5.5: Uso de Diseños de Series de Tiempo para Inferencia Casual

¿Qué quieres decir con más? ¿No estábamos emocionados de estar agregando solo una vez más de medición?

Bueno, dos es cualitativamente diferente de uno, así que eso es bueno. Pero más realmente es mejor. Los tiempos adicionales de medición permiten a los investigadores observar estos predictores de cambio a través de brechas de tiempo adicionales (desde un predictor en el Tiempo 2 hasta los cambios del Tiempo 2 al Tiempo 3), para usar curvas de crecimiento para observar trayectorias de cambio de nivel medio (de un predictor en el Tiempo 1 a una trayectoria del Tiempo 1 al Tiempo n),

¿Podemos incluso usar estos diseños para ver cómo los cambios en nuestros antecedentes predicen cambios en nuestros resultados? Sí, estos han sido llamados modelos “Change to Change” (Skinner et al., 1998), pero debes dejar de usar la palabra “predecir” para describir estas conexiones. En realidad son como correlaciones entre curvas de crecimiento, y luego aterrizamos de nuevo en nuestro charco de correlaciones concurrentes. Entonces probablemente sería mejor mirar las conexiones entre las curvas de crecimiento retardadas en el tiempo, por ejemplo, la conexión entre una curva de crecimiento del Tiempo 1 al Tiempo n para predecir un resultado del Tiempo 2 al Tiempo n+1 (ver Figura 23.5). Entonces también podrías mirar los efectos recíprocos de cambio a cambio cambiando alrededor de tus antecedentes y consecuencias. Al igual que con los diseños que incorporan solo dos puntos de medición, estos dos análisis pueden proporcionar diferentes estimaciones de las conexiones entre las diferentes porciones de las curvas de crecimiento.

— Insertar la Figura 23.5 sobre aquí —

¿Qué sucede con todas nuestras terceras variables en estos análisis?

Podemos controlar por ellos, pero puede ser más interesante mirar directamente sus efectos, organizando nuestros datos en un estudio “nicho”, donde analizamos las conexiones que nos interesan para subgrupos de niños, para niños o niñas por separado o para estudiantes de alto o bajo rendimiento. Si la conexión entre la participación docente y la participación de los estudiantes se debe al género, desaparecerá cuando miremos a niños y niñas por separado. Mirar directamente los patrones de desarrollo de diferentes grupos es más consistente con una metateoría relacional que sostiene que el desarrollo está configurado diferencialmente por las características de las personas y sus contextos (ver recuadro).

Control percibido, apoyo docente, compromiso y logro. Un ejemplo de un diseño de “nicho” usando curvas de crecimiento se puede ver en un estudio que examinó las conexiones entre el contexto docente (implicación y estructura), el control percibido de los estudiantes, su compromiso y el logro desde el inicio del grado 3 hasta el final del grado 7 (Skinner et al., 1998). Como era de esperar, estas variables se intercorrelacionaron positivamente entre sí en cada punto temporal y también predijeron cambios entre sí a lo largo del tiempo. Para tener una idea de cómo funcionaban los procesos a lo largo del tiempo, se crearon algunos “nichos” al separar las variables que suelen ir juntas. Esto se logró seleccionando grupos de estudiantes que tenían alto versus bajo en control percibido al inicio del tercer grado y que estaban en los cuartiles superior versus inferior de sus pendientes de contexto docente. Luego se trazan sus curvas de crecimiento en el control percibido a lo largo del tiempo (ver Figura 23.7). Como puede ver, al inicio del tercer grado, los alumnos cuyos maestros eran solidarios diferían muy poco de los alumnos cuyos maestros no apoyaban. Sin embargo, a medida que los estudiantes pasaron de grado a grado, se hace visible el efecto acumulativo del apoyo docente. Dos trayectorias contaban la historia típica de correlaciones positivas entre el apoyo docente y el control percibido: Los estudiantes que comenzaron alto con el control percibido y recibieron continuamente altos niveles de apoyo docente (que es el caso típico con una correlación positiva entre estas dos variables) mantenido niveles altos y constantes de control percibido. De manera similar, los estudiantes que comenzaron bajo en el control percibido y recibieron poco apoyo docente a lo largo de los años mostraron niveles de control percibido deteriorados a lo largo de los años. Sin embargo, en estas vías típicas, debido a que el control percibido por los estudiantes y el apoyo docente van de la mano, realmente no podemos ver los efectos de uno frente al otro. Ahí es donde entra en juego la belleza del caso inusual o de las fuera de las diagonales. También podemos describir las trayectorias de control percibido para combinaciones de condiciones que no son muy comunes: Estudiantes con alto control que no reciben apoyo docente y estudiantes con bajo control que sí. En la figura, podemos ver los “efectos principales” del control percibido en que los estudiantes que comenzaron bajo tendían a mantenerse bajos y los estudiantes que comenzaron alto tendían a mantenerse altos, al menos hasta el final del cuarto grado. Pero a partir de quinto grado, las trayectorias tomaron una dirección diferente, con estudiantes que experimentaron a sus maestros como poco solidarios están perdiendo terreno en su control percibido mientras que los estudiantes que experimentaron a sus maestros como solidarios comenzaron a ganar terreno, hasta que al final del séptimo grado el las trayectorias se habían cruzado entre sí.

¿Alguna vez llegamos a inferencias causales en estos diseños de series temporales?

Es comprensible que se pueda pensar que nunca podremos llegar de aquí para allá, pero hay un tipo de diseño de series temporales que nos lleva a una distancia de gritos. Se llama el diseño de “series temporales interrumpidas” o “discontinuidad de regresión”. Casi se puede adivinar cómo se ve desde el nombre. Los investigadores tienen muchas medidas repetidas de la posible consecuencia, lo suficiente como para comenzar a tener confianza en poder predecir el nivel y direccionalidad del fenómeno. Entonces esta serie es “interrumpida” por la ocurrencia de la variable causal potencial. Tenemos nuestra máquina del tiempo, en que pensamos, a partir de la historia pasada de la consecuencia, que podemos estimar hacia dónde se dirigía la consecuencia sin la interrupción. Y luego vemos si la consecuencia muestra un cambio abrupto e inesperado tras la interrupción. En un diseño de discontinuidad de regresión, los investigadores prueban si la pendiente de la consecuencia se cambió en el punto de la interrupción, de manera que la pendiente antes de la interrupción es significativamente diferente de la posterior. Incluimos algunos ejemplos de este tipo de diseños en la Figura 23.8 y 23.9.

Insertar Figura 23.8 y 23.9

Dicho diseño se considera que permite la inferencia causal en estudios de intervención, donde la intervención es la interrupción. No se usa con tanta frecuencia en estudios naturalistas porque es más difícil localizar “interrupciones” naturales que sean lo suficientemente perturbadoras y lo suficientemente regulares como para permitir a los investigadores recopilar sus medidas de series de tiempo antes de que se produzca la interrupción. Un área en la que las “interrupciones” naturales han sido bien estudiadas son las transiciones escolares, por ejemplo, la transición a la secundaria y la transición a la preparatoria. El funcionamiento académico, motivacional y social de los estudiantes muestran fuertes descensos a lo largo de estas transiciones, aunque han tardado varias décadas en averiguar qué tienen estas transiciones las que causan disminuciones en el funcionamiento (ver recuadro). Los investigadores llevan mucho tiempo buscando “experimentos naturales” en los que poblaciones no seleccionadas están sujetas a cambios abruptos en los factores ambientales (Campbell, 1969; Rutter, 2007).

Transición a la escuela intermedia: Ajuste etapa-ambiente ¿Cuál es el responsable de las dramáticas pérdidas observadas en la motivación, el compromiso, el rendimiento académico y la confianza en sí mismos de los estudiantes durante la transición a la escuela secundaria? Los investigadores estuvieron interesados en los factores que podrían explicar estos descensos regulares y significativos en el funcionamiento. Un grupo de investigadores comienza por examinar las características de las escuelas que pasaron de la organización de las escuelas primarias a las escuelas intermedias, cosas como escuelas más grandes, una variedad de maestros específicos de materias por períodos de tiempo más cortos. Debido a que las transiciones escolares tienen lugar a través de rangos de edad específicos, una explicación en competencia fue el desarrollo neurofisiológico, la idea de que las disminuciones fueron el resultado de los peajes de la pubertad y la adolescencia, que habrían tenido lugar con o sin una transición escolar. Investigadores muy inteligentes utilizaron diseños que permitieron a los estudios separar los cambios de edad de la adolescencia de la transición ambiental a través de la escuela secundaria. Los investigadores compararon a estudiantes de distritos escolares que se organizaron de tres maneras diferentes: (1) escuelas K-8 en las que los edificios incluían desde el jardín de infantes hasta el octavo grado; (2) escuelas primarias y secundarias en las que los distritos reorganizaron a estudiantes de todas las escuelas primarias (K-5) en escuelas intermedias más grandes (6-8 ); y 3) escuelas primarias y secundarias en las que los distritos reorganizaron a estudiantes de todas las escuelas primarias (K-6) a escuelas secundarias más grandes (7-8). Los resultados de este tipo de estudios fueron definitivos (Eccles & Midgley, 1989). La adolescencia no fue el principal factor de riesgo para disminuciones en el funcionamiento; las caídas precipitadas fueron evidentes a cualquier edad en la que se realizó la transición escolar (6º grado para distritos con escuelas medias o séptimo grado para aquellos con escuelas secundarias) y, lo más importante, tales caídas no se vieron (o fueron grandemente reducido) a través de las mismas edades en distritos que no requirieron transiciones escolares (escuelas K-8). El mejor relato de estos temas parece ser proporcionado por el ajuste etapa-ambiente (Eccles et al., 1993) en el que los cambios típicos a lo largo de la transición a la escuela media o secundaria incluyen características (por ejemplo, relaciones maestro-alumno más distantes y menos cuidadosas, más competitivas y orientadas al desempeño metas de aprendizaje, más disciplina impersonal, menos opciones sobre el trabajo académico) que son muy malas para las necesidades cambiantes de los adolescentes (para relaciones adultas más fuertes fuera de la familia, motivación más intrínseca y mayor autonomía en el aprendizaje).

¿Existe una manera elegante de obtener información sobre la dinámica y el desarrollo en un solo modelo?

Buena pregunta. Eso es exactamente para lo que están diseñados los métodos que modelan las puntuaciones de cambio latente (LCS) (Ferrar & McArdle, 2010; McArdle, 2009; McArdle & Grim, 2012). Estos métodos permiten a los investigadores observar varias cosas de gran preocupación para los desarrollistas al mismo tiempo. Imagine un conjunto de datos de desarrollo estándar que tenga medidas de posibles antecedentes y resultados en muchos momentos. Si no conocías nada mejor, mirarías diferentes partes de tus preguntas causales usando todo tipo de análisis. Por ejemplo, se preguntaría si los antecedentes en un momento podrían predecir cambios en un posible resultado de ese punto temporal al siguiente, y luego si podría predecir cambios en una curva de crecimiento (es decir, modelo de lanzamiento). Entonces volverías a ver si los cambios en el antecedente podrían predecir cambios en el resultado (cambio a cambio de modelo) y podrías retardar las curvas de crecimiento. Entonces, para examinar los efectos recíprocos, volverías atrás y comenzarías de nuevo por el principio, con tus antecedentes y consecuencias invertidos. ¡Uf!

Era como si solo pudieras “pasar” el tiempo que estaba en tu diseño de una manera a la vez: Podría usarse como marcador de diferencias interindividuales en el análisis de dinámicas predictivas de un tiempo a otro, o bien podría usarse como marcador del tiempo de desarrollo para crear una pendiente o curva de crecimiento. Con LCS, ambas preguntas pueden ser examinadas en un mismo modelo. Por ejemplo, en nuestro intento de responder a nuestra pregunta sobre los efectos potencialmente recíprocos de la participación docente y el compromiso de los estudiantes, imaginemos que tenemos medidas de ambas variables al principio y al final de quinto, sexto y séptimo grados. Con LCS, podemos examinar: (1) si la participación de los maestros en el otoño del quinto grado predice cambios en la participación de los estudiantes a lo largo del año escolar; (2) si también lo hace en sexto y séptimo grado; y (3) si esos efectos predictivos difieren. Al mismo tiempo, puede examinar (1) si los cambios en la participación de los maestros predicen cambios en la participación de los estudiantes en cada una de esas brechas de tiempo, así como (2) si el patrón recíproco, es decir, desde la participación de los estudiantes hasta la posterior participación docente, también se mantiene o es diferente. De mayor interés para los desarrollistas, los investigadores pueden usar LCS para modelar si los cambios en la participación de los maestros o en el compromiso parecen actuar como indicadores líderes o rezagados, de modo que uno podría examinar si, por ejemplo, la participación de los maestros disminuye a medida que los estudiantes inician la secundaria, seguido de descensos en el compromiso de los estudiantes; o si el compromiso de los estudiantes disminuye durante la transición a la escuela secundaria después de lo cual los maestros comienzan a retirar su apoyo.

¿Significa esto que los modelos LCS pueden ser utilizados para responder a todas las preguntas que hemos considerado hasta ahora?

Sí. Se pueden usar con diseños clásicos de desarrollo para proporcionar información descriptiva sobre trayectorias normativas y diferenciales, y luego pueden continuar masticando su camino a través de predicciones de curvas de crecimiento retardadas en el tiempo, observando si son iguales o diferentes en diferentes franjas de desarrollo de tiempo. Los modelos LCS pueden mejorarse aún más a través de la adición de “interrupciones” y discontinuidades hipotéticas.

¿En qué momento se hace con “explicaciones causales plausibles alternativas”?

¿En diseños naturalistas? Nunca. El proceso de excavar en busca de posibles causas es una historia interminable. Como explicaron Shadish et al.

“En cuasi-experimentos, el investigador tiene que enumerar explicaciones alternativas una por una, decidir cuáles son plausibles, y luego usar la lógica, el diseño y la medición para evaluar si cada una está operando de una manera que pudiera explicar algún efecto observado. Las dificultades son que estas explicaciones alternativas nunca son completamente enumerables de antemano, que algunas de ellas son particulares del contexto que se estudia, y que los métodos necesarios para eliminarlas de la contención variarán de alternativa a alternativa y de estudio a estudio. (2002, p. 14)”

Es por eso que no hay sustituto para el conocimiento y el pensamiento cuidadoso sobre el fenómeno objetivo, y por qué múltiples equipos de investigación que trabajan en un mismo objetivo pueden presionarse y estimularse mutuamente para examinar una variedad de posibilidades. Algunos de los escritos más útiles sobre diseño son aquellos en los que los investigadores intentan delinear las posibles explicaciones alternativas o amenazas a la validez (por ejemplo, Shadish comió al., 2002); para los desarrollistas, estas son ligeramente diferentes (por ejemplo, Rutter, 2007; Rutter et al., 2001; Foster, 2010; Jaffee, Strait, & Odgers , 2012).

Explicaciones alternativas plausibles para el efecto. Dado que uno de los criterios de inferencia causal de Mill fue la exclusión de otras explicaciones alternativas plausibles, es muy útil tomar prestadas listas de tales alternativas plausibles, como la proporcionada por Michael Rutter (2007), quien ofrece cinco hipótesis explicativas alternativas clave que deben descartarse antes de concluir que los factores de riesgo ambiental contribuyen al desarrollo de la psicopatología. 1. Mediación genética. El riesgo derivado de un factor ambiental es causado por la genética. a. Pasivo. Los entornos de riesgo son creados por adultos que también pasan el riesgo genético. b. Activo. Las personas en riesgo genético tienden a seleccionar y crear entornos de riesgo. 2. Sesgo de selección social o asignación. El resultado (por ejemplo, psicopatología) no es el efecto sino la causa del factor de riesgo potencial (por ejemplo, bajo SES). 3. Causalidad inversa. El resultado (por ejemplo, desafío infantil) provoca el factor de riesgo potencial (por ejemplo, crianza dura). 4. Característica de riesgo mal identificado. El factor de riesgo es un paraguas para muchos componentes pero solo algunos de ellos realmente causan el desenlace. 5. Variables de confusión. Variable adicional que distingue a los grupos a comparar y se asocia con el resultado. a. Uso de análisis basados en hipótesis para identificar y probar vías alternativas. b. Uso del emparejamiento de puntuación de propensión. c. Uso del análisis de sensibilidad para cuantificar qué tan fuerte debe ser un confuso para volcar la inferencia causal. d. Uso de diversas estrategias y muestras con diferentes conjuntos de posibles factores de confusión. e. Considerar la discontinuidad de regresión para dar cuenta de los factores de confusión no medidos (a pesar de la aplicabilidad limitada