Saltar al contenido principal
Library homepage
 
LibreTexts Español

Causalidad y Experimentos

  • Page ID
    151209
  • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    CO-3: Describir las fortalezas y limitaciones de experimentos diseñados y estudios observacionales.

    Objetivos de aprendizaje

    LO 3.2: Explicar cómo el diseño del estudio impacta los tipos de conclusiones que se pueden extraer.

    Objetivos de aprendizaje

    LO 3.3: Identificar y definir características clave del diseño experimental (aleatorizado, ciego, etc.).

    Video

    Video: Causalidad y Experimentos (8:57)

    Recordemos que en un experimento, son los investigadores quienes asignan valores de la variable explicativa a los participantes. La clave para garantizar que los individuos difieran sólo con respecto a los valores explicativos —que también es la clave para establecer la causalidad— radica en la forma en que se lleva a cabo esta asignación. Volvamos al estudio para dejar de fumar como contexto para explorar los ingredientes esenciales del diseño experimental.

    EJEMPLO:

    En nuestra discusión sobre la distinción entre estudios observacionales y experimentos, describimos el siguiente experimento: recolectar una muestra representativa de 1,000 individuos de la población de fumadores que recién están tratando de dejar de fumar. Dividimos la muestra en 4 grupos de 250 e instruimos a cada grupo para que use un método diferente para dejar de fumar. Un año después, contactamos a los mismos 1,000 individuos y determinamos qué intentos tuvieron éxito utilizando nuestro método designado.

    Este fue un experimento, porque los propios investigadores determinaron los valores de la variable explicativa de interés para los individuos estudiados, en lugar de dejarlos elegir.

    Comenzaremos usando el contexto de este ejemplo para dejar de fumar para ilustrar el vocabulario especializado de los experimentos. En primer lugar, la variable explicativa, o factor, en este caso es el método utilizado para dejar de fumar. Los diferentes valores impuestos de la variable explicativa, o tratamientos (abreviatura común: ttt), consisten en los cuatro métodos posibles de dejar de fumar. Los grupos que reciben diferentes tratamientos se denominan grupos de tratamiento. El grupo que intenta dejar de fumar sin drogas ni terapia podría llamarse el grupo control, aquellos individuos a los que no se les impuso ningún tratamiento específico. Idealmente, los sujetos (participantes humanos en un experimento) en cada grupo de tratamiento difieren de los de los otros grupos de tratamiento solo con respecto al tratamiento (método de abandono). Como se mencionó en nuestra discusión sobre por qué las variables al acecho nos impiden establecer causalidad en estudios observacionales, eliminar todas las demás diferencias entre los grupos de tratamiento será la clave para afirmar la causalidad a través de un experimento. ¿Cómo se puede lograr esto?

    Experimentos controlados aleatorios

    Es posible que tu intuición ya te diga, correctamente, que la asignación aleatoria a los tratamientos es la mejor manera de evitar que los grupos de tratamiento de individuos difieran entre sí en formas distintas al tratamiento asignado. Se pueden utilizar programas informáticos o tablas para realizar la asignación aleatoria. El diseño resultante se denomina experimento controlado aleatorio, debido a que los investigadores controlan los valores de la variable explicativa con un procedimiento de aleatorización. Bajo asignación aleatoria, los grupos no deben diferir significativamente con respecto a ninguna variable potencial al acecho. Entonces, si vemos una relación entre las variables explicativas y de respuesta, tenemos evidencia de que es causal.

    Una representación visual del estudio experimental. Un círculo grande representa a toda la población. A través de la selección aleatoria generamos la muestra, la cual se representa como un círculo más pequeño. El círculo que representa las muestras se divide uniformemente en 4 piezas, cada pieza representa un valor de la variable explicativa (método). Las piezas son grupos de tratamiento asignados aleatoriamente por investigadores.

    Comentarios:

    • Tenga en cuenta que en un experimento controlado aleatorizado, se puede utilizar un procedimiento de aleatorización en dos fases. En primer lugar, se recolecta una muestra de sujetos. Idealmente sería una muestra aleatoria para que fuera perfectamente representativa de toda la población.
    • A menudo los investigadores no tienen más remedio que reclutar voluntarios. El uso de voluntarios puede ayudar a compensar uno de los inconvenientes de la experimentación que se discutirá más adelante, a saber, el problema del incumplimiento.
    • Segundo, asignamos individuos aleatoriamente a los grupos de tratamiento para asegurar que la única diferencia entre ellos se deba al tratamiento y podamos obtener evidencia de causalidad. En esta etapa, la aleatorización es vital.

    Discutamos algunos otros temas relacionados con la experimentación.

    Inclusión de un grupo de control

    Un error común es que un experimento debe incluir un grupo control de individuos que no reciben tratamiento alguno. Puede haber situaciones en las que una falta completa de tratamiento no sea una opción, o donde incluir un grupo control sea éticamente cuestionable, o donde los investigadores exploren los efectos de un tratamiento sin hacer una comparación. Aquí hay algunos ejemplos:

    EJEMPLO:

    Si los médicos quieren realizar un experimento para determinar si Prograf o Cyclosporin son más efectivos como inmunosupresores, podrían asignar aleatoriamente a los pacientes trasplantados para que tomen uno u otro de los medicamentos. Por supuesto, sería poco ético incluir a un grupo control de pacientes que no reciben ningún inmunosupresor.

    EJEMPLO:

    Recientemente se han realizado experimentos en los que el tratamiento es una cirugía cerebral altamente invasiva. La única forma de tener un grupo de control legítimo en este caso es asignar aleatoriamente a la mitad de los sujetos para que se sometan a toda la cirugía excepto por el componente de tratamiento real (inserción de células madre en el cerebro). Esto, por supuesto, también es éticamente problemático (pero, créanlo o no, se está haciendo).

    EJEMPLO:

    Incluso puede haber un experimento diseñado con un solo tratamiento. Por ejemplo, los fabricantes de un nuevo producto para el cabello pueden pedir a una muestra de individuos que traten su cabello con ese producto durante un período de varias semanas, luego evaluar qué tan manejable se ha vuelto su cabello. Tal diseño es claramente defectuoso por la ausencia de un grupo de comparación, pero sigue siendo un experimento porque el uso del producto ha sido impuesto por sus fabricantes, en lugar de ser elegido naturalmente por los individuos. Un experimento defectuoso es, sin embargo, un experimento.

    Comentario:

    • La palabra control se usa en al menos tres sentidos diferentes.
      • En el contexto de los estudios observacionales, controlamos una variable confusa separándola.
      • Al referirse a un experimento como experimento controlado, se enfatiza que los valores de las variables explicativas del experimento (factores) han sido asignados por investigadores, a diferencia de haber ocurrido de forma natural.
      • En el contexto de los experimentos, el grupo control está formado por sujetos que no reciben un tratamiento, pero que por lo demás se manejan de manera idéntica a los que sí reciben el tratamiento.

    Aprender haciendo: Asignación aleatoria a grupos de tratamiento (Software)

    Experimentos Ciegos y Doble Ciego

    Supongamos que el experimento sobre métodos para dejar de fumar se realizó con asignaciones aleatorias de sujetos a los cuatro tratamientos, y los investigadores determinaron que el porcentaje que tuvo éxito con el método combinado fármaco/terapia fue mayor, y el porcentaje que tuvo éxito sin medicamentos o terapia fue más bajo. En otras palabras, supongamos que existe evidencia clara de una asociación entre el método utilizado y la tasa de éxito. ¿Podría concluirse que el método medicamento/terapia causa éxito más que tratar de dejar de fumar sin usar drogas o terapia? Tal vez.

    Aunque los experimentos controlados aleatorios nos dan una mejor oportunidad de precisar los efectos de la variable explicativa de interés, no están completamente libres de problemas. Por ejemplo, supongamos que los fabricantes del medicamento para dejar de fumar acababan de lanzar una campaña publicitaria de muy alto perfil con el objetivo de convencer a la gente de que su medicamento es sumamente efectivo como método para dejar de fumar.

    Incluso con una asignación aleatoria a los tratamientos, habría una diferencia importante entre los sujetos en los cuatro grupos: aquellos en los grupos de fármaco y combinación fármaco/terapia percibirían su tratamiento como prometedor, y podrían tener más probabilidades de tener éxito solo por la confianza agregada en el éxito de su método asignado. Por lo tanto, la circunstancia ideal es que los sujetos desconozcan qué tratamiento se les está administrando: es decir, los sujetos en un experimento deben ser (de ser posible) ciegos a qué tratamiento recibieron.

    ¿Cómo podrían los investigadores organizar que los sujetos sean ciegos cuando el tratamiento involucrado es un medicamento? Podrían administrar una píldora placebo al grupo control, para que no haya diferencias psicológicas entre quienes reciben el medicamento y los que no. La palabra “placebo” se deriva de una palabra latina que significa “agradar”. Se llama así por la tendencia natural de los sujetos humanos a mejorar solo por la idea “agradable” de ser tratados, independientemente de los beneficios del tratamiento en sí. Cuando los pacientes mejoran porque se les dice que están recibiendo tratamiento, a pesar de que en realidad no están recibiendo tratamiento, esto se conoce como el efecto placebo.

    A continuación, ¿cómo podrían los investigadores organizar que los sujetos sean ciegos cuando el tratamiento involucrado es un tipo de terapia? Esto es más problemático. Claramente, los sujetos deben ser conscientes de si están sometidos a algún tipo de terapia o no. No existe una forma práctica de administrar una terapia “placebo” a algunos sujetos. Así, el éxito relativo del tratamiento medicamento/terapia puede deberse a una mayor confianza de los sujetos en el éxito del método que se les asignó. Podemos sentirnos bastante seguros de que el método en sí mismo causa éxito en el abandono, pero no podemos estar absolutamente seguros.

    Cuando la respuesta de interés es bastante directa, como renunciar a los cigarrillos o no, entonces registrar sus valores es un proceso sencillo en el que los investigadores no necesitan usar su propio juicio para hacer una evaluación. Hay muchos experimentos donde la respuesta de interés es menos definida, como si un paciente con cáncer ha mejorado o no, o si un paciente psiquiátrico está o no menos deprimido. En tales casos, es importante que los investigadores que evalúan la respuesta sean ciegos a qué tratamiento recibió el sujeto, a fin de evitar que el efecto experimentador influya en sus valoraciones. Si ni los sujetos ni los investigadores saben a quién se le asignó qué tratamiento, entonces el experimento se llama doble ciego.

    La forma más confiable de determinar si la variable explicativa está causando cambios en la variable de respuesta es llevar a cabo un experimento aleatorizado controlado doble ciego. Dependiendo de las variables de interés, tal diseño puede no ser del todo factible, pero cuanto más se acercan los investigadores a lograr este diseño ideal, más convincentes son sus afirmaciones de causalidad (o falta de ella).

    ¿Recibí esto? : Experimentos

    Los escollos en la experimentación

    Algunas de las dificultades inherentes que pueden encontrarse en la experimentación son el efecto Hawthorne, la falta de realismo, el incumplimiento y los tratamientos poco éticos, imposibles o poco prácticos de imponer.

    Ya presentamos un experimento hipotético para determinar si las personas tienden a picar más mientras ven la televisión:

    • Reclutar participantes para el estudio.
    • Si bien presumiblemente esperan ser entrevistados, la mitad de los individuos se sientan en una sala de espera con refrigerios disponibles y una televisión encendida. La otra mitad se sienta en una sala de espera con refrigerios disponibles y sin televisión, solo revistas.
    • Los investigadores determinan si las personas consumen más refrigerios en el escenario de televisión.

    Supongamos que, de hecho, los sujetos que se sentaban en la sala de espera con la televisión consumían más refrigerios que los que se sentaban en la habitación sin el televisor. ¿Podríamos concluir que en su vida cotidiana, y en sus propios hogares, la gente come más refrigerios cuando la televisión está encendida? No necesariamente, porque el comportamiento de las personas en este entorno muy controlado puede ser bastante diferente de su comportamiento ordinario.

    Si sospechan que se está observando su comportamiento de refrigerios, pueden alterar su comportamiento, ya sea consciente o inconscientemente. Este fenómeno, por el cual las personas en un experimento se comportan de manera diferente a como se comportarían normalmente, se llama el efecto Hawthorne. Aunque no sospechen que están siendo observados en la sala de espera, la relación entre la televisión y la merienda en la sala de espera podría no ser representativa de lo que es en la vida real.

    Una de las mayores ventajas de un experimento —que los investigadores toman el control de la variable explicativa— también puede ser una desventaja, ya que puede resultar en un entorno bastante poco realista. La falta de realismo (también llamada falta de validez ecológica) es un posible inconveniente para el uso de un experimento más que de un estudio observacional para explorar una relación. Dependiendo de la variable explicativa de interés, puede ser bastante fácil o puede ser prácticamente imposible tomar el control de los valores de la variable y mantener un entorno bastante natural.

    En nuestro ejemplo hipotético para dejar de fumar, tanto el estudio observacional como el experimento se llevaron a cabo en una muestra aleatoria de 1,000 fumadores con intenciones de dejar de fumar. En el caso del estudio observacional, sería razonablemente factible ubicar a 1,000 personas de este tipo en la población en general, identificar su método pretendido y contactarlas nuevamente un año después para establecer si tuvieron éxito o no.

    En el caso del experimento, no es tan fácil tomar el control de la variable explicativa (método de cese) simplemente diciéndole a los mil sujetos qué método deben usar. El incumplimiento (no someterse al tratamiento asignado) podría entrar a una escala tan grande como para invalidar los resultados.

    Para garantizar que los sujetos de cada grupo de tratamiento realmente se sometan al tratamiento asignado, los investigadores tendrían que pagar por el tratamiento y ponerlo a disposición fácilmente. El costo de hacerlo para un grupo de mil personas iría más allá del presupuesto de la mayoría de los investigadores.

    Incluso si los medicamentos o la terapia fueran pagados, es muy poco probable que la mayoría de los sujetos contactados al azar estén dispuestos a utilizar un método que no sea de su elección, sino dictado por los investigadores. Desde un punto de vista práctico, tal estudio probablemente se llevaría a cabo en un grupo menor de voluntarios, reclutados a través de volantes o algún otro tipo de publicidad.

    El hecho de que sean voluntarios podría hacerlos algo diferentes de la mayor población de fumadores con intenciones de dejar de fumar, pero reduciría el problema más preocupante del incumplimiento. Los voluntarios pueden tener una mejor oportunidad general de éxito, pero si los investigadores se preocupan principalmente por qué método es más exitoso, entonces el éxito relativo de los diversos métodos debería ser aproximadamente el mismo para la muestra de voluntarios que para la población general, siempre y cuando los métodos sean asignados aleatoriamente. Así, la etapa más vital para la aleatorización en un experimento es durante la asignación de tratamientos, más que la selección de sujetos.

    Hay otros inconvenientes más serios para la experimentación, como se ilustra en los siguientes ejemplos hipotéticos:

    EJEMPLO:

    Supongamos que los investigadores quieren determinar si el medicamento Éxtasis causa pérdida de memoria. Un posible diseño sería tomar un grupo de voluntarios y asignar aleatoriamente algunos para tomar Éxtasis de forma regular, mientras que a los otros se les da un placebo. Probarlos periódicamente para ver si el grupo Éxtasis experimenta más problemas de memoria que el grupo placebo.

    El defecto obvio en este experimento es que no es ético (y en realidad también ilegal) administrar una droga peligrosa como Éxtasis, aunque los sujetos sean voluntarios. El único diseño factible para buscar respuestas a esta pregunta de investigación en particular sería un estudio observacional.

    EJEMPLO:

    Supongamos que los investigadores quieren determinar si las hembras se lavan el pelo con más frecuencia que los machos.

    Es imposible asignar algunas materias para que sean femeninas y otras masculinas, por lo que un experimento no es una opción aquí. Nuevamente, un estudio observacional sería la única forma de proceder.

    EJEMPLO:

    Supongamos que los investigadores quieren determinar si estar en un tramo de ingresos más bajos puede ser responsable de la obesidad en las mujeres, al menos en cierta medida, porque no pueden permitirse comidas más nutritivas y no tienen los medios para participar en actividades de acondicionamiento físico.

    El estatus socioeconómico del sujeto de estudio es una variable que no puede ser controlada por los investigadores, por lo que un experimento es imposible. (Incluso si los investigadores pudieran de alguna manera recaudar el dinero para proporcionar una muestra aleatoria de mujeres con salarios sustanciales, los efectos de sus hábitos alimenticios durante sus vidas antes de que comenzara el estudio seguirían estando presentes, y afectarían el resultado del estudio).

    Estos ejemplos deberían convencerte de que, dependiendo de las variables de interés, investigar su relación a través de un experimento puede ser demasiado poco realista, poco ético o poco práctico. Los estudios observacionales están sujetos a fallas, pero a menudo son el único recurso.

    Resumamos lo que hemos aprendido hasta ahora:

    1. Estudios observacionales:

    • Se permite que los valores de la variable explicativa ocurran de forma natural.
    • Debido a la posibilidad de variables al acecho, es difícil establecer la causalidad.
    • Si es posible, controlar las variables sospechosas de acecho mediante el estudio de grupos de individuos similares por separado.
    • Algunas variables al acecho son difíciles de controlar; otras pueden no ser identificadas.

    2. Experimentos

    • Los valores de la variable explicativa son controlados por investigadores (se impone el tratamiento).
    • La asignación aleatoria a los tratamientos controla automáticamente todas las variables al acecho.
    • Hacer ciegos a los sujetos evita el efecto placebo.
    • Hacer ciegos a los investigadores evita influencias conscientes o subconscientes en su evaluación subjetiva de las respuestas.
    • Un experimento aleatorizado controlado doble ciego es generalmente óptimo para establecer la causalidad.
    • La falta de realismo puede impedir a los investigadores generalizar los resultados experimentales a situaciones de la vida real.
    • El incumplimiento puede socavar un experimento. Una muestra voluntaria podría resolver (al menos parcialmente) este problema.
    • Es imposible, poco práctico o poco ético imponer algunos tratamientos.

    Más sobre los experimentos

    CO-3: Describir las fortalezas y limitaciones de experimentos diseñados y estudios observacionales.

    Objetivos de aprendizaje

    LO 3.2: Explicar cómo el diseño del estudio impacta los tipos de conclusiones que se pueden extraer.

    Objetivos de aprendizaje

    LO 3.3: Identificar y definir características clave del diseño experimental (aleatorizado, ciego, etc.).

    Video

    Video: Más sobre los experimentos (4:09)

    Experimentos con más de una variable explicativa

    No es raro que los experimentos presenten dos o más variables explicativas (llamadas factores). En este curso, nos enfocamos en el análisis exploratorio de datos y la inferencia estadística en situaciones que involucran una sola variable explicativa. Sin embargo, ahora consideraremos el diseño de experimentos que involucran varias variables explicativas, con el fin de familiarizar a los estudiantes con su estructura básica.

    EJEMPLO:

    Supongamos que los investigadores no sólo están interesados en el efecto de la dieta sobre la presión arterial, sino también en el efecto de dos nuevos fármacos. A los sujetos se les asigna ya sea Dieta Control (sin restricciones), Dieta #1, o Dieta #2, (la dieta variable tiene, entonces, 3 valores posibles) y también se les asigna para recibir ya sea Placebo, Medicamento #1, o Medicamento #2 (la variable Fármaco, entonces, también tiene tres valores). Este es un ejemplo donde el experimento tiene dos variables explicativas y una variable de respuesta. Para establecer tal experimento, tiene que haber un grupo de tratamiento por cada combinación de categorías de las dos variables explicativas. Así, en este caso hay 3 * 3 = 9 combinaciones de las dos variables a las que se asignan los sujetos. Los grupos de tratamiento se ilustran y etiquetan en la siguiente tabla:

    Los encabezamientos de columna para la tabla son para la variable Dieta: “Sin dieta”, “Dieta especial 1" y “Dieta especial 2”. Las Filas son para la variable de medicamento: “Placebo”, “Medicamento 1" y “Medicamento 2". Hay 9 celdas en la tabla, una por cada combinación posible de fila y columna. Estas celdas están etiquetadas como “tttX”, donde X está en el rango de [1-9], representando cada combinación.

    Los sujetos serían asignados aleatoriamente a uno de los nueve grupos de tratamiento. Si encontramos diferencias en las proporciones de sujetos que alcanzan la presión arterial “zona moderada” más baja entre los nueve grupos de tratamiento, entonces tenemos evidencia de que las dietas y/o medicamentos pueden ser eficaces para reducir la presión arterial.

    A partir de la población generamos una muestra. Los individuos de la muestra se representan como un todo visualmente con un círculo. Estos individuos se dividen luego asignándolos aleatoriamente a uno de los 9 grupos de tratamiento. Estos grupos de tratamiento son “ttt1: sin dieta y placebo”, “ttt2: dieta 1 y placebo”, “ttt3: dieta 2 y placebo”, y así sucesivamente, hasta “ttt9: dieta 2 y fármaco 2”. Se comparan las respuestas de cada uno de estos grupos de tratamiento.

    Comentarios:

    • Recordemos que la aleatorización puede emplearse en dos etapas de un experimento: en la selección de sujetos, y en la asignación de tratamientos. Lo primero puede ser útil para permitirnos generalizar lo que ocurre entre nuestros sujetos a lo que ocurriría en la población general, pero la realidad de la mayoría de los escenarios experimentales es que se utiliza una muestra de conveniencia o voluntaria. Lo más probable es que el estudio de presión arterial descrito anteriormente utilizara sujetos voluntarios. Lo importante es asegurarse de que estos sujetos sean asignados aleatoriamente a una de las nueve combinaciones de tratamiento.
    • Para obtener información óptima sobre los individuos en todos los diversos grupos de tratamiento, nos gustaría hacer asignaciones no solo al azar, sino también de manera uniforme. Si hay 90 sujetos en el estudio de presión arterial descrito anteriormente, y 9 posibles grupos de tratamiento, entonces cada grupo debe llenarse aleatoriamente con 10 individuos. Se podría tomar una muestra aleatoria simple de 10 del grupo mayor de 90, y esos individuos serían asignados al primer grupo de tratamiento. A continuación, el segundo grupo de tratamiento se llenaría con una simple muestra aleatoria de 10 tomados de los 80 sujetos restantes. Este proceso se repetiría hasta que los 9 grupos se llenaran con 10 individuos cada uno.

    ¿Recibí esto? : Experimentos #2

    Modificaciones a la aleatorización

    En algunos casos, el diseño de un experimento puede potenciarse relajando el requerimiento de aleatorización total y bloqueando primero a los sujetos, dividiéndolos en grupos de individuos que son similares con respecto a una variable externa que puede ser importante en la relación que se estudia. Esto puede ayudar a garantizar que el efecto de los tratamientos, así como las variables de fondo, se midan con mayor precisión. En el bloqueo, simplemente dividimos los sujetos muestreados en bloques basados en los diferentes valores de la variable de fondo, y luego asignamos aleatoriamente los tratamientos dentro de cada bloque. Así, el bloqueo en la asignación de sujetos es análogo a la estratificación en el muestreo.

    Por ejemplo, considere nuevamente nuestro experimento examinando las diferencias entre tres versiones de software de la última actividad Learn By Doing. Si sospechamos que el género podría afectar las preferencias de software de las personas, podríamos optar por asignar sujetos a bloques separados, uno para hombres y otro para mujeres. Dentro de cada bloque, los sujetos son asignados aleatoriamente a los tratamientos y el tratamiento procede como de costumbre. A continuación se muestra un diagrama de bloqueo en esta situación:

    Tenemos 2 bloques, 3 grupos de tratamiento cada uno (por asignación aleatoria). A partir de la población generamos una muestra. Esta muestra de individuos se divide luego en dos bloques, Machos y Hembras. Luego, cada bloque se divide aleatoriamente en los tres grupos de tratamiento: “tt1: software existente”, “ttt2 nuevo software 1" y “ttt3 nuevo software 2". Entonces, terminamos con 6 grupos totales. Dentro de cada grupo las respuestas de los grupos de tratamiento se comparan entre sí, generando resultados por separado para cada bloque.

    EJEMPLO:

    Supongamos que los productores de gasolina quieren comparar cuál de dos tipos de gas da como resultado un mejor kilometraje para los automóviles. En caso de que el tamaño del vehículo juegue un papel en la efectividad de diferentes tipos de gasolina, primero podrían bloquear por tamaño de vehículo, luego asignar aleatoriamente algunos autos dentro de cada bloque a Gasolina A y otros a Gasolina B:

    Este ejemplo consta de 2 bloques, 2 grupos de tratamiento cada uno (por asignación aleatoria). De la población generamos una muestra, luego la separamos en dos bloques, “Pequeño” y “Grande”, según el tamaño del vehículo.; Dentro de estos bloques asignamos al azar vehículos para usar ya sea Gasolina A o Gasolina B (Entonces, cada bloque se divide en dos grupos de tratamiento, “ttt1: Gasolina A”, y “ttt2: Gasolina B”), resultando en 4 grupos totales. Luego, dentro de cada bloque, comparamos las respuestas, por lo que obtenemos resultados para cada bloque individualmente.

    En el extremo, los investigadores pueden examinar una relación para una muestra de bloques de solo dos individuos que son similares en muchos aspectos importantes, o incluso el mismo individuo cuyas respuestas se comparan para dos valores explicativos.

    EJEMPLO:

    Por ejemplo, los investigadores podrían comparar los efectos de la Gasolina A y la Gasolina B cuando ambas se utilizan en el mismo automóvil, para una muestra de muchos autos de varios tamaños y modelos.

    En este Diseño de Pares Emparejados tenemos n bloques de autos individuales, con 2 grupos de tratamiento cada uno, realizados por asignación aleatoria. A partir de la población generamos el grupo muestral. Luego, el grupo de muestra se coloca en n bloques para cada automóvil individual. Cada uno de estos bloques se somete a dos tratamientos por asignación aleatoria. Estos tratamientos son “ttt1 Gasolina A” y “ttt2 Gasolina B.” Para cada auto, se comparan las respuestas a cada tratamiento, resultando en un tratamiento para cada

    Tal diseño de estudio, llamado pares emparejados, puede permitirnos identificar los efectos de la variable explicativa comparando las respuestas para el mismo individuo bajo dos valores explicativos, o para dos individuos que son lo más similares posible excepto que el primero recibe un tratamiento, y el segundo obtiene otro (o sirve como control). Los tratamientos generalmente deben asignarse al azar dentro de cada par, o el orden de los tratamientos debe ser aleatorizado para cada individuo. En nuestro ejemplo de gasolina, para cada auto se debe aleatorizar el orden de prueba (Gasolina A primero, o Gasolina B primero).

    EJEMPLO:

    Supongamos que los investigadores quieren comparar los méritos relativos de las pastas dentales con y sin ingredientes de control del sarro. Para hacer la comparación entre individuos que son lo más similares posible con respecto a los antecedentes y la dieta, podrían obtener una muestra de gemelos idénticos. Uno de cada par se asignaría aleatoriamente a cepillarse con la pasta dental de control de sarro, mientras que el otro se cepillaría con pasta de dientes regular de la misma marca Estos se proporcionarían en tubos sin marcar, para que los sujetos quedaran ciegos. Para hacer el experimento doble ciego, los dentistas que evalúan los resultados no sabrían quién utilizó qué pasta dental.

    Diseño Pareado. Hay n bloques, cada uno representado por un círculo con dos gemelos idénticos en ellos. Al azar, se le da el tratamiento de sarro o pasta de dientes regular a cada gemelo. Entonces, cada círculo tiene dos gemelos, dos tipos de pasta de dientes, y a cada gemelo se le asigna aleatoriamente un tipo de pasta de dientes.

    Los estudios de “antes y después” son otro tipo común de diseño de pares emparejados. Para cada individuo, la variable de respuesta de interés se mide dos veces: primero antes del tratamiento, luego nuevamente después del tratamiento. La variable explicativa categórica es qué tratamiento se aplicó, o si se aplicó un tratamiento, a ese participante.

    Comentario:

    • Hemos explicado la producción de datos como un proceso de dos etapas: primero obtener la muestra, luego evaluar las variables de interés a través de un diseño de estudio apropiado. A pesar de que los pasos se llevan a cabo en este orden cronológico, generalmente es mejor que los investigadores decidan sobre el diseño de un estudio antes de que realmente obtengan la muestra. Para el ejemplo de pasta de dientes anterior, los investigadores primero decidirían usar el diseño de pares emparejados, luego obtendrían una muestra de gemelos idénticos, luego realizarían el experimento y evaluarían los resultados.

    Estos ejemplos deberían convencerte de que, dependiendo de las variables de interés, investigar su relación a través de un experimento puede ser demasiado poco realista, poco ético o poco práctico. Los estudios observacionales están sujetos a fallas, pero a menudo son el único recurso.

    ¿Recibí esto? : Más sobre los experimentos


    Causalidad y Experimentos is shared under a CC BY-NC-SA 4.0 license and was authored, remixed, and/or curated by LibreTexts.