5.4: Agregar tiempo al diseño de estudios naturalistas

¿Qué quiere decir con “agregar tiempo” a un diseño?

¿Recuerdas el cubo de datos propuesto por Cattell (representado en la Figura 17.3)? Cuando decimos que estamos “agregando tiempo” a un diseño, queremos decir que estamos agregando “ocasiones” o “tiempos de medición” o “medidas repetidas” a un diseño.

¿Como en un estudio longitudinal?

Sí, esa es una excelente manera de agregar tiempo, pero nos estamos refiriendo a todo tipo de estudios que agregan una segunda, tercera o cuarta onda de medición, estén o no lo suficientemente separadas como para satisfacer la comprensión convencional de “longitudinal” (lo que generalmente implica que ha pasado suficiente tiempo para algunos tipo de desarrollo que se haya producido). Quizás la descripción más general es “series temporales” porque el diseño incluye una serie de diferentes tiempos de medición.

¿Cuáles son las ventajas de sumar tiempo? Digamos que sumamos solo una vez más de medición, así que tenemos dos ondas en nuestro estudio. La primera ventaja es que ahora tenemos una manera de comprobar la primera condición de causalidad, es decir, que las causas preceden a sus efectos. Así podemos comprobar una correlación ordenada por tiempo. Continuando con nuestro ejemplo de la Figura 23.1, con el tiempo en el diseño, podemos ver si la causa potencial en el Tiempo 1 predice el resultado potencial en el Tiempo 2. Esto se representa en la Figura 23.2. Por lo que estamos emocionados de poder usar la palabra “predecir” correctamente para describir nuestra correlación. Sin embargo, esto sigue siendo solo una correlación bivariada de orden cero, por lo que no permite una inferencia causal, todavía tiene todos los problemas con las llamadas “terceras variables”, término que usamos para representar todas las explicaciones causales alternativas que podrían subyacer las conexiones entre nuestro predictor y su posible consecuencia.

Insertar Figura 23.2

Pero podemos usar nuestros dos puntos de tiempo para comenzar a buscar cómo las personas cambian del Tiempo 1 al Tiempo 2 en nuestra consecuencia y para ver si esos cambios pueden predecirse a partir de dónde estaba cada persona sobre la causa potencial en el Tiempo 1. Esto también se representa en la Figura 23.2, y ha sido referido como un modelo de “lanzamiento” porque trata de examinar si los niveles iniciales de un individuo en un antecedente pueden predecir la (mini) -trayectoria de los individuos sobre la consecuencia objetivo (ver Figura 23.3, de Skinner, Zimmer-Gembeck, & Connell, 1998). El término “lanzamiento” se usa porque dicho modelo asume que los niveles iniciales de la variable causal potencial pueden actuar como un tirachinas o catapulta o lanzacohetes para crear la dirección y el ángulo de cambio en el objeto que se lanza, es decir, el resultado objetivo (en nuestras analogías, la piedra o bola, o cohete).

Entonces, ¿qué nos gusta de este tipo de diseño de “lanzamiento”?

Bueno, este diseño nos está acercando un poco más a nuestra máquina del tiempo. Llegamos a ver las trayectorias de desarrollo como nuestros resultados (y si agregamos más puntos de tiempo, se parecerán más a trayectorias), estamos viendo directamente las diferencias individuales en trayectorias y estamos viendo predictores de diferencias individuales en esas trayectorias. Entonces, en nuestro ejemplo, podemos preguntar: “¿La participación docente al inicio del ciclo escolar predice cambios en el compromiso de los estudiantes desde el principio hasta el final del ciclo escolar?”. Y si la respuesta empírica es “sí” (es decir, el antecedente es un predictor significativo del cambio del Tiempo 1 al Tiempo 2), podemos decir cosas como “Los alumnos cuyos maestros eran más cálidos y más involucrados con ellos al inicio del ciclo escolar, también mostraron incrementos en su compromiso a lo largo del ciclo escolar; mientras que los alumnos cuyos maestros estaban menos involucrados con ellos al inicio del ciclo escolar, mostraron las correspondientes disminuciones en su compromiso a medida que avanzaba el año”. Se trata de un enunciado descriptivo, pero concuerda con una hipótesis causal.

¿Alguna otra ventaja?

Sí. También podemos, utilizando el mismo diseño, mirar las predicciones “recíprocas”, en el sentido de que podemos tomar nuestra variable antecedente y examinar cómo cambia del Tiempo 1 al Tiempo 2, y ver si la variable que habíamos estado pensando como consecuencia (que ahora consideramos como un posible antecedente) predice estos cambios. Esto suena más confuso de lo que es—véase la Figura 23.3. En nuestro ejemplo, estaríamos preguntando “¿El compromiso de los estudiantes a principios de año predice cambios en qué tan involucrados están sus maestros con ellos a lo largo del año?” Y, si la respuesta empírica es “sí”, podemos decir cosas como “Los estudiantes que estaban más comprometidos con el otoño experimentaron una creciente participación de sus maestros a medida que avanzaba el año, mientras que los estudiantes que iniciaron el ciclo escolar más bajo en compromiso experimentaron disminuciones en la participación de sus maestros de otoño a primavera.” Nuevamente, descriptivo, pero causalmente interesante.

Una de las cosas más importantes de un diseño con dos puntos de medición (recuerde, acabamos de agregar un punto más) es que permite a los investigadores comenzar a separar las diferentes direcciones de los efectos. Una correlación concurrente contiene información sobre ambas direcciones de efectos, que lógicamente no se pueden desenredar, pero estos dos análisis que acabamos de analizar: el primero analiza la predicción feedforward de la participación del maestro en el cambio sin la posterior participación de los estudiantes, mientras que el segundo analiza la retroalimentación predicción de la participación de los estudiantes sobre los cambios en la posterior participación docente. Entonces, las respuestas a las preguntas que plantean estos dos conjuntos de análisis podrían ser diferentes, podríamos obtener dos “sí” o dos “noes” de uno de cada uno. Y si obtenemos dos síes, tenemos la posibilidad de un bucle de retroalimentación, que parece que estamos recibiendo algunas pistas sobre las dinámicas potenciales en el sistema.

¿Y todas esas molestas terceras variables, esas explicaciones alternativas?

Bueno, tenemos buenas y malas noticias sobre ellas.

¿Cuál es la buena noticia?

La buena noticia es que los hemos reducido algunos. Si empiezas a pensar en las terceras variables de la correlación concurrente en nuestra ilustración, es decir, todos los factores que están correlacionados positivamente tanto con la participación docente como con la participación de los estudiantes, te vienen a la mente un número enorme (por ejemplo, logro, SES, padres solidarios, coeficiente intelectual, sentido de parentesco, y así sucesivamente), y aquí está el pateador, estos son sólo los que podemos imaginar, también hay confusores desconocidos. Sin embargo, cuando incluimos en nuestro diseño y análisis el cambio intra-individual a lo largo del tiempo, estamos utilizando a las personas como sus propios controles. Esto significa que de nuestra consecuencia potencial en el Tiempo 2, estamos tomando la consecuencia en el Tiempo 1, que tiene en él por definición todo (conocido y desconocido) que condujo a la consecuencia en el Tiempo 1 (por ejemplo, logro, SES, padres solidarios, coeficiente intelectual, sentido de parentesco, etc.) así como todas las incógnitas que creó o predijo la consecuencia en el Tiempo 1.

Entonces, por ejemplo, si pensamos que el logro es una posible explicación causal alternativa para la correlación de orden cero entre la participación del maestro en el Tiempo 1 y la participación de los estudiantes en el Tiempo 2 (lo que significa que los estudiantes de alto rendimiento están más comprometidos y los maestros les prestan más atención), cuando controlamos para engagement estudiantil Tiempo 1, sacamos todo el logro que fue responsable del engagement hasta ese momento, por lo que hemos controlado para eso como un posible confuso. Al controlar el mismo resultado en un momento anterior, hemos raspado todos los predictores conocidos y desconocidos de compromiso hasta el Tiempo 1 que podrían ser un posible confuso, o una diferencia preexistente plausible, o una cadena causal alternativa. (Todavía tenemos todos los problemas de medición como antes, sobre la práctica, la reactividad y la equivalencia del desarrollo, por supuesto, pero la lista de posibles terceras variables es considerablemente más corta).

Entonces, ¿cuál es la mala noticia?

La mala noticia es que las terceras variables nortoriosas no se eliminan por completo. Dado que todavía estamos buscando una correlación, la correlación entre la participación de los maestros en el Tiempo 1 y los cambios en la participación de los estudiantes del Tiempo 1 al Tiempo 2, todavía estamos en la búsqueda de posibles causas alternativas de ambos. Recuerde, antes estábamos buscando cosas que estuvieran correlacionadas tanto con la participación docente como con la participación de los estudiantes, pero ahora, con este diseño, podemos acotar a nuestros candidatos para terceras variables a aquellas que están correlacionadas tanto con la participación docente como con los cambios en la participación de los estudiantes (ver Figura 23.4). Un excelente ejemplo de la incorporación de tales variables en diseños de investigación que examinan el cambio a lo largo del tiempo se puede encontrar en el estudio de los efectos de los grupos de pares de niños en su compromiso (ver recuadro).

Insertar Figura 23.4

Grupos de pares y desarrollo individual: ¿Selección o influencias grupales? El estudio de los efectos de los grupos de pares infantiles en su desarrollo presenta a los investigadores una serie de problemas nudosos. Esta zona inicia con un estado de cosas muy conocido, llamado homofilia, lo que significa que “las aves de una pluma acuden juntas”. En otras palabras, los niños pasan el rato con otros niños que son como ellos de muchas maneras. Entonces vemos una alta correlación entre las características de un niño y las de los compañeros de su grupo. Pero, ¿qué significa esto? ¿Los niños seleccionan a otros niños que son como ellos para pasar el rato? ¿O los niños se vuelven más parecidos entre sí con el tiempo? Si los niños se están socializando entre sí, entonces tenemos una palanca de intervención. Por ejemplo, si los niños están fumando y pasando el rato con otros niños que están fumando, solo tenemos que alejarlos de estas “malas influencias” y luego dejarán de fumar. Sin embargo, si estos son principalmente efectos de selección, entonces podemos alejarlos de sus amigos fumadoras, pero tan pronto como nos den la espalda, saldrán y buscarán nuevos amigos que fumen. Debido a que los padres y maestros a menudo tienen la impresión de que los niños “buenos” van “malos” cuando pasan el rato con compañeros “malos”, el área de investigación se vio sumida en la idea de que la homofilia era evidencia de influencias de pares durante mucho tiempo. A estas alturas, sin embargo, se puede ver que la homofilia podría deberse ya sea a la selección o a la socialización o a ambas. Una estrategia para separar estos efectos es la que hemos estado discutiendo (para otras estrategias que también usan el cambio dentro del individuo, ver Rutter, 2007). Una vez que tenemos buenas medidas de los niños sobre alguna característica importante (y volvamos a tomar el compromiso de los estudiantes) y de sus grupos de pares en la misma característica, podemos comenzar con nuestra correlación bivariada concurrente y aterrizar nuevamente en la homofilia, en que los estudiantes comprometidos tienden a repartir con otros comprometidos estudiantes y estudiantes descontentos con otros estudiantes descontentos. Si nos detenemos aquí, estamos estancados, pero si agregamos medidas tanto de individuos como de pares por segunda vez, podemos ver hasta qué punto la participación del grupo de pares en el Tiempo 1 predice los cambios en el compromiso individual desde el Tiempo 1 al Tiempo 2. Si mantenemos la correlación entre individuos y sus grupos en el Tiempo 1 en nuestro modelo, estamos controlando esencialmente la similitud inicial o los efectos de selección. Ahora necesitamos pensar en las terceras variables que podrían estar correlacionadas con ambos grupos de pares en el Tiempo 1 y con el cambio individual en el engagement. ¿Qué pasa con los logros otra vez? Los niños inteligentes pueden pasar el rato con compañeros más comprometidos (que también son presumiblemente inteligentes) y también pueden comprometerse cada vez más con el tiempo. ¿Qué pasa con el apoyo docente? Los maestros pueden brindar más apoyo a los estudiantes que reparten con compañeros más comprometidos y así promover la participación individual del estudiante; o los maestros pueden no apoyar a los estudiantes que pasan el rato con compañeros descontentos y, por lo tanto, socavan su propio compromiso. Podemos verificar si estas variables están correlacionadas tanto con el compromiso del grupo de pares en el Tiempo 1 como con los cambios en el compromiso individual. Si lo son, podemos agregarlos a nuestros modelos como variables de control.

¿Qué debería pensar al agregar tiempo a nuestro diseño de estudio?

Tantas cosas. Pero comencemos con algunas preguntas básicas a las que casi nunca conocemos la respuesta: ¿cuáles son las ventanas correctas y las brechas de tiempo adecuadas entre los puntos de medición para capturar la acción, el proceso causal y su posible ciclicidad (tanto feedforward como feedback)? Si estamos pensando en la participación de los maestros y la participación de los estudiantes, parece que el comienzo de un nuevo año escolar sería un buen momento para que se estén calibrando entre sí, pero ¿cuánto tardaría eso, una semana, un mes, seis semanas? ¿Quién sabe? Una regla general es usar más puntos de medición de los que cree que necesitará, para que pueda revisar diferentes brechas de tiempo para su posible proceso.