1.5: Tipo de Diseños de Investigación

Los estudios de investigación vienen en muchas formas, y, al igual que con los diferentes tipos de datos que tenemos, diferentes tipos de estudios nos dicen cosas diferentes. La elección del diseño de investigación está determinada por la cuestión de investigación y la logística involucrada. Aunque una comprensión completa de los diferentes diseños de investigación es el tema para al menos una clase completa, si no más, una comprensión básica de los principios es útil aquí. Hay tres tipos de diseños de investigación que discutiremos: experimental, cuasiexperimental y no experimental.

Diseños Experimentales

Si queremos saber si un cambio en una variable provoca un cambio en otra variable, debemos usar un experimento verdadero. Un experimento se define por el uso de asignación aleatoria a condiciones de tratamiento y manipulación de la variable independiente. Para entender lo que esto significa, veamos un ejemplo:

Un investigador clínico quiere saber si un medicamento recién desarrollado es efectivo en el tratamiento de la gripe. Al trabajar con colaboradores en varios hospitales locales, toma muestras al azar de 40 pacientes de gripe y asigna aleatoriamente a cada uno de dos padecimientos: el Grupo A recibe el nuevo medicamento y el Grupo B recibió un placebo. Ella mide los síntomas de todos los participantes después de 1 semana para ver si hay diferencia en los síntomas entre los grupos.

En el ejemplo, la variable independiente es el tratamiento farmacológico; lo manipulamos en 2 niveles: nuevo fármaco o placebo. Sin que el investigador administre el fármaco (es decir, manipular la variable independiente), no habría diferencia entre los grupos. Cada persona, después de ser muestreada aleatoriamente para estar en la investigación, fue entonces asignada aleatoriamente a uno de los 2 grupos. Es decir, el muestreo aleatorio y la asignación aleatoria no son lo mismo y no se pueden usar indistintamente. Para que la investigación sea un verdadero experimento, se debe utilizar la asignación aleatoria. Para que la investigación sea representativa de la población, se debe utilizar el muestreo aleatorio. El uso de ambas técnicas ayuda a asegurar que no existan diferencias sistemáticas entre los grupos, eliminando así el potencial de sesgo de muestreo.

La variable dependiente en el ejemplo son los síntomas de la gripe. Salvo cualquier otra intervención, supondríamos que las personas de ambos grupos, en promedio, mejoran aproximadamente al mismo ritmo. Debido a que no hay diferencias sistemáticas entre los 2 grupos, si la investigadora encuentra una diferencia en los síntomas, puede atribuirla con confianza a la efectividad del nuevo medicamento.

Diseños cuasi-experimentales

La investigación cuasi-experimental implica acercarnos lo más posible a las condiciones de un verdadero experimento cuando no podemos cumplir con todos los requisitos. Específicamente, un cuasiexperimento implica manipular la variable independiente pero no asignar aleatoriamente a las personas a grupos. Hay varias razones por las que esto podría ser utilizado. Primero, puede ser poco ético negar el tratamiento potencial a alguien si hay buenas razones para creer que será efectivo y que la persona sufriría indebidamente si no lo recibiera. Alternativamente, puede ser imposible asignar personas aleatoriamente a grupos. Considera el siguiente ejemplo:

Un profesor quiere probar un nuevo método de enseñanza para ver si mejora el aprendizaje de los alumnos. Debido a que está impartiendo dos secciones del mismo curso, decide impartir una sección de la manera tradicional y la otra utilizando el nuevo método. Al final del semestre, compara las calificaciones de la final para cada clase para ver si hay alguna diferencia.

En este ejemplo, el profesor ha manipulado su método de enseñanza, que es la variable independiente, esperando encontrar una diferencia en el rendimiento estudiantil, la variable dependiente. Sin embargo, debido a que los estudiantes se inscriben en cursos, no puede asignar aleatoriamente a los estudiantes a un grupo en particular, impidiendo así utilizar un verdadero experimento para responder a su pregunta de investigación. Debido a esto, no podemos saber con certeza que no existen diferencias sistemáticas entre las clases que no sean el estilo de enseñanza y por lo tanto no pueden determinar la causalidad.

Diseños no experimentales

Finalmente, la investigación no experimental (a veces llamada investigación correlacional) implica observar las cosas tal como ocurren naturalmente y registrar nuestras observaciones como datos. Considera este ejemplo:

Un científico de datos quiere saber si existe una relación entre cuán concienzuda es una persona y si esa persona es un buen empleado. Ella espera utilizar esta información para predecir el desempeño laboral de futuros empleados midiendo su personalidad cuando aún son solicitantes de empleo. Ella toma muestras al azar de empleados voluntarios de varias empresas diferentes, midiendo su escrupulosidad y haciendo que sus jefes califiquen su desempeño en el trabajo. Analiza estos datos para encontrar una relación.

Aquí, no es posible manipular concienzudamente, por lo que la investigadora debe recabar datos de los empleados tal como están para encontrar una relación entre sus variables.

Si bien esta técnica no puede establecer la causalidad, todavía puede ser bastante útil. Si la relación entre la escrupulosidad y el desempeño laboral es consistente, entonces no necesariamente importa si la conciencia causa un buen desempeño o si ambos son causados por otra cosa —todavía puede medir la escrupulosidad para predecir el desempeño futuro. Adicionalmente, estos estudios tienen el beneficio de reflejar la realidad tal como realmente existe ya que nosotros como investigadores no cambiamos nada.