Metodo de grupo psicologia

Vista previa del material en texto

ESTUDIOS DESCRIPTIVOS MEDIANTE ENCUESTAS
Procedimiento general de una encuesta:
1) Población y unidad muestral: La población es el conjunto del que se quiere saber su opinión. La unidad muestral se refiere a quien va a contestar, cada individuo, es el elemento base de la encuesta.
2) Selección y tamaño de la muestra: Deben ser representativos, y se deben localizar los datos que ayudarán a seleccionar las unidades muestrales.
3) Material para realizar la encuesta (instrumento, confiabilidad de las medidas, estudio piloto): Lo más importante es la preparación del cuestionario, el conjunto de preguntas. Se debe diferenciar encuesta (conjunto de todas las acciones de investigación) y cuestionario (únicamente las preguntas).
4) Organización del trabajo de campo: La forma más sencilla es contratar una empresa que se encargue de esta labor. Si no, debe seleccionar entrevistadores y entrenarlos según el cuestionario.
5) Tratamiento estadístico: Previo al análisis numérico, las respuestas deben ser codificadas de forma que cada contestación verbal quede registrada con un código. De esta forma, los resultados de cada individuo pueden ser fácilmente introducidos en un ordenador para un posterior análisis, que debe adaptarse a nuestros objetivos.
6) Discusión de los resultados: Es importante saber que la metodología de la encuesta sólo permite establecer la covariación entre variables y esta, podrá ser única pista de la existencia de una posible relación causa-efecto.
Selección y tamaño de la muestra:
Existe un concepto básico de representatividad, que hace referencia a permitirnos estudiar una población utilizando un subconjunto relativamente pequeño de sus elementos.
· Representación y sesgo: Población es un conjunto de elementos que comparten las mismas características. Muestra es un subconjunto de esa población. Una muestra representativa es un subconjunto que tiene las mismas características generales que la población. Debe cumplirse este criterio porque los datos que obtengamos deseamos generalizarlos a la población. La falta de representatividad anula por completo la generalización ya que sino se hablaría de sesgo.
· Tamaño: Se necesita tener un cierto tamaño para que quede libre de errores que puedan ocurrir por azar y anulan su capacidad de representación. La determinación de la muestra depende de:
a) tamaño de la población: va a determinar la variabilidad de las variables.
b) estadístico que se esté midiendo
c) variabilidad de la medida
d) márgenes de error en las predicciones
e) nivel de seguridad que se desea tener
Muestreo probabilístico:
· Muestreo aleatorio simple: Asegura que cada elemento de la población tenga la misma posibilidad de ser incluido en la muestra. Se pueden utilizar ordenadores o
calculadoras que ayuden a asignar un número a los individuos y posteriormente extraer los números con igual probabilidad.
· Muestreo aleatorio estratificado: A cada uno de los grupos cuya representación se quiere asegurar en la muestra, se lo conoce como estrato. Se observa el número de individuos en cada estrato, se determina la proporción de cada uno, se fija el número de cada uno de los estratos, denominado afijación. Existe el proporcional (se mantiene la misma proporción en cada estrato), simple (todos los estratos tienen el mismo número de unidades), u óptimo (la representación de los estratos es ponderada por su varianza en la variable).
· Muestreo por conglomerados: Cuando las poblaciones son grandes, se muestran conglomerados de individuos. (ejemplo, municipios).
· Muestreo por conglomerados y etapas (polietápico): En una investigación con población grande determinar un solo nivel de conglomerados no es suficiente. Es por eso que en el caso de un municipio (ejemplo anterior), se divide en zonas geográficas, en calles, manzanas, etc. Ese proceso es conocido como ruta aleatoria. Las características de la población, del muestreo, los márgenes de error y la fecha, aparecen en la ficha técnica.
Muestreo no probabilístico:
· Muestras accidentales: Ejemplo, el de la radio. acceden a la encuesta únicamente quienes escuchan ese programa, tienen internet y dispositivos. Se trata de una muestra sesgada. Es económico.
· Muestreo a propósito, por conveniencia o intencionales: Son expertos quienes hacen una selección a propósito cumpliendo el objetivo de que los integrantes de la muestra cumplan algún requisito. Se deben controlar la adecuación a los fines de la investigación y el grado de experiencia de los expertos.
· Muestreo por cuotas: Igual característica que los anteriores. Se hace con intencionalidad y accesibilidad. no se puede generalizar a la población. Se completa cuota por cuota, hasta obtener lo necesario para realizar la encuesta.
Material para realizar la encuesta:
1) Una vez establecidos los contextos teóricos, se debe establecer objetivos, hipótesis, variables a observar para proceder a la redacción de las preguntas
2) Se debe tener en cuenta el medio a través del cual se va a realizar la encuesta ya que ello condiciona la extensión,grado de autoexplicación y profundidad de las preguntas.
3) Se desarrolla la redacción de las preguntas, se dispone de dos aspectos:
· Organización:
a) Cuestionario: en la mayoría de los casos, cada pregunta sólo puede ser respondida mediante las opciones que aparecen fijadas, son preguntas cerradas. Estas preguntas son pre-codificadas. Puede ser respondido sin la presencia del entrevistador, en este caso deben existir explicaciones que orienten a la forma de contestar.
b) Entrevistas estructuradas: Suponen la presencia de un entrevistador, se denominan así porque el conjunto de preguntas está previamente determinado y las cuestiones pueden ser tanto abiertas como cerradas.
c) Entrevistas no estructuradas: Se utilizan en las fases previas a la elaboración de la encuesta ya que las preguntas no están previamente determinadas. El papel del entrevistador es crucial.
· Elaboración: Antes de llevar a cabo el estudio piloto, se puede hacer una revisión de nuestro conjunto de preguntas.
a) Para elaborar un buen conjunto de preguntas:
-Respecto al contenido: ¿es necesaria la pregunta? ¿es concreta y sencilla?
-Respecto al lenguaje: ¿entenderán todos los encuestados el lenguaje? ¿hay algún sesgo en la redacción?
-Respecto a la ubicación de la pregunta en la secuencia: ¿está bien colocada dentro del tema?
b) Para lograr una buena presentación:
-Que sea y parezca corto: no exceder en número de preguntas ni ser redundante.
-Que sea y parezca fácil: presentarlas de más fácil a más difícil. evitar la jerga especializada.
-Que parezca atractivo: motivar a las personas a responder la encuesta. colores, agradabilidad, comentar la importancia de responder.
c) Para lograr buenos índices de respuesta:
-Facilitar la devolución de la encuesta: lo más económico es mandar un sobre con el franqueo pagado y la dirección puesta.
-Enviar carta de cobertura: aprovechar para hacer todas las consideraciones antes mencionadas en cuanto a la colaboración del encuestado y el interés de la investigación.
-Llevar a cabo un seguimiento sistemático: volver a mandar el cuestionario a todos los miembros de su muestra que no han contestado después de un tiempo prudente de espera. El investigador debe evaluar si merece la pena realizar uno o más seguimientos.
Medio utilizado para encuestar:
· Entrevista personal: El encuestador llega hasta el individuo. lee las preguntas y anota las respuestas.
-Ventajas: el entrevistador puede aclarar cuestiones, se evita que se produzcan consultas a otras personas, se consiguen mayores porcentajes de respuesta.
-Desventajas: esfuerzo personal, se debe formar a los entrevistadores, se les debe entrenar. supone un gran costo económico, los encuestadores pueden dejarse llevar por la deseabilidad social o la vergüenza.
· Correo: el cuestionario debe estar redactado de forma que las preguntas estén expresadas con un grado de complejidad tal que sean entendidas perfectamente por la muestra.
-Ventajas: es la forma más barata y cómoda, el que contesta lo hace deforma relajada y sincera, puede ser contestado en cualquier momento y lugar.
-Desventajas: las preguntas tienen que estar perfectamente redactadas, se puede presentar el sesgo de respuesta (no hay control entonces el entrevistado
puede leer todo el cuestionario y establecer su propio orden). la cantidad de personas que no responden a las encuestas.
· Teléfono: intervención de un entrevistador, las preguntas deben ser cortas y claras, las opciones deben ser pocas y breves.
-Ventajas: muy utilizado debido a la extensión, la rapidez y bajo costo. Se puede utilizar ordenadores que muestran, marcan el número y permiten la recogida de datos de otros medios.
-Desventajas: sesgan a la población que no tiene, limitan la extensión de preguntas.
· On line
Discusión de los resultados: La discusión de los datos obtenidos con encuestas está limitada a la existencia de relaciones. No se pueden establecer causas, se puede hablar de diferencias pero no de influencias.
La facilidad de obtener información de las personas preguntándoles, simplemente, tiene su lado negativo. Es difícil comprobar el grado de sinceridad de las respuestas. Es por eso que es difícil realizar un estudio de validación en cada encuesta, por lo que algunos investigadores optan por aceptar que los resultados son válidos mientras no se tengan datos adicionales que permitan ponerlos en duda. Una forma de tratar de corregir el efecto de la deseabilidad social es alertar al encuestado sobre esta tendencia y rogarle máxima sinceridad en las cuestiones más susceptibles.
Diseños de investigación con encuestas: refiere a la planificación general de la investigación.
· Diseño transversal: Se trata de describir a la población en un momento dado. Se planea, como mínimo, establecer diferencias entre los grupos que componen la población y relaciones entre variables más importantes. (ejemplo, encuestas epidemiológicas). Responde a los objetivo de investigación a partir de la descripción de la población.
· Diseño longitudinal: El investigador tiene interés en observar el cambio en una población, su plan debe ser tomar varias medidas a lo largo de un periodo de tiempo.
-Muestreos sucesivos con grupos de participantes distintos: pensar en sucesivos estudios transversales. Es necesario controlar al máximo todas las variables que puedan tener incidencia en el objeto de estudio. Cuando se pretende atribuir un cambio al efecto de una sola variable, es arriesgado hacerlo en términos de causalidad porque difícilmente tenemos control de otras circunstancias que han variado simultáneamente.
-Diseños de panel: son exactamente los mismos participantes los que se entrevistaron más de una vez. Se puede determinar quienes son los que han cambiado y quienes no. Se utilizan muestras que no tienen ni el tamaño ni el poder de representación de un estudio transversal. A la ausencia de los participantes de anteriores registros se la conoce como mortandad estadística. Tiene una dificultad inherente: los encuestados son alterados por la primera encuesta (reactividad) y se pueden mostrar más sensibles a los temas sobre los que se ha preguntado durante el periodo de tiempo.
-Diseños de cohorte: estudia el cambio producido en grupos grandes de personas que tienen alguna característica común muy notoria, como la edad. Se
estudia el cambio de la cohorte entera a lo largo del tiempo y en relación con otras cohortes. (ejemplo, generaciones o estudios epidemiológicos). ejemplo: generación pandémica.87
Análisis de datos:
· Medidas: pueden tener muy distintos niveles de complejidad, dependiendo de los intereses del investigador y la naturaleza de los datos.
a) Básico: se calculan índices de tendencia central asociados a cada una de las preguntas del cuestionario. (media, mediana, porcentaje)
b) Tablas de contingencia: cuando se combina la información de dos o más variables en una sola tabla. La información se puede discutir de una manera simple (comentando los resultados, en forma de porcentajes) o calculando estadísticos para medir el grado de relación entre variables o diferencias entre grupos.
c) Modelos: Dependiendo de la naturaleza de los datos y del soporte teórico de la investigación, se pueden establecer desde sencillos modelos de regresión lineal hasta complejos modelos de ecuaciones estructurales.
· Organización de datos: se prepara una matriz de resultados, donde la primera columna aparece un número que identifica a cada uno de los individuos y en el resto de las columnas las respuestas a cada una de las preguntas, utilizando los códigos numéricos previamente establecidos.
DISEÑOS EX POST FACTO
En diversas circunstancias, lo que se encuentra el investigador, lo que ya ha ocurrido, es todo el proceso causal, es decir, han ocurrido las causas (variables independientes) y su consecuencia (variable dependiente). En ese caso sólo puede tratar de reconstruir los hechos. Sin embargo, hay otras situaciones en las que la expresión «ex post facto» se aplica sólo a las variables independientes. Siendo así, el investigador no necesita mirar hacia atrás para reconstruir los hechos, sino que puede mirar hacia adelante. Cuando se trabaja en el primer tipo de situación —todo ha ocurrido antes de que llegue el investigador— hablamos de diseños «ex post facto» retrospectivos. Cuando trabajamos en el segundo tipo de esquema —las causas están en marcha, pero todavía no ha habido desenlace— hablamos de diseños «ex post facto» prospectivos.
Diseños ex post facto retrospectivos: Donde el investigador sólo puede tratar de reconstruir los hechos. Una forma de resumir sería señalando que primero medimos la variable dependiente y, después, buscamos hacia atrás posibles explicaciones de la misma, es decir, medimos las posibles variables independientes, La presencia de una covariación sistemática entre los dos tipos de variables será la clave que nos permitirá avanzar en nuestro conocimiento.
Primero se mide la variable dependiente y luego se buscan hacia atrás, posibles explicaciones (la variable independiente).
· Diseño retrospectivo simple: La variable dependiente es la primera en ser medida, no va a variar. Lo que se puede hacer, es buscar poner de manifiesto las coincidencias con otras variables. Solo se puede tratar de reconstruir lo acontecido.
¿Cómo se eligen las variables candidatas a ser explicaciones de la variable dependiente? La selección de dichas variables se hace en función de los postulados teóricos existentes dentro del campo de estudio o, en el caso de que éstos no estén muy desarrollados, en función de las intuiciones del investigador.
En este diseño, tenemos x situación tal de investigación que sólo podemos tratar de reconstruir lo acontecido. Además contamos únicamente con observaciones relativas a un valor de la variable dependiente. Esto hace que nuestra seguridad a la hora de establecer covariaciones esté limitada. Sólo podemos observar coincidencias.
Añadido a todo lo anterior tenemos dos problemas. Por un lado el diseño es muy débil para poder descartar explicaciones alternativas y, al mismo tiempo, la elección de las variables independientes de forma retrospectiva aumenta la posibilidad de aparición de sesgos por parte del investigador.
· Diseño retrospectivo con grupo de cuasi control: Se empieza, como primer paso en el diseño retrospectivo simple, localizando un grupo de personas que poseen el mismo valor en la variable que queremos investigar, es decir, en nuestra variable dependiente. A este grupo le vamos a llamar grupo clave (grupo de sujetos en los que ha ocurrido el fenómeno que nos interesa investigar). El segundo paso, será localizar a un segundo grupo de personas que no posean ese valor en la variable dependiente. Además de este requisito, el investigador tiene que conseguir que este segundo grupo sea lo más parecido posible al anterior en todas aquellas variables que le interesa controlar, esto es, en aquellas variables que pudiendo estar relacionadas con el fenómeno bajo estudio, no son objeto de la investigación. Debido a su función en el diseño, a este segundogrupo le denominaremos grupo cuasi control. Una vez establecidos los dos grupos se miden las potenciales variables independientes para, finalmente, estudiar las covariaciones entre éstas y la variable dependiente.
En este diseño, la variable dependiente si varía, por lo que lo que antes era una coincidencia, ahora es una covariacion nula. Desde el punto de vista de la validez interna, esta estrategia supone una mejora en cuanto que permite estudiar la covariación y constriñe la posibilidad de sesgar la búsqueda de variables independientes, pero continúa suponiendo un alto riesgo para el investigador. Es decir, se puede sospechar que la covariación entre las variables sea causada por una variable enmascarada, o que la variable que postulamos como causa potencial sea necesaria pero no suficiente para producir las variaciones observadas en la variable dependiente.
· Diseño retrospectivo de grupo único: Así como las diferencias se analizan a partir de comparaciones entre las medias, las covariaciones se analizan a partir de las correlaciones. En los diseños «ex post facto» retrospectivos tanto los valores de la variable dependiente como los de las potenciales variables independientes vienen ya dados. El investigador elige los sujetos en función de la variable dependiente. Eso le garantiza la ocurrencia del fenómeno que quiere observar. Sin embargo, no sabe qué valores de las potenciales variables independientes van a aparecer en su muestra. ¿Cómo puede conseguir que ocurra lo mismo con los valores de la variable independiente? Aumentando lo más posible el tamaño y representatividad de la
muestra. Pero fíjese que ya no estamos hablando de grupos sino de lograr que todos los posibles valores de las variables implicadas estén bien representados en un grupo único con el que vamos a trabajar. En el diseño que nos ocupa podemos hacer dos cosas para promover y lograr realizar una generalización: garantizar una adecuada representación de sus valores dentro de nuestra muestra y calcular su relación con la dependiente.
En resumen, presentamos un diseño en el que se miden la variable dependiente y las potenciales variables independientes en un único grupo procurando que éste sea lo más representativo posible de la población bajo estudio, lo cual llevará necesariamente a que tenga un tamaño muy superior a los que habitualmente se utilizan en los contextos experimentales y cuasi experimentales. Nunca medimos antes la variable independiente que la dependiente. Lo más que podemos hacer es medirlas al mismo tiempo. Al no poder medir la variable independiente antes que la dependiente, y, por tanto, no poder garantizar la antecesión de una con respecto a la otra, aparecen serias dudas sobre la validez interna de la investigación. La variable dependiente toma más de un único valor.
· Estudios historiográficos bibliométricos: Ponen a prueba relaciones entre variables en una situación ya pasada, pero en los que las unidades de análisis no son personas sino objetos (habitualmente documentos).
Diseños ex post facto prospectivos: El cambio fundamental es que se invierte el orden en la búsqueda de información. Es decir, ahora empezaremos buscando personas que se parezcan entre sí por poseer determinados valores de la variable independiente cuya posible influencia queremos investigar. Después, estudiaremos a esas personas en cuanto a su comportamiento en relación al aspecto de nuestro interés, esto es, la variable dependiente que estamos analizando. Se buscan personas que se parezcan entre sí por poseer determinados valores de la variable independiente, cuya posible influencia se quiere estudiar. Se estudian esas personas en cuanto a su comportamiento con relación a la/s variables dependientes.
· Diseño prospectivo simple: Primero hemos formado los grupos según la variable independiente y después hemos recogido información sobre la variable dependiente. Los investigadores no hemos manipulado la variable independiente sino que hemos seleccionado sujetos en función de sus características relativas a dicha variable. Cuando las características que se seleccionan vienen dadas en la naturaleza del individuo, se habla de grupos naturales. La primera modalidad de esa estrategia consiste en estudiar una única variable independiente mediante comparación de grupos.
El cambio de estrategia conlleva dos ventajas. Por un lado, desaparece el posible sesgo retrospectivo en la búsqueda de la variable independiente, ya que ésta se acota desde el principio. Por otro lado, a diferencia de los diseños retrospectivos, la estrategia prospectiva garantiza la antecesión de la variable independiente sobre la dependiente, al medir aquélla antes que ésta. Se puede tener en cuenta otra ventaja. Cuando las circunstancias lo permiten, el diseño prospectivo simple es fácilmente acoplable dentro de un diseño factorial en un contexto experimental.
A su vez, ciertos problemas perduran en este diseño. El primero de ellos tiene que ver con la validez externa. Cuando los grupos son pequeños y no se cuida su representatividad, el investigador ve seriamente limitada su capacidad para
generalizar fuera de su muestra. El segundo inconveniente lo constituye la alta probabilidad de que se dé un sesgo de selección.
· Diseño prospectivo factorial: Se estudia el influjo de dos o más variables independientes sobre una dependiente. Para llevarlo a cabo se procede del siguiente modo. En primer lugar seleccionamos los grupos de participantes. Tales grupos deberán tener las características que resulten de la combinación de todos los niveles de todas las variables independientes. Después medimos la variable dependiente.
Cuantas más variables controlemos o estudiemos en el diseño más disminuimos la posibilidad de que aparezca la mencionada amenaza de validez interna.
Desgraciadamente, añadir muchas más variables para su estudio no es fácil tarea para el investigador. No nos referimos a que esta estrategia conlleva más trabajo, sino a que la naturaleza de este tipo de variables —variables «ex post facto», no manipulables— puede llegar a impedir su realización.
La interpretación correcta de las posibles interacciones se complica tremendamente. No se recomienda llevar a cabo diseños prospectivos factoriales con más de dos variables independientes.
· Diseño prospectivo de grupo único: En este tipo de diseño lo que vamos hacer es medir a muchos sujetos de tal forma que todos los valores posibles de las variables independientes estén bien representados en la muestra. Después analizaremos las correlaciones de las series de puntuaciones de las diferentes variables independientes con la serie de puntuaciones obtenida en la dependiente.
Permite fácilmente aumentar el número de variables independientes que se estudian a la vez. Incluir una tercera variable independiente en el diseño con grupos era difícil y se complicaría mucho más en la medida en que fuéramos añadiendo otras.
La técnica de análisis de datos que se utiliza —la regresión— trabaja con la información contenida en todas las puntuaciones y no sólo en las medias. Este esquema de trabajo se denomina modelo predictivo. Permite estudiar muchas variables a la vez garantizando además una gran validez externa dada la representatividad de la muestra.
El problema de bloquear o medir la incidencia de variables independientes adicionales se puede solucionar después de haber realizado la investigación mediante el uso de las técnicas de análisis de datos que así lo permiten. Nuestro problema como investigadores radica en que no podemos solucionarlo antes de llevar a cabo el diseño. Esto implica que la inclusión de más variables independientes no garantiza más conocimiento de la variable dependiente.
La facilidad de este diseño a la hora de añadir variables se puede ver contrarrestada por el inconveniente que supone la falta de seguridad sobre la productividad del esfuerzo de investigación.
· Diseño prospectivo con más de un eslabón causal: Nos sirve para contrastar hipótesis de relaciones entre variables dentro de un esquema con más deun eslabón causal.
En primer lugar necesitaremos contar con un modelo teórico que determine claramente qué posibles relaciones, directas e indirectas, se espera encontrar entre las variables independientes y la dependiente. Esta labor puede llegar a ser muy sofisticada. Aquí hemos presentado un modelo sencillo con pocas variables y dos eslabones.
En segundo lugar, se selecciona la muestra atendiendo a los criterios ya mencionados de tamaño y representatividad. Recuerde que este diseño trabaja también con la estrategia de grupo único. Cuantas más variables incluya el modelo, mayor será el trabajo de selección de la muestra.
En tercer lugar, se establece un plan de recogida de datos que responda a la existencia de diferentes eslabones causales. Posteriormente mediremos los conocimientos previos en métodos de investigación para, en un tercer momento, aplicar la prueba de conocimientos. Recuerde que necesitamos tener garantías de que las variables independientes anteceden a la dependiente y, en este caso, dicha garantía debe incluir cada uno de los eslabones de la cadena causal.
Este hecho se puede convertir en una de las más importantes amenazas a la validez del diseño. Si usted mide todo al mismo tiempo puede realizar los mismos análisis que si hubiera procedido correctamente. El análisis es ciego a este respecto. La cuestión es que aunque se pueda, no debe hacerse.
Validez en los diseños “ex post facto”: Los problemas se han organizado en torno a las claves cuando hablábamos de los requisitos para poder contrastar una relación causal: existencia de covariación, antecesión de la variable independiente sobre la dependiente y descarte de explicaciones alternativas. Con estos tres criterios se establece fácilmente una ordenación entre todos los diseños en cuanto a su validez interna.
En el escalón más bajo está el diseño retrospectivo simple que ni siquiera permite estudiar covariaciones. En un escalón intermedio quedan los otros dos retrospectivos que sí permiten el estudio de covariaciones pero que no garantizan la antecesión de la variable independiente con respecto a la dependiente. Por último, en un tercer escalón en cuanto a su validez interna, están todos los prospectivos que cumplen las dos primeras condiciones pero tienen dificultades con la tercera.
En este tipo de investigaciones en las que el investigador no manipula variables sino que se limita a medirlas, es más fácil hacer las cosas mal y no darse cuenta de ello. Sin embargo, no tiene sentido establecer un modelo predictivo a partir de datos obtenidos sin garantías de que las variables independientes hayan precedido a la dependiente.
Por lo que se refiere a la validez externa, se ha puesto de manifiesto que cuando se trabaja con esquemas de grupo único, siempre que la muestra sea adecuada, se obtienen mayores garantías de generalización de los resultados.
Un caso muy particular: el método clínico y los diseños evolutivos:
· El método clínico: Concretamente, menciona tres: la entrevista libre, la explicación sobre una situación y el método no verbal. La variante más conocida es la segunda, en la que se propone una tarea y se establece un diálogo —un interrogatorio— sobre la realización de la misma. La primera variante es la que se lleva a cabo sin tarea, ya que el contenido de lo que se explora —ideas y creencias sobre cosas— no lo permite. Sería muy semejante a una entrevista no estructurada en la que se
tienen previstas algunas preguntas abiertas para todos los entrevistados, pero en función de las respuestas de cada uno se produce una secuencia única de preguntas y respuestas. La tercera variante consiste en la observación de la conducta del entrevistado en la tarea que se le propone. Es un tipo de observación estructurada pero con la particularidad de que el observador, en función del comportamiento del niño, va introduciendo modificaciones en la situación. El tipo de registro es narrativo.
· Diseños Evolutivos: Todo aquel en el que la edad es considerada como variable independiente. Debido a la imposibilidad de manipular esta variable, este tipo de diseño debe considerarse como «ex post facto» prospectivo.
-Diseño evolutivo transversal: Elegimos una muestra de niños de cinco años, otra de niños de siete años y otra de niños de diez. Les aplicamos una prueba de memoria. Un experto en lectura labial observa quienes repiten los nombres de los objetos que hay que recordar y cuántas veces lo hacen. Al final comparamos los resultados de los tres grupos. Es evolutivo porque la variable independiente es la edad y es transversal porque las comparaciones con respecto a la edad se realizan en el mismo momento temporal, mediante grupos de sujetos distintos. Pero recuerde que el trabajo con grupos de sujetos distintos conlleva ciertos riesgos. Cuando existe la sospecha de que alguna variable importante pudiera estar enmascarada se pueden utilizar estrategias de bloqueo encaminadas a lograr que los grupos de edad sean lo más equivalentes posible en otras variables que pudieran influir en la variable dependiente.
-Diseño evolutivo longitudinal: seleccionaremos una muestra de niños de cinco años y les pasaremos la prueba de memoria, evaluando el uso de la estrategia de repetición. Al cabo de dos años, cuando todos los participantes de la investigación tuvieran siete, les pasaremos la misma prueba aunque con nuevas láminas. Al cabo de los tres años, cuando los sujetos tuvieran diez, repetiremos todo el proceso, volviendo a cambiar el contenido de las láminas. De este modo, al final tendríamos los datos de los tres grupos de edad ante la misma tarea y con la certeza de que son equivalentes con respecto a cualquier posible variable asociada a las características personales de los participantes.
Permite estudiar los efectos de la edad dentro de un esquema intra-sujeto controlando, por tanto, las diferencias individuales. Cuando se trabaja con la edad como variable independiente puede producirse un efecto conocido como efecto de cohorte. Una cohorte es un grupo que comparte una característica. El haber nacido un determinado año puede ser un índice característico de una cohorte. Un efecto de cohorte implicaría que los sujetos se comportan de forma distinta ante la tarea experimental dependiendo del año en el que hubieran nacido y no tanto por la edad que tuvieran.
-Diseño evolutivo secuencial: Para estudiar el efecto de cohorte junto con el de la edad se utiliza el diseño secuencial. El que aquí vamos a considerar consiste en estudiar longitudinalmente varias cohortes diferentes. Se habrá dado cuenta de que si el estudio longitudinal era costoso, el diseño secuencial puede llevar toda una vida.
Validez en los diseños evolutivos: Los tres diseños que hemos presentado utilizan estrategias prospectivas. Este hecho garantiza la antecesión de la variable independiente sobre la dependiente. Entremos ahora en consideraciones más detalladas.
El diseño transversal tiene la misma estructura que el diseño prospectivo simple. Eso quiere decir que está amenazado por un posible sesgo de selección. El otro sesgo potencial en relación al diseño prospectivo simple, la baja representatividad, puede ser menor en este caso. ¿Por qué? Porque los efectos de la edad como variable independiente se consideran como procesos básicos comunes a todos los individuos. En este caso, el razonamiento respecto a la representatividad de la muestra se asemeja al que se hace en los estudios experimentales.
El diseño longitudinal es un caso muy especial. Podríamos decir que la variable edad es la única de las de tipo «ex post facto» que permite un enfoque de análisis intra-grupo. Esto convierte al diseño longitudinal en una variante de prospectivo simple, que permite controlar las diferencias individuales y, por tanto, reducir drásticamente los riesgos de enmascaramientos ligados a ésta.
El diseño secuencial debe considerarse como prospectivo complejo. Sin embargo, al trabajar de forma longitudinal con todas las cohortes, tiene mayor validez que la mayoría de este tipo de diseñosAnálisis de datos:
· Diseños retrospectivos:
-Retrospectivo simple: para estudiar posibles coincidencias debemos crear un fichero en el consten los valores que toman en cada sujeto cada una de las potenciales variables independientes (una columna para cada variable). El análisis se basará en una descripción del porcentaje de sujetos que comparten valores en cada una de las variables independientes sabiendo que todos ellos poseen la característica que constituye la variable dependiente.
-Retrospectivo con grupo de cuasi control: la forma del fichero de datos será la misma que en el caso anterior, con la particularidad de que, en este caso, la columna de la variable dependiente tomará dos valores. En este caso, el análisis consistirá en estudiar las correlaciones entre la variable dependiente y las independientes.
-Retrospectivo de grupo único: en la columna de la variable dependiente pueden aparecer valores diferentes del cero y el uno. Esto afectará al tipo de coeficiente de correlación que se aplique en cada caso. Nuevamente remitimos al lector a un texto de análisis de datos para ampliar la información.
· Diseños prospectivos:
-Prospectivo simple: Si la variable independiente toma sólo dos valores —se seleccionan dos grupos— la técnica adecuada es la diferencia de media.
-Prospectivo factorial: Es idéntica a la que se utilizaba en el caso de un diseño factorial con dos variables independientes inter-sujeto.
-Prospectivo de grupo único: La técnica que se utiliza en estos casos, es la de la regresión múltiple. Este análisis nos indicará si este conjunto de variables predice significativamente las variaciones en la variable dependiente, la medida en que lo hace y cuál es la cuantía y significación de las aportaciones individuales de cada una de las variables independientes. En el caso en que se sospeche que las variables independientes están relacionadas entre sí, la modalidad de regresión adecuada será la «step wise», ya que elimina el efecto de esas relaciones.
-Prospectivo con más de un eslabón causal: La técnica que se utiliza en el caso en que la predicción se efectúe dentro de un modelo con más de un eslabón
causal es la del «path analysis». Esta técnica nos dará información sobre el peso, dirección y significación de cada una de las flechas incluidas en el modelo.
· Diseños evolutivos:
-Diseño transversal: se analiza igual que los experimentos inter-sujetos. Si estamos estudiando sólo dos grupos de edad utilizaremos la diferencia de medias. En caso de contar con más grupos de edad utilizaremos el análisis de varianza de un factor inter-sujeto.
-Diseño longitudinal: Cuando el diseño sólo incluye dos momentos temporales de la medida de la variable dependiente, la técnica adecuada será la diferencia de medias para muestras relacionadas. En caso de contar con medidas en la variable dependiente obtenidas en más de dos momentos temporales la técnica adecuada será la del análisis de varianza de un factor con medidas repetidas
-Diseño secuencial: Los datos se analizan mediante modelos de análisis de varianza para más de un factor. Los momentos temporales constituyen un factor de medidas repetidas. El efecto de la cohorte constituye un factor inter-sujeto.
Análisis de datos-teorico:
· Chi cuadrado
· Coeficientes de correlación
· Diferencia de medias
· ANOVA de un factor
· Regresión múltiple
· Path analysis (análisis de camino).
EXPERIMENTOS CON GRUPOS DISTINTOS
Metas de la ciencia:
· Descripción del comportamiento: es lo primero que se hace, se observa el comportamiento de un individuo, grupo u organización para poder describir uno o varios comportamientos. se busca describir sucesos, se inicia una observación cuidadosa.
· Predicción del comportamiento: se pueden hacer estudios por encuestas, se busca por ejemplo, conocer comportamientos futuros. Una vez que se observan dos hechos que se relacionan sistemáticamente, es posible hacer predicciones y anticipar sucesos.
· Explicación del comportamiento: solo puede ser resuelto al 100% con experimentos. o puede ser ex post facto factorial o con más de un eslabón causal. Aun cuando podamos predecir con precisión la ocurrencia de una conducta, es probable que no hayamos identificado sus causas.
La meta final de la ciencia es explicar los hechos que ya han sido descritos. el científico busca comprender por qué sucede la conducta.
Para determinar causas tienen que ocurrir:
· Precedencia temporal: existe un orden temporal de los acontecimientos, en el que la causa precede al efecto. una posible causa tiene que aparecer en un momento uno, y el efecto debe aparecer en un momento dos.
· Co-variación de la causa y el efecto: cuando la causa está presente, ocurre el efecto; cuando la causa no está presente, el efecto no presenta. Cuando la causa varía (en intensidad), el efecto varía.
· Eliminación de explicaciones alternativas: ninguna otra variable causal podría ser responsable del efecto observado.
Propiedades que se deben exigir a los experimentos:
· Fiabilidad: con la repetición del experimento (por otros investigadores) se obtienen los mismos resultados.
· Sensibilidad: a los efectos de los cambios en los niveles de la variable independiente, relacionado con la co-variación.
· Validez interna: grado de seguridad con el que podemos establecer la causa de las variaciones.
· Validez externa: poder de generalización de los resultados obtenidos.
Diseño de grupos aleatorios: son siempre al azar!!!! random = azar. la ausencia de R significa que no se usó el azar.
· La característica debe incluir SS o participantes distintos en los grupos del experimento hace que el diseño se considere de “grupos independientes”. Los SS o participantes son asignados al azar a cada uno de los grupos. Se conforman con al menos dos grupos; grupo control (se recomienda que sea en lista de espera o placebo, u otro
tratamiento) y grupo experimental. puede haber uno o varios grupos experimentales. Ejemplo: evaluación de los efectos de una intoxicación aguda con alcohol sobre el desempeño en una prueba de toma de decisiones. Los grupos deben ser equivalentes al comienzo del experimento en su desempeño, en la prueba de TD (pre test). Las diferencias observadas deben resultar de la aplicación del tratamiento o variable independiente (en el ejemplo; intoxicación aguda con alcohol).
Otro ejemplo: a los participantes se les dice que van a recibir un suplemento vitamínico, en realidad se les aplica epinefrina que genera agitación. La mitad espera junto a asistentes “maníacos” y la otra mitad espera junto a asistentes “agresivos”. La conclusión fue que la respuesta emocional depende del contexto. La variable dependiente es el contexto.
Diseño de grupos aleatorios con bloques:
· Varios participantes por nivel y bloque: se refiere a una técnica de control para conseguir grupos emparejados, en la que se forman bloques en una variable extraña relacionada con la variable dependiente. Es efectiva para el control experimental con grupos pequeños (-30 participantes).
· Un individuo por nivel y bloque: se aumenta el número de bloques hasta un máximo en el que cada bloque haya tantos individuos como condiciones en el experimento. Aumentar el grupo, aumentar el número de bloques, haciendo que los grupos sean lo más iguales posible, aumenta la sensibilidad del experimento. se deben hacer grupos de pares.
· Camada como bloque natural: refiere a otra forma de generar grupos emparejados mediante la utilización de mellizos, trillizos, etc. Todos los individuos de una camada forman un bloque natural. Es una estrategia frecuente en psicobiología experimental.
Casos particulares/ Diseños especiales: aportan soluciones a problemas especiales o específicos de determinado tipo de investigaciones.
· Control por placebo: se hacen diseños donde uno de los grupos recibe el tratamiento verdadero y el otro grupo recibe un falso tratamiento. El efecto placebo no desaparece, aparece en los dos grupos por igual (se genera una expectativa). Si su tratamiento es eficaz, su influencia será igual a “efecto verdadero másefecto placebo”. Al comparar el grupo experimental con el grupo control obtendremos aislado el efecto verdadero.
Ejemplo: efectos de una intoxicación aguda con alcohol. A todos los participantes se les solicita que beban un vaso de gaseosa que puede estar (o no) con una dosis aguda de alcohol. En realidad,a algunos efectivamente se les administra una dosis
de alcohol diluida en la bebida gaseosa y a otros se les aplica el tratamiento placebo.
· Caso de doble ciego: Cuando los participantes no saben si su condición es la de “experimental” o es la de “placebo” (control), se dice que se está en frente de un diseño ciego o simple ciego.
Cuando el/la experimentador (o quien administra las condiciones o tratamientos) tampoco conoce qué condición está administrando a los sujetos, se dice que el diseño es doble ciego.
· Caso de asignación de grupos ya formados: restricciones económicas, tiempo o incluso efectos secundarios no deseados hacen que, en algunas situaciones, no haya más remedio que asignar a las condiciones experimentales “grupos formados antes de la investigación”. Esta circunstancias es frecuente en el entorno educativo, donde no siempre se puede recurrir a la asignación aleatoria. Demanda mucho control de la influencia de variables extrañas.
Análisis de datos:
· Organización de los datos: se organizan en una tabla. En la primera columna,van los participantes (SS), después la condición del grupo (grupo experimental nro 1,
grupo control nro 2), la tercera columna es la variable independiente (es decir, que recibieron) y la última, es la variable dependiente (el valor de la variable con x participante).
Una magnitud estadísticamente significativa indica una propiedad probabilística. Es el investigador quien
determina el porcentaje que sirve para discriminar entre “la significación” y “la no significación”. Ese tanto por ciento se denomina nivel de confianza y tiene sus valores más frecuentes en 95% y 99%. El complementario al nivel de confianza es el nivel de riesgo. El nivel de riesgo se expresa en probabilidad, y los niveles más habituales son p<,05 y p<,01.
Tras la significación estadística está la significación teórica, que es más importante y que se debe discutir en cada contexto.
Si en un experimento se tienen tres o más grupos, la técnica estadística más frecuente para constatar la igualdad de las medidas es el análisis de varianza. La varianza expresa, además de las medias, la variación debida a los esos “pequeños” factores que nunca se acaban de controlar. Cuando todos los métodos son igual de eficaces, las medias de los grupos serán prácticamente iguales y la varianza de las medidas valdrá casi cero. Si son muy distintos, las medias serán muy distintas y la varianza grande.
Cuando se tiene un valor F estadísticamente significativo, lo que se debe entender es que las medias de los grupos son suficientemente distintas entre sí como para considerar que no se han obtenido de métodos que producen el mismo efecto, con un nivel de riesgo dado.
La variable independiente tiene un “efecto significativo” sobre la dependiente cuando los grupos tienen medias en la dependiente que son distintas, estadísticamente.
Por último, una vez que se ha determinado que la variable independiente ha producido un efecto significativo en la dependiente, el investigador puede estar interesado en averiguar entre qué grupos, en concreto, se han producido diferencias. El análisis de varianza analiza la influencia en conjunto y nos asegura que, por lo menos, hay dos grupos que son estadísticamente distintos. Si se quiere saber si son solo dos los distintos, cuáles son y si hay más diferencias, se debe aplicar otra técnica adicional: comparaciones múltiples, que determina todas las diferencias de pares de medias que son estadísticamente significativas.
· Técnicas:
-Diferencia de medias de grupos independientes: ANOVA de un factor
-ANOVA de dos factores (un factor es la variable bloqueada)
-Diferencia de muestras relacionadas/ANOVA de dos factores (un factor con medidas repetidas)/ANCOVA.
-Diferencia de medias con grupos independientes o ANOVA de un factor.
DISEÑOS EXPERIMENTALES CON EL MISMO GRUPO
La mejor manera de que los individuos asignados a las distintas condiciones experimentales sean lo más parecidos posible es que en realidad sean los mismos. O sea, que a todos los participantes se les apliquen todas las condiciones experimentales. Esto conlleva la ventaja de garantizar el control de todas las variables que se deben a las diferencias individuales y que pueden contaminar los resultados de la investigación, además, supone economizar esfuerzos al conseguir la misma información con menos participantes; no es necesario un gran número de individuos
Efectos distorsionantes: Todos los posibles efectos contaminadores derivan del hecho de utilizar a los mismos participantes en todas las condiciones experimentales.
· Para ser controlados ANTES de realizar el experimento. Existen una serie de variables extrañas que amenazan la validez interna de los diseños con un mismo grupo. Estas variables, y sus efectos, son específicas del hecho de que los participantes realicen varias tareas experimentales, aunque no en todos los experimentos estas amenazas se materializan de la misma manera.
· Efecto del aprendizaje: distorsiona el efecto de la VI. Según el tipo de variable dependiente que se estudie, un diseño con el mismo grupo puede verse contaminado por el efecto del aprendizaje. Aunque en determinadas investigaciones, este efecto pasa de considerarse una variable extraña, a ser una variable dependiente del estudio, ej. diseños para estudiar el aprendizaje.
-Efecto de la fatiga.
-Efecto de la motivación: la falta de motivación puede ser producto de un trabajo reiterativo.
· Para ser controlados DURANTE la realización del experimento. Siempre hay presencia del efecto de la práctica, y a veces un efecto de persistencia.
-Efecto de la práctica: resulta imposible de eliminar por completo, puesto que los efectos debido a la práctica son inherentes a la resolución de varias tareas (sin necesidad de que exista aprendizaje). Este efecto deriva de la mezcla de adaptación, de aprendizaje, de fatiga y de la motivación que NO se han logrado eliminar. La forma de control es hacer que todos los niveles de la VI aparezcan presentados en todos los órdenes posibles. No obstante, no es el orden lo que produce el efecto, sino la cantidad de práctica que se lleva hecha antes de una presentación determinada. Este efecto se controla y/o se mide con un adecuado plan de presentación de los niveles de la VI: aleatorización simple, aleatorización por bloques, reequilibrado y cuadrado latino.
-Efecto de la persistencia: no es posible asegurar que cuando se aplica un nivel de la variable se haya extinguido por completo el efecto del nivel aplicado anteriormente. Si esto ocurre, el resto del efecto anterior se une al presente distorsionando su verdadera acción. Cuando se sospeche que los efectos de un tratamiento persisten a lo largo del tiempo, se deben establecer períodos de extinción entre un tratamiento y el siguiente, y estudiar su influencia.
Técnicas de control del efecto de la práctica: Podemos distinguir dos estrategias. La primera de ellas consiste en tratar de amortiguar un posible efecto distorsionador. Esta estrategia se suele utilizar, por prudencia, cuando el investigador sabe que, al utilizar un diseño intra-sujeto, existe la posibilidad de que se produzca un efecto distorsionador leve, ligado al orden en el cual aplica a los sujetos los distintos tratamientos experimentales. Pero este efecto no está claramente establecido ni interesa conocer su cuantía. El caso contrario se aborda con la otra estrategia, consistente en tratar el orden de presentación de los tratamientos —al que se ligan los efectos distorsionantes estudiados— como si fuera otra variable independiente y evaluar la cuantía y alcance del mismo, bien para estudiarlo, bien para eliminarlo al analizar los datos.
· Aleatorización simple: es aleatorio el orden de lalista completa de preguntas.
· Aleatorización por bloques: se basa en tres pasos secuenciados: I. Crear un bloque con tantas casillas como niveles de la VI se hayan tomado. II. Aleatorizar el orden de colocación de cada nivel dentro de las casillas del bloque. III. Generar, mediante este procedimiento, tantos bloques como repeticiones de las tareas experimentales se vayan a introducir al experimento.
· Reequilibrado: se repiten los dos tratamientos experimentales de tal forma que primero se presentan en un orden y después al inverso. Por tanto, si hubiera un efecto del primer tratamiento sobre el segundo este se anularía al invertirse dicho efecto en la segunda aplicación, quedando reequilibrado. O sea que los efectos de la práctica se equilibran entre sí (secuencia ABBA).
-Diseños reequilibrados completos → a cada participante se le aplican los tratamientos en todos los órdenes de presentación.
-Diseños reequilibrados incompletos → no se les aplican a todos los participantes los tratamientos en todos los órdenes de presentación.
· Cuadrado latino: se utiliza en diseños con más de dos tratamientos.
I. Generar todas las permutaciones posibles entre los tratamientos. Es una condición que ningún tratamiento aparezca dos veces en la misma posición en el orden de presentación.
II. Seleccionar, al azar, una de las permutaciones posibles.
III. Seleccionar, al azar, otra de las permutaciones posibles entre las restantes.
IV. Se continúa seleccionando, al azar, permutaciones que cumplan los requisitos del cuadrado latino hasta que haya tantas como condiciones experimentales.
Diseños para estudiar el aprendizaje:
· Una práctica de clase, con medidas repetidas, mal hecha:
El efecto del aprendizaje puede ser utilizado como variable de estudio, como VD. Por tanto, el investigador no necesita crear condiciones distintas para estudiar el proceso de interés, le basta con repetir la misma condición un número determinado de veces y observar los cambios en la conducta de una vez a otra.
Hay una serie de características que son comunes a todos los estudios del aprendizaje: los mismos participantes se enfrentan a la misma tarea a lo largo de varios momentos en el tiempo (cuando se trabaja con animales se lo denomina ensayo); la conducta de los participantes varía a lo largo del tiempo, pues refleja que se está produciendo aprendizaje; después de un período de cambios en la conducta esta se estabiliza, pues ha ocurrido el aprendizaje
· Diseños con una variable independiente: Condicionamiento Clásico: Pavlov, condicionamiento clásico, una variable independiente.Otra aportación importante es el concepto de extinción. Una conducta aprendida por condicionamiento clásico puede extinguirse si invertimos el proceso.También se pueden hacer cambios en la variable independiente para estudiar nuevas circunstancias del condicionamiento.
· Diseños con una variable independiente: Condicionamiento Instrumental: Aprendizaje en contextos donde el individuo es más autónomo respecto a las consecuencias de su conducta. Fue Thomdike el que dio un paso más estudiando la conducta de los gatos. La conducta que investigó se asocia mejor a lo que se entiende de forma popular por aprender. Otro, fue Skinner, este autor hizo numerosas aportaciones al estudio del aprendizaje instrumental y algunos de sus postulados se usaron para realizar aplicaciones a la psicología clínica, en concreto a la terapia de conducta.
· Diseños con más de una variable independiente: El primer piso ha consistido en añadir otra variable independiente que les permitiera explorar nuevas condiciones. Así, surge un nuevo diseño en el que a la variable independiente tiempo/ensayos se añade una nueva variable. Esta estrategia supone, en la mayoría de los casos, un grupo de individuos para cada nivel de la nueva variable.
Criterios para un uso óptimo del diseño con el mismo grupo:
Hay una serie de situaciones en las que el uso de los diseños con el mismo grupo resulta imposible, por ejemplo, cuando se busca estudiar variables como la edad, el género o la personalidad (llevan uso de variables con grupos naturales), es imposible hacer reversible el valor de la VI para cada individuo. O cuando en animales se investigan los efectos de determinado tipo de lesiones cerebrales.
· Validez: Los diseños de medidas repetidas minimizan las amenazas a la validez interna debidas a las diferencias individuales. Como contrapartida, en el diseño intra-sujeto aparecen potenciales amenazas a la validez interna del experimento debidas a la aplicación de los distintos tratamientos a todos los sujetos de la muestra.
Análisis de datos: Los datos se organizan en una matriz (un conjunto de filas y columnas), donde las filas recogen la información obtenida a partir de cada participante y las columnas, la información obtenida en cada condición experimental. No es necesaria una columna de códigos puesta que las condiciones experimentales están separadas en columnas distintas de datos. Cada una de ellas refleja una medida de la VD en una condición distinta
Siempre que se obtengan varias puntuaciones resultantes de repetir una tarea dentro de una misma condición experimental, se tomará la puntuación media de las réplicas como dato de partida para el análisis.
Técnicas de análisis: La técnica más frecuentemente utilizada es el análisis de varianza. En el caso de la aleatorización, se hace uso del análisis de varianza de un factor con medidas repetidas. Cuando se utiliza el reequilibrado o el cuadrado latino, se usan variables más sofisticadas. En el caso de que la VI tenga solo dos valores distintos, se puede analizar la diferencia entre los grupos mediante la t de Student para datos emparejados.
DISEÑOS FACTORIALES
Los diseños factoriales se caracterizan por estudiar simultáneamente dos variables independientes: X1 y X2 influyen en Y. En el diseño factorial más sencillo, ambas VI pueden ser experimentales. Pero también pueden ser ambas no experimentales o ser una experimental y la otra no. También hay casos donde la primera de las VI puede estudiarse de forma aislada, mientras que a la segunda hay que interpretarla condicionada a los niveles de la primera variable.
Al realizar dos experimentos de forma simultánea, lo mejor es hacerlo de manera cruzada (factorial). Por tanto, para organizarse, es necesario plantear un cuadro donde estén representadas las dos VI y sus niveles. No obstante, se proporciona más información que dos experimentos simples de una variable cada uno. Para comprender los resultados de un diseño factorial de dos variables hay que hacer una representación gráfica para cada una de las variables utilizando la información de las celdas en las que se cruzan los niveles de ambas variables.
Características: Un diseño es factorial cuando se estudian simultáneamente DOS O MÁS VI, y cuando los niveles de estas variables se presentan COMBINADOS → si la combinación alcanza a todos los niveles de todas las variables se dice que es un diseño factorial completo. La forma de indicar que dos niveles se hallan combinados con otros dos es mediante la notación 2x2. También puede ser 3x4 o 3x2x5.
· 1. Tabla resumen de los valores de la VD en todas las combinaciones de niveles de las VI. Se debe comenzar confeccionando una tabla en que la que se resuman los resultados. En ella deben figurar las medias de la VD en las combinaciones de los niveles de las VI.
· 2. Representaciones gráficas, una para cada VI. A continuación, se debe realizar una gráfica para cada VI. Se elige una primera VO y se representa en el eje de las abscisas; la segunda VI actuará en la gráfica como condicionante de la primera variable → los resultados de la primera variable que figura en el eje de las abscisas se representan agrupados bajo las condiciones de la segunda variable.
· 3. Estudios de los efectos simples para cada VI. Se estudian visualmente los resultados producidos desde el punto de vista de la primera VI condicionados por los niveles de la segunda variable. A cada una de estas acciones aisladas se les denomina efectossimples. Cuando se realiza la gráfica de una VI, cada uno de los experimentos simples en los que se puede descomponer se representa en una línea distinta.
· 4. Presencia de interacción. Este paso consiste en comparar entre sí los efectos simples a los que ha dado lugar la VI y repetirlo luego para cada VI del diseño. Esta comparación se hace operativa visualmente mediante la pregunta: ¿las líneas que representan los efectos simples son paralelas? Si son paralelas, eso significa que la VI actúa sobre la dependiente de la misma manera en cada experimento simple, produce los mismos efectos. Lo cual se describe diciendo que NO hay interacción entre las VI al actuar sobre la dependiente. Cuando la VI (que figura en X) tiene tres o más niveles y sus efectos simples se representan en líneas quebradas, el concepto de paralelismo se debe aplicar de la siguiente manera: la distancia entre las líneas quebradas se mantiene a lo largo de todos sus puntos; visualmente, las líneas son paralelas cuando los perfiles de las líneas quebradas son iguales. Si las
líneas que representan los efectos simples de la VI no son paralelas, eso significa que la VI NO actúa de la misma forma en los experimentos simples en los que se descompone. Produce distintos efectos sobre la dependiente, dependiendo de los niveles de la segunda variable con los que se combine. Esta situación se describe diciendo que hay interacción entre las variables independientes al actuar sobre la dependiente.
· 5. Interpretación de los datos. Una vez que sabemos si existe interacción o no, los resultados se interpretarán de una u otra manera:
-Interpretación del efecto principal de una VI cuando NO hay interacción → se comienza agrupando los resultados de los experimentos simples y se procede a calcular los promedios en cada nivel de la VI.
-Interpretación del efecto principal de una VI cuando HAY interacción → es obligatorio interpretar por separado cada uno de los efectos simples de la VI. Debe hacerse de esta manera porque la variable actúa sobre la dependiente de forma distinta, según el nivel de la otra variable con la que se combina.
a) Interpretación del efecto principal de una VI cuando hay interacción y se pueden interpretar agrupados los efectos simples → en los diseños factoriales 2x2, cuando los efectos simples de una variable están representados por líneas que tienen pendientes del mismo signo, además de informar los efectos simples, es posible resumir los datos en promedios, pudiéndose interpretar el efecto principal de la VI. Las pendientes tienen el mismo signo.
b) Interpretación del efecto principal de la VI cuando hay interacción y no se pueden interpretar agrupados los efectos simples → sí en un diseño factorial en el que hay interacción una de las variables se puede interpretar con el efecto principal, no significa, no asegura, que se puedan interpretar las otras variables. Las pendientes no tienen el mismo signo.
El análisis del efecto principal de una variable es una interpretación de promedios en condiciones distintas. Si los resultados en esas condiciones son similares, la media resumirá bien, si no, la interpretación será errónea.
En los diseños factoriales SIEMPRE hay que empezar estudiando la interacción, porque, de existir, los efectos principales de las variables pueden conducir a conclusiones falsas.
Extensiones del diseño factorial: Un diseño factorial puede extenderse aumentando:
· El número de niveles de una variable independiente, depende de la naturaleza del problema y del interés del investigador. Si bien es cierto que cuantos más niveles mejor rastreamos la relación causal entre las variables, hay que tener en cuenta que, con sujetos distintos, cada combinación de niveles exige un grupo de sujetos. En un experimento, por muy bien controlado que esté, menos de diez sujetos por grupo no es recomendable.
· Combinar variables independientes de distinto tipo. Cada variable independiente induce un diseño específico respecto a los grupos de sujetos. El resultado de un diseño factorial con varias variables independientes será la combinación de cómo hayamos hecho los grupos en cada una de ellas.
· Extensión a más de dos variables independientes. Cuando hay más de dos variables independientes, la existencia de interacciones y su representación gráfica empieza a ser realmente complicada. Hay que añadir que no se puede interpretar
ninguna interacción doble sin considerar la presencia de la interacción triple. Hasta tres variables sólo necesitamos dibujar bien, aunque lo más frecuente es fijar una de las variables y observar cómo varían las otras dos. Con más de tres variables necesitamos fijar todas menos dos. No obstante, es infrecuente encontrar diseños factoriales en Psicología o Educación con más de tres variables independientes.
Casos especiales de interacción: Son aquellos vasos en los que, tanto gráfica como numéricamente, aparece interacción y, sin embargo, no es posible explicarla teóricamente. Estas interacciones se han producido por restricciones en el rango de medida de la VD.
Son los casos en los que aparecen los efectos techo o suelo. Cuando existe un efecto techo en alguna de las variables se ha alcanzado un nivel máximo y no es posible registrar niveles superiores. El efecto suelo aparece cuando en uno de los niveles se alcanza el mínimo y no es posible registrar niveles inferiores.
Análisis de Datos:
· Informe de un análisis: los resultados se presentan dentro del propio texto. No se utiliza una sola técnica, aunque el análisis de varianza es la más frecuente.
a) Debe aparecer un valor F de la interacción entre las dos VI. Si fuesen tres variables independientes, se tendrán cuatro valores F. La interacción tiene una medida numérica en términos de un cociente de varianzas similar al de los efectos principales.
b) Debe aparecer un valor F correspondiente a cada efecto principal interpretable de cada VI del experimento, indicando el nivel al que el valor hallado es estadísticamente significativo o el nivel de riesgo utilizado.
· Organización de los datos: los tres casos más comunes en diseños factoriales de 2VI son:
· grupos aleatorios x grupos aleatorios (análisis de varianza de dos factores). Se organiza exactamente igual que cuando hay una VI y otra bloqueada.
· grupos aleatorios x medidas repetidas (análisis de varianza de dos factores, uno con medidas repetidas).
· medidas repetidas x medidas repetidas (análisis de varianza de medidas repetidas con dos variables).
· caso general: podrá utilizar (o solicitar) un análisis de varianza, pero, además, de la correcta organización de datos, deberá indicar el número total de variables independientes especificando las que sean de medidas repetidas.
· recuerde analizar la interacción primero.
Donde pone grupos aleatorios puede aparecer indistintamente grupos “ya formados” o grupos “no aleatorios” o grupos “ex post facto”, ya que desde el punto de vista de la organización y el análisis es igual.