1.2: Teoría e Investigación Empírica

Este libro se ocupa de la conexión entre las afirmaciones teóricas y los datos empíricos. Se trata de utilizar modelos estadísticos; en particular, la herramienta de análisis de regresión, que se utiliza para desarrollar y refinar teorías. Definimos la teoría en términos generales como un conjunto de proposiciones interrelacionadas que buscan explicar y, en algunos casos, predecir un fenómeno observado.

Teoría: Un conjunto de proposiciones interrelacionadas que buscan explicar y predecir un fenómeno observado.

Las teorías contienen tres características importantes que discutimos en detalle a continuación.

Características de las buenas teorías

• Coherente e internamente consistente
• Causal en la naturaleza
• Generar hipótesis comprobables

1.2.1 Coherente e internamente consistente

El conjunto de proposiciones interrelacionadas que constituyen una teoría bien estructurada se basan en conceptos. En teorías bien desarrolladas, las relaciones esperadas entre estos conceptos son coherentes e internamente consistentes. Coherencia significa la identificación de conceptos y las relaciones especificadas entre ellos son lógicas, ordenadas e integradas. Una teoría internamente consistente explicará las relaciones con respecto a un conjunto de causas y condiciones subyacentes comunes, proporcionando consistencia en las relaciones esperadas (y evitación de contradicciones). Para la investigación cuantitativa sistemática, se definen los conceptos teóricos relevantes de manera que puedan medirse y cuantificarse. Algunos conceptos son relativamente fáciles de cuantificar, como el número de votos emitidos para el candidato presidencial ganador en un año determinado o la frecuencia de detenciones por delitos relacionados con pandillas en una región y periodo de tiempo en particular. Otros son más difíciles, como los conceptos de democratización, ideología política o aprobación presidencial. Los conceptos que son más difíciles de medir deben operacionalizarse cuidadosamente, lo que es un proceso de relacionar un concepto con una observación que puede medirse mediante un procedimiento definido. Por ejemplo, la ideología política suele operacionalizarse a través de encuestas de opinión pública que piden a los encuestados que se coloquen en una escala tipo Likert de categorías ideológicas.

Conceptos y Variables

Un concepto es común entre eventos o casos individuales observados. Es una regularidad que encontramos en un mundo complejo. Los conceptos son nuestros bloques de construcción para comprender el mundo y desarrollar la teoría que explica el mundo. Una vez que hemos identificado los conceptos buscamos explicarlos desarrollando teorías basadas en ellos. Una vez que hemos explicado un concepto necesitamos definirlo. Lo hacemos en dos pasos. Primero, le damos una definición similar a un diccionario, llamada definición nominal. Luego, desarrollamos una definición operativa que identifica cómo podemos medirla y cuantificarla.

Una vez que se ha cuantificado un concepto, se emplea en el modelado como variable. En el modelado estadístico, las variables son consideradas como variables dependientes o independientes. Una variable dependiente, Y, es la variable de resultado; este es el concepto que estamos tratando de explicar y/o predecir. La (s) variable (s) independiente (s), X, es la (s) variable (s) que se utiliza para predecir o explicar la variable dependiente. Las relaciones esperadas entre (y entre) las variables son especificadas por la teoría.

Medición

Al medir conceptos, los indicadores que se utilizan en las teorías de construcción y pruebas deben ser válidos y confiables. La validez se refiere a qué tan bien la medición capta el concepto. La validez facial, por ejemplo, se refiere a la plausibilidad y aceptación general de la medida, mientras que la validez de dominio de la medida se refiere al grado en que captura todos los aspectos relevantes del concepto. La confiabilidad, por el contrario, se refiere a cuán consistente es la medida con aplicaciones repetidas. Una medida es confiable si, cuando se aplica a las observaciones repetidas en entornos similares, los resultados son consistentes.

Evaluación de la calidad de una medida

La medición es el proceso de asignar números al fenómeno o concepto que le interesa. La medición es sencilla cuando podemos observar directamente el fenómeno. Uno está de acuerdo en una métrica, como pulgadas o libras, y luego se da cuenta de cuántas de esas unidades están presentes para el caso en cuestión. La medición se vuelve más desafiante cuando no se puede observar directamente el concepto de interés. En ciencia política y política pública, algunas de las cosas que queremos medir son directamente observables: cuántos dólares se gastaron en un proyecto o cuántos votos recibe el titular, pero muchos de nuestros conceptos no son observables: está el tema X en la agenda del público, qué tan exitoso es un programa, o cuánto los ciudadanos confían en el presidente. Cuando el concepto no es directamente observable la definición operativa es especialmente importante. La definición operativa explica exactamente lo que hará el investigador para asignar un número para cada sujeto/caso.

En realidad, siempre existe alguna posibilidad de que el número asignado no refleje el verdadero valor para ese caso, es decir, puede haber algún error involucrado. El error puede ocurrir por cualquier número de razones, incluyendo errores en la codificación, la necesidad de juicios subjetivos o un instrumento de medición que carezca de precisión. Este tipo de errores generalmente producirán resultados inconsistentes; es decir, reducen la confiabilidad. Podemos evaluar la confiabilidad de un indicador usando uno de dos enfoques generales. Un enfoque es un método test-retest donde los mismos sujetos se miden en dos puntos diferentes en el tiempo. Si la medida es confiable, la correlación entre las dos observaciones debe ser alta. También podemos evaluar la confiabilidad usando múltiples indicadores del mismo concepto y determinando si existe una fuerte intercorrelación entre ellos utilizando fórmulas estadísticas como el alfa de Cronbach o la Fórmula 20 de Kuder-Richardson (KR-20).

También podemos tener error cuando nuestra medida no es válida. Los indicadores válidos miden el concepto que creemos que están midiendo. El indicador debe converger con el concepto y discriminar entre el concepto y conceptos similares pero diferentes. Desafortunadamente, no existe una forma segura de determinar si un indicador es válido. Sin embargo, hay algunas cosas que puedes hacer para ganar confianza en la validez del indicador. Primero, puedes simplemente mirarlo desde una perspectiva lógica y preguntar si parece que es válido. ¿Tiene validez facial? Segundo, se puede ver si se correlaciona bien con otros indicadores que se consideran válidos, y en formas que son consistentes con la teoría. Esto se llama validez de constructo. En tercer lugar, se puede determinar si funciona de la manera esperada, lo que se conoce como validez predictiva. Por último, tenemos más confianza si otros investigadores que utilizan el mismo concepto coinciden en que el indicador se considera válido. Esta validez consensuada al menos asegura que diferentes investigadores estén hablando de lo mismo.

Medición de diferentes tipos de conceptos

La medición se puede aplicar a diferentes tipos de conceptos, lo que hace que las medidas de diferentes conceptos varíen. Hay tres niveles primarios de medición; ordinal, intervalo y nominal. Las medidas de nivel ordinal indican diferencias relativas, como más o menos, pero no proporcionan distancias iguales entre intervalos en la escala de medición. Por lo tanto, las medidas ordinales no pueden decirnos cuánto es más o menos una observación que otra. Imagina una pregunta de encuesta pidiendo a los encuestados que identifiquen sus ingresos anuales. A los encuestados se les da la opción de cinco niveles de ingresos diferentes: $0-20,000, $20.000-50,000, $50,000-$100,000 y $100.000+. Esta medida nos da una idea del orden de clasificación de los ingresos de los encuestados, pero es imposible para nosotros identificar diferencias consistentes entre estas respuestas. Con una medida de nivel de intervalo, la variable se ordena y las diferencias entre valores son consistentes. Siguiendo con el ejemplo de los ingresos, ahora se les pide a los encuestados que proporcionen sus ingresos anuales a la marca de diez mil dólares más cercana (por ejemplo, $10,000, $20,000, 30,000, etc.). Esta técnica de medición produce una variable de nivel de intervalo porque tenemos tanto un orden de rango como un espaciado igual entre valores. Las escalas de relación son medidas de intervalo con la característica especial de que el valor de cero (0) indica la ausencia de alguna propiedad. Un valor de cero (0) ingresos en nuestro ejemplo puede indicar que una persona no tiene trabajo. Otro ejemplo de una escala de relación es la escala de temperatura Kelvin porque cero (0) grados Kelvin indica la ausencia completa de calor. Finalmente, una medida de nivel nominal identifica diferencias categóricas entre observaciones. Los valores numéricos asignados a las variables nominales no tienen significado inherente, sino que solo diferencian un tipo” (por ejemplo, género, raza, religión) de otro.

1.2.2 Teorías y Causalidad

Las teorías deben ser de naturaleza causal, lo que significa que se piensa que una variable independiente tiene una influencia causal sobre la variable dependiente. En otras palabras, un cambio en la variable independiente provoca un cambio en la variable dependiente. La causalidad se puede considerar como el motor” que impulsa el modelo y proporciona la base para la explicación y (posiblemente) la predicción.

La base de la causalidad en las teorías

1. Orden del tiempo: La causa precede al efecto, X→Y
2. Covariación: Los cambios en X están asociados con cambios en Y
3. No espuria: No hay una variable Z que cause tanto X como Y

Para establecer la causalidad queremos demostrar que un cambio en la variable independiente es una condición necesaria y suficiente para un cambio en la variable dependiente (aunque las relaciones interdependientes más complejas también se pueden modelar cuantitativamente). Podemos pensar en la variable independiente como un tratamiento, τ, y especulamos que τ provoca un cambio en nuestra variable dependiente, Y. El patrón oro” para la inferencia causal es un experimento donde a) el nivel de ττ es controlado por el investigador y b) los sujetos son asignados aleatoriamente a un grupo de tratamiento o control . El grupo que recibe el tratamiento tiene resultado Y ₁ y el grupo control tiene resultado Y ₀; el efecto del tratamiento puede definirse como τ=Y ₁ -Y ₀. La causalidad se infiere porque el tratamiento solo se le dio a un grupo, y dado que a estos grupos se les asignaron aleatoriamente otras influencias deben lavarse. Así, la diferencia τ=Y ₁ -Y 0 puede atribuirse al tratamiento.

Dada la naturaleza de la teorización de las ciencias sociales y las políticas públicas, muchas veces no podemos controlar el tratamiento de los intereses. Por ejemplo, nuestro estudio de caso en este texto se refiere al efecto de la ideología política en las opiniones sobre el medio ambiente. Para este tipo de relación, no podemos asignar aleatoriamente la ideología en un sentido experimental. En cambio, empleamos controles estadísticos para dar cuenta de las posibles influencias de factores de confusión, como la edad y el género. Usando regresión múltiple controlamos para otros factores que podrían influir en la variable dependiente. ¹

1.2.3 Generación de hipótesis comprobable

La construcción de la teoría se logra a través de la prueba de hipótesis derivadas de la teoría. En forma simple, una teoría implica (conjuntos de) relaciones entre conceptos. Estos conceptos son luego operacionalizados. Finalmente, se desarrollan modelos para examinar cómo se relacionan las medidas. Las hipótesis debidamente especificadas pueden probarse con datos empíricos, los cuales se derivan de la aplicación de medidas válidas y confiables a observaciones relevantes. La prueba y re-prueba de hipótesis desarrolla niveles de confianza que podemos tener para las proposiciones centrales que constituyen la teoría. En resumen, las teorías empíricamente fundamentadas deben ser capaces de postular hipótesis claras que sean comprobables. En este texto, discutimos hipótesis y las probamos utilizando modelos y datos relevantes.

Como se señaló anteriormente, este texto utiliza los conceptos de ideología política y puntos de vista sobre el entorno como estudio de caso con el fin de generar y probar hipótesis sobre las relaciones entre estas variables. Por ejemplo, a partir de cuentas de medios populares, es plausible esperar que los conservadores políticos tengan menos probabilidades de preocuparse por el medio ambiente que los moderados políticos o los liberales. Por lo tanto, podemos plantear la hipótesis de trabajo de que las medidas de ideología política se relacionarán sistemáticamente con medidas de preocupación por el medio ambiente, con los conservadores mostrando menos preocupación por el medio ambiente. En las pruebas de hipótesis clásicas, la hipótesis de trabajo se prueba contra una hipótesis nula. Una hipótesis nula es una hipótesis implícita que postula que la variable independiente no tiene ningún efecto (es decir, efecto nulo) sobre la variable dependiente. En nuestro ejemplo, la hipótesis nula afirma que la ideología no tiene ningún efecto sobre la preocupación ambiental.