5.2: Mejora de la Validez Interna y Externa

Última actualización
Guardar como PDF

Page ID: 144428

\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

Los mejores diseños de investigación son aquellos que pueden asegurar altos niveles de validez interna y externa. Dichos diseños protegerían contra correlaciones espurias, inspirarían una mayor fe en las pruebas de hipótesis y asegurarían que los resultados extraídos de una pequeña muestra sean generalizables a la población en general. Los controles son necesarios para asegurar la validez interna (causalidad) de los diseños de investigación, y se pueden lograr de cuatro maneras: (1) manipulación, (2) eliminación, (3) inclusión, y (4) control estadístico, y (5) aleatorización.

En la manipulación, el investigador manipula las variables independientes en uno o más niveles (llamados “tratamientos”), y compara los efectos de los tratamientos frente a un grupo control donde los sujetos no reciben el tratamiento. Los tratamientos pueden incluir un nuevo medicamento o una dosis diferente de medicamento (para tratar una afección médica), un estilo de enseñanza (para estudiantes), y así sucesivamente. Este tipo de control se logra en diseños experimentales o cuasi-experimentales pero no en diseños no experimentales como encuestas. Tenga en cuenta que si los sujetos no pueden distinguir adecuadamente entre diferentes niveles de manipulaciones de tratamiento, sus respuestas a través de los tratamientos pueden no ser diferentes, y la manipulación fallaría.

La técnica de eliminación se basa en eliminar variables extrañas manteniéndolas constantes en todos los tratamientos, como restringir el estudio a un solo género o un solo nivel socioeconómico. En la técnica de inclusión se considera el papel de las variables extrañas al incluirlas en el diseño de la investigación y estimando por separado sus efectos sobre la variable dependiente, como por ejemplo a través de diseños factoriales donde un factor es el género (masculino versus femenino). Dicha técnica permite una mayor generalización pero también requiere muestras sustancialmente más grandes. En el control estadístico, se miden variables extrañas y se utilizan como covariables durante el proceso de prueba estadística.

Finalmente, la técnica de aleatorización tiene como objetivo cancelar los efectos de variables extrañas a través de un proceso de muestreo aleatorio, si se puede asegurar que estos efectos son de naturaleza aleatoria (no sistemática). Dos tipos de aleatorización son: (1) selección aleatoria, donde se selecciona aleatoriamente una muestra de una población, y (2) asignación aleatoria, donde los sujetos seleccionados de manera no aleatoria se asignan aleatoriamente a grupos de tratamiento.

La aleatorización también asegura la validez externa, permitiendo que las inferencias extraídas de la muestra sean generalizadas a la población de la que se extrae la muestra. Tenga en cuenta que la asignación aleatoria es obligatoria cuando la selección aleatoria no es posible debido a restricciones de recursos o acceso. Sin embargo, la generalización entre poblaciones es más difícil de determinar, ya que las poblaciones pueden diferir en múltiples dimensiones y solo se puede controlar para algunas de esas dimensiones.