4.3. Diseños de investigación en el estudio de diferencias individuales

Las estrategias técnico-metodológicas de investigación estarán vinculadas a una serie de técnicas estadístico-analíticas que posibilitarán el logro de los objetivos propuestos. Si bien las hipótesis descriptivas y predictivas han sido las habituales en una PD de corte clásico, cada vez un número mayor de investigaciones parten de hipótesis de carácter explicativo asociadas a modelos teóricos. Según Burgaleta, tres serán las cuestiones a dilucidar:

• Identificar la función que cumplen las variables analizadas al operativizar las hipótesis.

• Identificar las variables extrañas y moduladoras, a fin de establecer los procedimientos adecuados para su control.

• Elegir las técnicas de análisis de datos adecuadas a las hipótesis planteadas.

Técnicas multivariadas en el estudio de las diferencias individuales

Son las herramientas estadísticas que más se utilizan en la P.D.I.

Galton, Spearman, Pearson, Cattell, etc. favorecieron no solo el progreso de la P.D.I. sino también de la estadística.

El concepto multivariado se refiere a las estrategias de investigación y de análisis de datos que operan con muchas variables simultáneamente. Éstas se desarrollaron para cubrir tanto un objetivo descriptivo como inferencial en la estadística.

Estos análisis, se dividen en técnicas o modelos de interdependencia (vinculados al paradigma R-R, de carácter descriptivo y basados en la covariación entre las variables estudiadas) y de dependencia (vinculados al paradigma E-R).

Técnicas de interdependencia: Estudian la covariación entre múltiples variables, y posibilitan describir, clasificar y hallar estructuras latentes (o constructos) de interés en los fenómenos estudiados.

Los datos se reducen a dimensiones para poder extraer una estructura que facilite describir los fenómenos de estudio.

Técnicas de dependencia: Estudian una serie de V.I. para predecir y explicar una o más V.D.

Permiten valorar el grado de relación que hay entre V.D. e independientes.

Mediante estas técnicas se intenta conocer cómo funciona la relación entre variables independientes y dependientes.

A las V.I. se las denomina variables predictoras, ya que son las medidas que se utilizan para realizar la predicción.

Las V.D. reciben el nombre de variables criterio, ya que son las variables empleadas para estudiar si la predicción que se realiza es o no adecuada.

Además de este criterio clasificatorio, se ha considerado el tipo de escala de medida de las diferentes variables estudiadas. En concreto, las variables pueden ser:

1. Métricas (cuantitativas), ya que se puede medir la cantidad o magnitud que en esa variable presenta cada sujeto. Además permite comparar en una escala graduada en unidades iguales la puntuación de cada sujeto con respecto a los demás (altura, peso, etc.).

2. No métricas (cualitativas), aquellas que sólo designan una cualidad o atributo del fenómeno a estudiar pero no permiten una cuantificación. Por ejemplo, se puede identificar a una persona como hombre o mujer, pero no se puede medir el grado en que un hombre es persona.

En resumen, la elección de un análisis multivariante estará condicionado por el modelo seguido (dependencia vs. Interdependencia) por la escala de medida de cada variable (métrica vs. no métrica), por el número de variables y por el objeto de estudio propuesto.

Análisis multivariados: De acuerdo con Arnau (1989), los teóricos del método científico han distinguido tradicionalmente tres tipos de estrategias de investigación: la descriptiva; la correlacional (método selectivo); y la manipulativa.

Manipulabilidad de los diseños

Diseños ex post-facto

El científico no tiene control directo sobre las VI, porque ya acontecieron sus manifestaciones o por ser intrínsecamente no manipulables. Se hacen inferencias sobre las relaciones entre ellas, sin intervención directa, a partir de la variación concomitante de las VI y VD.

Los diseños ex-post-facto se caracterizan porque el investigador: No puede manipular ni modificar la VI, puesto que ya viene dada.

Al no poder realizar la aleatorización de los sujetos a las condiciones experimentales, lleva a cabo una selección de ellos en función de que posean o no determinadas características relacionadas con la VI.

Representan el experimento típico en donde se analizan las interdependencias entre las variables.

No se basa en análisis causales pero si concibe la VD como el constructo descriptivo que debe explicarse, y la VI aquella que tiene valor explicativo, siendo la VI anterior a la VD.

V.I. que se investigan desde esta perspectiva son: sexo, edad, inteligencia, personalidad... Objetos de estudio son por ejemplo, diferencias en introversión en función del sexo.

Se establecen dos tipos de diseños en el estudio de las diferencias individuales, también denominados métodos comparativos:

A. Diseños correlacionales: procedimientos destinados a explorar y estructurar un campo de observación dado, así como al estudio de hipótesis de naturaleza meramente relacional, si bien con grados diversos de complejidad y aproximación a niveles inferenciales de orden explicativo.

Pueden seguir objetivos:

1. Descriptivos: Los “diseños correlacionales de covariación” o descriptivos son de gran utilidad en campos poco estudiados o demasiado complejos para establecer taxonomías o dimensiones básicas. Según los propósitos de la investigación se pueden distinguir los siguientes apartados:

• Análisis de relaciones: siempre que el objetivo básico de la investigación sea conocer las relaciones entre variables de interés, las estrategias adecuadas serán de tipo correlacional. Se empleará × El índice de correlación de Pearson para muestras paramétricas × El índice de correlación de Spearman para muestras no paramétricas.

• Análisis de estructuras: se refiere a la posibilidad de encontrar las estructuras subyacentes que puedan inferirse de la realidad observada y de reducir un cúmulo de variables a un número restringido y parsimonioso de agrupaciones significativas de carácter conceptual (hipotéticas). El análisis de estructuras posibilita ordenar, agrupar y clasificar la realidad observada mediante la extracción de los aspectos comunes que subyacen a las relaciones entre las diferentes variables estudiadas.

Para lograr este objetivo se recurre a técnicas multivariadas de interdependencia, entre estas técnicas destaca el análisis factorial que además de estudiar y obtener las intercorrelaciones entre una serie de variables observadas, obtiene “la estructura que subyace a las relaciones entre dichas variables” o las dimensiones que resumen las relaciones de interdependencia entre las variables observadas.

El análisis factorial clásico es conocido como “análisis factorial exploratorio”. Es una técnica que estudia las interrelaciones entre un elevado número de variables observadas (también denominadas manifiestas, iniciales o patentes). Su objetivo es extraer la información que se oculta en estas variables, obteniendo un conjunto más pequeño de variables latentes denominadas factores.

Mientras el análisis factorial exploratorio es muy útil en la elaboración de hipótesis relativas a la organización del mundo que se observa (fase inductiva del proceso de investigación), el análisis factorial confirmatorio (fase deductiva) pretende abordar la evaluación y el correcto ajuste de modelos teóricos elaborados previamente a los resultados obtenidos.

El inventor del análisis factorial fue Spearman, que utilizó el método de las diferencias tetrádicas para estudiar la estructura de la inteligencia.

Para realizar un análisis factorial es preciso seguir las siguientes fases:

• Seleccionar las variables a factorizar según el objeto de estudio. Las variables deben ser cuantitativas continuas.

• Calcular la matriz de correlaciones entre variables. Esta matriz muestra las correlaciones existentes entre todas las variables iniciales.

• Extraer la matriz factorial básica. De esta forma se obtienen las dimensiones iniciales que explican la mayor parte de la variabilidad común entre las variables iniciales.

• Rotar la solución factorial siguiendo unos criterios determinados, facilitando la interpretación de las relaciones entre las variables. Existen dos tipos de rotación diferenciados: oblicua y ortogonal Interpretar conceptualmente la matriz factorial rotada.

Las principales controversias en torno a este análisis son las siguientes:

• La interpretación de la solución factorial obtenida, que presenta un cierto grado de subjetividad.

• El tipo de rotación factorial utilizado. Desde un punto de vista matemático es mejor la ortogonal, porque entiende que los factores representan dimensiones independientes entre sí y la solución es más fácilmente interpretable. Cuando los datos están relacionados es mejor utilizar la oblicua.

Debate de Spearman y Thurstone: Thurstone propuso rotar las soluciones factoriales hasta hallar la solución que ofreciera una estructura simple, es decir, la más sencilla y fácil de interpretar.

Spearman y Thurstone emplearon la misma técnica, el análisis factorial pero diferente tipo de rotación:

• Spearman encontró un solo factor general de capacidad mental y diversos componentes específicos residuales.

• Thurstone postuló la existencia de 7 factores primarios independientes relacionados con las capacidades mentales.

Tal disparidad ha sido superada con los procedimientos de análisis factorial modernos y por una aproximación de posturas entre los psicólogos diferencialistas que señalan que la organización de la inteligencia, al igual que la personalidad, es jerárquica.

En la base de la jerarquía se situarían los test que evalúan diferentes capacidades específicas.

A partir de la correlación de estos test se obtienen los factores primarios (la capacidad verbal, espacial, etc.). Estos factores presentan “varianza común” puesto que también están correlacionados entre sí, de tal forma que, tras factorizarlos nuevamente se encuentran una serie de factores secundarios, que son dimensiones más abstractas, como la inteligencia fluida, la inteligencia cristalizada.

Si se factorizan nuevamente estos factores secundarios se puede obtener un factor de inteligencia general “g”

Jerarquización de la personalidad:

• En el primer nivel de la jerarquía se encuentran las conductas específicas de cada sujeto.

• Al correlacionar dichas respuestas se encuentran diferentes hábitos (o conductas habituales).

• Al factorizarlos nuevamente se agrupan en rasgos primarios que presentan un nivel mayor de generalidad que los niveles anteriores.

• En la cúspide de la jerarquía, tras factorizar de nuevo los rasgos primarios, hallaríamos los rasgos de personalidad más generales, también denominados tipos.

2. Predictivos: cuando el conocimiento de las variables que se van a estudiar permite establecer una división entre variables predictoras (VI) y variables criterio (VD), técnicas como el análisis de regresión (simple o múltiple), el análisis discriminante o la correlación canónica permiten estimar la potencia predictiva del modelo previo elaborado.

La elección de un tipo de análisis u otro estará en función de la naturaleza de las variables (métrica o no métrica) y del no de variables predictivas y criterio.

En este sentido, los modelos de regresión permiten estimar, a partir del análisis de las relaciones entre los datos recogidos, los valores o magnitudes de cambio.

El análisis de regresión simple permite predecir un criterio (VD) a partir del control estadístico (que no manipulativo) de una variable predictiva (VI), ya que ésta no se puede manipular experimentalmente.

Los procedimientos de regresión múltiple posibilitan una estimación del “potencial predictivo de una variable” manteniendo un control estadístico sobre otras variables intervinientes. Es decir, el análisis de regresión múltiple permite predecir un criterio a partir de dos o más variables predictivas.

3. Explicativos: La metodología correlacional ha sido poco utilizada para comprobar hipótesis explicativas.

Los diseños correlacionales causales (o explicativos) emplean diversos procedimientos que permiten establecer ciertas inferencias causales.

Según Hair existen cuatro criterios para realizar afirmaciones causales:

• Asociaciones suficientes entre dos variables.

• Antecedentes temporales de la causa frente al efecto.

• Falta de alternativas a las variables causales.

• Una base teórica para la relación.

Su uso es cada vez más frecuente en las ciencias sociales.

Las principales ventajas para la PD:

• Permiten trabajar con variables latentes a los indicadores externos con los que se trabaja

• Concluir acerca del ajuste de los datos desde un modelo estadístico a un modelo teórico postulado a priori.

Apodaka y Páez recomiendan el uso de este tipo de técnicas sólo cuando el conocimiento previo del fenómeno a estudiar sea lo suficientemente exhaustivo, y se encuentre en una fase de maduraz adecuada para la toma de decisiones acerca del mismo. Los resultados obtenidos deben tomarse con cautela.

B. Diseños propiamente comparativos: Son planes experimentales que, a diferencia de los anteriores, no están fundamentados en la estimación de covariaciones sino en el análisis comparativo de valores medios. Se estudia si existen diferencias estadísticas significativas al comparar las puntuaciones medias que obtienen diferentes grupos en la VD de interés. A diferencia de los experimentos, en estos diseños no se pueden manipular las VI para observar los cambios producidos en la VD y tampoco se pueden formar los grupos mediante una aleatorización de los sujetos.

Diseños cuasiexperimentales

Aquellos estudios en los que, no puede establecerse una aleatorización de los sujetos, pero sí pueden manipularse, de forma sistemática, las condiciones o tratamientos a los estos sujetos experimentales son expuestos. Son considerados como el puente entre la experimental y la correlacional.

En el estudio de las D.I., representan una vía de análisis que hace más factible el contraste de hipótesis relativas a los procesos subyacentes y al valor funcional de las variables personales a través del estudio de la interacción con el contexto o, de forma más específica, mediante aquellas manipulaciones experimentales diseñadas al efecto.

Temporalidad de los diseños

La temporalidad de los diseños (o estrategias) de investigación son los momentos temporales de recogida de los datos.

Hay dos tipos de diseños temporales o evolutivos: transversales y longitudinales. Tienen como objeto de estudio los cambios vinculados a la edad cronológica (VI) en la VD estudiada.

La edad cronológica es una variable de selección, no manipulable experimentalmente (con lo que los estudios en los que está implicada la variable “edad” no son de naturaleza experimental”, pero proporciona un mayor juego metodológico que el resto de variables de selección, porque además de permitir realizar comparaciones intergrupales en función de la edad, posibilita estudiar el cambio que se produce a lo largo del tiempo.

La variable edad no se puede manipular, pero si es posible esperar a su variación (el adolescente de 13 años, se puede esperar a que cumpla 15). En cambio el resto de variables de selección no varían ni experimental ni evolutivamente (la persona que nació en Valencia, no podrá variar nunca su lugar de nacimiento).

La edad no es la causante del cambio sino los procesos evolutivos que actúan en función de la edad, tales como la maduración, el aprendizaje y la interacción entre ambos.

El diseño transversal

El diseño transversal recoge los datos de manera sincrónica, se estudia en un “mismo momento temporal” una V.D. determinada en diferentes grupos de sujetos seleccionados según la edad cronológica.

El objeto de este diseño es estudiar las diferencias entre edades, y por tanto, se emplea un diseño intersujeto o de medidas independientes.

Son utilizados por la mayor economía, facilidad, rapidez, tanto de aplicación como de obtención de datos. También muestran una tasa baja de abandonos y permiten controlar los efectos históricos, ya que los sujetos comparten las mismas influencias históricas.

Las variantes destinadas al análisis de las diferencias intergrupales son:

• Los diseños transculturales.

• Los diseños transnacionales (referentes a estudios comparativos entre distintas culturas y naciones).

• Los diseños transeccionales que corresponden a secciones o segmentos de una misma población.

Las principales limitaciones de estos diseños son las siguientes:

• El efecto de cohorte: es inevitable, al comparar generaciones, existen influencias propias de cada generación.

• No se sabe hacia dónde se puede dirigir el cambio de cada generación, o de cada individuo particular, ya que se evalúa en un único momento.

• Dificultad para establecer con propiedad relaciones causales: ya que la variable edad no se puede manipular experimentalmente. Pero existen procedimientos de “control estadístico” para contrarrestar los efectos.

En cada generación evaluada se incluyen sujetos de la misma edad cronológica, pero con diferentes niveles de maduración como:

• La edad mental (desarrollo intelectual alcanzado por el sujeto).

• Edad biológica (proceso de cambio del organismo vinculado a la supervivencia).

• Edad social (cambios de adaptación del individuo provocados por el efecto de fenómenos relacionados con el rol social).

El diseño longitudinal

Obtiene los datos de manera diacrónica, se estudia en “distintos momentos temporales” el cambio que se produce vinculado a la edad en la V.D. de interés.

Ya que el objeto de interés de esta metodología es estudiar el cambio a lo largo del tiempo de los mismos sujetos o grupos, se emplea un diseño intrasujeto o de medidas repetidas.

Estos diseños son muy necesarios y útiles, porque además de estudiar el desarrollo de un sujeto a lo largo del tiempo, controlan el “efecto de cohorte”, por eso también se les llama “diseños intracohorte”. (ya que por ejemplo, los sujetos nacidos en 1980 son más homogéneos entre sí al compartir un mismo contexto histórico, descartándose la influencia del efecto de cohorte) De todas formas no se resuelve del todo el problema de la espuriedad, es decir, no se asegura que la relación encontrada entre la V.D. e independiente se deba a la influencia causal de una tercera variable, de tal forma que si ésta se neutralizara desaparecería la relación observada.

En suma, el diseño longitudinal simple (o secuencial) permite estimar directamente los efectos ocasionados por la edad. Sus limitaciones son las siguientes:

• Efectos históricos o efectos del aprendizaje. Se puede confundir el efecto de la edad con el efecto asociado al momento en que se realizó la prueba.

• Mayores costes de realización y organización que los diseños transversales.

• Elevada tasa de abandonos o “mortandad experimental” debido a cambios de domicilio, enfermedad...

• Ausencia de equivalencia en los instrumentos de evaluación empleados para edades diferentes.

• Ceñirse al estudio de una sola generación, limita la investigación a un análisis de los efectos propios de una sola generación.

Los investigadores motivados por estas limitaciones han sugerido algunas modificaciones:

    Diseño Longitudinal transverso: combina ambos diseños mediante un seguimiento longitudinal de varios grupos generacionales y análisis de cortes transversales entre los mismos. Así podríamos observar cuáles son los efectos propios de la edad y cuáles son producto de la generación de pertenencia.

    Diseño longitudinal de poblaciones: tomando una(s) población(es) como referencia, se analizan distintas muestras en períodos de interés determinados. Este diseño permite estimar cómo afectan los cambios sociales-culturales a la población.