Objetivos de aprendizaje
Al final de esta sección, podrás:
- Comprender la lógica del muestreo
- Diferenciar entre muestras y tamaño de la población
- Identificar la diferencia entre muestreo probabilístico y no probabilístico
Si bien le hemos proporcionado diseños importantes, es importante poder comprender los componentes adicionales del diseño de investigación. Comprender estos componentes te ayudará a construir sobre diseños existentes para que puedas crear planos específicos para tu investigación. El muestreo es un componente importante a considerar porque puede ser difícil obtener datos sobre cada caso individual en la población. La forma en que se crea tu muestra y quién forma parte de tu muestra tienen implicaciones para las conclusiones que puedas sacar sobre tus resultados.
Un componente importante del diseño de la investigación es determinar quiénes formarán parte del estudio, el número de casos y cómo se seleccionarán los casos en el estudio. El primer paso es determinar qué población te interesa. La población se refiere a todos los casos que podrían ser parte del estudio. Por ejemplo, si te interesa saber por qué la gente vota por ciertos candidatos, la población de interés es todos los adultos mayores de 18 años y están registrados para votar.
No tendría sentido que tu población incluyera a quienes no están registrados para votar porque tu pregunta es específica del comportamiento de los votantes. Un caso sería una sola unidad de la población identificada, o un adulto que tenga 18 años o más y esté registrado para votar. Si todos los que forman parte de esta población pudieran también ser parte del estudio, la evidencia para la teoría planteada sería bastante convincente; sin embargo, esto sería difícil de obtener. No sólo sería muy costoso, podría no ser necesariamente factible por limitaciones de tiempo porque hay más de 130 millones de votantes en Estados Unidos. Si bien existe la tentación de tratar de incluir todos los casos posibles, una cosa a considerar es que esto sigue siendo solo una instantánea en el tiempo. ¿A qué nos referimos con instantánea en el tiempo? Todos los casos podrían estar incluidos por un año electoral pero ¡hay varias elecciones al año junto con muchos años! Al final, la población podría ser realmente una muestra en el contexto del tiempo.
El siguiente paso sería tratar de averiguar el número de casos a incluir que aún brindarán un argumento convincente para apoyar la teoría. De acuerdo con la ley de grandes números, no necesariamente necesitamos incluir cada caso para proporcionar un argumento convincente. En lugar de toda la población, el estudio probablemente se basará en una muestra. Necesitamos proporcionar una muestra, o una selección de casos de la población, que sea lo suficientemente grande como para aproximarnos a los valores poblacionales que estamos buscando. La ley de grandes números nos dice que cuando proporcionamos una muestra lo suficientemente grande que también sea representativa de la población, conducirá a los resultados que están cerca de los resultados si recabamos datos de todos los casos en la población.
Al tomar muestras, otra característica que podemos estar buscando es la representatividad. Se puede argumentar que el valor de la muestra sólo es significativo ya que puede ayudarnos a sacar conclusiones sobre la población de la que queremos conocer más. Para determinar la representatividad, necesitamos un marco de muestreo. El marco de muestreo completo es una lista de todos aquellos en la población. Esta lista podría contener información sobre las características de la población que nos interesa. Para que nuestra muestra nos proporcione resultados que puedan decirnos sobre la población, necesitamos que la muestra sea representativa, o que sea similar a la de la población. Si estás interesado en conocer a los votantes en Estados Unidos, solo incluir a los votantes de California no te será de mucha ayuda. Esta muestra puede brindarle información sobre votantes en California, pero no necesariamente sobre votantes en Estados Unidos. Para garantizar la representatividad, puede seleccionar del marco de muestreo quién es el que debe incluirse en su muestra.
Hay dos formas de muestrear casos, una de las cuales, si se hace correctamente, producirá muestras representativas y otra que no reflejará representatividad. El muestreo probabilístico producirá muestras que tienen más probabilidades de ser representativas de la población en comparación con el muestreo no probabilístico. El muestreo probabilístico requiere el uso de selección aleatoria para colocar casos en una muestra. Ejemplos de muestreo probabilístico son muestreo aleatorio simple, muestreo estratificado y muestreo agrupado. El muestreo no probabilístico utiliza procesos no aleatorios para seleccionar casos para formar parte de la muestra. Los ejemplos de muestreo no probabilístico incluyen muestreo de conveniencia, muestreo de cuotas y muestreo de bolas de nieve.
Muestreo de probabilidad
Se argumenta que el muestreo aleatorio simple es el mejor enfoque para seleccionar una muestra. En una muestra aleatoria simple, cada caso tiene las mismas posibilidades de ser seleccionado para formar parte del estudio. A través de un muestreo aleatorio simple, es mucho más probable que su muestra refleje su población. Una forma sencilla de pensar en el muestreo aleatorio es poner nombres en un sombrero y sacar nombres de un sombrero. Esto significa que si estuvieras interesado en estudiar estudiantes de ciencias políticas y hubiera 1,000 estudiantes de ciencias políticas, cada estudiante tendría una probabilidad de 1 en 1,000 de ser elegido para participar en tu estudio.
El muestreo estratificado es similar al muestreo aleatorio, pero puede existir preocupación sobre cómo se ve la muestra. Puede haber preocupación por la inclusión o exclusión de ciertas características. Para asegurar una representación proporcional, o asegurar que la muestra tenga características similares a las de la población, el muestreo estratificado tomará en consideración dichas características y asegurará que la muestra se vea como la población. Por lo tanto, necesitamos conocer estas características relativas a la población antes de seleccionar la muestra.
Por ejemplo, si no tener suficientes personas que sean racialmente representativas de la población es una preocupación, al muestrear se asegurará que el veinte por ciento de la muestra es afroamericana y el veinte por ciento de la muestra se identifica como Latinx porque esa es la proporción que conforman en la población de interés. Esto se conoce como muestra estratificada proporcional. Una muestra estratificada desproporcionada sobremuestrea ciertos grupos que de otra manera conforman una porción más pequeña de la muestra. El sobremuestreo permite a los investigadores proporcionar una mayor comprensión de estos grupos y es posible que no puedan hacerlo si pocos forman parte de la muestra.
Una muestra agrupada toma en consideración que una muestra aleatoria simple puede no ser factible debido a que la población puede estar bastante dispersa. Si su población es todos los adultos estadounidenses que están registrados para votar, puede ser difícil adquirir una lista de todos los votantes registrados y luego seleccionar aleatoriamente a las personas para que formen parte de su encuesta. Si se administra en persona, imagina lo difícil que sería volar de una parte del país a la siguiente ¡todo para una entrevista! En cambio, el investigador lo limitará seleccionando áreas o conglomerados y luego muestreando aleatoriamente de estas áreas. Por ejemplo, un investigador puede seleccionar estados aleatoriamente y desde dentro de esos estados, seleccionar condados, luego ciudades y luego recintos. Una vez seleccionados aleatoriamente los recintos, se medirán a todos aquellos que se encuentren en esos recintos.
Muestra no probabilística
Si bien el muestreo aleatorio se señaló anteriormente como la forma ideal de crear una muestra, las muestras no probabilísticas también sirven para un propósito. Se puede elegir un muestreo no probabilístico debido al pequeño número de casos disponibles. El muestreo no probabilístico incluye muestreo de conveniencia, cuota y bola de nieve. El muestreo de conveniencia se refiere a la selección de casos que están disponibles. Es casi como no muestrear en absoluto porque no hay criterios para formar parte de la muestra aparte de ser parte de la población seleccionada y una disposición para ser parte de la muestra. Un ejemplo de selección de casos para formar parte de una muestra de conveniencia es pedir a las personas que están saliendo de un lugar de votación que respondan preguntas.
El muestreo de cuotas se refiere a la selección de casos según una cuota o un número determinado de casos. Los investigadores pueden establecer un número fijo y realizar la creación de una muestra que cumpla con ese número. El muestreo de cuotas también puede ser similar al muestreo estratificado cuando el investigador está tratando de asegurar que la muestra se vea similar a la población, lo que significa que los de la muestra son similares en características a la población.
En una muestra de bola de nieve, se identifican casos iniciales como parte de la muestra. Puede ser un caso, o puede ser más. Estos individuos iniciales le proporcionarán derivaciones de otras personas que podrían ser parte de la muestra. Eventualmente, el número de casos que tengas aumentará a través de las derivaciones de individuos a los que puedas llegar a formar parte de la muestra. El tamaño de la muestra cobrará impulso a medida que pueda acumular más referencias, ganando más masa y recogiendo más casos en el camino. El uso de este método de muestreo es especialmente útil cuando se trabaja con una población de difícil acceso. Por ejemplo, si entendieras las circunstancias en las que las personas se quedan sin hogar, una muestra de bola de nieve sería útil especialmente porque no existe una lista de personas sin hogar.
El muestreo probabilístico y no probabilístico son métodos para elegir casos para formar parte de un estudio. Generalmente utilizamos muestras porque tratar de recolectar información de la población puede ser difícil. La ley de grandes números nos dice que no necesariamente necesitamos incluir todos los casos para proporcionarnos los datos que estamos buscando cuando el tamaño de nuestra muestra es suficientemente grande. Al crear nuestra muestra, hay reglas generales adicionales a seguir. Una regla general es que si la población estudiada es pequeña —igual o inferior a 100— la mejor estrategia es incluir todos los casos. Otra regla general es apuntar siempre a una muestra más grande porque la falta de respuesta, o no recibir una respuesta de un caso, es una posibilidad probable.
