sistemática secundaria causada por las amenazas a la validez interna.

El personal investigador no tiene recursos para controlar la formación de los grupos. La regla de asignación de los sujetos a los grupos no es aleatoria y, en la mayoría de los casos, no es conocida. Una de las principales tareas de quien investiga es identificar las posibles amenazas a la validez interna para tenerlas en cuenta o neutralizarlas. Tendrá que separar por otros medios los efectos debidos a la VI de los debidos a las VVEE que pueden influir en la VD (cuantos más factores extraños se descarten, mayor validez tendrá el estudio).

Mide los efectos del tratamiento sobre la VD (puede haber uno o más tratamientos).

Comparte la lógica del paradigma experimental que implica que, para poder establecer relaciones causales, se tienen que cumplir las siguientes condiciones:

1)  La VI debe anteceder a la VD.

2)  Debe existir covariación entre las variables.

3)  Se deben poder descartar explicaciones alternativas. (Este es el punto que más problemas plantea en este contexto, pero es crucial para poder establecer inferencias causales)

La investigación se lleva a cabo en situaciones donde suele darse de forma natural la conducta objeto de estudio, por eso suele tener mayor validez externa (aunque, como hemos visto, si validez interna sea más débil)

Son de gran utilidad en la evaluación de programas de intervención psicológica o social, para mejorar su planificación y control.

Sirven para evaluar la efectividad y eficacia de los programas en diversos ámbitos: salud, educación, bienestar y otros servicios sociales.

Clasificación de los Diseños Cuasi experimentales

Diseños pre-experimentales:

a) De un solo grupo, sólo con medida postest. b) Sólo con medida postest, con grupo de control no equivalente. c) De un solo grupo con medidas pretest+postest..

Diseños cuasi experimentales:

a) Con grupo de control:

– Con grupo de control no equivalente…

o Pretest+postest.

o Cohortes.

– Discontinuidad en la regresión.

b) Sin grupo de control:

– Tratamiento repetido.

– Retirada de tratamiento con pretest+postest. c) De series temporales interrumpidas:

– Simple.

– Con grupo de control con equivalente.

Diseños Pre-experimentales

Sirven para aproximarse al fenómeno que se investiga (para generar hipótesis), sin olvidar que, en la interpretación de los datos, pueden existir numerosas VVEE que llevarían a una atribución errónea del efecto de la VI sobre la VD.

No suelen permitir establecer inferencias causales razonables. Ver ejemplos excepcionales del Curso Virtual Representan los módulos básicos a partir de los que se configuran el resto de los diseños cuasi experimentales.

• a)  Diseños de un solo grupo, sólo con medida postest: X O – Carece de control, por lo que no se pueden extraer inferencias causales.
• b)  Diseños sólo con medida postest, con grupo de control no equivalente:- Sin pretest, no podemos saber si las diferencias entre los grupos (postest) se deben al tratamiento o a la selección diferencial (grupos no equivalentes).- Los resultados obtenidos no son interpretables en términos de causalidad.
• c)  Diseños de un solo grupo con medidas pretest+postest: O1 X O2- No podemos asegurar que los cambios (postest) se deban al efecto del tratamiento. – Existen numerosas amenazas a la validez interna: historia, regresión estadística, maduración, administración de test, instrumentación… Cuantas más descartemos, más podremos considerar que el diseño es interpretable (muy difícil). – Útil para sugerir hipótesis de cara a futuras investigaciones. (Más “rigurosas”)

Diseños Cuasi-experimentales con Grupo de Control

Diseños de grupo de control no equivalente.

• La regla de asignación a los grupos no es conocida porque se trabaja con grupos ya formados.
• Aunque se trabaja con grupos ya formados, quien investiga tratará de seleccionar grupos lo más equivalentes posible, intentando que no influyan VVEE que pongan en peligro una interpretación unívoca de los resultados.
• LÓGICA: Si el tratamiento a tenido efecto, las diferencias entre los grupos (postest) serán mayores que las que pudieran existir inicialmente entre ellos (pretest).

Diseño pretest-postest con grupo de control no equivalente

Uno de los más utilizados en Ciencias Sociales.

Similar al diseño experimental de dos grupos aunque, aquí, los grupos ya están formados (no poseen la equivalencia inicial que se obtiene al asignar aleatoriamente los sujetos a los grupos). La medida pretest nos indicará las diferencias existentes antes de introducir el tratamiento.

La asignación del tratamiento a uno u otro grupo es controlada por el personal investigador.

Podemos encontrar diversos patrones de resultados sobre los que hay que analizar las AMENAZAS A LA VALIDEZ INTERNA

Diseño de cohortes

COHORTE: Grupo de personas que pertenecen a algún tipo de institución (formal o informal) sometidos, durante un período de tiempo, a las mismas circunstancias. Van cambiando de un nivel a otro en dichas instituciones. Muy útil en investigaciones del ámbito educativo. Primera promoción de estudiantes que vive una reforma educativa

–  Poder estudiar cómo un determinado acontecimiento afecta a un grupo (cohorte experimental) y compararlo con otro que no vivió dicho acontecimiento (cohorte de control).

–  Grupos fácilmente comprables, aunque no se llegue a la equivalencia conseguida con la aleatorización (no se puede descartar definitivamente la amenaza de selección). Permite establecer inferencias causales razonables (siempre evaluando si existen efectos de VVEE que interfieran en los resultados).

Diseños de discontinuidad en la regresión

VENTAJA: Permite estables hipótesis causales con más garantías porque la regla de asignación a los grupos es conocida (alto grado de validez interna). Las personas van a un grupo u otro en función del pretest (C = Puntuación de corte a partir de la que unas personas se asignan al grupo de control y otras al grupo experimental).

Su nombre viene de calcular una recta de regresión a partir de las puntuaciones obtenidas (pretest+postest).

Fig. (a): Tratamiento sin efecto. Fig. (b): Tratamiento con efecto (discontinuidad a partir del punto de corte “C”).

Como medida pretest, debe poder aplicarse una variable continua (en función de la que se formarán los grupos).

En la práctica, se utiliza poco porque la asignación a las condiciones no siempre se puede hacer de acuerdo a un único criterio. Suele utilizarse en…

• –  Educación: Para valorar sistemas educativos.
• –  Medicina: Para probar la efectividad de un medicamento. Conocer la regla de asignación permite descartar algunas AMENAZAS a la validez interna, otras como la interacción entre tratamiento y maduración, no.

Diseños cuasi-experimentales sin grupo de control

A veces no es posible disponer de un grupo de control (por razones prácticas y/o éticas). Tratamiento médico

Tienen menos potencia para justificar inferencias causales que los diseños con grupo de control (menor validez interna). Algunos son más aconsejables como parte de diseños más complejos que como diseños independientes.

Diseño de retirada del tratamiento con pretest y postest O1 X O2 O3 X O4

Con la retirada del tratamiento, quien investiga, trata de crear unas condiciones que ejerzan la función del grupo de control. Secuencia experimental: O1 X O2 // Secuencia de control: O3 X O4 (Vigilancia policial en barrio conflictivo)

Sólo puede aplicarse cuando el efecto inicial del tratamiento es transitorio.

Tratamiento efectivo: diferencias entre O1 y O2 en dirección opuesta a las diferencias entre O3 y O4.

Posibles efectos del tratamiento entre O2 y O3 (aunque siga presente):

• Incremento.
• Mantenimiento.
• Disminución.

Tras la retirada del tratamiento debe haber un cambio apreciable.

PROBLEMAS que presenta:

Se necesitan muestras grandes y medidas muy fiables.

A veces, la retirada del tratamiento puede plantear problemas éticos y/o frustración.

Puede producirse una alta mortalidad experimental.

Las observaciones deben hacerse a intervalos de tiempo iguales para controlar posibles cambios lineales espontáneos que tengan lugar dentro de un período de tiempo dado.

Diseño de tratamiento repetido O1 X O2 X O3 X O4

Se dispone de un único grupo en el que el personal investigador introduce, retira y vuelve a introducir el

tratamiento, en diferentes momentos. La aplicación del tratamiento tiene que correlacionar con cambios en la VD. Sólo puede aplicarse cuando el efecto inicial del tratamiento es transitorio. Resultados más interpretables:

–  O1 difiere de O2.

–  O3 difiere de O4.

–  O3 – O4 difieren en la misma dirección que O1 – O2.

–  Maduración cíclica (diferencias por el momento de registro y no por el efecto del tratamiento): Posible.

–  Historia: Poco probable. Sería mucha casualidad que un suceso externo produjera el mismo cambio que la introducción, retirada y reintroducción del tratamiento.

Diseños de Series Temporales Interrumpidas

Toman varias medidas de la VD, antes y durante el tratamiento. Se realizan registros periódicos.

Para su análisis hay que saber en qué momento se introduce el tratamiento. Si es efectivo, las observaciones posteriores mostrarán un cambio en la serie.

Frecuentes en:

–  Estudios sociales.

–  Estudios educativos.

–  Estudios sanitarios.

–  Evaluación de programas.

Diseño SIMPLE de serie temporales interrumpidas

O1 O2 O3 O4 O5 X O6 O7 O8 O9 O10 (Metadona)

• –  Requiere un solo grupo.
• –  Es similar al diseño pretest-postest, pero se toman varias medidas antes y después de introducir el tratamiento.
• –  El efecto del tratamiento se aprecia por la variación de la tendencia de la VD. Si el tratamiento es efectivo, dicha tendencia cambiará.

Posibles AMENAZAS a la validez interna:

–  Maduración: Se puede controlar evaluando la tendencia pretratamiento (representando las observaciones

anteriores al mismo).

–  Cambios cíclicos: El estudio de la serie temporal permite detectar y controlar su efecto (ventaja respecto a un

diseño pretest-postest en el que podría darse de forma encubierta).

–  Regresión estadística: Puede controlarse estudiando la tendencia pre.

–  Instrumentación: Se puede controlar utilizando siempre el mismo procedimiento de registro.

–  HISTORIA: Es la amenaza más difícil de controlar. Podría hacerse…

o Acortando los intervalos temporales entre las medidas. o Aumentando el número de observaciones. o Midiendo simultáneamente las VVEE que pudieran influir en la VD, antes y después del tratamiento. o Evaluandoelefectodelaretiradadeltratamiento(sólosiésteesreversible).

Diseño de serie temporales interrumpidas CON GRUPO DE CONTROL NO EQUIVALENTE

Añadir un grupo de control es la mejor forma de controlar las amenazas a la validez interna.

Punto fuerte = Principal dificultad: Encontrar un grupo de control lo más semejante posible al experimental.

Servicios Personalizados

Indicadores, links relacionados.

Anales de Psicología

Versión on-line  issn 1695-2294 versión impresa  issn 0212-9728, anal. psicol. vol.30 no.2 murcia may. 2014, https://dx.doi.org/10.6018/analesps.30.2.166911 .

Validez Estructurada para una investigación cuasi-experimental de calidad. Se cumplen 50 años de la presentación en sociedad de los diseños cuasi-experimentales

Structured Validity for a quasi-experimental research of quality. They are fulfilled 50 years of the presentation in company of the quasi-experimental designs

Paula Fernández-García 1 , Guillermo Vallejo-Seco 1 , Pablo E. Livacic-Rojas 2 y Ellián Tuero-Herrero 1

1 Universidad de Oviedo, España 2 Universidad de Santiago de Chile, Chile

Este trabajo ha sido apoyado por una beca que el Ministerio Español de Ciencia e Innovación (Ref: PSI-2011-23.395) otorgó a los autores.

Dirección para correspondencia

Investigación cuasi-experimental es aquella que tiene como objetivo poner a prueba una hipótesis causal manipulando (al menos) una variable independiente donde por razones logísticas o éticas no se puede asignar las unidades de investigación aleatoriamente a los grupos. Debido a que muchas decisiones a nivel social se toman en base al resultado de investigaciones con estas características, es imperativo que tengan una planificación exquisita de la aplicación del tratamiento, del control en el proceso de la investigación y del análisis de los datos. El pasado año 2013 los diseños cuasi-experimentales cumplieron 50 años, y este trabajo es un homenaje a Campbell y a todos los investigadores que día a día aportan ideas para mejorar el método cuasi-experimental en alguno de sus aspectos. De la mano de una revisión de las investigaciones cuasi-experimentales publicadas en un período de 11 años en tres revistas de Psicología destacamos algunos aspectos que se refieren al cuidado del método. Finalizamos el trabajo proponiendo el concepto de Validez Estructurada, que en resumen, es el hilo conductor que debe seguir la realización de toda investigación para poner a prueba con garantía las hipótesis que responden a los objetivos que en ella se plantean, concretamente, en las investigaciones cuasi-experimentales.

Palabras Clave: Calidad; planificación; evidencia científica; validez estructurada; revisión teórica y revisión sistemática no cuantitativa.

Quasi-experimental investigation is that one that has as aim test a causal hypothesis manipulating (at least) an independent variable where for logistic or ethical reasons it is not possible to assign the units of investigation at random to the groups. Due to the fact that many decisions at the social level take on the basis of the result of investigations with these characteristics, it is imperative that have an exquisite planning of the application of the treatment, of the control in the process of the investigation and of the analysis of the data. Last year 2013 the quasi-experimental designs expired 50 years, and this work in an honoring to Campbell and to all the investigators who day after day contribute ideas to improve the quasi-experimental method in someone of his aspects. From the hand of a review of the quasi-experimental investigations published in a period of 11 years in three journals of psychology we distinguish some aspects that refer to the care of the method. We finished work by proposing the concept of Structured Validity, which in summary, is the thread that must follow all research to test with guarantee the hypothesis that respond to the objectives it raised, in particular, in quasi-experimental investigations.

Key words: Quality; planning, scientific evidence; structured validity; theoretical review and no quantitative systematic review.

Introducción

Caía la hoja en Central Park aquel 17 de octubre de 1956 cuando Robert James Fischer disputaba una partida de ajedrez frente a Donald Byrne. Negras frente a blancas que, hasta el movimiento 16 en que las blancas dan jaque a la dama de Bobby, la partida se tornaba sólo interesante. Bastaron dos movimientos más y definitivamente Byrne se decide por la dama negra. Bobby ha sacrificado a su reina, pero para entonces ya tenía la torre estratégicamente situada y también un caballo y un alfil. Desde ese momento, lentamente, como saboreando a su presa, las jugadas poliédricas de Bobby logran hacerse con un control absoluto del tablero, y en el movimiento 41 también de la partida. A quienes somos profanos en la materia nos cuesta comprender que aquellos movimientos, desde el 16 y hasta el 18, no fuesen movimientos improvisados de un adolescente de 13 años. A fuerza de perder, aprender y volver a perder entendemos de qué modo Bobby fue capaz de conseguir inmovilizar el rey blanco en una esquina, y en la esquina opuesta, movimiento a movimiento, restar todo el poder a la dama del mismo color a quien, por aquel entonces, era uno de los ajedrecistas más respetados de los Estados Unidos.

Al tiempo, Donald Campbell trabajaba en el Departamento de Psicología de la Universidad de Northwestern desde 1953 (en la que estuvo 26 años). Campbell se había doctorado en Berkeley con la fortuna de haber tenido dos grandes maestros que por entonces estaban trabajando la idea representative design , Egon Brunswik y Edward Tolman. Cuando Bobby Fischer jugaba la que fue bautizada como 'la Inmortal del Siglo XX" se publicó el libro Perception and the representative design of psychological experiments (Brunswik, 1956). El concepto de diseño representativo surge como contrapunto al diseño clásico realizado en el laboratorio. Cuando un experimento se lleva a cabo en el ámbito ecológico en el que se manifiesta la conducta observada, entonces el diseño es representativo. No cabe duda, la investigación realizada en ambientes naturales entraña una enorme dificultad debido a que junto a las variables que se pretende estudiar pueden aparecer variables ajenas que es muy difícil, si no imposible, aislar o mantener constantes, y que provocan ambientes inciertos e inestables estableciendo un complejo entramado causal. Esta idea fue recogida por Campbell y al año siguiente, en 1957, publica en la revista PsychologicalBulletin el trabajo titulado Factors relevant to the validity of experiments in social settings . Este artículo bien pudiera considerarse el punto de partida de la obra científica extraordinaria de un virtuoso del método, que, desde el capítulo 5 de la obra de Gage (1963) y junto con Julian Stanley (Campbel & Stanley, 1963), por primera vez ofrecen al mundo los diseños cuasi-experimentales comprensivamente explicados. Obras posteriores cuyo denominador común es la figura de Campbell (Cook & Campbell, 1979; Cook, Campbell & Peracchio, 1990; Shadish, Cook & Campbell, 2002, int.al.) abundarían en lo que podríamos denominar Mandamientos que, a modo de brújula metodológica, nos ilustran y guían cómo realizar correctamente una investigación en las ciencias sociales.

Qué es un diseño cuasi-experimental: a vista de pájaro la trayectoria de los diseños cuasi-experimentales es obligada una definición. El diseño cuasi-experimental es un plan de trabajo con el que se pretende estudiar el impacto de los tratamientos y/o los procesos de cambio en situaciones donde los sujetos o unidades de observación no han sido asignados de acuerdo con un criterio aleatorio (ver Arnau, 1995). A veces incluso, la aplicación del tratamiento no la ejerce directamente el investigador, viene impuesta por una organización, por mandato gubernamental, etc., y si este es el caso, tampoco se tiene control sobre las circunstancias que rodean a la aplicación (Campbell & Stanley, 1963, p.34; Shadish et al., 2002, p.14), en este caso con frecuencia se los denomina experimentos naturales o experimentos de campo (Kunstmann y Merino, 2008; Trochim, 2001, int.al.).

Cambiando el paso. Por su capacidad de movimiento, la dama es la pieza de mayor valor en el juego del ajedrez. No se conoce partida alguna disputada por jugadores de alto nivel, ni de medio o bajo nivel tampoco, que hayan perdido la dama por un descuido y hayan conseguido remontar la partida (J. Cordero Fernández, maestro de ajedrez y responsable de la página Web "Ajedrez de Ataque", comunicación personal, 14 de mayo de 2012). Tampoco sucedió en 'la Inmortal del Siglo XX". Bobby Fischer había previsto y calculado cómo impulsar el ataque asumiendo al mismo tiempo una defensa difícil cuando sacrificó a la reina. Haciendo gala de una técnica excelente, granada de recursos estudiados para ser utilizados en situaciones complicadas, ganó la partida sumando su talento e imaginación. En este punto, podríamos decir que la dama es al ajedrez lo que la aleatorización al método científico. Ítem más, tan indiscutible es que la aleatorización y el control sobre la manipulación son recursos inestimables para poner a prueba las hipótesis de calado causal, como que las investigaciones realizadas en tan particulares circunstancias como las descritas al principio de este párrafo (frecuentemente con finalidad aplicada) son siempre previsibles por el mero hecho de que se conoce el cómo y cuándo de la sucesión temporal.

Antes de aplicar el tratamiento: la investigación cuasi-experimental es una herramienta poderosa para inferir relaciones causales, pero es una herramienta condicionada que requiere el mimo de un artesano. En 1979 Cook y Campbell presentan la primera obra dedicada íntegramente a los diseños cuasi-experimentales en la que se aprecia la profunda influencia de las ideas sobre causalidad de Kenny, y el feedback entre estos autores. No es casualidad, por tanto, que en ese mismo año Kenny publicase el magnífico trabajo Correlation and causality donde destaca los tres supuestos necesarios en que fundamentar su existencia, a saber, las variables de tratamiento y de resultado deben covariar, la relación entre ellas no debe ser espuria y la causa debe preceder al efecto. Estos tres supuestos son ávidamente buscados en la investigación cuasi-experimental. Así las cosas, antes de aplicar el tratamiento el investigador debe "profundizar" en el conocimiento de las condiciones particulares donde se va a realizar la intervención, de las complicaciones que puede conllevar, de los posibles efectos no deseados, de las personas a las que va dirigida la investigación, debe conocer si las variables dependientes pueden serlo también de otras variables alternativas a la variable independiente, etc., todo ello con la finalidad de prever y anticiparse a las adversidades y dificultades capaces de dar jaque a la prueba de su hipótesis. Esta tarea compleja es lo que Shadish et al. (2002, p.484) denominan The Centrality of Fu%py Plausibility . Esto es, es necesario que el investigador tenga un juicio bien formado acerca de si las amenazas a la validez interna de su estudio son relevantes y las posibilidades que tiene de eliminarlas o de reducirlas (y hasta qué punto). Dicho de otro modo, si éstas sólo pueden ser controladas o ajustadas parcialmente deberá considerar si el sesgo que podrían producir pudiera ser mayor que el tamaño del efecto que espera encontrar. En definitiva, el investigador debe ponerse en guardia.

Este juicio que denominan de plausibilidad (op.cit ) probablemente desemboque en la necesidad de tomar nota de variables del ambiente (en el que se realiza el experimento y ambiente adyacente también, características del responsable de la aplicación del tratamiento y del registro de los datos, condiciones en las que se lleva a cabo, cercanía entre los grupos control y experimental, etc.) y variables de sujeto (físicas y psicológicas, tanto actuales como históricas) que puedan estar relacionadas con la variable dependiente (y/o independiente) y ejercer un efecto activo no deseado (sesgo) moderador, o supresor, o mediador, incluso un efecto de confundido, siendo auténticas explicaciones alternativas del resultado hallado. La única posibilidad de conocer si es así o no, y de controlar el sesgo que son capaces de producir, es tomar nota de ellas y registrarlas antes de aplicar el tratamiento, "Better to have imprecise attention to plausibility than to have no attention at all paid to many important threats just because they cannot be well measured" (Shadish et al., 2002, p. 484). Esto tiene una importancia capital.

El tiempo y las medidas: estas investigaciones llevan tiempo, y como consecuencia, tanto los sujetos como las condiciones naturales donde es implementado el tratamiento y recogidos los datos pueden cambiar y evolucionar. Si esas variables no son constantes en su estado se debe considerar su variabilidad, lo que obliga, de una parte, a estudiar de qué depende, y de otra, a elegir cuándo y de qué modo es necesario tomar los registros para tenerla en cuenta.

Inadvertidamente, en los tres párrafos anteriores ya hemos sumado el registro de muchas medidas de variables de control y del efecto del tratamiento, así pues, es imperativo no descuidar la posible pérdida accidental de datos o de sujetos en determinadas ocasiones (puntuaciones faltantes, registros inservibles, errores del investigador, etc.), o peor aún, el abandono de los sujetos (por falta de adherencia al tratamiento, cambio de domicilio o condición social, incoherencia en la administración del tratamiento, etc.). El diagnóstico y conocimiento de la causa es determinante para poner solución a este problema que desafortunadamente es tan habitual (ver West et al., 2008).

Los grupos de control: no sólo de múltiples medidas de múltiples variables se alimentan los diseños cuasi-experimentales, también necesitan grupos de control bien formados (mejor múltiples) que sean lo más homogéneos posible a los grupos experimentales con ánimo de tener capacidad para controlar el sesgo de selección, y otros, capaces de confundir la acción del tratamiento. Aunque se debate las ventajas y desventajas de utilizar grupos de control activos o pasivos (e.g., Datta, 2007; Donaldson & Chistie, 2005; Cook, 2006), parece existir consenso acerca de que los primeros son mejores. Además, siempre que sea posible se debe evitar la autoselección (Shadish et al., 2002), la participación voluntaria, la selección arbitraria, o que los pacientes con peor pronóstico (Kunz & Oxman, 1998) sean quienes formen el grupo de control. Precisamente, y a colación de lo comentado en el párrafo anterior, son las investigaciones donde se presta escasa atención a la formación de los grupos (control y tratamiento) las que sufren mayor desgaste de muestra (Heisman & Shadish, 1996; Shadish & Ragsdale, l996).

Sobre el diseño: hemos decidido qué variables controlar, cuántos registros efectuar y qué grupos van a participar en la investigación, pero aún resta determinar de qué modo vamos a aplicar el tratamiento y recoger los datos, es decir, qué diseño de investigación elegimos utilizar. Campbell y colaboradores han destacado que los distintos diseños cuasi-experimentales varían entre sí con respecto a la transparencia y la capacidad para poner a prueba la hipótesis causal. De hecho, han ordenado deliberadamente los capítulos de sus libros para reflejar el aumento de la potencia inferencial que supone pasar de diseños sin una medida previa o sin un grupo de control, diseños pre-experimentales, a aquellos con ambas divisas, los diseños cuasi-experimentales. Sucintamente, estos diseños se pueden organizar en dos grandes bloques, transversales y longitudinales (ver Arnau, 1995). Los primeros se clasifican a su vez en dos tipos, diseños de grupo control no equivalente y diseños de discontinuidad en la regresión (ver Ato, 1995). De estos, los últimos tienen mayor potencia inferencial porque controlan la variable de selección utilizándola como criterio de formación de los grupos. Los primeros no deben olvidar que una de las medidas pre-tratamiento debe referirse a la posible variable de selección para así ser eficazmente controlada estadísticamente. Los diseños longitudinales ocupan una gran variedad de diseños de series temporales (ver Vallejo, 1995), y, como Kenny argumentaba en su obra de 1979, en estos es más fácil verificar los tres supuestos de causalidad. Volviendo a los capítulos de sus libros. Dentro de cada uno de ellos también ilustran cómo la inferencia se puede mejorar mediante la adición de elementos de diseño (añadiendo más puntos de observación pre-test, aplicando y retirando el tratamiento en varias ocasiones, registrando variables dependientes no equivalentes, utilizando más grupos tanto de control como de tratamiento y poniendo esmero en su elección y/o formación, etc.). La capacidad para poner a prueba las hipótesis del investigador y descartar hipótesis alternativas es distinta en función de todas estas características.

Sobre el análisis de los datos: Mimando la planificación de la investigación en los matices anteriormente comentados ya solo resta analizar los datos. Son varias las alternativas de análisis que existen, pero no se trata de elegir la más cómoda, sino la más oportuna en función de nuestras hipótesis, del modelo que estimamos explica los resultados, y de las características de nuestros datos. Más adelante nos extenderemos en este asunto, hasta entonces, sólo un apunte. Campbell y colaboradores siempre han defendido que los ajustes estadísticos sólo se deben utilizar cuando se han extremado todos los controles anteriormente comentados con la finalidad de reducir todo lo posible la no equivalencia entre los grupos "In this book, we have advocated that statistical adjustments for group nonequivalence are best used after design controls have already been used to the maximum in order to reduce nonequivalence to a mínimum" (Shadish, et al., 2002, p.503).

Evolución del diseño cuasi-experimental: nada hemos leído de Campbell que pudiera presagiar la idea de que estas investigaciones fuesen otra cosa que investigaciones primarias. Ahora, cuando se cumple medio siglo de historia, existe una segunda derivada, investigaciones cuasi-experimentales realizadas mediante técnicas de minería de datos. Esta idea ha sido desarrollada en la Universidad de Amherst por un grupo de investigadores liderados por David Jensen. En 2001 fundaron Knowledge Discovery Laboratory con la finalidad de desarrollar técnicas innovadoras para el descubrimiento de conocimiento que denominan software de proximidad . La materia prima con la que trabajan se extrae de las enormes bases de datos públicas que prácticamente existen en todos los ámbitos sociales (salud, educación, etc.), y que son alimentadas de modo regular con el registro temporal de una abundante cantidad de variables que guardan relación entre sí. En el año 2008 Jensen, Fast, Taylor and Maier presentaron el algoritmo AIQ ( Automated Identification of Quasiexperiments ). Es el primer sistema automatizado que identifica lo que "denominan" diseños cuasi-experimnetales (es la primera versión, y sólo identifica Diseños de grupo control no equivalente).

Evidencia científica: no existe objetivo más codiciado en cualquier disciplina de las Ciencias Sociales y de la Salud que buscar y encontrar evidencia científica en la que fundamentar decisiones clínicas, sanitarias, educativas, etc., y los diseños cuasi-experimentales alcanzan evidencia científica cuando el investigador cuida los aspectos anteriormente mencionados (e.g., Avellar & Paulsell, 2011 y Cook & Gorard, 2007) en aras de conseguir con ellos las garantías que ofrecen las investigaciones experimentales. Así es, a pesar de que muchos científicos comparten la idea de que las investigaciones experimentales constituyen el mejor modo de alcanzar evidencia científica (e.g., Cook, 2000; Nezu & Nezu, 2008), quienes más saben de ésto están convencidos de que "in the best of quasi-experiments, internal validity is not much worse than with the randomized experiment " (Sha dish et al., 2002, p.484).

Al hilo, y en este empeño, en 1968 en la Universidad de Northwestern se fundó The Institute for Policy Research (IPR) al abrigo de Campbell. IPR se gestó con la misión de estimular y apoyar la investigación de excelencia en las ciencias sociales sobre importantes cuestiones de política pública. Una visita a su página Web no dejará indiferente a ningún investigador interesado en estos diseños, http://www.ipr.northwestern.edu/index.html . Desde el año 2008 se celebran en la citada Universidad, y en colaboración con el Institute of Education Sciences (IES), importantes Workshops sobre cómo realizar una investigación cuasi-experimental de calidad en el ámbito de Educación (diseño y análisis) organizados y dirigidos por dos de los grandes discípulos de Campbell, Thomas D. Cook y William Shadish. Desde la página anterior podemos conocer todo lo que en ellos se ha expuesto y debatido.

Si nuestra investigación tiene calidad metodológica suficiente para garantizar evidencia científica quizá tenga el privilegio de formar parte de alguna revisión sistemática realizada mediante técnicas de meta-análisis (Bai, Shukla, Bak & Wells, 2012; Centre for Review and Dissemination, 2010), hasta el momento, considerados los mejores estudios para sintetizar la evidencia científica capaces de responder a cuestiones específicas. En lo que a revisiones sistemáticas respecta, dos asociaciones, The Cochrane Collaboration en el ámbito de la salud y The Campbel Collaboration en el ámbito de las ciencias sociales (en http://www.cochrane.org y http://www.campbellcollaboration.org/ , respectivamente) son el referente. Desde que se constituyeron cada año celebran un Colloquium en algún lugar del mundo. Si nos introducimos en sus páginas Web y visitamos los programas de los Colloquia ya realizados podemos advertir, además de su estrecha colaboración, cómo una parte importante de los trabajos presentados están relacionados con la incorporación de las investigaciones no aleatorizadas en las revisiones sistemáticas y las características de calidad que deben tener para ser incorporadas.

Práctica basada en la evidencia, evaluación y aplicación de programas de intervención: la evidencia científica certificada mediante revisiones sistemáticas realizadas con investigaciones primarias de alta calidad metodológica con frecuencia tiene buena acogida para dar respuesta a necesidades de políticas gubernamentales o a intereses de determinadas empresas que deciden transformar el conocimiento científico en práctica efectiva realizando investigación aplicada.

Cuando se utiliza la expresión "programa de intervención" se está haciendo referencia a tareas múltiples y complejas que requieren contemplar múltiples aspectos de diseño, de implementación y de evaluación en contextos de intervención, que no son otros que contextos naturales, que, además, están sometidos a cambio continuo (e.g., Rossi & Freeman, 1985 y Trochim, 1984). No es intención de este trabajo abundar en la aplicación y evaluación de programas, pero sí destacar tres aspectos fundamentales:

Primero: ejecutar de facto la implementación de un programa requiere evaluaciones constantes antes, durante y después de la aplicación de la intervención (Avellar & Paulsell, 2011; Brandy & Moore, 2011) por dos razones fundamentalmente. Además de que los motivos económicos no son baladí y es preciso asegurar que el programa se implanta correctamente y que no tiene consecuencias indeseadas, porque los objetivos del programa siempre son varios (prácticos, económicos, teóricos, etc., donde la aplicación del tratamiento es sólo uno de ellos) y nunca podrían abordarse todos desde una única aproximación metodológica. En los últimos 20 años el concepto de Metodología Mixta está cobrando un auge extraordinario (se ocupa de integrar datos de una multiplicidad de fuentes para captar la diversidad de los fenómenos de modo profundo e integral), como muestra, la prestigiosa revista New Directions for Evaluation dedica el segundo número del pasado año 2013 a este tema que titula Mixed Methods and Credibility of Evidence in Evaluation.

Segundo: implantar un programa a nivel social requiere tener en cuenta que las personas no somos compartimentos estancos, sino que de modo natural estamos organizados en sociedad en unidades jerárquicamente superiores que nos imprimen características de grupo y diferencias entre los mismos que interesa conocer, controlar y tratar. La evaluación o implantación de un programa demanda por tanto realizar un muestreo de estas unidades de agregación porque interesa conocer lo que ocurre en cada nivel, pero también interesa conocer el flujo de relaciones entre los distintos niveles con ánimo de examinar si la intervención ha tenido su impacto sobre los resultados previstos. El análisis de datos tradicional con técnicas contenidas en el Modelo Lineal General es inerme a dos particularidades, entre otras, que tienen los datos agregados, la existencia de más de un término aleatorio, y el hecho de que las unidades pertenecientes a una misma unidad de agregación de nivel emiten respuestas correlacionas. En los últimos 20 años ha tenido lugar el desarrollo de las técnicas de análisis de datos más potentes, versátiles y con mayores prestaciones de cuantas existen para poner en evidencia de qué modo, en qué medida y de qué depende que un programa de intervención tenga efectos (positivos, negativos, directos, inversos, etc) sobre las diferentes unidades de análisis en que están inmersas las personas. Nos estamos refiriendo a los procedimientos estadísticos enmarcados en los denominados Modelos Mixtos, Modelos Jerárquicos o Modelos Multinivel.

Tercero: La meta última de toda disciplina científica es disponer de teorías causales capaces de explicar todo el universo de sea lo que sea que abarca esa disciplina. Elaborar un modelo causal capaz de explicar todo lo que sucede y por qué en el proceso de la intervención no es tarea fácil. El concepto de causalidad es complejo y multifacético (e.g., Funnell & Rogers, 2011), los agentes causales son muchos, a veces complementarios y a veces en conflicto, a veces la relación entre causa y efecto no es lineal, a veces incluso es discontinua, incluso a veces la causa tiene que alcanzar un umbral determinado antes de producir un efecto, añadiendo que los individuos a quien va dirigida la evaluación del programa lejos de ser agentes pasivos ejercen un papel activo en la determinación de los efectos del programa. El modelo causal casi nunca es unidireccional, pueden existir bucles de feedback, peor aún, incluso ese feedback puede ser incluso retardado complicando el análisis de los modelos causales. A la par que el desarrollo de los Modelos Mixtos en los últimos 20 años se han desarrollado los Modelos de Ecuaciones Estructurales que permiten poner a prueba relaciones de causalidad y elaborar teorías causales basadas en la evaluación.

El Fichero adicional 5 (ver Adenda) contiene referencias destacadas sobre la implantación y evaluación de programas, la Metodología Mixta, los Modelos Mixtos o Multinivel y sobre los Modelos de Ecuaciones Estructurales.

Así comenzaron Campbell y Stanley el capítulo 5 de la obra de Gage (1963):

McCall as a model. In 1923, W.A. McCall published a book entitled How to Experiment in Education...In this preface said: "There are excellent books and courses of instruction dealing with the statistical manipulation of experimental data, but there is little help to be found on the methods of securing adequate and proper data to which to apply statistical procedure". This sentence remains true enough today to serve as the leitmotif of this presentation also. (Campbell & Stanley, 1963, p.171).

Este trabajo es un tributo a esta idea, y lo llevamos a cabo realizando una revisión de las investigaciones cuasi-experimentales y pre-experimentales publicadas en tres revistas españolas de Psicología evaluando algunos aspectos metodológicos relacionados con la planificación del diseño, la recogida y análisis de datos, la exposición de resultados y la elaboración de conclusiones. El objetivo que perseguimos es saber cuáles son los diseños más utilizados y qué características tienen, pero también, y sobre todo, conocer si los investigadores toman las precauciones necesarias para que la investigación ofrezca confianza en sus resultados, saber cuáles son sus errores y sus vicios, y si son los mismos que los reportados en otros trabajos similares a éste.

El pasado año 2013 los diseños cuasi-experimentales cumplen 50 años. Este trabajo es un homenaje a la persona que revolucionó los principios fundamentales de la investigación científica en las Ciencias Sociales, Campbell, y a sus discípulos Stanley, Cook, Shadish, Trochim, Myers, etc., que tanto están trabajando esta idea que tan buenos resultados aporta. Sirva para convulsionar a investigadores, revisores y editores para que (se) exijan, más si cabe, el cuidado del método. Va por ellos, de quienes hemos aprendido tanto, y va para todos aquellos que gusten de hacer bien las cosas.

Hemos realizado una revisión sistemática no cuantitativa (Shadish & Myers, 2004 a) de las investigaciones pre-experimentales y cuasi-experimentales, en adelante Cx. y Px., contenidas en tres revistas españolas de Psicología durante el período temporal de 11 años entre 1999 y 2009, ambos incluidos.

El criterio para la selección de las revistas fue cumplir con tres requisitos, ser revistas de temática general en el campo de la Psicología, aparecer en el Journal Citation Reports (JCR) con factor de impacto en el año 2009, y constar en el IN -RECS con índice de impacto dentro del primer cuartil en el mismo año. Estos criterios los satisfacían las revistas Psicothema, Internacional Journal of Clinical and Health Psychology y Psicológica .

Unidad de análisis

La unidad de análisis ha sido el estudio, considerando unidades independientes cada uno de los estudios Cx. y Px. publicados en un mismo artículo.

Diseño y procedimiento

Una vez identificados los artículos que contenían investigaciones Cx. y Px. aleatoriamente fueron repartidos en dos grupos y cada uno de ellos fue asignado aleatoriamente a dos expertos en metodología de investigación que, de modo independiente entre e intra-grupo, examinaron las variables de interés. La información de cada estudio fue extraída de los apartados introducción, método, resultados y conclusiones. Posteriormente los expertos de cada grupo compararon sus datos. El porcentaje de acuerdo fue del 94%. Los casos en que hubo discrepancia fueron revisados por un tercer experto. El contenido del estudio se discutía hasta que desembocara en una conclusión compartida.

Variables registradas

Las variables que hemos observado han sido consideradas de importancia capital en destacados trabajos sobre calidad de las investigaciones no aleatorizadas en el ámbito médico (e.g., Li, Moja, Romero, Sayre & Grimshaw, 2009; Shahar & Shahar, 2009, int al.), educativo (e.g., Cook, Cook, Landrum & Tankersley, 2008; Cook, Tankersley & Landrum, 2009, int al.), de las organizaciones (e.g., Creswell, 2009; Gibbert & Ruigrok, 2010; Paluck & Green, 2009, int.al.), y en el ámbito de las ciencias sociales en general (e.g., Shadish & Myers, 2004 a). Anidadas en cinco bloques, de modo resumido son:

1. - Características molares de la investigación Cuasi y Pre-experimental: Prevalencia, área de conocimiento, finalidad de la investigación, y definición del diseño y metodología utilizada. 2. - Aspectos determinantes de la planificación para defender las inferencias sustantivas y estadísticas: Composición y tamaño de la muestra, cálculo del tamaño, composición y formación de los grupos de control, número de variables dependientes y cantidad de registros efectuados. 3. - Examen exploratorio de los datos y precauciones tomadas antes de decidir qué estadístico utilizar para poner a prueba las hipótesis: Tamaño de los grupos y equilibrio entre ellos, relación entre el tamaño de los grupos y el tamaño de las varianzas, examen de outliers, evaluación de datos perdidos y comprobación de asunciones sobre los datos. 4. - Análisis de los datos: Si comprueban o no la igualdad de los grupos antes de la aplicación del tratamiento y cómo, qué modelo asumen los investigadores que explica sus resultados, qué estadístico inferencial utilizan, si examinan el tamaño del efecto, los intervalos confidenciales y la potencia de la prueba empírica. 5. - Exposición y redacción de las conclusiones: Hemos examinado si se realizan comentarios de autocrítica sobre el tamaño y composición de la muestra y sobre amenazas a la validez interna, externa y de conclusión estadística.

Una exposición detallada y sucintamente justificada de todas las variables registradas está expuesta en el Fichero Adicional 1.

Análisis de los datos

Los estadísticos utilizados son frecuencias, porcentajes y razones (de modo testimonial también medias y desviaciones típicas). Los cálculos se han realizado mediante el paquete estadístico SPSS 19.

Resultados y discusión

Utilizando como modelo el trabajo de Keselman et al., (1998) los resultados se exponen acompañados de una breve discusión. Sólo se comenta una selección de todos los análisis realizados, sin embargo, nos van a permitir evaluar la coherencia metodológica interna de las investigaciones en todo su recorrido, desde la gestación del diseño hasta la elaboración de las conclusiones (en el Fichero Adicional 2 se exponen, libres de discusión, los resultados de todos los análisis llevados a cabo). En el texto hacemos referencia a unas Tablas donde se detalla la información que describimos. Todas ellas están contenidas en el Fichero Adicional 3.

En el período de 11 años comprendido entre 1999 y 2009 las investigaciones Cx. y Px. contenidas en las tres revistas examinadas apenas suponen un 4% en el volumen de sus publicaciones. En este período de tiempo, por cada 10 investigaciones experimentales sólo se han publicado 1.2 Cx. o Px.

El debate en torno al valor de las investigaciones cuya muestra está compuesta por universitarios es un clásico en vanguardia (Cooper, McCord & Socha, 2010; Highhouse & Gillespie, 2010; McNemar, 1946; Wiecko, 2010, int al.). En nuestro caso el porcentaje no es muy alto (21.21%), aunque en absoluto desdeñable. Las personas con algún problema que resolver o con alguna necesidad especial (que hemos denominado muestra específica enferma y no enferma respectivamente) están presentes en el 53% de las investigaciones. Si sumamos a las anteriores los niños menores de 12 años y a las personas con más de 65 alcanzarían un porcentaje del 68.15% (Tabla 3). Este es el motivo por el cual la investigación con finalidad aplicada es muy superior (68.2%) a la básica, y la realizada en el área clínica superior a la realizada en el resto de categorías contempladas. Aunque en la introducción hemos destacado que la investigación Cx. y la evaluación del impacto de programas van de la mano, no hemos encontrado ningún trabajo que se refiera a la evaluación del impacto de ningún programa de trascendencia social relevante.

Ubicar la investigación que publicamos en su metodología correspondiente y denominar correctamente el diseño utilizado para recoger los datos no es sinónimo de calidad del trabajo realizado, pero tampoco es baladí. Más al contrario, es de importancia destacada para que los lectores y consumidores de los productos de investigación ajusten sus lentes y puedan juzgar su validez y determinar la confianza que les merece (Wilkinson & Task Force on Statistical Inferencie, 1999). Que únicamente el 43.9% de los D.Cx. clasifiquen (en metodología) y definan el diseño correctamente en el trabajo que defienden no es, por escaso, un buen dato (Harris et al., 2005 hallaron resultados similares), aunque peor es saber que el 29.2% no definen la metodología o lo hacen incorrectamente, y que el 51.2% no definen el diseño o no lo hacen bien (ver Tabla 2).

Sin embargo, el diseño "concreto" utilizado sí es sinónimo de confianza en la capacidad para poner a prueba las hipótesis del investigador. Abundando es este aspecto, Cook and Campbell (1979), Heisman and Shadish (1996), Marcantonio and Cook (1994), Orwin (1997), Shadish and Myers, (2004 a y b), Shadish and Ragsdale (1996), Shadish et al. (2002) y Trochim (1984) int.al., han destacado que los D. Cx. de Discontinuidad en la Regresión y de Series Temporales son más potentes que los diseños Cx. de Grupo Control no Equivalente (GCNE), incluso algunos investigadores piensan que son tan potentes como los diseños experimentales (Avellar & Paulsell, 2011; Cook, 2008; Cook, Scriven, Coryn & Evergreen, 2010; Cook, y Wong, 2008; Shadish & Cook, 2009; Shadish, Galindo, Wong, Steiner, & Cook, 2011). De otra parte, en lo que a los D.Cx.-GCNE respecta, muchos investigadores han destacado que existe una jerarquía en la que los diseños con intercambio de tratamiento, aquellos que tienen más de un grupo experimental (G.E), más de un grupo de control (G.C), más medidas post que una y más medidas pre que una son mucho más potentes por dos razones. La primera, porque tienen más capacidad para poner a prueba nuestra hipótesis. A la sazón existe una gran cantidad de trabajos meta-analíticos que han concluido que diseños Cx. distintos alcanzan tamaños del efecto (TE) distintos (e.g., Heisman & Shadish, 1996; Lipsey & Wilson, 1993; MacLehose et al., 2000; Sacks, Chalmers & Smith, 1982, 1983; Schochet 2009a; Schochet et al., 2010; Shadish et al., 2002; Shadish & Heinsman, 1997; Shadish & Ragsdale, 1996; Swaen, Teggeler & Van Amelsvoort, 2001; Weisburd, Lum & Petrosino, 2001). La segunda es porque son más capaces de liberar nuestros datos de posibles amenazas a la validez interna (Deeks et al., 2003; Johnston, Ottenbacher, y Reichardt, 1995; Shadish et al., 2002; Shadish & Myers, 2004 b).

A pesar de lo comentado en el párrafo anterior, hemos visto que el Diseño Cx. de GCNE clásico (2x2) y el Diseño Px. de un solo grupo con medidas pre y post son los más utilizados, suponen casi el 50% de todos los de su clase (Tabla 2). Estos resultados no divergen de los hallados por otros autores en ambientes disciplinares tan distintos como intervención temprana (Snyder, Thompson, Mclean & Smith, 2002), educación (Gersten, Baker, Smith-Johnson, Flojo & Hagan-Burke, 2004; Hsieh et al., 2005; Seethaler & Fuchs, 2005), Psicología de las organizaciones (Grant & Wall, 2009; Scandura & Williams, 2000), o enfermedades infeccionas (Harris, Lautenbach & Perencevich, 2005; Harris et al., 2006; Shardell et al., 2007). Solo hemos contado una investigación Cx. (2.4%) que realiza un diseño de GCNE con intercambio de tratamiento, y únicamente 7(17.1%) D. Cx. que "podrían ser" de Discontinuidad en la Regresión (DR). Escribimos "podrían ser", porque ninguno ha sido denominado con tal por sus autores, que sería lo de menos, lo de más es que tampoco han sabido aprovechar la potencia que tienen por el hecho de conocer qué variable es la que divide a los grupos experimental y control (Lesik, 2006; Reardon & Robinson, 2012; Reichardt & Henry, 2012; Shadish et al. , 2002, int.al. En los trabajos revisados ha sido más habitual contar con más de un G.E (sucede en el 24.39% de los D. Cx. y en el 48% de los D. Px.) que con más de un G.C (sucede en el 12.19% de los D. Cx. y en el 16% de los D.Px.). Este aspecto es de sumo interés. Los grupos experimentales tienen el poder de replicar el efecto del tratamiento y también de controlar el efecto de historia. Los grupos de control tienen el poder extraordinario de poner a prueba los efectos de sesgo de selección, historia, maduración y regresión a la media entre otros.

Probablemente, cuando un investigador lleva a cabo una investigación Cx., más importante que cualquier otro aspecto de la planificación, es la elección adecuada de un G.C que sea comparable al G.E para evitar el riesgo de posibles amenazas a la validez interna. En este sentido, se debe considerar que la proximidad de los grupos no implica necesariamente que sean comparables, que características de los sujetos que se antojan accidentales (e.g., unos eligieron cursar ética otros religión) pueden conllevar diferencias importantes entre los grupos, que no basta con estimar que los grupos son parecidos (hay que demostrarlo), que los sujetos voluntarios nunca forman un buen G.C., y por supuesto, no decir nada de cómo es el G.C es enfatizar que nada se sabe de estos diseños (ver ICH Expert Working Group, 2000). En esta revisión, el 69.69% de los D. Cx. de GCNE han formado el G.C. de alguna de estas maneras (ver Tabla 5). Por el contrario, toda técnica utilizada para formar los grupos que trate de emular la asignación no condicionada que supone la asignación aleatoria, utilizando la técnica del apareamiento ( matching ) por ejemplo, o que permita considerar una continuidad entre los sujetos de los grupos experimental y control como por ejemplo dejar que el azar decida cuál de los grupos incidentales (comparables, que no exclusivamente próximos) sea G.E y cuál G.C, que el G.C sea aquel que está en lista de espera, que el G.C esté compuesto por aquellas personas deseosas de participar en la investigación porque tienen un problema que resolver pero por algún motivo no pueden acudir a la terapia (e.g., coincide en horario laboral; no les van bien las fechas, etc.) "garantiza" un G.C válido (Marcus, Stuart, Wang, Shadish & Steiner, 2012; McCaffery et al., 2011; Walter, Turner, Macaskill, McCaffery & Irwig, 2012), y de éstos hemos visto sólo el 30% en los D. Cx. de GCNE. [En el Fichero Adicional 5 se exponen referencias destacadas sobre el concepto, control y corrección del sesgo de selección].

Además de la función de "control", otro aspecto que se debe valorar del G. C es la potencia que puede aportar al diseño para poner a prueba las hipótesis del investigador. Los resultados meta-analíticos constatan que los TE son menores cuando el G.E se compara con G.C activos (e.g., placebo, tratamiento de costumbre, tratamiento alternativo) que cuando se compara con G.C pasivos (e.g., sin tratamiento, en lista de espera) (Heisman & Shadish, 1996; Shadish & Ragsdale, 1996) (ni que decir tiene que el investigador también debe cuidar que no surjan efectos reactivos, ni suyos ni de los sujetos, capaces de sesgar seriamente los resultados, y éstos es más fácil evitarlos cuando los G.C son activos). También se ha demostrado que el TE es mayor, y más preciso cuando se emplea la técnica de apareamiento anteriormente citada en la formación de los grupos (Shadish & Myers, 2004 a; Shadish & Ragsdale, 1996).

Cuidar el G.C no tiene sentido si no cuidamos también el G.E. Es imperativo considerar si el tratamiento se administra de modo individual o en grupo, y sea de un modo u otro es preciso asegurar que la administración sea homogénea para todos los sujetos y que la adherencia al tratamiento sea satisfactoria. Estos aspectos y más tienen que ver con la integridad del tratamiento (Devito et al., 2011; Higgins & Green, 2011; McLeod & Islam, 2011; Perepletchikova, Hilt, Chereji & Kazdin, 2009). Nosotros no hemos revisado estos matices. Algunas revisiones y otras referencias destacadas sobre esta temática las exponemos en los Ficheros Adicionales 2 y 5.

El número de medidas registradas, tanto antes de la intervención como después de ella es extraordinariamente importante (Mara & Cribbie, 2012; Mara et al., 2012; Rausch, Maxwell & Kelley, 2003; Schulz, Czaja, McKay, Ory & Belle, 2010; Shadish et al., 2011; Steiner, Cook, Shadish & Clark, 2010; Venter, Maxwell & Bolig, 2002). Las efectuadas antes de la intervención son un bastión esencial para defender la no existencia de regresión a la media, de error en el registro, de efectos de maduración de los sujetos (evolución o involución emocional, conductual, intelectual, etc.), y para defender la estabilidad y confiabilidad en las medidas. Llevar a cabo varios registros post tratamiento nos permitirán analizar la evolución de la conducta estudiada, si se mantiene el resultado esperado, hasta cuándo se mantiene, si el efecto es inmediato o retardado, o si no hay efecto. Hemos comprobado que en ninguna investigación de esta revisión se efectúa más de una medida pre-tratamiento, y sólo en el 24.39% de los diseños Cx. y en el 36% de los Px. se registra más de dos medidas post-tratamiento (Tabla 2).

La planificación del tamaño de la muestra en base a un TE deseado tiene una importancia capital. Implica tener en cuenta tanto la sensibilidad de la investigación como la precisión de la misma, y ambos aspectos determinan la posibilidad de tener suficiente potencia de prueba. Ninguna de las investigaciones revisadas calcula a priori el tamaño de la muestra (Tabla 4), con el añadido de que los tamaños de muestra utilizados tampoco son elevados (Tabla ó). Sánchez Meca, Valera, Velandrino y Marín (1992), Valera, Sánchez Meca y Marín (1998) y Valera, Sánchez Meca, Marín y Velandrino (2000) hallaron resultados similares. Así pues, sea grande o no el tamaño de la muestra, lo que no podemos saber es si fue suficiente para detectar el TE que deseaban encontrar. De otra parte, siendo el tamaño de muestra pequeño y recordando cómo fueron formados los grupos, es probable que algunas muestras tampoco fuesen representativas, con el problema que eso supone respecto a la trasferibilidad de los resultados y a la validez externa de población (Burchett , Umoquit & Dobrow, 2011; Cambon , Minary, Ridde & Alla, 2012; Ferguson, 2004; Glasgow & Emmons, 2007;Green & Glasgow, 2006; Steckler & McLeroy, 2008;Thomson y Thomas , 2012).

Tan preocupante como lo anteriormente expuesto es, de una parte, el desequilibrio en el tamaño de los grupos, y de otra, que a esto se sume la tan temida relación directa o inversa entre el tamaño de los grupos y el tamaño de las varianzas. El examen de la potencia y robustez de los procedimientos analíticos frente a estos problemas es un tema candente en la actualidad tanto por lo habitual del problema como por las consecuencias indeseables que tiene. Es numerosa la investigación que ha puesto en evidencia la inflación del error de Tipo I y de Tipo II cuando la relación es negativa y positiva respectivamente. En esta revisión hemos encontrado un porcentaje de diseños no balanceados altísimo (82.69%) donde la diferencia media entre los tamaños de los grupos es de 28.6 ( DT = 49.93) (Tabla 6). Ya se observe el desequilibrio entre el tamaño de los grupos en función de diferencia o de razón es notable el fuerte sesgo positivo, lo que quiere decir, que, aunque no demasiadas, existen investigaciones con una diferencia mucho mayor aún entre los tamaños de los grupos (Sánchez Meca et al., 1992, Valera et al., 1998 y Valera et al., 2000 en revistas de Psicología editadas en España, y Keselman et al., 1989 y Ruscio & Roche, 2012 en revistas editadas fuera de nuestras fronteras han encontrado parecidos resultados). Añadido a esto, observamos dos problemas más. Uno, que solamente hemos encontrado una razón entre el tamaño de los grupos y el tamaño de las varianzas nula, en el resto, o es positiva o es negativa casi al 50%. Otro, que esto sólo lo hemos podido observar en el 50% de los D.Cx. no balanceados debido a que en la otra mitad no se exponen las varianzas (Keselman et al., 1989 hallaron resultados similares). Este último dato no es inocuo, aquellos que realizan investigaciones meta-analíticas conocen como nadie la importancia de contar con los estadísticos descriptivos de las variables (Higgins & Green, 2011).

Registrar la medida pre y otras variables relacionadas con la variable dependiente antes de aplicar el tratamiento tiene una importancia crucial dado que nos van a permitir poner a prueba la igualdad de los grupos antes de aplicar el tratamiento. En 27 (84.37%) de las investigaciones Cx.-GCNE se comprueba de algún modo la igualdad de los grupos antes de aplicar el tratamiento, pero existen 5 (15.62%) en que no se hace. De mayor envergadura es el valor que tiene la medida pre-tratamiento y el registro inicial de otras variables para aparear a los sujetos de los grupos antes de decidir qué grupo va a ser el experimental y cuál va a ser control y evitar así de modo mucho más eficiente el sesgo de selección (entre otros). En esta revisión esto sólo se hace en 4(12.5%) investigaciones Cx.-GCNE, luego en el 87.5% de ellas ambos registros se han efectuado después de decidir qué grupo es el experimental y qué grupo es el control. Sólo en 3 (42.85%) investigaciones Cx.-DR se aparearon los sujetos de los grupos en base a la información de variables relevantes. Todos estos resultados están expuestos en la Tabla 8 a.

Todas las precauciones anteriores son necesarias pero no son suficientes para demostrar la veracidad de nuestra hipótesis cuando la aleatorización no es posible. Son imprescindibles, al menos, dos condiciones más. Una, debemos demostrar que otras variables no son responsables de los resultados hallados, y para eso debemos de eliminar o tener controladas variables extrañas capaces de ser explicaciones alternativas a nuestra hipótesis. En este caso sólo en 22(68.75%) investigaciones Cx.-GCNE y en 5 (71.42%) Cx.-DR se registran variables consideradas "sospechosas" para examinar la equivalencia de los grupos en ellas o para formar los grupos en base a que esas características permanezcan constantes, pero sólo en 4 (12.5%) investigaciones Cx.-GCNE (y en ninguna Cx.-DR) se lleva a cabo control estadístico (se introducen en el modelo matemático) de las mismas (ver Tabla 8 a). Dos, debemos tener meridianamente claro qué modelo explica mejor los resultados encontrados (Ato y Vallejo, 2011), y esto porque nuestra hipótesis quizás sea cierta con matices (puede haber variables mediadoras o moderadoras o supresoras de la relación causal). Que el investigador avance un modelo explicativo de sus resultados es de importancia capital en las investigaciones no aleatorizadas. En ninguna investigación de esta revisión los autores exponen que "asumen un modelo de cambio" o un "modelo mediacional", o simplemente "un modelo causal directo". En su lugar hemos encontrado que "escriben" que deciden analizan los datos mediante las puntuaciones de cambio, o que están interesados en la interacción, o en ambas (sin saber que el resultado es el mismo estadísticamente), o que sólo les interesa analizar las diferencias post-tratamiento, o que les interesa todo lo anterior (ver Tabla 8 a). Precisamente son aquellos que están interesados en las diferencias post los que únicamente analizan los datos mediante el análisis de la covarianza si es que hallaron diferencias iniciales entre los grupos en la medida pre u en otras. La medida pre u otras registradas antes de recibir el tratamiento nunca se utilizaron como covariables cuando las diferencias iniciales entre los grupos no fueron estadísticamente significativas, y debiera hacerse si se asume un modelo mediacional. En fin, los autores parecen haber olvidado que en la investigación cuasi-experimental el análisis de la covarianza no sólo se hace para reducir variabilidad e incrementar la precisión, sino también, porque la covariable puede ser una variable explicativa del resultado. En el Fichero Adicional 5 se exponen referencias destacadas sobre los efectos, la detección y el análisis de fenómenos como mediación, moderación, etc.

Antes de exponer qué estadístico escogen utilizar los investigadores para poner a prueba "las puntuaciones de cambio, o la interacción, o la simple diferencia entre las medidas post" hacemos un inciso para destacar de nuevo que, si la planificación de la investigación es deficitaria poco sentido tiene ocuparse del análisis de los datos. Campbell y Stanley (1963, p.22) ya hicieron hincapié en este aspecto:

Good experimental design is separable from the use of statistical tests of significance. It is the art of achieving interpretable comparisons and as such would be required even if the end product were to be graphed percentages, parallel prose case studies, photographs of groups in action, etc. In all such cases, the interpretability of the results depends upon control oven the factors we have been describing.

Cuarenta años más tarde se vuelve a insistir en ello:

In this book, we have advocated that statistical adjustments for group nonequivalence are best used after design controls have already been used to the maximum in order to reduce nonequivalence to a minimum. So we are not opponents of statistical adjustment techniques such as those advocated by the statisticians and econometricians described in the appendix to Chapter 5. Rather we want to use them as the last resort. (Shadish et al., 2002, p.503).

Este pensamiento no es exclusivo del ámbito de las Ciencias Sociales, Deeks et al., (2003, p.91) en el ámbito médico expresan que "Statistical methods of analysis cannot properly correct for inadequacies of study design" . En definitiva, es notorio en todos los campos de investigación ver expresado que por muy elegante, novedoso, robusto y poderoso que sea el procedimiento de análisis utilizado, nunca va a corregir ni las deficiencias del método ni la mala planificación del diseño elegido para recoger los datos (e.g., Des Jarlais, Lyles, Crepaz & TREND Group, 2004; Eastmond, 1998; Harns et al., 2004; Scheirer, 1998; Shadish & Myers, 2004 a; Shardell et al., 2007; Sridharan & Nakaima, 2011; Stone et al., 2007; Valentine & Cooper, 2003, int. al).

La probabilidad de acertar en la elección del estadístico (conveniente y correcto) para poner a prueba nuestra hipótesis es muy pequeña si antes no se realiza un examen exploratorio de los datos (Cohen, 1992, 1994) para determinar por ejemplo, si algunos sujetos tienen puntuaciones extremas (valores atípicos debidos a un defectuoso instrumento de medida, a fallos en el registro, a una mala aplicación del tratamiento, etc.), si tenemos pérdida de datos ocasionales (no acudieron ese día por algún motivo ajeno a la investigación, no se registró el dato debido a un fallo del experimentador, etc.) o si lo que sucede es que hay sujetos que abandonan (debido a la no adherencia al tratamiento, de modo circunstancial se han trasladado a otro lugar, una enfermedad nos les ha permitido continuar, etc. ). Es necesario también conocer si se satisfacen o no las asunciones de normalidad y homoscedasticidad, que con frecuencia sucede cuando los grupos están desequilibrados como en este caso. Y si procede, es imprescindible valorar la independencia entre la(s) covariada(s) y el tratamiento, si las pendientes en los grupos son paralelas, si existe o no multicolinealidad, si es posible que alguna variable esté mediando en la relación causal, etc. Las causas capaces de provocar estos problemas pueden ser varias y requerirían tratamientos distintos.

La existencia de puntuaciones atípicas sólo se examina en una investigación. En ninguna se comenta si falta algún dato, a pesar de lo habitual que es este problema en los diseños Cx. (Shadish et al., 2002). Sólo en 14(21.2%) investigaciones se reconoce haber perdido sujetos (Tabla 7) pero en ningún caso los investigadores se plantean por qué se ha producido, cual ha sido el patrón de pérdida ni qué consecuencias puede tener para la inferencia. Investigaciones meta-analíticas han demostrado que el TE es sensible al abandono de los sujetos (Shadish & Ragsdale, 1996) y por lo tanto es preciso tener en cuenta el tamaño de la muestra al principio y al final de la investigación para valorar el efecto del desgaste de muestra (Shadish & Myers, 2004 a). Sin excepción, ya sean puntuaciones atípicas ya sea pérdida de sujetos, en las investigaciones afectadas se afronta el problema eliminando el problema, esto es, eliminando del análisis a los sujetos que tienen puntuaciones atípicas y a los que abandonan (Tabla 7). Una excelente exposición sobre estos problemas y el modo de hacerlos frente la realizan West et al. (2008).

En el 87.9% (Tabla 7) de las investigaciones no se comprueba si se satisfacen las asunciones de normalidad ni de homogeneidad, tampoco las asunciones añadidas a éstas cuando se hace análisis de la covarianza. En las pocas veces que se utiliza el análisis de la regresión o el análisis multivariado no se examina la existencia de multicolinealidad, en el primero tampoco mediación y en el segundo nunca se completa con el análisis discriminante. Así las cosas, no se ha utilizado ningún estadístico robusto (e.g., F de Brown Forsythe en ausencia de homogeneidad) y las pruebas no paramétricas se utilizan en pocas ocasiones, y cuando se utilizan se justifican por ser escaso el tamaño de muestra. Por lo tanto, el análisis de los datos realizado para poner a prueba las hipótesis es un fiel precipitado del diagnóstico que no se ha hecho de los datos.

Aunque en las Tablas 8 b y 8 c podemos observar que casi cada diseño Cx. y Px. ha sido analizado de un modo distinto, y que los diseños que comentamos "podrían ser" de DR ninguno se analiza como tal, sin duda alguna la prueba t de Student, estresándola hasta la saciedad, es la prueba estrella. Con frecuencia no se tiene una visión conjunta del diseño y, desmembrando los grupos y las ocasiones temporales, los autores ponen a prueba las hipótesis estudiando las diferencias dos a dos en cada grupo (entre dos momentos temporales) y dos a dos entre grupos (en cada momento temporal), y esto para cada una de las variables dependientes que, del mismo modo que otros autores han encontrado (e.g., Scandura & Williams, 2000; Snyder et al., 2002), aquí también son muchas.

Es indiscutible que analizando así los datos los investigadores aseguran tener una alta probabilidad de rechazar la Ho, sin embargo no lo hacen cuidando la planificación de la investigación, sino que lo consiguen debido al nivel de significación acumulado tras realizar una gran cantidad de contrastes, y no debemos olvidar que el estrés sometido al análisis de los datos no convierte en válidas las comparaciones efectuadas "Use of significnce tests presumes but does not prove or supply the comparability of the comparison groups or the interpretability of the diference found" (Campbell & Stanley, 1963, p.22). De esta parte, por tanto, cometer un elevado error de Tipo I está garantizado. De otra parte, párrafos atrás expusimos que el tamaño de los grupos es pequeño por lo general, en los diseños balanceados y en los no balanceados también. En este caso, los investigadores trabajan con escasa potencia de prueba para detectar, quizás, un TE relevante, que nunca sabremos si lo era porque pocas veces se calcula, y en aquellas que se calculó no hubo comentario alguno sobre su relevancia a nivel sustantivo. De este modo, por tanto, los trabajos están destinados a tener una alta probabilidad de cometer error de Tipo II. Esta conducta polarizada convierte la inferencia estadística en un ejercicio abandonado al capricho del azar. Desafortunadamente sigue siendo actual el comentario de Campbell y Stanley "The tests of significance used with it are often wrong, incomplete, or inapropiate" ( op.cit , pp. 21-22).

Finalmente, aunque el valor empírico del estadístico de contraste y los gl . están reflejados prácticamente en la totalidad de los trabajos, el valor exacto de p se expone en 41(62.1%) investigaciones y el TE en 13(19.7%). Sin embargo, la potencia de prueba empírica sólo se calcula en una y los intervalos confidenciales en ninguna (Tabla 11). Este panorama también se ha detectado en otras revisiones sobre investigaciones Cx. (Hsieh et al., 2005; Snyder et al., 2002).

En el Fichero Adicional 5 se exponen excelentes referencias sobre cómo analizar los D. Cx. de GCNE, de DR y de series temporales.

Una vez redactados los resultados corresponde elaborar una discusión y concluir. Cuando se ha realizado una investigación Cx. o Px. es esperable, en mayor medida que cuando se lleva a cabo una investigación experimental, que el investigador extreme precauciones al extender sus conclusiones. Es el momento de reconocer las debilidades de la investigación, y de poner en tela de juicio si la pretendida relación causal ha podido resultar afectada por alguna de las posibles amenazas a la validez interna. Es el momento de valorar si la relación estadísticamente significativa encontrada es espuria en lugar de causal. O por el contrario, esa relación estadística que no hemos encontrado ha sido debida a la presencia de variables que estaban oscureciendo la relación o a la existencia de una incontrolada varianza del error por ejemplo, entre otras razones de cariz estadístico. Esto es, el investigador debe valorar si también ha cuidado la validez de conclusión estadística. Sólo si ambas se han cuidado tiene sentido examinar la validez externa y ecológica. Examinamos los apartados "discusión" y "conclusiones" con ánimo de observar si los investigadores manifiestan la sospecha, o explicitan la certeza de que alguna amenaza a la validez pudiera estar presente, y si así es, saber de qué modo la ponen a prueba y de qué modo solventan el problema. En la Tabla 12 se exponen los resultados.

Advertimos que en 31(77.5%) investigaciones Cx. no se comenta ninguna posible amenaza a la validez interna. Del resto, sólo en un trabajo el hallazgo de diferencias estadísticamente significativas entre las medidas pre de los grupos se denominó sesgo de selección, pese a que en 33(84.61%) se pone a prueba la igualdad inicial de los grupos de alguna manera y que en 6 (18.8%) se efectúa un análisis de la covarianza con la medida pre o con otras (ver Tabla 8 a) justificando que se hace debido a que ha habido diferencias entre los grupos en ellas y que así ya estarían controladas. Por lo tanto, existe la creencia generalizada de que si los grupos experimental y control son iguales estadísticamente con respecto a la medida pre, y/o con respecto a alguna otra, no existe sesgo de selección, lo escriban así o no, y además, que basta el análisis de la covarianza para controlar esas diferencias iniciales, de haberlas. Nada más lejos de la realidad. No basta con eso. El que no haya diferencias en la medida pre o el que las haya, ni es suficiente ni es necesario para que exista o no sesgo de selección. El sesgo de selección es un activo tóxico complejo responsable de las diferencias sistemáticas entre los grupos de comparación en la respuesta al tratamiento o en su pronóstico, y se produce cuando variables relacionadas con la variable dependiente existen en grado distinto entre los grupos sometidos a comparación (debido a distorsiones en los procedimientos utilizados para seleccionar los sujetos, debidos a factores que influyen en la participación en el estudio, etc.) y pueden ser otras distintas a las registradas, esto es, quizás variables como la edad, el sexo, etc., no sean causa de sesgo en según qué muestra, pese a ser las que habitualmente se registran. Esta falsa creencia explicaría por qué las variables registradas antes recibir la intervención nunca se han introducido como covariables cuando han resultado estadísticamente no significativas entre los grupos, cuando de hecho debiera hacerse si se asume un modelo mediacional (ver Judd & Kenny, 1981 y Huitema, 2011).

En 7 (17.5%) investigaciones Cx. se reconoce haber perdido muestra debido al abandono de sujetos aunque sólo en una se denomina mortandad experimental. Denominarlo así o no pensamos que no tiene importancia, lo que sí la tiene es que en ninguna se ha examinado a qué ha podido deberse y sólo en 4 de ellas se estudia de algún modo el posible efecto que esto haya podido causar poniendo a prueba si los sujetos que abandonan tienen las mismas características que tiene el grupo al que pertenecían (Tabla 12). En las 7 investigaciones realizan los análisis inferenciales posteriores prescindiendo de los sujetos que han abandonado. Sin saberlo han realizado lo que se denomina análisis por Protocolo ( per-protocol-analysis ), pero podrían haber procedido de modo más saludable realizando el análisis por Intención de Tratar ( Intention-to-Treat Analysis ). Para conocer las particularidades y ventajas de uno y otro modo de proceder, y tomar el pulso al debate que sobre este tema está teniendo lugar se puede consultar Anderson (2012), Sedgwick (2011), Shah (2011), White, Carpenter & Horton (2012), int. al.

En dos investigaciones los autores sospechan que la cantidad de tiempo existente entre los registros de las medidas pudiera ser un problema. En ambas, y sólo en el G. C, examinan si estas diferencias (post-pre) son estadísticamente significativas y en las dos resultó no serlo. En ambas concluyeron entonces que la distancia temporal no influía en el efecto del tratamiento. Esta conclusión es errónea, pero sin saberlo estaban poniendo a prueba el efecto de la maduración, pero también de la historia, de la regresión a la media (si las medidas hubiesen estado más próximas), pero de modo tan débil que, en ningún caso, esas no diferencias estadísticamente significativas pueden eliminar la sospecha de que estas amenazas pudieran estar presentes, máxime conociendo el escaso cuidado que se ha puesto en la formación de los grupos. De ahí la necesidad de contar con más de un G. C como anteriormente hemos comentado. De otra parte, los autores podrían haber observado lo mismo teniendo también en cuenta al G. E. Si hubiesen tenido la sospecha de un cambio maduracional, examinar las puntuaciones de cambio tiene sentido. De haber resultado el análisis estadísticamente significativo pensaríamos que ambos grupos evolucionan con un ritmo distinto, esto es, es posible que pudiera haber cierto efecto de maduración pero sería posible concluir que el tratamiento ejerce un efecto añadido en el grupo que lo recibe. Si no hubiese sido estadísticamente significativo (y además observamos el gráfico de medias) tal vez podríamos concluir que los dos grupos evolucionan al mismo ritmo. Esta podría haber sido una forma sencilla de proceder. Ahora bien, cuando la distancia entre las medidas es mucha (quizás debido a que el tratamiento tarda un tiempo en ser efectivo y eso justificaría esa distancia), o sea por otro motivo, hay que pensar que en mucho tiempo caben muchas circunstancias, y alguna es esperable que afecte a las variables dependientes que se toman. De ahí la necesidad de registrar variables dependientes no equivalentes y de contar con más grupos tanto de tratamiento como de control y ponerlos a prueba en situaciones y momentos temporales distintos. En fin, necesidades distintas requieren controles distintos.

De otras amenazas a la validez se comenta sólo su sospecha pero no se ponen a prueba, como el posible efecto de regresión a la media que se comenta en dos investigaciones, y los posibles efectos de orden que se comentan sólo en una.

Otras amenazas ni siquiera se sospechan. A saber, en la Tabla 5 pudimos ver que en 12 (30.7%) ocasiones los grupos experimental y control están muy próximos entre sí y en estas situaciones puede ocurrir rivalidad compensatoria, difusión del tratamiento, etc., (Cook & Campbell , 1979) que en ningún caso se comentan.

Sólo en una investigación Px. los autores calculan el tamaño de muestra, pero lo hacen una vez que ya estaban formados los grupos con ánimo de saber si sería suficiente para estimar un tamaño del efecto medio según Cohen (1988). Lo fue. Así las cosas, teniendo en cuenta que en ninguna investigación se planificó el tamaño de la muestra esperábamos leer algún comentario referente a ella tanto con respecto a su composición como con respecto a su tamaño. Advertimos que en 30(75%) investigaciones no se hace ningún comentario explícito acerca de la muestra, del problema que pueda suponer tener poco tamaño, o tener diferente número de sujetos en los grupos, si su composición no es enteramente adecuada, etc. Únicamente en 2 (5%) los autores advierten que podría estar sesgada, y, sólo en 8 (20%) investigaciones se comenta que el tamaño de la muestra puede ser escaso. Como anécdota, en una investigación los autores escriben que su tamaño de muestra es suficiente porque es mayor que el empleado en otras investigaciones . Ninguna investigación cuestiona la representatividad de la muestra utilizada.

Finalmente estábamos interesados en saber si los autores que habían realizado una investigación con finalidad aplicada 45(68.2%), sobre todo cuando la composición de la muestra fue "específica enferma" y habían concluido que la intervención fue efectiva, manifestaban explícitamente el propósito de aplicar el tratamiento en los grupos que habían sido de control. En ningún caso se expresó explícitamente esto cuando de hecho debiera de hacerse por razones éticas, sin embargo, expresiones como "sería deseable" o "sería conveniente" fueron habituales.

Es un clásico concluir los informes de investigación comentando limitaciones en el sentido de que "manipulando otros niveles de variables..., aplicándolo a otras muestras distintas..., etc, los resultados pudieran ser otros". Esto también se hace en los trabajos que revisamos, pero no es suficiente. A la misma conclusión han llegado otros investigadores que también han realizado revisiones sobre la calidad de las investigaciones Cx. A saber, Scandura & Willians (2002) manifiestan que tienen una baja validez de constructo, interna y externa. Castro & Mastropieri (1986), Deeks et al. (2003), Dunst & Rheingrover (1981), Farran (1990, 2000), Grant & Wall (2009), Higghouse (2009) y Snyder et al. (2002) lamentan el poco rigor en la planificación de estas investigaciones (diseño pobre, medidas imprecisas e inservibles, etc.) e inadecuados análisis estadísticos. Harris et al. (2005) manifiestan su enorme preocupación por el hecho de que muy pocos autores describen las limitaciones de los diseños que utilizan en las investigaciones Cx. y por lo tanto no pueden esbozar las posibles amenazas a las conclusiones.

Ya se había avisado "Encouraging good design and logic will help improve the quality of conclusions." (Wilkison & TFSI, 1999).

Conclusiones y recomendaciones

Hemos examinado minuciosamente las 66 investigaciones Cx. y Px. contenidas en las revistas Psicothema, International Journal of Clinical and Health Psychology y Psicológica en el periodo comprendido entre 1999 y 2009 (11 años). Debido a que son el total de las de su clase en el período temporal examinado constituyen un censo.

A colación de la cantidad. Es un hecho que conforme el total de casos se aleja de 100 en sentido negativo más grande nos parece el porcentaje de una cantidad dada, del mismo modo que cuando de 100 se aleja en sentido positivo nos parece más pequeño el de la misma cantidad. Por esta razón, contar con tan pocas investigaciones ha supuesto una virtud para el propósito que pretendíamos, ya que el cálculo de porcentajes ha hecho las veces de tinta de contraste que hemos aprovechado para destacar las debilidades de estas investigaciones y ahondar en la enorme importancia que tiene cuidar el método.

Consideramos de justicia, antes de nada, realizar una digresión para destacar tres aspectos. Primero. Estas 66 investigaciones sólo suponen el 4.02%, 4.47% y 2.2% de los trabajos publicados por las tres revistas (respectivamente, en el orden anteriormente citado, ver también Tabla 1) y en absoluto son representativas del conjunto de trabajos publicados en ellas. Segundo. Entre las 66 investigaciones sometidas a revisión hay algunas extraordinarias, y salvo alguna que requeriría una revisión en mayor profundidad, el resto adolecen de una u otra deficiencia, pero no de todas, hecho que en absoluto va a suponer que pierdan su envergadura y su sentido y sirvan como fuente de tensión en su campo de estudio sea el que sea. Tercero. Huelga comentar que la excelencia de las tres revistas sometidas a examen es incuestionable, no sólo por su trayectoria, sino porque las tres han sido y son objeto de deseo de grandes científicos en el campo de la Psicología o afines que deciden publicar en ellas sus trabajos. Proseguimos.

En el proceso de investigación desde que comienza hasta que se redactan los resultados existe un orden lógico en el que se debe considerar cada aspecto y cada matiz de la misma. Hemos tratado de ordenar el discurso del apartado anterior en ese mismo orden, y lo hemos hecho así para destacar que la planificación de una investigación, sea la que sea, (cualitativa o cuantitativa, experimental o no experimental, etc.) es en sí un ejercicio estructurado que exige considerar la validez en toda su diversidad, aunque con distinta profundidad en función de la finalidad perseguida.

Así pues, para comenzar a planificar una investigación cuasi-experimental es preciso reconocer que las condiciones son SIEMPRE adversas debido a la ausencia de aleatorización. Esta falta de control exige que el investigador se ponga en alerta y comience a pensar que los supuestos que debe considerar son muchos y que ponerlos en evidencia no va a ser tarea fácil. Lo primero que debe hacer es familiarizarse con el contexto en el que se va a celebrar la investigación y conocer en profundidad las características de la población en la que desea poner a prueba su hipótesis. Evidentemente a estas alturas las hipótesis las debe tener perfectamente definidas y el modelo explicativo también. En este momento se produce uno de los pasos más delicados, que es traducir o interpretar las piezas de las hipótesis para hacerlas operativas. Es el momento de cuidar la validez de constructo (referente a sujetos, medidas, momentos, tratamiento, variables dependientes, etc.) porque será la que nos va a permitir cuidar la formación de los grupos, aplicar el tratamiento "con integridad", y observar sus efectos en la extensión deseada para que la validez interna en la parrilla de salida sea impecable. El modelo explicativo de sus hipótesis y las posibilidades con las que cuenta para ponerlas a prueba van a determinar el diseño de recogida de datos que garantizará que la validez interna no se malogre. En este punto la validez de la conclusión estadística ya está casi en su totalidad sentenciada. Si en lo que resta el investigador cuida que el modelo explicativo de sus hipótesis también sea el que dirija la elección del modo de análisis, y en este punto usa los estadísticos de prueba del modo que sea correcto y pertinente, el error de Tipo I y de Tipo II los tendrá controlados. A esto es lo que nosotros denominamos Validez Estructurada y condición sine qua non para que TODA investigación alcance niveles óptimos de calidad. Conforme nos alejamos de la libertad que permite la asignación aleatoria es preciso molestarse más para hacer el mismo recorrido.

En resumen, la validez siempre va a venir explicada por un modelo no aditivo en el que aparecen enhebrados los cuatro tipos de validez del modelo capitaneado por Campbell. Es la Validez Estructurada. Una investigación tiene Validez Estructurada cuando, en primer lugar se ha cuidado la validez de constructo. Cuidada ésta, es posible la validez interna. Satisfechas ambas posibilitan, hacen eficaz la validez de conclusión estadística. La validez de conclusión estadística no es validez interna, pero si el modelo que explica las hipótesis ha sido el correcto, la validez de conclusión estadística consolidaría la validez interna. La validez externa y ecológica en parte están delimitadas por la validez de constructo inicial, pero no tienen sentido si la validez interna no se logra. Cook & Campbell (1979, p.80-85) ya habían comentado la relación que había entre validez interna y de conclusión, de una parte, y validez de constructo y validez externa de otra. Nosotros hemos querido hacer una modesta aportación a su modelo de validez.

In science we are like sailors who must repair a rotting ship while it is afloat at sea. We depend on the relative soundness of all other planks while we replace a particularly weak one. Each of the planks we now depend on we will in turn have to replace. No one of them is a foundation, for point of certainty, no one of them is incorrigible. (Campbell, 1969, p. 43).

Recomendaciones prácticas que nos permitirán salir a flote:

1. - Al principio de este trabajo redactamos que la dama es al ajedrez lo que la aleatorización al método científico, y pensamos que así es, sin embargo, es la posición del rey la que gana o pierde la partida. Los maestros del método nos han inculcado que la aleatorización no hace bueno el método, el buen método se hace gestionando bien los recursos. 2. - Sólo es posible gestionar bien los recursos trabajando con Validez Estructurada. Es el único modo de evitar la acumulación de amenazas, activos tóxicos venidos desde distintos frentes, siendo uno de los más vulnerables el que a los grupos de control se refiere. Si éstos no están bien formados, o aún estándolo, no son adecuados para poner a prueba la hipótesis que se pretende, lejos de ser un valor, se convierten en testigos incómodos capaces de arruinar la investigación. 3. - Nos guste o no, las hipótesis se ponen a prueba mediante alguna técnica estadística, y como antes hemos comentado, las ideas excelentes (hipótesis) no hacen válidos ni siquiera los más potentes procedimientos de análisis de datos. Si la validez de conclusión estadística está desnuda de masa sustantiva habrá una conclusión estadística que se mantendrá dentro de unos márgenes de error (cuando por ejemplo tenemos mucho tamaño de nuestra pero sin considerar el tamaño del efecto), pero la probabilidad de no ser válida (validez interna) será muy alta. 4. - Resulta fatigoso leer el apartado de resultados en muchos trabajos publicados. Es imperativo embridar el derroche en el análisis de los datos. Los análisis no se hacen bien, más que por no elegir correctamente el estadístico, por el modo de hacerlo. Por ejemplo, es cierto que el análisis de la varianza es imperfecto en algunas situaciones, pero repetirlo múltiples veces conduce a generar un error de tipo I insostenible. Esta conducta ha sido y sigue siendo criticada hasta la saciedad en múltiples revisiones en cualquier área de investigación ( e.g ., Schochet, 2009b). 5. - La conducta compulsiva anterior nos lleva a pensar que muchos investigadores quizás tengan la creencia errónea de que tener validez es equivalente a rechazar la Ho, con lo importantes que son las Ho cuando de significación práctica se trata, o simplemente para conocer qué camino nos lleva a ninguna parte, que no es poco. Rechazar la hipótesis nula (y su correspondiente análisis forense) sólo es un punto de llegada (y siempre provisional) si antes hemos demostrado que las hipótesis alternativas (que hasta el momento conocemos o podemos poner a prueba) son falsas. 6. - Es imperativo reconocer que no somos autosuficientes, y aunque estemos versados en el tema que investigamos conviene recurrir a un experto en metodología y análisis de datos que nos ayude a planificar la investigación que nos permita poner a prueba del mejor modo posible nuestras hipótesis y a analizar correctamente los datos (Altman, 2006; Harns et al., 2004, 2005; Shadish et al., 2002; Shardell et al., 2007, int.al).

Bobby Fisher reconocía que había aprendido a jugar al ajedrez observando el juego de los clásicos, de los jugadores románticos del Siglo XIX y principios del XX que gustaban de comienzos difíciles, con sacrificios de piezas que ponían a prueba el talento e imaginación de quien defendía uno y otro color en el tablero. Pensamos que para investigar "bien y mejor" es absolutamente necesario saber lo que nos falta por aprender, y ahora ya lo sabernos, al menos parte. Es bueno también tener algún modelo de referente. En este sentido, y para abrir boca, recomendamos leer el trabajo de una de las investigaciones cuasi-experimentales realizadas de modo magistral por Campbell y Ross (1968), The Connecticut crackdown on speeding: Time-series data in quasiexperimental analysis .

Así fue cómo en plena guerra fría se produjo la chispa que impulsaría, en el mundo del ajedrez, la carrera de uno de los más grandes genios de la historia, y en la ciencia, el punto de partida de una obra metodológica extraordinaria.

A lo largo de artículo se ha hecho referencia a cinco ficheros adicionales. Todos ellos se encuentran en la página http://www.unioviedo.es/dise investigacion/ . Los ficheros son:

Fichero Adicional 1: descripción de todas las variables registradas en todas sus categorías de clasificación.

Fichero Adicional 2: redacción de los resultados obtenidos libres de discusión.

Fichero Adicional 3: exposición de los resultados obtenidos en 12 Tablas.

Fichero Adicional 4: referencias bibliográficas seleccionadas sobre investigación Cx. (y otras investigaciones no aleatorizadas), algunas de carácter general y otras más específicas referidas a distintos ambientes disciplinares (educativo, clínico, etc.), también sobre causalidad.

Fichero Adicional 5: referencias bibliográficas seleccionadas sobre aspectos concretos y específicos de las investigaciones Cx. (y en general de las investigaciones no aleatorizadas): análisis de datos (para D-GCNE, D-DR y de series temporales), sesgo de selección, mediación, pérdida de datos, evaluación de programas, Método mixto, Modelos Multinivel, Modelos de Ecuaciones Estructurales, etc.

Referencias

1. Altman, D. G. (2006). Practical statistics for medical research. New York: Chapman & Hall.         [  Links  ]

2. Anderson, R. A. (2012). Reply: Intention-to-treat and per-protocol analyses. Human Reproduction, 27, 3118-3119.         [  Links  ]

3. Arnau, J. (1995). Metodología de la investigación en psicología. En M. T. Anguera, J. Arnau, M. Ato, R. Martínez, J. Pascual, J., y G. Vallejo, G. (Eds.), Métodos de investigación en Psicología (Cap. 1). Madrid: Síntesis.         [  Links  ]

4. Ato, M. (1995). Tipología de los diseños cuasi-experimentales. En M. T. Anguera, J. Arnau, M. Ato, R. Martínez, J. Pascual, J., y G. Vallejo, G. (Eds.). (1995). Métodos de investigación en Psicología (Cap. 9). Madrid: Síntesis.         [  Links  ]

5. Ato, M., y Vallejo, G. (2011). Los efectos de terceras variables en la investigación psicológica. Anales de Psicología, 27, 550-561.         [  Links  ]

6. Avellar, S., & Paulsell, D. (2011). Lessons Learned from the Home Visiting Evidence of Effectiveness Review. Office of Planning, Research and Evaluation, Adrmmstration for Children and Families, U.S. Department of Health and Human Services. Washington, DC. Recuperado de http://homvee.acf.hhs.gov/Lessons Learned.pdf .         [  Links  ]

7. Bai, A., Shukla, V. K., Bak, G., & Wells, G. (2012). Quality assessment toolsproject report. Ottawa: Canadian Agency for Drugs and Technologies in Health.         [  Links  ]

8. Brunswik, E. (1956). Perception and the representative design of psychological experiments (2nd. Ed.). Berkeley, CA: University of California Press.         [  Links  ]

9. Burchett, H., Umoquit, M., & Dobrow, M. J. (2011). How do we know when research from one setting can be useñil in another? A review of external validity, applicability and transferability frameworks. Journal of Health Services Research & Policy, 16, 238-44.         [  Links  ] .

10. Cambon, L., Minary, L., Ridde, V., & Alla, F. (2012). Transferability of interventions in health education: a review. BMC Public Health, 12(497).         [  Links  ]

11. Campbell, D.T. (1957). Factors relevant to the validity of experiments in social settings. Psychological Bulletin, 54, 297-312.         [  Links  ]

12. Campbell, D.T. (1969). A phenomenology of the other one: Corrigible, hypothetical and critical. En T Mischel (Ed.), Human Action: conceptual and empirical issues (pp. 41-69). New York: Academic Press.         [  Links  ]

13. Campbell, D. T., & Ross, H. L. (1968). The Connecticut Crackdown on Speeding: Time-Series Data in Quasi-Experimental Analysis. Journal of the Law and Society Association, 3, 33-54.         [  Links  ]

14. Campbell, D. T., & Stanley, J. C. (1963). Experimental and quasi-experimental designs for research on teaching. In N. L. Gage (Ed.), Handbook of research on teaching (pp. 171-246). Chicago: Rand McNally. (Reprinted as Experimental and quasi-experimental designs for research. Chicago: Rand McNally, 1966).         [  Links  ]

15. Castro, G., & Mastropieri, M. (1986). The efficacy of early intervention programs: A meta-analysis. Exceptional Children, 52, 417-424.         [  Links  ]

16. Centre for Reviews and Dissemination, CRD. (2010). Finding studies for systematic reviews: A resource listfor researchers. New York: Umversrty of York. Recuperado de http://www.york.ac.uk/inst/crd/revs.htm (accessed 13 Sep 2012).         [  Links  ]

17. Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Hillsdale, NJ: Lawrence Erlbaum.         [  Links  ]

18. Cohen, J. (1994). The earth is round (p < .05). American Psychologist, 49, 997-1003.         [  Links  ]

19. Cohen, J. (1992). Cosas que he aprendido (hasta ahora). Anales de Psicología, 8, 3-17.         [  Links  ]

20. Cook, T.D. (2000). The false choice between theory-based evaluation and experimentation. New Directions for Evaluation, 87, 27-34.         [  Links  ]

21. Cook, T. D. (2006) Describing what is special about the role of experiments in contemporary educational research: putting the "Gold Standard" rhetoric into perspective. Journal of MultiDisciplinary Evaluation, 3, 1-7.         [  Links  ]

22. Cook, T. D. (2008). "Wartmg for life to amve": A history of the regression-discontinuity design in psychology, statistics and economics. Journal of Econometrics, 1422, 636-54.         [  Links  ]

23. Cook, T. D., & Campbell, D. T. (1976). The design and conduct of quasi-experiments and true experiments in fields settings. En M. Dunnette (Ed.), Handbook of industrial and organizational psychology (pp. 223-326). Chicago: Rand McNally.         [  Links  ]

24. Cook, T. D., & Campbell, D. T. (1979). Quasi-experimentation: Design and analysis issues forfield settings. Chicago: Rand-McNally.         [  Links  ]

25. Cook, T. D., Campbell, D. T., & Peracchio, L. (1990). Quasi-experimentation. En M. D. Dunnette & L. M. Hough (Eds.), Handbook of industrial and organizational psychology (pp. 491-576). Palo Alto, CA: Consulting Psychologists Press.         [  Links  ]

26. Cook, L., Cook, B. G., Landrum T. J., & Tankersley, M. (2008). Examining the role of group experimental research in establishing evidenced-based practices. Intervention in School and Clinic, 44, 76-82.         [  Links  ]

27. Cook, T. D., & Gorard, S. (2007). Where does good evidence come from? International Journal of Research and Method in Education, 30, 307-323.         [  Links  ]

28. Cook, T. D., Scriven, M., Coryn, C. L. S., & Evergreen, S. D. H. (2010). Contemporary thinking about causation in evaluation: A dialogue with Tom Cook and Michael Scriven. American Journal of Evaluation March, 31 , 105-117.         [  Links  ]

29. Cook, B. G., Tankersley, M., & Landrum, T. J. (2009). Determining Evidence-Based Practices in Special Education. Exceptional Children, 75, 365-383.         [  Links  ]

30. Cook, T. D., & Wong, V. C. (2008). Empirical tests of the validity of the regression discontinuity design. Annales d'Economie et de Statistique, 91-92, 127-150.         [  Links  ]

31. Cooper, C.A., McCord, D. M., & Socha, A. (2010). Evaluating the college sophomore problem: The case of personality and politics. The Journal of Psychology: Interdisciplinary and Applied, 145, 23-37.         [  Links  ]

32. Creswell, J. W. (2009). Research design: Qualitative, quantitative, and mixed methods approaches (3rd ed.). Thousand Oaks, CA: Sage.         [  Links  ]

33. Datta, L. E. (2007). What are we, chopped liver? or why it matters if the comparisons are active and what to do. The Evaluation Center, The Evaluation Café. Recuperado de  http://www.wmich.edu/evalctr/wp-content/uploads/2010/05/chopped-liver.pdf .         [  Links  ]

34. Devito, D. A., Song, M. K., Hawkins, R., Aubrecht, J., Kovach, K., Terhorst, L., ... Callan, J. (2011). An Intervention Fidelity Framework for Technology-Based Behavioral Interventions. Nursing research, 60, 340-347.         [  Links  ]

35. Deeks, J. J., Dinnes, J., D'Amico, R., Sowden, A. J., Sakarovitch, C., Song, F., ... Altman, D.G. (2003). Evaluating non-randomised intervention studies. Health Technology Assessment, 7(27), 1-173.         [  Links  ]

36. Des Jarlais, D. C., Lyles, C., Crepaz, N., & TREND Group (2004). Improving the reporting quality of nonrandomized evaluations of behavioral and public health interventions: (2004). The TREND Statement. American Journal of Public Health, 94, 361-366.         [  Links  ]

37. Donaldson, S., & Christie, C. (2005). The 2004 Claremont debate: Lipsey vs. Scriven. Determining causality in program evaluation and applied research: Should experimental evidence be the gold standard? Journal of Multidisciplinary Evaluation, 3, 60-77.         [  Links  ]

38. Dunst, C. J., & Rheingrover, R. (1981) An analysis of the efficacy of early intervention programs with organically handicapped children. Evaluation and Program Planning, 4, 87-323.         [  Links  ]

39. Eastmond, N. (1998). Commentary: when funders want to compromise your design. American Journal of Evaluation, 19, 392-395.         [  Links  ]

40. Farran, D. C. (1990). Effects of intervention with disadvantaged and disabled children: A decade review. En S. J. Meisels & J. P. Shonkoff (Eds.), Handbook of early childhood intervention (pp. 501-539). New York: Cambridge University Press.         [  Links  ]

41. Farran, D. C. (2000). Another decade of intervention for children who are low income or disabled: What do we know now? En J. P. Shonkoff & S. J. Meisels (Eds.), Handbook of early childhood intervention (2nd ed., pp. 510-548). New York: Cambridge University Press.         [  Links  ]

42. Ferguson, L. (2004). External validity, generalizability, and knowledge utilization. Journal of Nursing Scholarship, 36(1), 16-22.         [  Links  ]

43. Frick, R. W. (1995). Accepting the null hypothesis. Memory & Cognition, 23, 132-138.         [  Links  ]

44. Funnell, S. C., & Rogers, P. J. (2011). Purposeful program theory: Effective use of theories of change and logic models (Research Methods for the Social Sciences). San Francisco: John Wiley & Sons.         [  Links  ]

45. Gage, N. L. (Ed.) (1963). Handbook of research on teaching. Chicago: Rand McNally.         [  Links  ]

46. Gersten, R., Baker, S. K., Smith-Johnson, J., Flojo, J. R., & Hagan-Burke, S. (2004). A tale of two decades: Trends in support of federally funded experimental research in special education. Exceptional Children, 70, 323-332.         [  Links  ]

47. Gibbert, M., & Ruigrok, W. (2010). The "What" and "How" of Case Study Rigor: Three Strategies Based on Published Work. Organizational Research Methods, 13, 710-737.         [  Links  ]

48. Glasgow, R. E., & Emmons, K. M. (2007). How can we increase translation of research into practice? Types of evidence needed. Annual Review of Public Health, 28, 413-33.         [  Links  ]

49. Grant, A. M., & Wall, T. D. (2009). The Neglected Science and Art of Quasi-Experimentation Why-to, When-to, and How-to Advice for Organizational Researchers. Organizational Research Methods, 12, 653-686.         [  Links  ]

50. Green, L. W., & Glasgow, R. E. (2006). Evaluating the relevance, generalization, and applicability of research: issues in external validation and translation methodology. Evaluation & the Health Professions, 29(1), 126-53.         [  Links  ]

51. Gupta, S. K. (2011). Intention-to-treat concept: A review. Perspectives in Clinical Research, 2, 109-112.         [  Links  ]

52. Harris, A. D., Bradham, D. D., Baumgarten, M., Zuckerman, I. H., Fink, J. C., & Perencevich, E. N. (2004). The use and interpretation of quasi-experimental studies in infectious diseases. Clinical Infectious Diseases, 38, 1586-91.         [  Links  ]

53. Harris, A. D. Lautenbach, E., & Perencevich, E. (2005). A systematic review of quasi-experimental study designs in the fields of infection control and antibiotic resistance. Clinical Infectious Diseases, 41 , 77-82.         [  Links  ]

54. Harris, A. D. McGregor, J. D., Perencevich, E. N., Furuno, J. P., Zhu, J., Peterson, D. E., & Finkelstein, J. (2006). The Use and Interpretation of Quasi-Experimental Studies in Medical Informatics. Journal of the American Medical Informatics Association, 13, 16-23.         [  Links  ]

55. Highhouse, S. (2009). Designing experiments that generalize. Organizational Research Methods. Organizational Research Methods, 12, 584-566.         [  Links  ]

56. Highhouse, S., & Gillespie, J. Z. (2010). Do samples really matter that much? En C. E. Lance & R. J. Vandenberg (Eds.) Statistical and methodological myths and urban legends (pp. 247-262). New York: Taylor & Francis Group.         [  Links  ]

57. Higgins, J. P. T., & Green, S. (Eds.) (2011). Cochrane Handbook for Systematic Reviews of Interventions Version 5.1.0. The Cochrane Collaboration. Recuperado de http://www.cochrane.es/files/handbookcast/Manual_Cochrane_510.pdf .         [  Links  ]

58. Heisman, D. T., & Shadish, W. R. (1996). Assignment methods in experimentation: When do nonrandomized experiments approximate answers from randomized experiments? Psychological Methods, 1 , 154-169.         [  Links  ]

59. Hsieh, P., Acee, T., Chung, WH., Hsieh, YP., Km, H., Thomas, G.D., ... Robinson, D.H. (2005). Is Educational Intervention Research on the Decline? Journal of Educational Psychology, 97, 523-529.         [  Links  ]

60. Huitema, B. E. (2011).The Analysis of Covariance and Alternatives: Statistical Methods for Experiments, Quasi-Experiments, and Single-Case Studies (2da. Ed.). New York: John Wiley.         [  Links  ]

61. ICH Expert Working Group. (2000). Choice of control group and related issues in clinical trials. ICH Harmonised Tripartite Guideline. Current Step 4. E10. Recuperado de http://www.ich.org/fileadmin/Public_Web_Site/ICH_Products/Guidelines/Efficacy/E10/Step4/E10_Guideline.pdf .         [  Links  ]

62. Jensen, D. D., Fast, A. S., Taylor, B. J., & Maier, M. E. (2008). Automatic Identification of Quasi-Experimental Designs for Discovering Causal Knowledge. 14 th ACM SIGKDD, International Conference on Knowledge and data mining. August 24-27, Las Vegas, NV, USA.         [  Links  ]

63. Johnston, M. V., Ottenbacher, K. J., & Reichardt, C. S. (1995). Strong quasi-experimental designs for research on the effectiveness of rehabilitation. American Journal of Physical Medicine Rehabilitation, 74, 383-92.         [  Links  ]

64. Judd, C.M., y Kenny, D.A. (1981). Estimating the effects of social interventions. Cambridge, England: Cambridge University Press.         [  Links  ]

65. Kenny, D. A. (1979). Correlation and causality. New York: John Wiley.         [  Links  ]

66. Keselman, H. J., Huberty, C.J., Liz, L.M., Olejnik, S., Cribbie, R., Donahue, B., ... Levin, J.R. (1998). Statistical practices of educational researchers: An analysis of their ANOVA, MANOVA and ANCOVA analyses. Review of Educational Research, 68, 350-386.         [  Links  ]

67. Kunstmann, L. N., y Merino, E. J. M. (2008). El experimento natural como un nuevo diseño cuasi-experimental en investigación social y de salud. Ciencia y Enfermería XIV (2), 9-12.         [  Links  ]

68. Kunz, R., & Oxman, A. D. (1998). The unpredictability paradox: review of empirical comparisons of randomised and nonrandomised trials. British Medical Journal, 317, 1185-1190.         [  Links  ]

69. Lesik, S. (2006). Applying the regression-discontinuity design to infer causality with non-random assignment. Review of Higher Education, 30, 1-19.         [  Links  ]

70. Li, L. C., Moja, L., Romero, A., Sayre, E. C., & Grimshaw, J. M. (2009). Nonrandomized quality improvement intervention trials might over-state the strength of causal inference of their findings. Journal of Clinical Epidemiology, 62, 959-66.         [  Links  ]

71. Lipsey, M. W., & Wilson, D. B. (1993). The efficacy of psychological, educational,and behavioral treatment: Confirmation from meta-analysis. American Psychologist, 48, 1181-1209.         [  Links  ]

72. MacLehose, R. R., Reeves, B. C., Harvey, I. M., Sheldon, T. A., Russell, I. T., & Black, A. M. (2000). A systematic review of comparisons of effect sizes derived from randomised and non-randomised studies. Health Technology Assessment, 4, 1-154.         [  Links  ]

73. McCaffery, K. J., Turner, R., Macaskill, P., Walter, S.D., Chan, S. F., & Irwig L. (2011). Determining the impact of informed choice: separating treatment effects from the effects of choice and selection in randomized trials. Medical Decision Making, 31 , 229-236.         [  Links  ]

74. McLeod, B. D., & Islam, N. Y. (2011). Usrng Treatment Integrity Methods to Study the Implementation Process. Clinical Psychology. Science and practice, 18, 36-40.         [  Links  ]

75. McNemar, Q. (1946). Opinion attitude methodology. Psychological Bulletin, 43, 289-374.         [  Links  ]

76. Mara, C., & Cribbie, R. A. (2012). Paired-samples tests of equivalence. Communications in Statistics: Simulation and Computation, 41 , 1928-1943.         [  Links  ]

77. Mara, C., Cribbie, R. A., Flora, D., LaBrish, C., Mills, L., & Fiksenbaum, L. (2012). An improved model for evaluating change in randomized pretest, posttest, follow-up designs. Methodology: European Journal of Research Methods for the Behavioral and Social Sciences, 8, 97-103.         [  Links  ]

78 Marcantonio, R. J., & Cook, T. D. (1994). Convincing quasi-experiments: The interrupted time series and regression-discontinuity designs. En J. S.Wholey, H.P. Hatry, & K.E. Newcomer (Eds.), Handbook of practical program evaluation (pp. 133-154). San Francisco: Jossey-Bass.         [  Links  ]

79. Marcus, S. M., Stuart, E. A., Wang, P., Shadish, W. R., & Steiner, P. M. (2012). Estimating the causal effect of randomization versus treatment preference in a doubly randomized preference trial. Psychological Methods, 17, 244-54.         [  Links  ]

80. Nezu, A. M., & Nezu, C. M. (Eds.) (2008). Evidenced-based outcome research: A practical guide to conducting randomized clinical trials for psychosocial interventions. New York: Oxford Press.         [  Links  ]

81. Orwin, R. G. (1997). Twenty-one years and counting: The interrupted time series design comes of age. En E. Chelimsky & W. R Shadish (Eds.), Evaluation for the 21st century: A handbook (pp.443-465). Thousand Oaks, CA: Sage.         [  Links  ]

82. Paluck, E. L., & Green, D. P. (2009). Prejudice Reduction: What Works? A Review and Assessment of Research and Practice. Annual Review of Psychology, 60, 339-367.         [  Links  ]

83. Perepletchikova, F., Hilt, L. M., Chereji, E., & Kazdin, A. E. (2009). Bamers to implementing treatment integrity procedures: Survey of treatment outcome researchers. Journal of Consulting and Clinical Psychology, 77, 212-218.         [  Links  ]

84. Rausch, J. R., Maxwell, S. E., & Kelley, K. (2003). Analytic Methods for Questions Pertaining to a Randomized Pretest, Posttest, Follow-Up Design. Journal of Clinical Child and Adolescent Psychology, 32, 467-486.         [  Links  ]

85. Reardon, S. F., & Robinson, J. P. (2012). Regression discontinuity designs with multiple rating-score variables. Journal of Research on Educational Effectiveness, 5, 83-104.         [  Links  ]

86. Reichardt, C. S., & Henry, G. T. (2012). Regression-discontinuity designs. En H. Cooper, P. M. Camic, D. L. Long, A. T. Panter, D. Rindskopf & K J. Sher (Eds.), APA handbook of research methods in psychology, Vol 2: Research designs: Quantitative, qualitative, neuropsychological, and biological (pp. 511-526). Washington, DC US: American Psychological Association.         [  Links  ]

87. Rossi, P. H., & Freeman, H. (1985). Evaluation: A systematic approach. Beverly Hills, CA: Sage Publications.         [  Links  ]

88. Ruscio, J., & Roche, B. (2012). Variance heterogeneity in Published Psychological Research: A Review and New Index. Metholology, 8, 1-11.         [  Links  ]

89. Sacks, H. S., Chalmers, T. C., & Smith, H. (1982). Randomized versus historical controls for clinical trials. The American Journal of Medicine, 72, 233-240.         [  Links  ]

90. Sacks, H. S., Chalmers, T. C., & Smith, H. (1983). Sensitivity and specificity of clinical trials: Randomized v historical controls. Archives of Internal Medicine, 143, 753-755.         [  Links  ]

91. Sánchez, J., Valera, A., Velandrino, A. P., y Marín, F. (1992). Un estudio de la potencia estadística en Anales de Psicología. Anales de Psicología, 8, 19-32.         [  Links  ]

92. Scandura, T. A., & Williams E. A. (2000). Research methodology in management: Current practices, trends, and implications for future research. Academy of Management Journal, 43, 1248-1264.         [  Links  ]

93. Scheirer, M. A. (1998). Commentary: Evaluation Planning is The Heart of the Matter. American Journal of Evaluation, 19, 385-391.         [  Links  ]

94. Schochet, P. Z. (2009a). Statistical power for regression discontinuity designs in education evaluations. Journal of Educational and Behavioral Statistics, 34, 238-266.         [  Links  ]

95. Schochet, P. Z. (2009b). An approach for addressing the multiple testing problem in social policy impact evaluations. Evaluation Review, 33, 539-567.         [  Links  ]

96. Schochet, P., Cook, T., Deke, J., Imbens, G., Lockwood, J. R., Porter, J., & Smith, J. (2010). Standards for regression discontinuity designs. Washington DC: U.S. Department of Education, Institute of Education Sciences, What Works Clearinghouse. Recuperado de http://ies.ed.gov/ncee/wwc/pdf/wwc_rd.pdf .         [  Links  ]

97. Schulz, R., Czaja, S. J., McKay, J. R., Ory, M. G., & Belle, S. H. (2010). Intervention Taxonomy (ITAX): Describing Essential Features of Interventions (HMC). American journal of health behavior, 34, 811-821.         [  Links  ]

99. Seethaler, P. M., & Fuchs, L. S. (2005). A drop in the bucket: Randomized controlled trials testing reading and math interventions. Learning Disabilities Research & Practice, 20, 98-102.         [  Links  ]

100. Shadish, W. J., & Cook, D. T. (2009). The renaissance of experiments. Annual Review of Psychology, 60, 607-29.         [  Links  ]

101. Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference. New York: Houghton Mifflin.         [  Links  ]

102. Shadish, W. R., & Heinsman, D. T. (1997). Experiments versus quasi-experiments: Do you get the same answer? En W. J. Bukoski (Ed.), Meta-Analysis of Drug Abuse Prevention Programs (pp. 147-164). Washington DC: Superintendent of Documents.         [  Links  ]

103. Shadish, W. R., Galindo, R., Wong, V. C., Steiner, P. M., & Cook, T. D.(2011). A randomized experiment comparing random to cutoff-based assignment. Psychological Methods, 16, 179-191.         [  Links  ]

104. Shadish, W., & Myers, D. (2004a). Research Design Policy Brief. Recuperado de http://www.campbellcollaboration.org/artman2/uploads/1/C2_Research_Design_Policy_Brief-2.pdf .         [  Links  ]

105. Shadish, W., & Myers, D. (2004b). How to make a Campbell Collaboration Review: The Review. Documento elaborado para Nordic Campbell Center (The DNIHSR). Recuperado de http://www.sfi.dk/graphics/Campbell/Dokumenter/For_Forskere/guide_3_review_samlet20DEC04.pdf .         [  Links  ]

106. Shadish, W. R., & Ragsdale, K. (1996). Randomized versus quasi-experimental designs: A metaanalysis investigating the relationship between random assignment and effect size. Journal of Consulting and Clinical Psychology, 64, 1290-1305.         [  Links  ]

107. Shah, P. B. (2011). Intention-to-treat and per-protocol analysis. Canadian Medial Association Journal, 183, 696.         [  Links  ]

108. Shahar, E., & Shahar, D. J. (2009). On the causal structure of information bias and confounding bias in randomized trials. Journal of Evaluation in Clinical Practice, 15, 1214-1216.         [  Links  ]

109. Shardell, M., Harris, A. D., El-Kamary, S.S., Furuno, J. P., Miller, R. R., & Perencevich, E. N. (2007). Statistical Analysis and Application of Quasi Experiments to Antimicrobial Resistance Intervention Studies. Antimicrobial Resistance, 45, 901-907.         [  Links  ]

110. Snyder, P., Thompson, B., Mclean, M. E., & Smith, B. J. (2002). Examination of Quantitative Methods Used in Early Intervention Research: Linkages With Recommended Practices. Journal of Early Intervention, 25, 137-150.         [  Links  ]

111. Sridharan, A., & Nakaima, A. (2011). Then steps to making evaluation matter. Evaluation and Program Panning, 34, 135-146.         [  Links  ]

112. Steckler, A., & McLeroy, K. R. (2008). The importance of external validity. American Journal of Public Health, 98, 9-10.         [  Links  ]

113. Steiner, P. M., Cook; T. D., Shadish, W. R., & Clark M. H. (2010). The importance of covariate selection in controlling for selection bias in observational studies. Psychological Methods. 15, 250-67.         [  Links  ]

114. Stone, S. P., Cooper, B. S., Kibbler, C. C., Cookson, B. D., Roberts, J. A., Medley, G. F., ... Davey, P. G. (2007). The ORION statement: guidelines for transparent reporting of outbreak reports and intervention studies of nosocomial infection. The Lancet Infectious diseases, 7, 282-288.         [  Links  ]

115. Swaen, G., Teggeler, O., & van Amelsvoort, L. (2001) False positive outcomes and design characteristics in occupational cancer epidemiology studies. International Journal of Epidemiology, 30, 948-954.         [  Links  ]

116. Thomson, H. J., & Thomas, S. (2012). External validity in healthy public policy: application of the RE-AIM tool to the field of housing improvement. BMC Public Health, 12, 633.         [  Links  ]

117. Trochim, W. M. K. (1984). Research Design for Program Evaluation: The Regression- Discontinuity Approach. Beverly Hills: Sage.         [  Links  ]

118. Trochim, W. M. K. (2001). The research methods knowledge base. Cincinnati: Atomic Dog Publishing.         [  Links  ]

119. Valentine, J. C., & Cooper, H. (2003). What Works Clearinghouse Study Design and Implementation Assessment Device (Version 1.0). Washington, DC: U.S. Department of Education. Recuperado de http://www.w-w-c.org/standards.html .         [  Links  ]

120. Valera, A., Sánchez Meca, J., y Marín, F. (2000). Contraste de hipótesis e investigación psicológica española: análisis y propuestas. Psicothema, 12, 549-552.         [  Links  ]

121. Valera, A., Sánchez Meca, J., Marín, F., y Velandrino, A. P. (1998). Potencia estadística de la revista de Psicología General y Aplicada (1990-1992). Revista de Psicología General Aplicada, 51 , 233-246.         [  Links  ]

122. Vallejo, G. (1995). Diseños de series temporales interrumpidas. En M. T. Anguera, J. Arnau, M. Ato, R. Martínez, J. Pascual, J., y G. Vallejo, G. (Eds.), Métodos de investigación en Psicología (Cap. 12). Madrid: Síntesis.         [  Links  ]

123. Venter, A., Maxwell, S. E., & Bolig, E. (2002). Power in randomized group comparisons: The value of adding a single intermediate time point to a traditional pretest-posttest design. Psychological Methods, 7, 194-209.         [  Links  ]

124. Walter, S. D., Turner, R. M., Macaskill, P., McCaffery, K. J., & Irwig, L. (2012). Optimal allocation of participants for the estimation of selection, preference and treatment effects in the two-stage randomised trial design. Statistics in Medicine, 31 , 1307-1322.         [  Links  ]

125. Weisburd, D., Lum, C. M., & Petrosino, A. (2001). Does research design affect study outcomes in criminal justice? Annals of the American Association of Political and Social Science, 578, 50-70.         [  Links  ]

126. West, S. G., Duan, N., Pequegnat, W., Gaist, P., Des Jarlais, D. C., Holtgrave, D., ... Mullen, P. D. (2008). Alternatives to the Randomrzed Controlled Trial. American Journal of Public Health, 98, 1359-1366.         [  Links  ]

127. Whitea, I. R., Carpenterb, J., & Hortonc, N. J. (2012). Including all individuals is not enough: Lessons for intention-to-treat analysis. Clinical Trials, 9, 396-407.         [  Links  ]

128. Wiecko, F. M. (2010). Research Note: Assessing the validity of college samples: Are students really that different? Journal of Criminal Justice, 38, 1196-1190.         [  Links  ]

129. Wilkinson, L., & the Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54, 594-604.         [  Links  ]

Artículo recibido: 22-1-2013 Revisado: 20-5-2013 Aceptado: 22-7-2013

Descubre la investigación no experimental y su metodología

La investigación no experimental es una metodología ampliamente utilizada en el ámbito de las ciencias sociales y humanidades. A diferencia de la investigación experimental, que es la investigación no experimental busca establecer relaciones de causalidad a través de la manipulación de variables, la investigación no experimental se centra en la observación y descripción de fenómenos en su ambiente natural. A través de este enfoque, los investigadores pueden obtener valiosa información sobre diversos aspectos de la realidad sin intervenir de manera directa en ella.

¿Qué es la investigación no experimental?

La investigación no experimental es una metodología de investigación que se basa en la observación y descripción de fenómenos en su ambiente natural, sin la realización de experimentos controlados. A diferencia de la investigación experimental, donde los investigadores manipulan variables para establecer relaciones de causalidad, en la investigación no experimental se busca comprender y analizar los fenómenos tal y como ocurren en la realidad.

Esta metodología se utiliza ampliamente en las ciencias sociales y las humanidades, ya que permite estudiar fenómenos complejos y difíciles de reproducir en un entorno controlado. La investigación no experimental se enfoca en la recopilación de datos a través de la observación, la entrevista, los cuestionarios y el análisis de fuentes documentales. La información recabada se analiza y se interpretan los resultados para obtener conclusiones sobre el fenómeno estudiado.

Existen diferentes tipos de investigaciones no experimentales , siendo los más comunes el diseño transversal y el diseño longitudinal. El diseño transversal implica la recolección de datos en un solo momento en el tiempo, permitiendo obtener una instantánea de la situación estudiada. Este diseño es útil para comprender características o variables presentes en un momento específico.

Por otro lado, el diseño longitudinal implica la recopilación de datos a lo largo de un periodo de tiempo, permitiendo realizar análisis y comparaciones en diferentes momentos. Este diseño proporciona información sobre cómo cambian las variables a lo largo del tiempo y cómo se relacionan entre sí. Ambos diseños son útiles en investigaciones no experimentales , ya que permiten obtener diferentes perspectivas y analizar la evolución de los fenómenos a través del tiempo.

Un ejemplo claro de investigación no experimental es la medición estadística de la opinión pública. En este caso, los investigadores recopilan datos sobre las opiniones y actitudes de una muestra representativa de la población. A través de encuestas o cuestionarios, se obtienen datos que se analizan estadísticamente para identificar patrones y tendencias en la opinión pública sobre un tema específico.

Otro tipo de investigación no experimental son las investigaciones documentales. Estas se basan en la consulta de fuentes bibliográficas, archivos y cualquier otro tipo de material escrito y audiovisual que permita obtener información sobre el fenómeno en estudio. Los investigadores realizan una revisión exhaustiva de la literatura existente para recopilar información relevante y realizar un análisis crítico que ayude a comprender el fenómeno o problema de investigación.

La investigación no experimental es una metodología valiosa que se utiliza en diversas disciplinas para estudiar fenómenos complejos en su ambiente natural. A través de la observación, descripción y análisis de datos recopilados, los investigadores pueden obtener valiosa información que ayuda a comprender y mejorar nuestro conocimiento sobre el mundo que nos rodea.

Tipos de investigaciones no experimentales

Existen varios tipos de investigaciones no experimentales que se utilizan en el ámbito académico y científico . Cada uno de ellos se adapta a diferentes objetivos de investigación y permite abordar distintos fenómenos de estudio. Entre los tipos más comunes se encuentran:

1. Investigación descriptiva: Este tipo de investigación busca describir y caracterizar de manera precisa un fenómeno o situación en particular. Se recopilan datos y se realiza un análisis estadístico o cualitativo para presentar una imagen clara y detallada del fenómeno estudiado. La investigación descriptiva no busca establecer relaciones de causalidad, sino brindar una comprensión profunda de características, comportamientos o condiciones específicas.

2. Investigación correlacional: Este tipo de investigación se centra en identificar y analizar relaciones o asociaciones entre variables. Se busca determinar si existe una relación entre dos o más variables, pero no se buscan establecer relaciones de causalidad. A través del análisis estadístico, se puede determinar la dirección y la intensidad de la relación entre las variables en estudio.

3. Investigación exploratoria: Este tipo de investigación se utiliza cuando se quiere explorar un tema o fenómeno poco conocido o investigado . El objetivo principal es obtener una comprensión inicial y general sobre el fenómeno en cuestión. La investigación exploratoria se basa en la recopilación de datos cualitativos y cuantitativos, y no busca establecer conclusiones definitivas, sino generar nuevas preguntas e hipótesis para investigaciones futuras.

4. Investigación comparativa: La investigación comparativa se enfoca en comparar y contrastar diferentes grupos, situaciones o contextos. Se busca identificar similitudes, diferencias y patrones comunes entre los elementos comparados. Este tipo de investigación puede ayudar a comprender cómo influyen diferentes variables o circunstancias en los resultados y fenómenos estudiados.

5. Investigación longitudinal: La investigación longitudinal consiste en recopilar datos a lo largo del tiempo, con el fin de analizar los cambios y las tendencias de un fenómeno en un periodo determinado. Permite estudiar cómo se desarrolla un fenómeno a lo largo del tiempo y qué factores pueden influir en su evolución. Este tipo de investigación suele requerir un seguimiento a largo plazo de los sujetos o situaciones de estudio.

En resumen , la investigación no experimental abarca una variedad de enfoques y tipos de estudios que se basan en la observación y descripción de fenómenos en su ambiente natural . Cada tipo de investigación no experimental tiene sus propias características y utiliza diferentes técnicas y métodos para obtener y analizar los datos. La elección del tipo de investigación dependerá de los objetivos de estudio y los fenómenos que se deseen investigar.

Ejemplos de investigación no experimental

La investigación no experimental se utiliza en diversas disciplinas y áreas de estudio. A continuación, se presentarán algunos ejemplos de investigaciones no experimentales para ilustrar cómo se aplica esta metodología en la práctica:

1. Medición estadística de la opinión pública: Este ejemplo fue mencionado anteriormente, pero es válido destacarlo nuevamente. La investigación no experimental se utiliza ampliamente para medir y analizar la opinión pública sobre diferentes temas, como política, economía, salud, entre otros. A través de encuestas, cuestionarios o análisis de redes sociales, los investigadores recopilan datos que les permiten obtener una representación estadística de las opiniones y actitudes de una muestra de la población.

2. Investigación documental en historia: La investigación no experimental también se emplea en la investigación histórica. Los historiadores recopilan y analizan documentos, archivos, diarios, cartas y cualquier otro tipo de fuente bibliográfica para estudiar eventos, personajes o períodos históricos. A través de esta investigación, se busca obtener una comprensión más profunda de los acontecimientos pasados y su influencia en el presente.

3. Estudios de caso: Los estudios de caso son una forma común de investigación no experimental . En este enfoque, se selecciona un caso específico o un pequeño grupo de casos y se realiza un estudio detallado para comprender a fondo el fenómeno en cuestión. Estos estudios pueden abordar temas diversos, como el análisis de empresas, instituciones, comunidades o incluso individuos notables.

4. Investigación cualitativa en ciencias sociales: La investigación cualitativa se basa en la recopilación y el análisis de datos no numéricos, como entrevistas, observaciones participantes, análisis de contenido, entre otros. Este enfoque permite obtener una comprensión más profunda de las experiencias, percepciones y significados de los individuos o grupos estudiados. Se utiliza ampliamente en disciplinas como sociología, antropología, psicología y educación.

5. Análisis de políticas públicas: La investigación no experimental también se utiliza para el análisis de políticas públicas. Los investigadores pueden analizar documentos, informes, discursos y otros materiales relevantes para evaluar el impacto de las políticas en diferentes áreas, como educación, salud, medio ambiente, etc. Este enfoque ayuda a comprender la efectividad y la implementación de las políticas y a identificar posibles mejoras.

Estos son solo algunos ejemplos de cómo se aplica la investigación no experimental en diferentes campos. Es importante destacar que la metodología no experimental es versátil y se adapta a diversas áreas de estudio, permitiendo obtener valiosa información sobre los fenómenos que nos rodean.

Métodos utilizados en la investigación no experimental

En la investigación no experimental , se utilizan diferentes métodos y técnicas para la recopilación y el análisis de datos. Estos métodos varían según los objetivos de investigación, la naturaleza del fenómeno estudiado y las disciplinas en las que se aplique. A continuación, se presentarán algunos de los métodos más utilizados en la investigación no experimental:

1. Observación: La observación es un método fundamental en la investigación no experimental. Los investigadores observan y registran los eventos, comportamientos o fenómenos tal y como ocurren en su ambiente natural. Pueden utilizar registros escritos, grabaciones de video o audio, o incluso notas de campo para recopilar datos de observación. Este método permite obtener información detallada y directa sobre el fenómeno en estudio.

2. Entrevistas: Las entrevistas son otro método ampliamente utilizado en la investigación no experimental. Los investigadores realizan entrevistas estructuradas o semiestructuradas con individuos o grupos para obtener información cualitativa sobre sus experiencias, creencias o actitudes respecto al fenómeno de estudio. Las entrevistas permiten una interacción directa con los participantes y ofrecen la oportunidad de profundizar en temas específicos.

3. Cuestionarios y encuestas: Los cuestionarios y encuestas son métodos cuantitativos utilizados para recopilar datos de una muestra más grande de individuos. Los investigadores pueden diseñar cuestionarios con preguntas cerradas, donde los participantes eligen entre opciones predefinidas, o cuestionarios abiertos, donde los participantes pueden expresar sus respuestas de manera más libre. Estos métodos permiten obtener datos cuantificables y calcular estadísticas.

4. Análisis de contenido: El análisis de contenido es un método utilizado para analizar el contenido de documentos, textos, imágenes o cualquier otro tipo de material. Los investigadores identifican categorías o temas y analizan cómo se presentan en el material analizado. Este método se utiliza en investigaciones cualitativas y permite obtener información sobre las características, los patrones y los significados presentes en el contenido analizado.

5. Revisión bibliográfica y documental: La revisión bibliográfica y documental es un método utilizado en investigaciones no experimentales que se basan en fuentes escritas o audiovisuales. Los investigadores revisan la literatura científica, los informes, los archivos y cualquier otro material relevante para obtener información sobre el fenómeno estudiado. Este método permite obtener una visión general y crítica de los conocimientos previos sobre el tema.

6. Análisis estadístico: En aquellos casos en los que se utilizan datos cuantitativos, los investigadores pueden utilizar métodos estadísticos para analizar los datos recopilados. Esto implica el uso de medidas de tendencia central, desviación estándar, correlaciones, pruebas de hipótesis, entre otros. El análisis estadístico permite identificar patrones, relaciones y tendencias en los datos recopilados, y proporciona una base sólida para la interpretación de los resultados.

Publicaciones Similares

¿Qué es la población y sus características comunes?

Características y tipos de gobierno republicano: ejemplos claros

Conocimientos sobre Estado y nación: características clave

¿Qué es la Formación Cívica y Ética y para qué sirve?

Concepto, tipos y causas de migración externa en México

¿Qué es el Método Inductivo? Ejemplos y concepto clave