Métodos de investigación en el estudio de las diferencias individuales

4
Capítulo
Métodos de investigación en el estudio de las
diferencias individuales
Pedro J. Amor Andrés y Ángeles Sánchez-Elvira Paniagua
En esta guía de estudio se indica qué “EPÍGRAFES” y “CUADROS” NO SON MATERIA DE
EXAMEN. En el apartado de “COMENTARIOS” se hace referencia a tres aspectos:
-
los contenidos específicos que dentro de los epígrafes “eliminados” SÍ SON
MATERIA DE EXAMEN.
la conveniencia de leer los contenidos que no serán incluidos como materia de
examen;
y sugerencias concretas acerca de cómo abordar el estudio de algunos de los
contenidos que sí son materia de estudio.
Es importante señalar que aunque estos contenidos no vayan a ser objeto de preguntas en
el examen, ES CONVENIENTE SU LECTURA DETENIDA para comprender mejor aquellos
sobre los que sí se va a preguntar.
CAPÍTULOS
EPÍGRAFES
COMENTARIOS
Capítulo 4 1.
Aplicación
del
método Leer las características del método
científico al análisis de la científico para centrar el tema, así como
1
variación individual
sus requisitos.
2.2. Requisitos del método
científico
Es conveniente que el alumno lea los cuadros correspondientes a las
distintas técnicas estadísticas para una mejor comprensión de las técnicas
de análisis utilizadas en la Psicología Diferencial, si bien no es necesario
estudiarlas, excepto el Análisis Factorial (cuadro 4.5.), que sí es materia de
estudio.
1
Cuando se elimina un epígrafe significa que no entra para examen todo lo que se incluye
dentro de él (subepígrafes, cuadros, figuras, tablas, etc., salvo las excepciones que se
especifican en la columna de comentarios y en el mapa de cuadros).
MAPA DE CUADROS
Los cuadros correspondientes a los distintos capítulos del libro que NO
SON MATERIA DE EXAMEN son los que aparecen en una casilla en blanco.
Todos los cuadros sombreados son objeto de estudio.
TEMA 4
1
2
3
4
5
6
7
8
9
10
1
4
Capítulo
Métodos de investigación en el estudio de las
diferencias individuales
Pedro J. Amor Andrés y Ángeles Sánchez-Elvira Paniagua
I.
INTRODUCCIÓN
II.
OBJETIVOS
III.
CONTENIDOS ESPECÍFICOS DEL TEMA
1. Aplicación del método científico al análisis de la variación individual
1.1. Fases en el método científico
1.2. La espiral de Cattell: el método "Inductivo-Hipotético-Deductivo"
2. Investigación en diferencias individuales
2.1. Las dos disciplinas de la Psicología Científica
2.2. Requisitos del método científico
2.3. Estudio de las diferencias individuales y validez científica
3. Diseños de investigación en el estudio de diferencias individuales
3.1. Manipulabilidad de los diseños
a) Diseños ex-post-facto
a.1. Diseños correlacionales
a.2. Diseños propiamente comparativos
b) Diseños cuasi-experimentales
3.2. Temporalidad de los diseños
a) El diseño transversal
b) El diseño longitudinal
IV.
RESUMEN
2
I. INTRODUCCIÓN
Desde los inicios de su actividad cognitiva consciente y organizada el ser humano ha
pretendido con mayor o menor fortuna acceder al conocimiento y comprensión de su
mundo. Siglos de pensamiento formal han posibilitado los avances en el conocimiento
humano. A este camino recorrido para alcanzar el saber (que representa un modo
ordenado y continuado de proceder) se le denomina método. Enunciado de forma más
pragmática, el método representa "la acción encaminada a analizar y resolver un conjunto
de problemas relativos a nuestra experiencia" (Delclaux, 1989; pág. 61).
Por otra parte, la aplicación del método científico es la forma usual de trabajar que
posibilita el “saber científico” en cualquier disciplina, incluyendo la psicología. Este modo
de búsqueda del conocimiento constituye la horma necesaria para la elaboración de ese
constructo abstracto y complejo denominado “ciencia”, ya que es entendida como un
"conjunto organizado de conocimientos que han sido adquiridos utilizando un método
científico" (Zimmy, 1961; cf. Pereda, 1987).
Según Bermúdez (1985) "lo que se pretende en toda actividad científica es alcanzar un
conocimiento sobre las relaciones funcionales existentes entre los fenómenos de interés.
Este objetivo se puede lograr siguiendo una serie de procedimientos que constituyen lo
que, de una u otra forma, se llama <método>". En definitiva, el saber científico a
diferencia del conocimiento ordinario, es decir, aquel derivado del sentido común,
presenta un control riguroso y un carácter sistemático y empírico (Kerlinger, 1973).
Por último, una buena manera de hacerse idea de cuáles son las perspectivas actuales en la
investigación de las diferencias individuales, y de las estrategias metodológicas que se
habitualmente se emplean, puede obtenerse revisando los resúmenes de las actas de los
“Congresos” específicos en el área de las diferencias individuales, y también consultando
las investigaciones empíricas más recientes publicadas en revistas científicas
especializadas, tales como “Personality and Individual Differences”, “European Journal
of Personality”, “European Journal of Cognitive Psychology” “Educational and
Psychological Measurement”, “Intelligence”, “Journal of Personality”, “Psychological
Research”, etc.
II. OBJETIVOS
OBJETIVO GENERAL
OBJETIVOS ESPECÍFICOS
Familiarizar al lector con la aplicación del
método científico en el estudio de las
diferencias individuales.
Ofrecer una perspectiva metodológica general
que
permita
comprender
mejor
las
investigaciones que a lo largo del texto se
explican y que, al mismo tiempo, sirva de
introducción al vasto corpus teórico y
empírico vinculado a esta disciplina.
Contextualizar la “Psicología de las
Diferencias Individuales” dentro de los
diferentes paradigmas científicos existentes.
3
Señalar
las
estrategias
metodológicas
científicas empleadas en el estudio de las
diferencias individuales, haciendo especial
hincapié en el análisis factorial como técnica
de análisis de datos más representativa de esta
disciplina.
III. CONTENIDOS ESPECÍFICOS DEL TEMA
Los contenidos de este tema se agrupan en los siguientes apartados: en el primero
se enuncia de forma sucinta cuáles son las características definitorias del método científico
y de su aplicación al estudio psicológico de la variabilidad humana. En el segundo se
comparan, por una parte, las dos disciplinas de la Psicología Científica y por otra, se
señalan los principales requisitos del método científico, en general, y del estudio de las
diferencias individuales, en particular. Y en el tercer bloque se analizan las estrategias
metodológicas que, siempre dentro del marco del método científico, permiten abordar
aquellas cuestiones derivadas del objeto de esta disciplina: “la naturaleza, origen y
entendimiento funcional de las diferencias individuales”; en concreto, se describen y
clasifican los diferentes diseños de investigación atendiendo a dos criterios fundamentales:
la "manipulabilidad" y la "temporalidad" de los mismos.
1. Aplicación del método científico al análisis de la variación individual
Desde figuras como Galileo, Baçon o Descartes, el desarrollo del método científico
general, común para todas las ciencias, estará asociado a un proceso estructurado conocido
como Método Hipotético-Deductivo (Sánchez-Elvira, 1996). Dicho método utiliza de
forma combinada la inducción y la deducción, ya que la ciencia en su búsqueda de
conocimiento necesita tanto de los datos empíricos como de las teorías (Fontes, GarcíaGallego, Garriga, Pérez-Llantada y Sarriá, 2001).
1.1. Fases en el Método Científico
El método hipotético-deductivo se articula en diversas fases que pueden variar
sensiblemente en cuanto al número estimado por los distintos autores (Mayor, 1989), y que
siempre hacen referencia a una serie de pasos fundamentales (figura 4.1):
1º. Observación: recogida de datos a través de una observación empírica y objetiva, de
carácter sistemático, acotando un área de interés. En este sentido, R.B. Cattell (1946)
propuso diferentes posibilidades de recogida de datos para estudiar las diferencias
individuales. Para ello, se basó en su “cubo de datos” o matriz básica de relaciones entre
datos” que representa las tres fuentes de variación a considerar: las personas, las
situaciones y las ocasiones. Según sea el objeto de estudio (las diferencias
interindividuales, las diferencias intraindividuales, el cambio intraindividual, etc.) se
empleará uno u otro tipo de método de recogida de datos de los seis propuestos (ver
cuadro4.1.).
2º. Organización de datos: ordenamiento posterior de la información en agrupaciones
significativas o en categorías descriptivas relevantes.
3º. Inducción: planteamiento de hipótesis explicativas, de carácter tentativo, resultantes de
la fase previa.
4º. Deducción: derivación de consecuencias específicas en forma de predicciones
contrastables, o “enunciados empíricos” (Arnau, 1989), a partir de las hipótesis
anteriormente planteadas.
5º. Contraste de las hipótesis: verificación empírica de las predicciones postuladas.
4
6º. Elaboración de leyes y teorías: estadio último, en el que se requiere una reflexión
teórico-conceptual de los resultados obtenidos; es decir, una discusión y generalización de
los mismos que permita orientar hacia la explicación y predicción del objeto de estudio en
el marco de unos contenidos con significación teórica (Arnau, 1989).
PÓNGASE AQUÍ LA FIGURA 4.1.
Estas fases podrían organizarse en dos niveles superiores (siguiendo la propuesta
de Mayor, 1989): un nivel empírico, que daría cuenta de la observación, la organización de
los datos, y la contrastación o verificación empírica de hipótesis; y un nivel teórico, que
haría referencia a la inducción y deducción de hipótesis verificables, así como a la
articulación final de leyes ya confirmadas y teorías con distintos niveles de generalidad.
CUADRO4.1.
EL “CUBO DE DATOS” DE R.B. CATTELL
El “cubo de datos” de Cattell o “la matriz básica de datos” representa los diferentes
tipos de relaciones bivariadas que pueden darse entre las variables objeto de estudio (figura
4.2.). En concreto, las relaciones entre las variables pueden representarse mediante un cubo
cuyas tres dimensiones se corresponden con las tres fuentes de variación existentes:
personas (o individuos), situaciones (tests) y ocasiones (tiempo). Cada una de las caras del
cubo representa un tipo de relación bivariada posible, manteniendo constante la tercera.
Por lo tanto, existirían seis tipos diferentes de relaciones bidimensionales; tres surgen de la
matriz primaria, en donde se combinan las tres dimensiones para dar lugar a estas tres
relaciones bivariadas (“personas x tests”, “ocasiones x test”, y “ocasiones x personas”); y
las tres relaciones bivariadas restantes provienen de la matriz transpuesta a la matriz
primaria (ya que en este caso, aunque se opera con las mismas variables, la matriz se
invierte) (Andrés Pueyo, 1996).
En la figura 4.2. se muestran los seis tipos de análisis bivariados existentes, su
denominación y las variables con las que opera. En este sentido, la “técnica R” (la que se
emplea con más frecuencia) y la “técnica Q” estudian en una sola ocasión (o momento
temporal) “personas” y “tests” (situaciones o variables). Sin embargo, la primera,
correlaciona pares de variables (tests) en múltiples personas, y trata de hallar “factores” (o
dimensiones generales que engloban múltiples variables) que agrupen los diferentes test (o
variables) administrados; y la segunda, correlaciona individuos a través de múltiples tests o
variables, con el fin de “formar grupos de individuos”, o “tipos de personas” que tengan
en común cualidades, intereses, etc. El problema de estas técnicas es que no informan
sobre la variabilidad intraindividual).
Las técnicas “P” y “O” estudian en un único sujeto las relaciones entre
“ocasiones” y “tests”. Más específicamente, el objetivo de la “técnica P” es estudiar el
cambio intraindividual en la conducta, es decir, estudia las correlaciones entre múltiples
tests (o variables) a lo largo del tiempo. De esta forma se puede estudiar los cambios que
una persona tiene, por ejemplo, en su estado de ánimo (tristeza, apatía, sentimientos de
culpa, etc.,) o la evolución de sus capacidades intelectuales a lo largo del tiempo. Es decir,
en este caso, se observaría cómo van cambiando conjuntamente las variables que
representan el estado de ánimo o la inteligencia a lo largo del tiempo. Sin embargo, la
“técnica O” se centra en determinar qué grupo de situaciones afectan a una persona a lo
5
largo del tiempo. Por ejemplo, se pueden estudiar el tipo de situaciones que son agradables
para un individuo y que van a contribuir a que esté más alegre.
Finalmente, las técnicas “S” y “T” estudian en una variable concreta (test o
conducta) las relaciones entre “ocasiones” y “personas”. En concreto, la “técnica S” trata
de determinar las semejanzas y diferencias que hay entre un grupo elevado de personas, a
lo largo del tiempo, en función de una conducta (situación) que es objeto de estudio. Por
ejemplo se puede estudiar la frecuencia con la que van al médico en la infancia,
adolescencia, juventud, etc. Por contraposición, la “técnica T” estudia las semejanzas y
diferencias entre ocasiones de observación de esa particular variable en la muestra de
personas (Andrés Pueyo, 1996). Por ejemplo se podría estudiar el comportamiento altruista
en diferentes individuos y situaciones.
PÓNGASE AQUÍ LA FIGURA 4.2.
Por último, no se puede pasar por alto el modelo de investigación científica
propuesto por Arnau (1989), ya que ayuda a establecer el marco metodológico en donde el
estudio de las diferencias individuales se asienta. Más específicamente, los distintos
niveles y estadios de investigación se agrupan en tres:
1. Un primer nivel de índole “teórico-conceptual”, en el que se delimitará el área de
observación, se elaborarán de forma inductiva las hipótesis relevantes que darán
lugar a la deducción de secuencias susceptibles de contrastación empírica, y en el
que se integrará finalmente el último eslabón, relativo a la discusión y
generalización teórica de los resultados. Este nivel constituye el principio y el fin
de todo proceso de investigación científica (Fontes et al., 2001).
2. Un segundo nivel calificado de “técnico-metodológico”, cuyo objetivo será aportar
una serie de argumentos empíricos que permitan sentar las bases objetivas de los
estadios previos, o lo que Arnau denomina “anclaje empírico” de la actividad
especulativa, destinado a validar los supuestos teóricos concretos a través de una
“operacionalización de las hipótesis empíricas”. En este nivel, el plan de
investigación vendrá configurado, en buena medida, en función del tipo de
estrategia desarrollada en la recogida de datos. Es decir, el científico deberá elegir
el diseño de investigación que mejor se ajuste a su objeto de estudio y decidir cómo
va a ser el procedimiento a seguir en su investigación (si va a manipular o no la
variable independiente, qué sujetos va a estudiar, qué instrumentos de evaluación
va a emplear, etc.). En suma, esta toma de decisión será decisiva para establecer un
plan de ejecución concreto o, dicho en otras palabras, las estrategias de
investigación a seguir. En este nivel los aspectos técnicos y metodológicos cobran
una importancia especial.
3. Por último, un tercer nivel denominado estadístico-analítico. Este nivel se refiere a
los análisis estadísticos de los datos que se han obtenido en la investigación, y
presenta tres fases: a) “elaboración y recogida de los datos” obtenidos; b) un
“ajuste de modelos estadísticos” o “prueba de hipótesis estadísticas” con
respecto a los datos recogidos; y , finalmente, c) una “toma de decisiones sobre el
resultado del análisis estadístico” en relación con las hipótesis planteadas.
6
Llegado a este punto, el proceso retorna al nivel teórico-conceptual, con la discusión y
generalización de los resultados. De esta forma se cierra un ciclo completo. De acuerdo
con Pinillos (1962), lo primordialmente característico del método científico será, pues, la
combinación de teoría y experimentación. Esta combinación es de carácter dinámico y se
traduce en ciclos sucesivos que el propio carácter temporal y “autocorrector” (Kerlinger,
1973; Pereda, 1987) de las leyes y teorías elaboradas, así como los logros alcanzados,
permiten. De este modo, se hace patente el desarrollo progresivo que acontece en el
quehacer científico (Mayor, 1989).
1.2. La espiral de Cattell: el método "Inductivo-Hipotético-Deductivo"
R.B. Cattell (1966) propuso el método "Inductivo-Hipotético-Deductivo" (IHD)
como modelo integrador de las dos metodologías que imperaban hasta el momento: la
"empírica", que aplica el método analítico-inductivo; y la "racional" basada en una
metodología hipotético-deductiva. Este modelo mixto IHD "permite que la investigación
psicológica, de naturaleza racionalista, pueda incorporar el enfoque empirista sin una
ruptura metodológica" (Andrés Pueyo, 1996).
Según Cattell, el proceso de investigación más adecuado consta de una serie de
fases secuencialmente ordenadas (Inductiva-Hipotético-Deductiva). En este sentido, el
conocimiento científico, y en concreto, el estudio de las diferencias individuales, avanza
mediante la sucesión de diferentes "ciclos IHD" (cada vez que finaliza una secuencia IHD
debe comenzar otra), en donde el último ciclo es siempre más evolucionado que los
anteriores, ya que parte de la acumulación de conocimientos científicos obtenidos a partir
de los ciclos de investigación anteriores. Por ello, el proceso de investigación se representa
simbólicamente no como un proceso circular sino como una "espiral" que avanza al
sucederse diferentes "ciclos IHD".
Las tres fases necesarias en el proceso de investigación son las siguientes (Colom,
1995; Andrés Pueyo, 1996):
a) fase inductiva, que consiste en determinar y descubrir regularidades en la
manifestación de los fenómenos observados y comprobarlos empíricamente. Es la primera
fase en la investigación científica, ya que la intuición del investigador es anterior a la
elaboración de una hipótesis, y representa la parte científica más creativa y exploratoria.
En esta fase la técnica estadística más relevante es el análisis factorial exploratorio,
mediante el que se pueden descubrir rasgos de personalidad, la estructura de la
inteligencia, etc.
b) fase hipotética, se construyen hipótesis acerca de los fenómenos observados o
identificados. Es decir, se abstraen, clasifican y/o categorizan las generalizaciones
empíricas.
c) fase deductiva, se deducen consecuencias a partir del fenómeno estudiado. Por lo
tanto se interpretan los hechos mediante la formación de una teoría (o modelo teórico).
7
"La espiral Inductivo-Hipotético-Deductiva" (base y fundamento del estudio de
las diferencias individuales) resaltará en mayor medida la fase de actividad inductiva de la
investigación. En una primera etapa, la estimación de regularidades en la manifestación de
los fenómenos, tras una observación y categorización sistemática y objetiva de los mismos,
o la reflexión a cerca de los datos derivados de una fase experimental previa, serán
aspectos decisivos a los que prestar atención antes de pasar a la segunda fase consistente en
la elaboración o reformulación de hipótesis contrastables.
Este especial énfasis en los procesos inductivos presenta una mayor vinculación a
lo que se denomina la lógica del descubrimiento y acercamiento a los fenómenos (bajo una
concepción multivariada de la realidad) que a un proceso de justificación de los mismos
(Royce y Powell, 1983). No obstante, la vertiente explicativa y la elaboración teórica
también forman parte del proceso como culminación de su aproximación hipotéticodeductiva. "La espiral ascendente implica un proceso sinfín de refinamiento empírico
inductivo-hipotético-deductivo (Royce y Powell, 1983). En suma, la figura en espiral es
representativa de carácter cíclico y progresivo de los desarrollos científicos, en general, y
de la "Psicología de las Diferencias Individuales" en particular.
En este sentido, Arnau (1989) concluye que el constante ir y venir de los datos a las
conjeturas y de las conjeturas a ol s datos es lo que caracteriza al modelo global de la
investigación y a su evolución gradual en un proceso denominado por Box, Hunter y
Hunter (1978) como de "aprendizaje guiado".
2. Investigación en diferencias individuales
2.1. Las dos disciplinas de la Psicología Científica
Por su relevancia en el transcurso histórico del estudio de las diferencias
individuales, es necesario hacer referencia a los planteamientos que condujeron, en su
momento, a establecer lo que Cronbach (1957) habría de denominar "las dos disciplinas
de la Psicología Científica" o, dicho en sus palabras, la "Psicología Experimental y la
Psicología Correlacional". Estas dos disciplinas tienen orígenes distintos y metodologías
claramente diferenciadas. Sin embargo, empleadas por las ciencias naturales ambas
disciplinas aportan mucho al avance en el conocimiento científico y, en un sentido amplio,
pueden considerarse complementarias, o como Eysenck (1967) diría las "dos caras de la
Psicología". De hecho, tal y como ya se ha expuesto, en el momento actual existe un
acercamiento entre estas dos formas de investigar. A pesar de estas consideraciones resulta
oportuno indicar las principales diferencias que hay entre las dos disciplinas de la
Psicología Científica (tabla 4.1.) y sus correspondientes paradigmas metodológicos:
PÓNGASE AQUÍ LA TABLA 4.1.
a) La psicología experimental
La Psicología Experimental –cuyo origen está vinculado al asociacionismo Inglésse encuentra enraizada en las genuinas investigaciones de W. Wundt y de I. Paulov.
Ambos investigadores adaptaron la metodología empleada por la fisiología experimental al
estudio de las actividades psíquicas.
8
Por otra parte, el objetivo fundamental de esta corriente es comprender los
fenómenos estudiados basándose en la "causalidad" provocada experimentalmente bajo
control del investigador (Andrés Pueyo, 1996). En este sentido, trata de encontrar "Leyes
Generales" objetivas que expliquen la relación causal entre variables. Más
específicamente, se centra en los procesos y relaciones funcionales que existen entre las
variables estudiadas, desde una perspectiva generalista. En última instancia, esta disciplina
trata de poder explicar, predecir y, obviamente controlar el comportamiento humano.
La Psicología Experimental (que sigue el "principio de causalidad" y se enmarca
dentro del paradigma "Estímulo-Respuesta" (E-R) realiza un análisis sistemático de los
efectos producidos sobre la denominada variable dependiente (VD) a partir de la
manipulación de la variable independiente (VI), manteniendo constante cualquier otro
parámetro que pudiera incidir sobre la relación funcional objeto de estudio y que pudiera
contaminar los resultados obtenidos.
Desde esta perspectiva, se diseñan investigaciones, generalmente en contextos de
laboratorio, que posibiliten el control y la manipulación de las variables que se quieren
analizar. Mediante el control se trata de garantizar, en la medida de lo posible, que todos
los cambios de la VD se deban exclusivamente a la manipulación de la VI (Ruiz, 1989); es
decir, que el experimento tenga una elevada validez interna eliminando la "varianza de
error" que pudiera interferir en el experimento. Ya que el interés de la orientación
experimental es estudiar la "varianza entre tratamientos" , se procura suprimir, en la
medida de lo posible, la influencia de las diferencias individuales ("varianza entre
individuos"), que en este ámbito representan un tipo de "varianza de error a desestimar" .
En este sentido, se trata de reducir la varianza de error formando grupos
experimentales que sean homogéneos en las variables organísmicas (o de sujeto). Dicha
homogeneización se obtiene mediante la "asignación aleatoria" de cada sujeto a los
distintos grupos experimentales sobre los que posteriormente se aplicará una condición de
la VI. Esta aleatorización será una condición indispensable para establecer una igualdad
preexperimental entre los grupos que forman parte de la investigación, anulando de esta
forma el efecto de aquellas diferencias individuales previas que pudieran existir entre los
mismos. Es decir, la aleatorización no elimina la variabilidad debida a "variables
extrañas", sino que la distribuye equitativamente entre las diferentes condiciones
experimentales (Balluerka, 1999). Otro aspecto que contribuye a minimizar la influencia
de la variabilidad individual es contar con un número elevado de sujetos por cada grupo
experimental. Por lo tanto, una vez que se garantiza la homogeneidad de los grupos, se
debe realizar un riguroso control manipulativo sobre las variables situacionales, para
poder evaluar con rigor las hipótesis de causalidad que se plantearon. En resumen, el
científico manipula las condiciones de la VI para observar sus consecuencias en la VD.
Asimismo las variables dependientes que investiga son variables exógenas, tales como el
tiempo de reacción, la latencia de respuesta, etc.
El tipo de experimento que se realiza, bajo este paradigma, es "provocado" por el
experimentador ya que crea artificialmente una situación controlada para detectar las
relaciones causales existentes entre las variables que estudia. De esta forma el investigador
está preparado para la observación y análisis del "fenómeno" ya que éste se produce
cuando el experimentador lo decide.
9
Desde el punto de vista estadístico, el método experimental en sus comienzos
descriptivos se basó en la estimación de los parámetros de tendencia central o promedio.
Posteriormente, al estudiar la influencia causal que una VI tiene sobre una VD, desarrolló
análisis uni- o bivariados, con un claro predominio del "Análisis de Varianza" (AVAR).
Finalmente, algunas de las materias cuya investigación se asienta,
fundamentalmente, en el paradigma experimental son la "Psicología Experimental", la
"Psicología Básica" (en su estudio de los procesos psicológicos básicos tales como la
atención, la memoria, la percepción, etc.), los "Fundamentos Biológicos de la Conducta"
(psicofisiología) o la "Psicología del Aprendizaje", entre otras.
b) La psicología correlacional
Como ya conocemos, los grandes precursores de la Psicología Correlacional son
F. Galton (influenciado "de primera mano" por la "Teoría de la Evolución" planteada por
su primo Darwin) y Ch. Spearman. Ambos estaban interesados en la conducta de los
individuos en tanto que organismos únicos y trataron de inferir las dimensiones comunes
que justificaban las diferencias individuales (Andrés Pueyo, 1996).
La Psicología Correlacional se basa en el "principio de correlación" y se enmarca
dentro del paradigma "Respuesta-Respuesta" (R-R); mediante las estrategias
correlacionales se intenta descubrir las posibles relaciones de covariación (variación
conjunta) existentes entre múltiples variables. La gestación y desarrollo del "método
correlacional" vino impulsado por las necesidades metodológicas derivadas de la
consideración de las diferencias individuales como objeto de estudio científico en
Psicología. En la actualidad estos procedimientos no se circunscriben únicamente al
ámbito de las diferencias individuales (Sánchez-Elvira, 1996).
En su afán investigador, los primeros autores de esta rama de la Psicología se
vieron en la necesidad de estudiar, desarrollar y utilizar técnicas multivariadas de análisis
de datos, especialmente el "Análisis de correlaciones" . Recuérdese que mediante estas
técnicas se pueden inferir las dimensiones comunes que justifican las diferencias
individuales en función del objeto de estudio. En esta disciplina no se habla en términos de
causalidad (o el porqué de la conducta) sino en términos de covariación entre múltiples
variables y de cómo se agrupan éstas entre sí.
Por lo tanto, el objetivo es describir, ordenar y clasificar los datos observados (no
controlables experimentalmente) tal y como éstos se manifiestan en la naturaleza. Así,
mediante la observación del organismo se trata de inferir las dimensiones y estructuras de
los fenómenos estudiados, analizando las relaciones de interdependencia entre las variables
observadas. Esta disciplina sigue una perspectiva que intenta establecer ciertos principios
generales, o nomotéticos, sobre las diferencias individuales, que permitan, en última
instancia, el conocimiento del individuo.
Desde esta orientación, se desarrollan investigaciones en donde las variables a
estudiar se observan en contextos naturales, y por consiguiente, en ausencia de
manipulación experimental. De hecho, la psicología de las diferencias individuales estudia
variables endógenas que no se pueden manipular experimentalmente, ya sea por razones
externas a la variable (aspectos de carácter ético o histórico) o debido a causas internas a
la misma (naturaleza no modificable). Por ejemplo, se opera con variables de
10
diferenciación tales como el sexo, la edad, el color de los ojos, el nivel de educación o la
clase social de los individuos, etc.; y también con constructos relativamente estables del
ser humano como la inteligencia o la personalidad. En ambos casos se investigan
cualidades o aspectos preexistentes en la persona en el momento de iniciar cualquier
investigación.
Según Cronbach (1957) el científico correlacional se interesa por la variación ya
existente entre individuos, grupos sociales y especies, a diferencia del científico
experimental, que se interesa únicamente en la variación que él mismo crea. En este
sentido, en palabras de Claude Bernard se habla de "experiencia invocada" ya que el
fenómeno a investigar es preexistente a la investigación y no se puede manipular
experimentalmente. Estos aspectos hacen que la metodología correlacional se mantenga en
estadios descriptivos relativos a las interdependencias existentes entre las variables
consideradas, y que no pueda establecer nexos causales o de dependencia entre las
variables. Sin embargo, existe un gran acuerdo en la relevancia de los conocimientos
científicos que proporciona la aproximación correlacional en el estudio de las diferencias
individuales.
La Psicología correlacional, a diferencia de la experimental, se centra en el estudio
de la "varianza entre individuos" y concibe la “varianza del tratamiento“ como "varianza
de error a desestimar". De hecho, las variables ambientales (varianza entre tratamientos)
pueden afectar a la manifestación de las diferencias naturales observadas entre las
personas, atenuando o enmascarando la relevancia de las mismas. Por lo tanto, el
paradigma correlacional exige tratamientos uniformes (control de las variables ambientales
o situacionales) para garantizar, en mayor medida, la validez externa de las diferencias
individuales observadas. A este respecto se transcribe un texto, perteneciente a la ya
célebre conferencia de Cronbach de 1957 (trad. Alvira, Avia, Calvo y Morales, 1979, págs.
101-102):
"Los psicólogos correlacionales <<están enamorados>> precisamente de
aquellas variables que el experimentador intenta olvidar. Ellos consideran las
variaciones del individuo y del grupo como efectos importantes de causas
biológicas y sociales. Todos los organismos se adaptan al medio, pero no
igualmente bien".
Sólo mediante el paradigma correlacional se podrá conocer el alcance y las
características de las diferencias individuales existentes en una variable psicológica dada.
Además, esta metodología posibilitará el estudio posterior de las interdependencias
(covariación) existentes entre aquellas variables psicológicas de interés que permiten
agrupar a las personas en categorías diferenciales (p. ej. el sexo, el nivel cultural, etc.) .
En cuanto a las técnicas estadísticas, los psicólogos correlacionales en sus
comienzos se centraron en parámetros de dispersión como la desviación típica y la
varianza; más adelante, desarrollaron el "coeficiente de correlación" para estudiar las
semejanzas hereditarias, lo cual transformó la investigación diferencial descriptiva en el
estudio de la organización mental (Cronbach, 1957). Esta técnica representó el punto de
partida del "Análisis Factorial" (la técnica más utilizada en la Psicología de las diferencias
individuales) y de otras técnicas multivariadas. Sin duda alguna, el bien más valioso que la
metodología correlacional puede ofrecer a cambio, es su concepción multivariada del
11
mundo (Cronbach, 1957), y una cierta estructuración de la misma como vía de
acercamiento al carácter plural y complejo de la realidad y al conocimiento de ésta.
Por último, algunas de las materias que están muy relacionadas con el uso de la
metodología correlacional son la "Psicología Diferencial", la "Psicometría", la "Psicología
de la Personalidad, la "Psicología Social", etc.
En conclusión, el cisma entre ambas "psicologías" , convenientemente denunciado
por Cronbach (1957), no ha respondido, por tanto, sino a un reflejo del enfrentamiento
conceptual existente entre una psicología fundamentalmente centrada en un análisis
funcional de los "procesos psicológicos básicos" desde una perspectiva generalista, y una
psicología motivada por el "estudio de las diferencias individuales" existentes en la
manifestación externa de dichos procesos.
En todo caso, la Psicología de las Diferencias Individuales no debe identificarse,
en última instancia, ni con las estrategias correlacionales ni con las experimentales
(Colom, 1995). Es más, el proceso de investigación en materia de diferencias individuales
ya no se circunscribe exclusivamente a las denominadas técnicas correlacionales, a las que
la Psicología Diferencial de corte clásico parece haber estado abonada. La metodología en
materia de diferencias individuales abarca otras alternativas posibles con un grado
creciente de aproximación a la esfera de la explicación, entendida ésta bajo una óptica
amplia y flexible. Es importante recordar que el estudio psicológico de las diferencias
individuales avanza mediante una sucesión de diferentes "ciclos inductivo-hipotéticodeductivos" en donde la metodología correlacional predomina en un primer estadio, y las
aproximaciones experimentales en un segundo estadio.
2.2.Requisitos del método científico
El principal requisito del método científico es la validez de los diseños de
investigación, es decir, que sea posible comprobar las hipótesis planteadas sin cometer
errores. Si bien existen diferentes modelos que clasifican los distintos tipos de validez
existentes, el más utilizado ha sido el de Campbell y Stanley (1966) que distingue dos tipos
esenciales de validez: la interna y la externa. Posteriormente esta tipología fue ampliada a
cuatro (Cook y Campbell, 1986): a) validez interna; b) validez de conclusión estadística
(relacionada con la validez interna); c) validez externa; y d) validez de constructo
(integrada dentro del concepto de validez externa). A continuación se comentan
brevemente cada uno de los cuatro tipos de validez.
a) Validez interna: "se refiere al grado de confianza con el que puede inferirse si
una relación entre dos (o más variables), una que actúa como supuesta causa (el
tratamiento) y la otra como supuesto efecto (el comportamiento observable), es
interpretable en el sentido propuesto por el investigador" (Balluerka, 1999). Es decir,
cuando se conoce la existencia de covariación entre variables, ¿ésta es una relación de
causa-efecto, o puede haber covariación debido a otras variables que no sean la supuesta
causa? Así, habrá un control correcto del diseño experimental (validez interna) cuando se
pueda concluir que el efecto y los cambios producidos por la variable independiente sobre
la variable dependiente son inequívocos, y no producto de hipótesis causales alternativas
(Sánchez-Elvira, 1996). Para ello es necesario controlar (eliminar) la influencia de
variables extrañas que pudieran influir sobre la variable dependiente. A juicio de Campbell
12
y Stanley (1966) la validez interna es imprescindible para poder interpretar el modelo
postulado.
b) Validez de conclusión estadística o inferencial: alude al grado de confianza
con el que se puede inferir o concluir que existe covariación entre las variables estudiadas
en función de pruebas de significación estadísticas (Fontes et al., 2001). Antes de poder
inferir si existen relaciones causales entre variables es preciso conocer si existe
covariación entre ellas. Este tipo de validez está relacionado con la capacidad (magnitud
de la precisión) que tiene el diseño para detectar los efectos de los tratamientos, si tales
efectos existen.
c) Validez externa: se refiere al grado de confianza con el que la supuesta relación
causa-efecto entre las variables estudiadas puede generalizarse a otras medidas alternativas
de causa y efecto, y también a diferentes tipos de personas, contextos y ocasiones. Según
Amelang y Bartussek (1981) la validez externa requiere el poder generalizar: 1) de los
sujetos investigados a la población de referencia a la que pertenecen; 2) de las condiciones
específicas en las que la investigación se ha realizado y de las variables independientes
escogidas, a las condiciones y a los constructos que interesan; y 3) de la medida concreta
empleada para la variable dependiente al correspondiente constructo psicológico que se
trata de apresar. De esta forma, se podrá concluir convenientemente acerca del problema
analizado y realizar predicciones, con un grado de precisión importante, en el mundo real
en donde los fenómenos tienen lugar de forma espontánea, y para el tipo de población
objeto de estudio.
d) Validez de constructo de causas y efectos: se refiere al grado de confianza con
que se pueden establecer generalizaciones a constructos de orden superior. Este tipo de
validez surge por la necesidad de determinar la probable relación causal entre las variables
estudiadas, dentro de un contexto teórico. Esta validez se inserta dentro de la validez
externa, ya que se refiere a la generalización de las relaciones causa-efecto encontradas, a
constructos teóricos que probablemente representan.
En suma, es necesario que las investigaciones cumplan los requisitos de control
(validez interna) y representatividad (validez externa), dado que, por las exigencias que
caracterizan a cada uno de ellos, un control excesivo se traduce en una pérdida de
representatividad y viceversa (cf. Alvira et al., 1979; Morales, 1989). El lector interesado
en ampliar la información sobre estos tipos de validez, sus amenazas y posibles estrategias
de control pueden encontrar una buena síntesis en Fontes et al. (2001), y un desarrollo más
amplio en Balluerka (1999).
2.3. Estudio de las diferencias individuales y validez científica
a) Validez interna
Los diseños correlacionales, de carácter más exploratorio que los diseños
experimentales, no suelen permitir una estimación de la validez interna en sentido estricto,
dado que no están fundamentados en el control o manipulación experimental de variables
independientes, ni en el establecimiento de relaciones de dependencia, sino en una
observación sistemática de las mismas para deducir posibles relaciones de
interdependencia (covarianza) entre las variables consideradas (Alvira et al., 1979).
13
No obstante, determinados diseños diferenciales sí permiten una cierta
manipulación de las condiciones, por lo que cabe hablar de las garantías científicas de los
mismos en función del grado de validez interna que presentan. Tal es el caso de los
"diseños ATI" (Interacción Aptitud x Tratamiento) defendidos por Cronbach (1957; 1975)
en los que, bajo una perspectiva interactiva, se pretende analizar la incidencia conjunta de
ciertas manipulaciones situacionales, o tipos de tratamiento dispensados (ej. sistemas
educativos), y ciertas fuentes de diferenciación individual relevantes (ej. niveles de una
aptitud dada), sobre determinadas variables dependientes de interés (ej. rendimiento).
Otros diseños a mencionar en este apartado son aquellos que postulan, en cierta medida, la
existencia de relaciones de dependencia, como por ejemplo los diseños longitudinales;
éstos pretenden establecer la influencia de factores que anteceden en el tiempo, y que, en
ocasiones, pueden ser objeto de cierta manipulación sobre determinadas variables
consecuentes.
Por otro lado, las estrategias de investigación en el estudio de diferencias
individuales emplean procedimientos selectivos y estadísticos de control para eliminar los
efectos no deseados de variables extrañas, ya que no pueden recurrir al procedimiento más
poderoso de control de estas variables, "la aleatorización" (Burgaleta, Fernández, Sánchez
y Quiroga, 1991). Los procedimientos selectivos se realizan a través de uno de estos
procedimientos: 1) la homogeneización de las muestras manteniendo constante aquellas
variables que se presupone puedan contaminar los resultados, a pesar de que este
procedimiento suponga una reducción de la validez externa o capacidad de generalización
de los resultados; y 2) el emparejamiento entre los sujetos del grupo control y el
experimental en las variables extrañas, lo cual reduce la propia validez interna de los
resultados. Por otra parte, los procedimientos estadísticos pretenden anular las influencias
no deseables "a posteriori", es decir, durante el proceso de análisis de datos. Para ello se
utilizan estrategias matemáticas adecuadas a este propósito (ej. la correlación parcial o el
análisis de covarianza).
b) Validez externa
Los diseños utilizados en la Psicología de las diferencias individuales presentan,
por lo general, una validez externa superior a los diseños experimentales, sobre todo si los
primeros utilizan técnicas de muestreo aleatorio. Es decir, los diseños experimentales
adolecen a menudo de un nivel de representatividad conveniente, dado el carácter
restrictivo y artificial de las situaciones en que los experimentos suelen realizarse. La
excepción la representan los "experimentos de campo" que logran un balance más
adecuado entre ambos tipos de validez.
Un requisito importante a conseguir será el logro de un grado de representatividad
elevado, tanto de la muestra de sujetos con respecto a la población a la cual se quieren
extrapolar las conclusiones, como de las variables objeto de estudio en cuanto al problema
analizado (Amelang y Bartussek, 1981). Para ello, uno de los procedimientos más usuales
para evaluar la validez externa de los resultados consiste en replicar los hallazgos a cargo
de investigadores diversos, y en diferentes situaciones y poblaciones (Alvira et al., 1979).
Adicionalmente, cabe destacar que los diseños utilizados en el estudio de las
diferencias individuales presentan mayores garantías de validez ecológica, es decir, de
semejanza entre las condiciones de investigación y las condiciones reales en las que suelen
14
producirse los fenómenos (Burgaleta et al., 1991), dado que exigen un número menor de
condicionamientos y restricciones que la investigación experimental. Por último, para
incrementar esta validez se aconseja, entre otras estrategias, una replicación sistemática
basada en una comparación de los resultados obtenidos en situaciones que presentan
modificaciones sucesivas y graduales del experimento inicial (Sanchez-Elvira, 1996).
3. Diseños de investigación en el estudio de diferencias individuales
Las distintas estrategias "técnico-metodológicas" de investigación estarán
vinculadas a una serie de técnicas "estadístico-analíticas" que posibilitarán el logro de los
objetivos propuestos. La elección de un tipo u otro de estrategias estará en función del
ajuste de cada uno de los distintos procedimientos a aspectos tales como la naturaleza de
las hipótesis planteadas, las características de las muestras, la operativización de los
constructos, el tipo de instrumentos de medida con los que se recogen los datos, etc.
CUADRO4.2.
CLARIFICACIÓN TERMINOLÓGICA
De acuerdo con Bunge (1967), el método científico representa el procedimiento
aplicable a todo el ciclo completo de investigación. No obstante, cabe distinguir dentro del
mismo una serie de aproximaciones de carácter más específico que responden a las
cualidades inherentes y a la pluralidad de los distintos objetos de estudio. Si bien aquéllas
suelen denominarse también, de forma genérica, “métodos”, parece necesario establecer
una clarificación terminológica para estas alternativas, propias todas ellas del método
científico en general, pero claramente diferenciadas entre sí (Mayor, 1989).
A este respecto, el modelo propuesto por Arnau (1989), anteriormente descrito,
deja claro este aspecto cuando se refiere al concepto de “diseño de investigación”,
entendido como la configuración específica que deriva de la inclusión particular de los
niveles técnico-metodológico y el estadístico-analítico en un proceso de investigación
concreto: “el diseño de investigación se convierte en un procedimiento específico, a veces
estereotipado, de resolver problemas científicos. Constituye, por tanto, a nuestro entender,
tan sólo una parte del modelo general y, precisamente, aquella que se halla más
directamente relacionada con la actividad empírica y matemática del sistema (Arnau,
1989; pág. 591).
Para estos diseños de investigación (entendidos como “planes de acción
estructurados”, Arnau, 1989)
se han propuesto diversos nombres alternativos,
especialmente en lo que se refiere al nivel “técnico-metodológico”: “métodos especiales”
o “técnicas especiales” (Bunge, 1967), “técnicas metodológicas” (Mayor, 1989),
“métodos de investigación” (Burgaleta et al., 1991) o “estrategias de investigación”
(Bermúdez, 1985; Campbell y Stanley, 1966; Kerlinger, 1973), entre otros.
En cualquier caso, el proceso básico de investigación, en lo que respecta a sus
diseños, puede traducirse operativamente en un conjunto de estrategias de investigación
cuya selección y utilización estará guiada por la respuesta a las siguientes cuestiones:
15
1) nivel de desarrollo en que se encuentre el área en la que se lleva a cabo la investigación.
2) fase del proceso global de investigación en cada momento.
3) naturaleza específica del objetivo de la investigación.
4) naturaleza de las variables a considerar (Bermúdez, 1985).
A su vez, cada estrategia de investigación estará asociada en mayor medida a una
gama de “técnicas estadístico-analíticas” concretas que posibilitarán el objetivo final del
proceso (técnicas de recogida de datos, técnicas de muestreo, técnicas de análisis de datos,
etc.).
En definitiva, dentro del método científico toda disciplina presenta un conjunto de
diseños empíricos específicos que guían la recogida de datos y el análisis de los mismos.
En este sentido, los problemas concretos a investigar habrán de determinar la selección de
estrategias de investigación; y, éstas, a su vez, influirán sobre las soluciones alcanzadas al
establecer límites precisos y determinar, en cierto modo, la naturaleza de los hallazgos
(Alvira et al., 1979).
A este respecto, si bien, como reconocen Burgaleta et al. (1991), las hipótesis
descriptivas y predictivas han sido las habituales en una Psicología Diferencial de corte
clásico, cada vez un número mayor de investigaciones parte de hipótesis de carácter
explicativo asociadas a modelos teóricos. En este sentido, la investigación psicométrica
está haciendo avances notables en el desarrollo de modelos matemáticos de gran
complejidad y sofisticación, cuyos objetivos parecen alejarse progresivamente de la esfera
descriptiva para aproximarse a la explicativa. Según Burgaleta et al. (1991) tres serán las
cuestiones a dilucidar: 1) Identificar la función que cumplen las variables analizadas al
operativizar las hipótesis; 2) identificar las variables extrañas y moduladoras, a fin de
establecer los procedimientos adecuados para su control, y 3) elegir las técnicas de análisis
de datos adecuadas a las hipótesis planteadas.
CUADRO4.3.
TÉCNICAS MULTIVARIADAS EN EL ESTUDIO DE LAS DIFERENCIAS
INDIVIDUALES
Las técnicas multivariadas son las herramientas estadísticas que más se utilizan en
la Psicología de las diferencias individuales. El progreso y la sofisticación de estas técnicas
ha contribuido al avance en el conocimiento diferencialista, y viceversa. Más
específicamente Galton, Spearman, Pearson, R.B. Cattell, etc., favorecieron no sólo el
progreso de la Psicología de las diferencias individuales sino también de la estadística. Y
como contrapartida, el refinamiento y perfeccionamiento de los análisis multivariados,
vinculado a la explosión informático-tecnológica, contribuyeron a la revitalización de la
Psicología, y representan la esencia de la Psicología diferencial moderna.
16
El concepto multivariado se refiere a un amplio rango de estrategias de
investigación y de análisis de datos que operan con muchas variables simultáneamente.
Estas estrategias que se desarrollaron para cubrir tanto un objetivo descriptivo como
inferencial en la estadística (Andrés Pueyo, 1996) suponen, en muchos casos, una
extensión de técnicas univariadas y bivariadas (correlación, regresión simple, análisis de
varianza, etc.).
En la figura 4.3. se esquematizan los principales análisis multivariados
relacionados con la Psicología de las diferencias individuales. Estos análisis se dividen en
técnicas o modelos de interdependencia (que están vinculados al paradigma R-R, poseen
un carácter descriptivo y se basan en la covariación entre las variables estudiadas) y de
dependencia (cuyo paradigma representativo es el E-R, ya que se trata de predecir uno o
más criterios, o variables dependientes, en función de una o más variables predictoras o
variables independientes.
PÓNGASE AQUÍ LA FIGURA 4.3.
Además de este criterio clasificatorio, se ha considerado el tipo de escala de
medida de las diferentes variables estudiadas. En concreto, las variables pueden ser de dos
tipos:
1) métricas (cuantitativas), ya que se puede medir la cantidad o magnitud que en
esa variable presenta cada sujeto, y además permite comparar en una escala graduada en
unidades iguales la puntuación de cada sujeto con respecto a los demás, como por ejemplo
la altura, el peso, el tiempo de reacción, el grado de neuroticismo evaluado mediante un
test, etc; cabe destacar que las variables métricas permiten realizar casi todas las
operaciones matemáticas.
2) no métricas (cualitativas), es decir, aquellas que sólo designan una cualidad o
atributo del fenómeno a estudiar, pero no permiten una cuantificación; por ejemplo, se
puede identificar a una persona como hombre o mujer pero no se puede medir el grado de
hombre que es una persona (aunque popularmente se utilicen expresiones equivocadas
tales como: ¡fulanito es el doble de hombre que menganito!).
En resumen, la elección de un análisis multivariante concreto estará condicionado
por el modelo seguido (dependencia vs. interdependencia), por la escala de medida de
cada variable (métrica vs. no métrica), por el número de variables a estudiar y por el objeto
de estudio propuesto.
a) Técnicas de interdependencia
Estudian la covariación entre múltiples variables, y posibilitan describir, clasificar
y hallar estructuras latentes (o constructos) de interés en los fenómenos estudiados. En
otras palabras, los datos observados (referidos a variables, observaciones u objetos
definidos) se reducen a una serie de dimensiones con el fin de obtener una estructura que
facilite describir los fenómenos estudiados. Estos análisis también proporcionan la base
para posteriores análisis de las relaciones de dependencia (Hair, Anderson, Tathan y Black,
1999). Por lo tanto, el modelo de interdependencia a utilizar dependerá de la estructura de
las relaciones que se pretenda obtener en función del fenómeno observado y del carácter
métrico o no métrico de las variables a estudiar.
b) Técnicas de dependencia
17
Estudian una serie de variables independientes para predecir y explicar una o más
variables dependientes. Es decir, permiten valorar el grado de relación que hay entre
variables dependientes e independientes (Hair et al., 1999). De esta forma, mediante estas
técnicas se intenta conocer cómo funciona la relación entre variables independientes y
dependientes, a diferencia de las técnicas de interdependencia que se centran en el estudio
de la estructura de las relaciones entre múltiples variables. En este caso a las variables
independientes se las denomina variables predictoras, ya que son las medidas que se
utilizan para realizar la predicción. Y las variables dependientes reciben el nombre de
variables criterio, ya que son las variables empleadas para estudiar si la predicción que se
realiza es o no adecuada.
De acuerdo con Arnau (1989), los teóricos del método científico han distinguido
tradicionalmente tres tipos de estrategias de investigación: a) la descriptiva; b) la
correlacional (método selectivo), y c) la manipulativa. En este apartado se van a describir
brevemente los diseños de investigación más utilizados en el estudio de la variabilidad
humana (figura 4.4.). Para ello, se van a diferenciar dos bloques: el primero, referido al
grado de manipulabilidad, en donde se incluyen los diseños correlacionales y los
propiamente experimentales; aquí se sitúan las técnicas "ex-post-facto" (correlacionales y
comparativas) y la aproximación a las técnicas "cuasiexperimentales" en el estudio de las
diferencias individuales. El segundo bloque describe los diseños de investigación que están
vinculados a la variable tiempo, o momento(s) temporal(es) de recogida de datos; esta
categorización dará lugar a dos diseños clásicos: los diseños transversales y los
longitudinales. Esta clasificación tiene como objetivo establecer un rango metodológico
adecuado para el estudio de las diferencias individuales, que responda a sus fines
principales: descripción y organización en primer término, y alcance explicativo en
segundo término, incidiendo sobre la cuestión del análisis de hipótesis causales relativas a
la variación individual. Por otra parte, en la figura 4.5. se concretan las técnicas de análisis
de datos correspondientes a cada una de las estrategias de investigación propuestas.
PÓNGASE AQUÍ LA FIGURA 4.4.
PÓNGASE AQUÍ LA FIGURA 4.5.
3.1. Manipulabilidad de los diseños
a) Diseños "ex-post-facto"
Según Kerlinger (1973), "la investigación ex-post-facto es una búsqueda
sistemática empírica, en la cual el científico no tiene control directo sobre las variables
independientes, porque ya acontecieron sus manifestaciones o por ser intrínsecamente no
manipulables. Se hacen inferencias sobre las relaciones entre ellas, sin intervención
directa, a partir de la variación concomitante de las variables independientes y
dependientes" (pág. 268).
Los diseños "ex-post-facto", término acuñado por Campbell y Stanley en 1966, se
caracterizan por lo siguiente:
a)
El investigador no puede manipular ni tampoco modificar la variable independiente
(VI), puesto que ya viene dada (los sujetos que van a ser investigados ya presentan
un valor específico en la VI, como ocurre con la variable sexo).
18
b)
El investigador, al no poder realizar una “asignación aleatoria” de los sujetos a las
condiciones experimentales, lleva a cabo una selección de los sujetos en función de
que posean o no determinadas características relacionadas con la variable
independiente. Por ejemplo, se puede estudiar si los individuos que tienen los ojos
oscuros (marrones o negros) son más sensibles al alcohol que los que tienen los ojos
claros (azules, verdes y grises). Sin embargo, no se puede manipular (modificar) el
color heredado de los ojos para formar grupos experimentales y estudiar si el color
de los ojos predispone diferencialmente a un determinado grado de sensibilidad al
alcohol. Obviamente, de poco servirá repartir aleatoriamente lentillas de diferentes
colores a los sujetos experimentales y vincular esta manipulación con la posible
predisposición genética que supone la sensibilidad al alcohol.
Estos diseños representan el experimento típico en una Psicología de las diferencias
individuales en donde se analizan las interdependencias entre las variables. A pesar de no
basarse en análisis causales, sí es frecuente distinguir entre variable dependiente y variable
independiente, no definida esta última de forma operacional sino en función de criterios
teóricos previos. Es decir, "se concibe la variable dependiente como el constructo
descriptivo que debe explicarse, y como variable independiente aquella que tiene valor
explicativo" (Amelang y Bartussek, 1981; pág. 123). Un criterio fundamental, en esta
distinción, será el orden de sucesión temporal de ambos constructos (la VI es anterior a la
VD).
Sin olvidar sus limitaciones, este tipo de investigaciones son necesarias ya que
existen buen número de cuestiones que no pueden ser abordadas de forma experimental,
aspecto especialmente evidente en el caso de las variables objeto de interés al analizar las
diferencias existentes entre las personas. En este sentido, algunas de las variables
independientes que se investigan desde esta perspectiva son el sexo, la edad, la
inteligencia, la personalidad, etc. Algunos objetos de estudio pueden ser, por ejemplo, las
diferencias existentes en el rasgo de introversión en función del sexo, las diferencias que
hay en una determinada capacidad intelectual en función de diferentes grupos de edad, etc.
De acuerdo con los aspectos anteriormente mencionados, se establecerán dos tipos
de diseños en el estudio de diferencias individuales, también denominados "métodos
comparativos" (Burgaleta et al., 1991):
a.1) Diseños correlacionales
Estos diseños engloban todos aquellos procedimientos destinados a explorar y
estructurar un campo de observación dado, así como al estudio de hipótesis de naturaleza
meramente relacional (estudiar las posibles relaciones entre variables), si bien con grados
diversos de complejidad y aproximación a niveles inferenciales de orden explicativo.
Seguidamente se analizan estos aspectos según los objetivos propuestos por el
investigador, el tipo de relación inferido y las técnicas estadísticas a emplear (ver figura
4.5. ):
a.1.1. Objetivos descriptivos
Los “diseños correlacionales de covariación” (o descriptivos) son de gran utilidad
en campos poco estudiados o demasiado complejos para establecer taxonomías o
dimensiones básicas (Sánchez-Cánovas y Sánchez, 1994). Asimismo, un buen estudio
descriptivo facilitará el posterior enunciado de hipótesis empíricas más elaboradas en
19
función de las relaciones detectadas. Según los propósitos de la investigación, se pueden
distinguir los siguientes apartados:
??
Análisis de relaciones: siempre que el objetivo básico de la investigación sea
conocer las relaciones entre variables de interés, las estrategias de investigación
adecuadas serán de tipo correlacional. Las técnicas estadísticas a emplear estarán
condicionadas por el grado de ajuste, o no, a los parámetros de la población de la que se ha
obtenido la muestra. Específicamente, se empleará el índice de correlación de Pearson
para muestras paramétricas, y el índice de correlación de Spearman para muestras no
paramétricas con datos de carácter ordinal. Es importante señalar que el estudio de las
relaciones entre variables es de gran utilidad al explorar nuevas áreas de conocimiento.
CUADRO4.4.
EL COEFICIENTE DE CORRELACIÓN DE PEARSON
Aplicable a las relaciones entre variables cuantitativas discretas o continuas, permite
conocer si existe una relación lineal entre dos variables, y el grado en que las dos variables
covarían (varían al unísono), es decir, si todo cambio que se produce en una de las
variables repercute en la otra. Sin embargo no se puede inferir causalidad. Es decir,
podemos conocer si dos variables están co-relacionadas, pero no podemos asegurar si el
cambio en la variable X produce el cambio en la variable Y, o viceversa. Hablar en
términos de causalidad requiere otros requisitos (control experimental, manipulación
experimental de la variable independiente, etc.) que no siempre se pueden satisfacer en el
contexto de la psicología, y, aún menos, en el estudio de las diferencias individuales desde
una perspectiva correlacional.
La correlación, además de ser la base de las técnicas de análisis de datos multivariados,
representa el fundamento de muchas de las investigaciones realizadas en el ámbito de la
“Psicología de las Diferencias Individuales”, como más adelante se verá.
La magnitud de la relación entre dos variables se expresa mediante un coeficiente con
valores comprendidos entre +1 y -1, pasando por el cero. Este valor, cuanto más se acerca
a 1 (con independencia de si el signo de la relación es positivo o negativo) la correlación es
mayor; y cuanto más se aproxima a cero menor es la correlación. El signo (positivo o
negativo) indica la dirección de la relación. Si es positivo, las variables están relacionadas
directa o positivamente, ya que el incremento en una variable se relaciona con el
incremento en la otra, o el decremento de una variable se relaciona con el decremento en la
otra). Y si es negativo, la relación es inversa o negativa puesto que el incremento en una
variable se relaciona con el decremento en la otra, y viceversa).
Por ejemplo, en un estudio reciente (Palmer, Donaldson y Stough, 2002) en el que se
estudió la relación existente entre la “satisfacción vital” y el constructo “inteligencia
emocional” se halló una relación directa (r=0,55; p<0,001) entre la satisfacción vital y el
“afecto positivo” (a mayor satisfacción vital mayor afecto positivo), una relación inversa
(r=-0,44; p<0,001) entre la satisfacción vital y el afecto negativo, y una ausencia de
relación significativa (r=-0,18;n.s.) entre la satisfacción vital y la dificultad para describir
sentimientos. Si tomamos como ejemplo la primera correlación podremos decir que la
satisfacción vital y el afecto positivo son dos variables relacionadas, pero no se podrán
establecer “relaciones de causalidad” (no se sabe qué variable es la causa y qué variable es
el efecto).
20
PÓNGASE AQUÍ LA FIGURA 4.6.
En la figura 4.7. se presenta una matriz de correlaciones bivariadas (un coeficiente para la
relación de dos variables) y se ejemplifican algunas de ellas. En la matriz de correlaciones
se muestran las relaciones entre cuatro variables estudiadas. Las cuatro variables
corresponden a los resultados obtenidos por 212 mujeres maltratadas en cuatro tests que
evalúan malestar emocional (dos pruebas evalúan síntomas de depresión, una el grado de
autoestima, y otra evalúa la gravedad de los síntomas de reexperimentación que
básicamente se refieren, en este caso, al malestar fisiológico y psicológico que surge al
revivir, soñar o pensar con mucha frecuencia en el maltrato sufrido). La matriz de
correlaciones (o tabla resumen de las relaciones bivariadas) muestra los valores del
coeficiente de correlación, la dirección de la relación (directa o inversa cuando aparece el
signo "-"), el nivel de significación de la correlación (es decir, el grado en que la
correlación es significativa o que no es debida al azar), y el número de sujetos estudiados.
Como se puede observar los diferentes coeficientes de correlación se repiten dos veces, ya
que la matriz de correlaciones es simétrica, y además las celdillas que conforman la
diagonal no se deben tener en cuenta, ya que presentan la autocorrelación de las variables,
que obviamente tiene el valor de 1.
PÓNGASE AQUÍ LA FIGURA 4.7.
Otra forma, complementaria a la anterior, de analizar la magnitud de las relaciones
bivariadas es observar la representación gráfica de las variables puestas en relación. El
diagrama de dispersión, de las puntuaciones de cada sujeto en las dos variables, indica si
las variables están o no relacionadas, y en caso afirmativo, la dirección de la relación. De
esta forma, cuando la nube de puntos, que aparece en el gráfico, crea una especie de
circunferencia no existe relación entre las variables. En la figura 4.7. el coeficiente de
correlación entre la intensidad de la reexperimentación y el grado de autoestima es de 0,097, valor muy próximo a cero, y al no existir relación el signo "-" no tiene mucha
relevancia. En cambio, cuando la nube de puntos tiene forma de elipse, indica que hay
relación entre las dos variables. Ahora bien, cuando la elipse está orientada hacia la
izquierda, la correlación es negativa o inversa, y cuando se orienta hacia la derecha la
relación es directa o positiva. En este sentido, al relacionar los test que miden síntomas
depresivos (BDI y HRS), se obtuvo un coeficiente de correlación de 0,79; por ello, el
incremento en la sintomatología depresiva evaluada por el Inventario de Depresión de
Beck (BDI) coincide con un incremento en la sintomatología depresiva evaluada por la
Escala de Valoración de la Depresión de Hamilton (HRS). Por otra parte, al correlacionar
la sintomatología depresiva evaluada por el Inventario de Depresión de Beck (BDI) con el
nivel de autoestima, se obtuvo un coeficiente de correlación de -0,468; mostrando una
relación inversa entre sintomatología depresiva y autoestima (a mayor sintomatología
depresiva menor grado de autoestima). Sin embargo, ¿los síntomas depresivos son los que
producen un nivel bajo de autoestima o es la falta de autoestima la que produce una
elevada sintomatología depresiva? El coeficiente de correlación no puede responder a este
interrogante.
21
??
Análisis de estructuras: se refiere a la posibilidad de encontrar las estructuras
subyacentes que puedan inferirse de la realidad observada y de reducir un cúmulo de
variables a un número restringido y parsimonioso de agrupaciones significativas de
carácter conceptual (hipotéticas). En otras palabras, el análisis de estructuras posibilita
ordenar, agrupar y clasificar la realidad observada mediante la extracción de los aspectos
comunes que subyacen a las relaciones entre las diferentes variables estudiadas.
Para lograr este objetivo se recurre a múltiples técnicas multivariadas de
interdependencia (ver figura 4.3.), tales como el “análisis de componentes principales”, el
“análisis factorial”, el “análisis cluster”, el “análisis multidimensional (o las escalas
multidimensionales)”, etc. Entre estas técnicas destaca el "análisis factorial"; esta técnica
además de estudiar y obtener las intercorrelaciones entre una serie de variables observadas,
obtiene “la estructura que subyace a las relaciones entre dichas variables” o las
dimensiones que resumen las relaciones de interdependencia entre las variables
observadas. En este sentido, la estructura factorial extraída puede ser unidimensional (una
sola dimensión o un "factor común"), bidimensional (dos factores), tridimensional, etc. Por
último, cabe señalar el estudio de las diferencias individuales, desde esta perspectiva
estructural, ha contribuido de forma notable al avance de la “Psicología” en general.
CUADRO 4.5.
EL ANÁLISIS FACTORIAL
El "Análisis Factorial exploratorio" es una técnica multivariante de interdependencia
que estudia las interrelaciones entre un elevado número de variables observadas (también
denominadas manifiestas, iniciales o patentes). Su objetivo es extraer la información "que
se oculta" en las variables observadas, obteniendo un conjunto más pequeño de variables
latentes, denominadas factores (dimensiones subyacentes, componentes, etc.). Es decir,
pretende extraer la variación conjunta o la variabilidad que tienen en común las variables
observadas y con la mínima pérdida de información relevante. Esta técnica es la más
representativa de la Psicología de las diferencias individuales, debido a su aplicabilidad en
el estudio de la estructura de la inteligencia y de la personalidad.
El inventor del análisis factorial fue Ch. Spearman, que utilizó el método de las
diferencias tetrádicas para estudiar la estructura de la inteligencia. Dicho método (que era
terriblemente agotador porque los cálculos en su época se debían hacer “a mano” ya que
no existían las calculadoras electrónicas ni los ordenadores) permitía conocer si la varianza
común de una matriz de correlaciones entre múltiples pares de test, podía reducirse a un
factor general único o sólo podía reducirse a varios factores de grupo (Andrés Pueyo,
1996; pág. 195). Spearman formaba grupos de cuatro medidas y calculaba para cada uno
de ellos un número que denominaba “diferencia tetrádica”. Para ello aplicaba la siguiente
fórmula: r13 x r24 - r23 x r14. Si el valor obtenido era cero quería decir que un único factor
general subyacía a las relaciones entre dichos test (o variables), en cambio si el valor era
diferente de cero (con signo positivo o negativo), significaba que había múltiples factores
de grupo. Posteriormente, otros autores, tales como Thurstone, que planteó el “principio
de estructura simple”, Hotelling, que propuso la extracción de factores mediante el
método de componentes principales, Kaiser, que aportó un tipo de rotación ortogonal
22
denominada –varimax (máxima variabilidad) y en la actualidad la más usada, etc.,
contribuyeron enormemente al desarrollo de esta técnica.
Para realizar un análisis factorial es preciso seguir las siguientes fases (Pelechano,1978;
Andrés Pueyo, 1996):
a) Seleccionar las variables a factorizar según el objeto de estudio. Las variables deben
medirse en una escala métrica (es decir, deben ser cuantitativas continuas). En los
estudios diferenciales estas variables suelen corresponder a los ítems de las pruebas o
tests utilizados para evaluar los constructos de interés.
b) Calcular la matriz de correlaciones entre las variables. Esta matriz muestra las
correlaciones existentes entre todas las variables iniciales. Cuando las variables a
factorizar son muchas (por ejemplo treinta o cuarenta, es metodológicamente
inadecuado, y prácticamente imposible “extraer a ojo” las dimensiones o factores que
resumen las intercorrelaciones entre las variables).
c) Extraer la matriz factorial básica. De esta forma se obtienen las dimensiones iniciales
que explican la mayor parte de la variabilidad común entre las variables iniciales. Esta
fase representa una síntesis inicial de las relaciones entre las variables observadas.
d) Rotar la solución factorial siguiendo unos criterios determinados. El objetivo de este
procedimiento es facilitar la interpretación de las relaciones entre las variables. Existen
dos tipos de rotación diferenciados: oblicua y ortogonal (figura 4.8.), a los que a
continuación se hace referencia.
e) Interpretar conceptualmente la matriz factorial rotada. Es decir, el investigador debe
interpretar adecuadamente el resultado factorial obtenido según su objeto y ámbito de
estudio.
Las principales controversias entorno a este análisis son las siguientes (Andrés Pueyo,
1996):
-
La Interpretación de la solución factorial obtenida. Esta interpretación (a pesar de
estar centrada en unos resultados objetivamente visibles y claros) presenta un cierto
grado de subjetividad, ya que dependerá de los conocimientos del investigador y del
marco teórico en el que se encuentre.
-
El tipo de rotación factorial utilizado (figura 4.8.). Las primeras dimensiones
obtenidas en el análisis factorial se representan en una serie de ejes, cada uno de los
cuales se corresponde con una única dimensión. Estos ejes pueden ubicarse en un
espacio factorial y mediante la rotación de las dimensiones se trata de buscar la
solución factorial más acertada. Ahora bien, desde un punto de vista matemático, se
pueden encontrar infinitas soluciones equivalentes, dependiendo del punto donde
finaliza la rotación. Por lo tanto,¿Cuál es la solución factorial más adecuada? Desde
un punto de vista matemático es más recomendable la ortogonal (técnicamente mejor)
ya que se entiende que los factores representan dimensiones independientes entre sí (o
constructos diferenciados), y además la solución factorial es más fácilmente
interpretable; sin embargo, cuando se cree que los factores están relacionados (como es
habitual al investigar constructos psicológicos) es mejor utilizar la rotación oblicua.
Este tipo de rotación permite establecer estructuras factoriales de tipo jerárquico
basadas en la sucesiva factorización de los factores obtenidos en niveles previos de
carácter más específic
23
PÓNGASE AQUÍ LA FIGURA 4.8.
En este sentido, uno de los debates más relevantes dentro del estudio psicométrico de las
capacidades mentales fue protagonizado por Spearman (inventor del análisis factorial) y
Thurstone, que propuso que se debía rotar las soluciones factoriales hasta hallar la solución
que ofreciera una estructura simple, es decir, la más sencilla y de fácil interpretar. Ambos
autores emplearon la misma técnica (el análisis factorial) pero diferente tipo de rotación.
Mientras Spearman encontró un solo factor general de capacidad mental y diversos
componentes específicos residuales, Thurstone postuló la existencia de nueve factores
primarios relacionados con las capacidades mentales.
Tal disparidad ha sido superada con los procedimientos de análisis factorial modernos
(Andrés Pueyo, 1996), y por una aproximación de posturas entre los psicólogos
diferencialistas, que señalan que la organización de la inteligencia, al igual que la
personalidad, es “jerárquica”. En este sentido, se entiende que los factores que justifican
las capacidades mentales y de personalidad se “organizan jerárquicamente”, es decir,
presentan distintos niveles de abstracción. En concreto, en la base de la jerarquía se
situarían los test que evalúan diferentes capacidades específicas; a partir de la correlación
de estos test se obtienen los factores primarios (por ejemplo, la capacidad verbal, la
capacidad espacial, etc.); A su vez, estos factores presentan “varianza común” puesto que
también están correlacionados entre sí, de tal forma que, tras factorizarlos nuevamente se
encuentran una serie de factores secundarios, que son dimensiones más abstractas que los
anteriores, tales como la “inteligencia fluida”, “la inteligencia cristalizada”, “la inteligencia
viso-espacial”, etc. Pues bien, si se factorizan nuevamente estos factores secundarios se
puede obtener un factor de inteligencia general “g”, tal y como postuló Spearman, que es
la fuente única de varianza de todos los demás factores y de todos lo test incluidos en esta
jerarquía (Andrés Pueyo, 1996) y representa el mayor nivel de abstracción o la cúspide de
la estructura jerárquica de la inteligencia (figura 4.9.).
Del mismo modo, las dimensiones que justifican la personalidad se pueden organizar
jerárquicamente. Es decir, en el primer nivel de la jerarquía se encuentran las conductas
específicas de cada sujeto; al correlacionar dichas respuestas se encuentran diferentes
hábitos (o conductas habituales), que al factorizarlos nuevamente se agrupan en rasgos
primarios que presentan un nivel mayor de generalidad que los niveles anteriores, y
finalmente en la cúspide de la jerarquía, tras factorizar de nuevo los rasgos primarios,
hallaríamos los rasgos de personalidad más generales, también denominados tipos.
PÓNGASE AQUÍ LA FIGURA 4.9.
El análisis factorial clásico es conocido como “análisis factorial exploratorio”.
Este tipo de análisis, si bien permite inferir la estructura de fenómenos estudiados tales
como la inteligencia, la personalidad, etc., ha sido tradicionalmente una técnica meramente
exploratoria en la búsqueda de unidades psicológicas significativas (factores), razón por la
cual uno de sus problemas más serios radica en su manifiesta dificultad a la hora de lograr
la necesaria "invarianza factorial" (o solución estructural de carácter estable a través de
distintos estudios), que garantice las conclusiones obtenidas en un ámbito de investigación
determinado (Cattell, 1966; Royce, 1973). Ello no es óbice, sin embargo, para que los
grandes avances estadísticos experimentados en las últimas décadas estén contribuyendo a
otorgar a esta técnica de unas posibilidades muy superiores a las atribuidas clásicamente al
denominado análisis factorial exploratorio.
24
A juicio de Mulaik (1986), una toma de conciencia creciente respecto a la
ambigüedad de los resultados arrojados por el análisis factorial, al reconocer la existencia
de un problema de "indeterminación factorial", ha impulsado el desarrollo de técnicas
estadísticas cada vez más potentes entre las que destaca el "análisis factorial
confirmatorio". La elaboración matemática del análisis factorial confirmatorio ha sido
posible gracias, fundamentalmente, a los esfuerzos de K. Jöreskog (1969).
Así, mientras el análisis factorial exploratorio es muy útil en la elaboración de
hipótesis relativas a la organización del mundo que se observa (fase inductiva del proceso
de investigación), el análisis factorial confirmatorio (fase deductiva) pretende abordar la
evaluación y el correcto ajuste de modelos teóricos elaborados previamente a los
resultados obtenidos (Mulaik, 1986). Es decir, su objetivo será, no ya explorar la
organización de un conjunto de datos, sino estimar si la estructura factorial que éstos
configuran se ajusta a un modelo teórico postulado a priori, como se verá en el apartado de
los objetivos explicativos.
Por ejemplo, Spearman en su afán de conocer sistemáticamente la inteligencia
humana desarrolló la técnica del “análisis factorial exploratorio”, y encontró elevadas
correlaciones entre múltiples test de inteligencia. Tras sus investigaciones concluyó que
todas las medidas posibles de la inteligencia, siempre y cuando estuvieran bien realizadas,
estaban relacionadas con un factor general o “g”, y que existía otro porcentaje de la
varianza no explicado por “g” denominado “s” o “específico” y vinculado a la exigencia
particular de la tarea concreta (Andrés Pueyo, 1996). Por contraposición, si pretendemos
comprobar si la teoría de la inteligencia de Spearman es correcta se puede emplear el
análisis factorial confirmatorio. Para ello, se parte "a priori" de su modelo teórico, y se
tratar de confirmar si la estructura factorial que obtuvo está en la dirección de lo postulado
por la teoría de Spearman. Este tipo de estrategias confirmatorias, será, por tanto, una
valiosa contribución para el estatus científico de la Psicología de las diferencias
individuales.
CUADRO 4.6.
OTRAS TÉCNICAS MULTIVARIADAS CENTRADAS EN RELACIONES
DE ESTRUCTURAS
1) El análisis cluster
También denominado “análisis de conglomerados”, “técnica de agrupamientos”, o
“técnica Q de factorización” se basa en una serie de algoritmos (operaciones matemáticas)
que permiten buscar grupos similares de individuos (casos o encuestados) que se van
agrupando en conglomerados. Mediante esta técnica se clasifican grupos de sujetos lo más
homogéneos posibles en función de las variables iniciales. En definitiva, es una especie de
análisis factorial invertido, ya que en vez de agrupar variables agrupa personas.
Asimismo, estos “conglomerados de sujetos” son mutuamente excluyentes (cada sujeto
pertenece a un único grupo). En resumen, el análisis cluster produce grupos de personas
diferenciados según cuales sean sus relaciones en una serie de variables (Colom, 1995).
25
2) Las escalas multidimensionales (EMD)
También denominado “análisis multidimensional”, es una técnica multivariante que se
basa en las comparaciones entre objetos (o estímulos). Dichos objetos (fotografías, dibujos,
sonidos, etc.) poseen una serie de dimensiones o variables latentes tanto objetivas como
subjetivas (percibidas) por los sujetos que los valoran. Por ejemplo, un vehículo tiene una
parte “objetiva” relativa al color de la carrocería, el tipo de dirección que lleva (asistida o
no), los caballos de potencia que tiene su motor, etc., y otra parte “subjetiva”, en donde los
sujetos valoran la estética del coche, el confort, su seguridad, etc. Así mediante el EMD, a
partir de la percepción subjetiva que tienen los individuos acerca de una serie de estímulos
se pretende encontrar qué dimensiones latentes justifican las diferencias y semejanzas que
hay entre las personas, y lo hace midiendo directamente las diferencias existentes. En
definitiva, el objetivo de este análisis es transformar los juicios de los individuos de
similitud o preferencia con respecto a una serie de objetos, en distancias representadas en
un espacio multidimensional denominado “mapa perceptual o espacial (Hair et al., 1999).
En dicho mapa aparecen los diferentes objetos a analizar y la distancia relativa que hay
entre ellos en función de la percepción de los sujetos evaluados.
A pesar de que esta técnica guarda similitudes con el análisis factorial, en cuanto a que
pretende hallar variables que subyacen a las relaciones entre variables, el EMD parte de las
diferencias y semejanzas de una serie de objetos, y no de la correlación entre variables
como el análisis factorial (Andrés Pueyo, 1996). Llevado al contexto de las diferencias
individuales, mediante esta técnica se pueden descubrir estructuras y fenómenos
psicológicos previamente desconocidos (Colom, 1995).
a.1.2. Objetivos predictivos
Cuando el conocimiento de las variables que se van a estudiar permite establecer
una división entre posibles variables predictoras (variables independientes) y variables
criterio (variables dependientes), técnicas como el “análisis de regresión (simple o
múltiple)”, el “análisis discriminante”, o la “correlación canónica” permiten estimar la
“potencia predictiva” del modelo previamente elaborado. La elección de un tipo de
análisis u otro estará en función de la naturaleza de las variables (métrica o no métrica) y
del número de variables predictivas y criterio.
En este sentido, los modelos de regresión permiten estimar, a partir del análisis de
las relaciones entre los datos recogidos, los valores o “magnitudes de cambio”. En
concreto, el análisis de regresión simple permite predecir un criterio (VD) a partir del
control estadístico (que no manipulativo) de una variable predictiva (VI), ya que ésta no
se puede manipular experimentalmente. Paralelamente, los procedimientos de regresión
múltiple posibilitan una estimación del “potencial predictivo de una variable”
manteniendo un control estadístico sobre otras variables intervinientes. Es decir, el
análisis de regresión múltiple permite predecir un criterio a partir de dos o más variables
predictivas. No obstante, los "coeficientes de regresión" deben ser entendidos e
interpretados en sus justos términos; ya que estos coeficientes representan "valores de
cambio" y no "valores causales", razón por la cual la cautela debe presidir las conclusiones
obtenidas en este tipo de estudios.
26
CUADRO4.7.
EL ANÁLISIS DE REGRESIÓN
El "análisis de regresión" permite predecir un criterio (variable que se quiere predecir,
como el rendimiento académico, el grado de ansiedad, etc.) en función de la combinación
lineal de una o más variables predictoras (variables independientes). Esta técnica requiere
dos condiciones (Hair, et al., 1999): a) los datos deben ser métricos o transformados
apropiadamente en métricos (o sea, los datos no métricos se convierten en variables
métricas ficticias); b) el investigador, antes de derivar la ecuación de regresión, debe
decidir qué variable va a ser dependiente y cuál de las restantes será independiente.
Existen dos tipos de análisis de regresión:
a) regresión simple: trata de predecir una variable criterio en función de una única
variable predictora, por ejemplo, se puede estudiar si la puntuación en un test de
inteligencia predice la puntuación en un examen de Psicología Diferencial. El resultado
vendría representado por una “ecuación de regresión”que indica el peso (o la capacidad
predictiva) que tiene la puntuación en el test de inteligencia en la predicción de la nota del
examen.
b) regresión múltiple: derivado del análisis de regresión simple, busca predecir los
cambios en la variable criterio en respuesta a cambios en dos o más variables predictoras.
Para ello, estima los coeficientes correspondientes a la “ecuación lineal múltiple"; dicho de
otra forma, calcula los pesos que tienen en la ecuación de regresión cada una de las
variables predictoras. Por ejemplo, se puede investigar si la puntuación media en el
expediente académico y la puntuación en un test de inteligencia general (variables
predictoras), guardan relación con el grado de rendimiento en un concurso oposición para
coordinador de unas instalaciones deportivas (variable criterio). A su vez, dicho análisis
posibilitaría predecir (en el caso de que estas variables fueran "verdaderamente"
predictoras) la puntuación que
una persona obtendría en dicho concurso
oposición, a partir de las dos variables predictoras.
En conclusión, el análisis de regresión (simple y múltiple) deriva del análisis de
correlación de Pearson, ya que se estudia la relación lineal entre dos variables
cuantitativas. Aún así el análisis de regresión está más perfeccionado estadísticamente, ya
que el coeficiente de correlación no distingue entre la variable predictiva y la variable
criterio.
CUADRO 4.8.
OTROS ANÁLISIS PREDICTIVOS
1) El análisis de correlación canónica
Supone una extensión lógica de la "técnica de regresión múltiple". Permite predecir
simultáneamente múltiples variables dependientes (criterio) a partir de un conjunto de
múltiples variables independientes (predictoras). El resultado es una “medida de la validez
de
la
relación”
entre
los
dos
conjuntos
de
múltiples
variables
(dependientes/independientes), representado mediante el coeficiente de correlación
27
canónica (Rc). Según Hair et al. (1999)“en situaciones con múltiples variables
dependientes e independientes, la correlación canónica es la técnica multivariante más
apropiada y potente”. En ocasiones esta técnica se utiliza como último recurso de análisis
cuando otras técnicas de mayor nivel no han funcionado correctamente. Al igual que en el
análisis de regresión las variables deben ser métricas, aunque también se permiten datos no
métricos debidamente transformados a métricos.
2) El análisis discriminante
Es una técnica estadística que basándose en una o más variables predictoras (o
independientes) de tipo métrico, trata de clasificar a los sujetos estudiados en una de las
categorías de la variable criterio (o dependiente). Se denomina discriminante porque trata
de discriminar o diferenciar a un conjunto de sujetos según un criterio de interés. Por
ejemplo, se quiere “discriminar” o predecir qué alumnos aprobarán la asignatura de
matemáticas (variable criterio) a partir de un test de razonamiento numérico y de la media
en el expediente académico en el año anterior (variables predictoras); si se logra detectar a
las personas que previsiblemente van a suspender se les podría ayudar con unas clases
particulares, con un libro de ejercicios resueltos paso a paso y perfectamente
comprensibles, etc. Imagínese que en un concurso de televisión los participantes deberán
superar pruebas del tipo “saltar en paracaídas”, “practicar hidrospeed“, “comer una ración
de gusanitos con sabor a cacahuete”, etc., sería muy recomendable que los organizadores
de dicho concurso tuvieran en cuenta múltiples variables, como por ejemplo la salud física,
mediante un chequeo médico, y la dimensión de personalidad denominada por Zuckerman
“búsqueda de sensaciones”. A partir de estas dos dimensiones se podría predecir qué
personas podrán realizar las pruebas sin correr graves riesgos para su salud física, y cuáles
“disfrutarán” realizando pruebas que conllevan aventura y riesgo, experiencias nuevas,
desinhibición, etc.
Existen dos tipos de “análisis discriminante”: a) simple, que trata de predecir una variable
criterio en función de una variable predictora (o independiente); b) múltiple, que trata de
predecir una variable criterio en función de dos o más variables predictoras. En definitiva
el producto final buscado mediante el análisis es que los sujetos se puedan agrupar en uno
de los grupos posibles correspondientes a las distintas categorías de la variable criterio. Es
decir, se pueden clasificar a los sujetos en alto o bajo grado de búsqueda de sensaciones,
en puntuación en inteligencia alta, media o baja, etc. El análisis genera una o más
ecuaciones, similares a las del análisis de regresión.
A pesar de que el “análisis discriminante” tiene la misma utilidad general que el “análisis
cluster”, es decir, “clasificar individuos en categorías”, en el primero se conoce “a priori”
el grupo de pertenencia, mientras que en el “análisis cluster” lo grupos homogéneos de
sujetos se conocen “a posteriori” (es decir, tras analizar los datos). El análisis
discriminante es de gran utilidad, además de en el estudio de las diferencias individuales,
en el ámbito clínico, ya que permite diferenciar sujetos enfermos y sanos.
a.1.3. Objetivos explicativos
A pesar de que la metodología correlacional (a diferencia de la experimental) ha
sido escasamente utilizada para comprobar hipótesis explicativas, los nuevos y pujantes
avances estadísticos abren ciertas posibilidades de aproximación a un análisis de relaciones
28
causales o explicativas. Dicho en otras palabras, los “diseños correlacionales causales” (o
explicativos) emplean diversos procedimientos que permiten establecer ciertas inferencias
causales (Sánchez-Cánovas y Sánchez, 1994). Según Hair et al. (1999) existen cuatro
criterios imprescindibles para realizar afirmaciones causales: a) asociaciones suficientes
entre dos variables; b) antecedentes temporales de la causa frente al efecto; c) falta de
alternativas a las variables causales; y d) una base teórica para la relación.
CUADRO 4.9.
MODELOS DE ECUACIONES ESTRUCTURALES
Los modelos de ecuaciones estructurales son una extensión de otras técnicas
multivariantes tales como la regresión múltiple y el análisis factorial exploratorio. Existen
múltiples modelos de ecuaciones estructurales, tales como el “análisis de la estructura de
la covarianza”, el “análisis de estructura latente”, el “análisis factorial confirmatorio”
(también denominado LISREL), el "path analysis" (análisis de vías o sendas), etc. Estos
modelos se utilizan en múltiples áreas de estudio e investigación (“Psicología”,
“educación”, “sociología”, “industria”, “genética”, “biología”, etc.).
La relevancia de estos modelos se debe a que proporcionan un método directo de tratar
con múltiples relaciones simultáneamente a la vez que se da eficacia estadística, y porque
permite evaluar las relaciones exhaustivamente y proporcionar una transición desde el
análisis exploratorio al confirmatorio (Hair et al., 1999). Al aplicar un modelo causal o
confirmatorio se deben concretar inicialmente las hipótesis de partida que suponen cómo
interactuarán todas las variables predictoras entre sí y con la variable criterio (Colom,
1995). O dicho en otras palabras se trata de establecer desde el principio qué variables se
consideran independientes y cuáles dependientes. El investigador realiza esta
diferenciación basándose en la teoría, la experiencia previa y sus objetivos. Las principales
características de estos modelos son las siguientes (Burgaleta et al., 1989; Guardia, 1986,
cf. Apodaka y Páez, 1992):
?? Las variables implicadas frecuentemente apelan a constructos hipotéticos conocidos
como variables latentes, es decir, no observables directamente como por ejemplo la
autoestima, el grado de neuroticismo, etc.
?? Reflejan relaciones entre variables teóricamente fundamentadas.
?? Facilitan la formalización matemática de aspectos teóricos.
?? Maximizan el control estadístico, ya que se emplean procedimientos estadísticos que
disminuyen el posible efecto de variables extrañas.
?? Las técnicas responden a complejos sistemas de ecuaciones simultáneas.
No obstante, se sugiere igualmente prudencia en las conclusiones derivadas de su
utilización (Cliff, 1983; Dwyer, 1983), tal y como se desprende de los siguientes
enunciados (Apodaka y Páez, 1992):
?? Los resultados obtenidos a favor de un modelo dado implican, únicamente, que los
datos obtenidos “no permiten rechazar el modelo causal propuesto”. Es decir, los
modelos de ecuaciones estructurales pueden confirmar que el modelo propuesto
inicialmente es uno de los varios modelos posibles aceptables, pero realmente no se ha
“probado” el modelo propuesto (Hair et al., 1999).
29
?? La asimetría temporal (o precedencia temporal) de una variable sobre otra no garantiza
una relación causal. Sería preciso realizar una investigación experimental con un
exhaustivo control manipulativo de las variables independientes.
?? Es preciso probar distintos constructos (variables) subyacentes alternativos que puedan
ser la causa de los indicadores externos con los que se trabaja, con la finalidad de
lograr un grado de seguridad mayor respecto a las variables latentes propuestas.
El lector interesado en introducirse más en estos modelos puede consultar Hair et al.,
(1999), Colom (1995), Ruiz (2000), etc. Debido a la importancia que tiene el "análisis
factorial confirmatorio" en el contexto actual de la "Psicología de las Diferencias
Individuales" se comentan brevemente las fases que sigue (Hair et al., 1999):
a) Desarrollo de un modelo basado en la teoría. Es decir, se tienen en cuenta todas las
variables que teóricamente se cree que explican el fenómeno objeto de estudio (por
ejemplo el "éxito académico") y se indica la relación existente entre las variables. Este
"modelo de causación" (modelo de relaciones establecidas de partida), es el que se
tratará de confirmar o desconfirmar mediante los sucesivos pasos del análisis. En este
sentido, se observa claramente que el "análisis factorial confirmatorio" es deductivo, ya
que a partir de una “hipótesis fundamentada teóricamente”, deduce lógicamente
consecuencias observables que permiten apoyar o refutar la hipótesis inicial (Colom,
1995). Por contraposición, el “análisis factorial exploratorio” sigue un procedimiento
inductivo, ya que explora el fenómeno objeto de estudio en busca de dimensiones o
variables latentes que den cuenta de las relaciones entre las variables observadas.
b) Construcción de un diagrama de relaciones causales. El investigador representa las
relaciones entre las variables en un “diagrama causal" (también denominado
diagrama estructural o secuencial), en el que se incluye las variables que miden cada
constructo de interés. Estos diagramas (similares a los diagramas de flujo) siguen unas
reglas de construcción y un tipo de símbolos particulares. En la figura 4.10 se muestra
un ejemplo de diagrama de secuencias de las relaciones entre las actitudes de los
empleados (Hair et al., 1999). Las flechas directas representan la influencia de las
variables independientes sobre las variables dependientes (por ejemplo, la actitud de
compañerismo influye sobre la satisfacción con el trabajo); y las flechas curvadas
indican la correlación entre variables (la actitud de compañerismo se relaciona con el
entorno de trabajo). Específicamente, en este diagrama se muestran tres variables
independientes (actitud de compañerismo, entorno de trabajo y nivel de sueldo) y las
restantes son variables dependientes. Ahora bien, mediante la metodología de las
ecuaciones estructurales una variable dependiente en una ecuación puede ser una
variable independiente en otra ecuación, como en este caso ocurre con dos variables
(satisfacción con el trabajo y lealtad con la organización). En resumen, la probabilidad
de movilidad del empleado estará determinada por la satisfacción que el empleado
tiene con el trabajo, que a su vez, está influida por la actitud de compañerismo y el
entorno de trabajo que existe, y por la lealtad con la organización que está vinculada
por el nivel de sueldo. La relevancia de esta fase es tan importante que algunos
programas estadísticos (como por ejemplo el "AMOS") comienzan a operar obligando
al investigador a dibujar el diagrama causal que desea estimar, es decir, obliga a
matizar con precisión la perspectiva teórica de la forma que toma su teoría particular
sobre los datos que se analizan (Ruiz, 2000).
30
c) Conversión de un diagrama de relaciones en un conjunto de modelos de ecuaciones
estructurales y de medida. En esta fase, el "modelo teórico" del que se parte
(debidamente representado gráficamente) se expresa en términos más formales, es
decir, a través de una serie de ecuaciones, con el fin de vincular "definiciones
operacionales de los constructos" con la "teoría", y así llegar al contraste empírico
apropiado.
d) Elección del tipo de matriz de entrada y estimación del modelo propuesto. La matriz
de entrada se compone de los datos que posteriormente servirán para realizar el análisis
factorial confirmatorio. Ahora bien, aunque se pueden obtener dos tipos de matrices
(de "varianza y covarianza" o de "correlación") entre las variables, para estimar el
modelo propuesto se prefiere emplear la matriz de correlaciones porque se estudia "la
pauta de interrelaciones" entre las variables.
e) Valoración de la identificación del modelo estructural. En esta fase el modelo
propuesto debe ser identificado, y para ello, el modelo debe ser capaz de generar
estimaciones aisladas. Dicho en otras palabras, se debe obtener "una ecuación aislada
y diferenciada" para estimar cada coeficiente. Si esto no ocurre aparecerán resultados
ilógicos o sin sentido que indicarán que el modelo estructural propuesto no ha sido
identificado.
f) Evaluación de los criterios de calidad del ajuste del modelo. Cuando el modelo está
bien establecido (correctamente especificado e identificado) se debe evaluar, en primer
lugar, el ajuste global del modelo para comprobar que dicho modelo representa
adecuadamente el conjunto completo de relaciones causales estudiadas; y en segundo
lugar, los modelos estructurales y de medida por separado.
g) Interpretación y modificación del modelo. Cuando se considera que el modelo es
aceptable deben examinarse los resultados y el grado de correspondencia con la teoría
propuesta. Es decir, se trata de comprobar si los resultados están en la dirección de las
hipótesis planteadas de partida. En concreto, los objetivos del análisis factorial
confirmatorio son verificar la estructura factorial del modelo propuesto y analizar si es
necesario realizar modificaciones significativas hasta llegar al “modelo final”.
Por último para analizar los modelos de ecuaciones estructurales se pueden utilizar
diferentes programas informáticos, como el AMOS (anteriormente mencionado) y el
LISREL (nombre con el que a veces se identifica al análisis factorial confirmatorio).
PÓNGASE AQUÍ LA FIGURA 4.10
Guiado por este objetivo más ambicioso (inferir relaciones causales), el uso de los
modelos estructurales es cada vez más frecuente en las ciencias sociales "en un intento de
desentrañar complejas relaciones causa-efecto y de verificar el ajuste de un modelo
postulado a los datos" (Apodaka y Páez, 1992, pág. 249). Sus principales ventajas estriban,
para el objeto y las características de la Psicología de las diferencias individuales, en que
permiten trabajar con variables latentes a los indicadores externos con los que se trabaja,
y, en segundo lugar, concluir acerca del ajuste de los datos desde un modelo estadístico a
un modelo teórico postulado "a priori". Esto posibilitará, igualmente, la obtención de
indicadores externos adecuados para los propósitos de la investigación (Apodaka y Páez,
1992). Ahora bien, estos investigadores recomiendan el uso de este tipo de técnicas sólo
31
cuando el conocimiento previo del fenómeno a estudiar sea lo suficientemente exhaustivo,
y se encuentre en una fase de madurez adecuada para la toma de decisiones acerca del
mismo. De igual modo, los resultados obtenidos deben tomarse con cautela.
a.2) Diseños propiamente comparativos
Este tipo de diseños son calificados de “planes experimentales” que, a diferencia
de los diseños correlacionales, no están fundamentados en la estimación de covariaciones
sino en el análisis comparativo de valores medios (Kerlinger, 1973). De esta forma, se
pretende estudiar si existen diferencias estadísticamente significativas al comparar las
puntuaciones medias que obtienen diferentes grupos (dos o más) en la variable dependiente
de interés. Por ello, responderían a este apartado aquellas investigaciones que analizan
como efecto principal las diferencias existentes entre niveles representativos de una
variable independiente ligada a características personales no manipulables (en este caso no
se incluyen variables de tratamiento o variables situacionales). Dentro de estos diseños
también se incluyen las diferencias intergrupales. Por ejemplo, se pueden formar tres
grupos según su grado de neuroticismo (alto, medio o bajo), y después compararlos en el
grado de rendimiento ante un test de inteligencia (variable dependiente).
Estos diseños responden, por tanto, a la comparación entre grupos que, si bien
siguen el esquema experimental o cuasi-experimental (grupo experimental-grupo de
control), presentan importantes diferencias con el experimento riguroso. En concreto, en
los diseños comparativos no se pueden manipular la(s) variable(s) independientes(s) para
observar los cambios producidos en la(s) variable(s) dependiente(s) (p. ej., no se puede
convertir a una persona muy tímida en persona muy extrovertida), y tampoco se pueden
formar los grupos mediante una aleatorización de los sujetos. Por ejemplo, si se pretende
estudiar las diferencias que hay en función del sexo (hombre/mujer) en el grado de
extraversión (variable dependiente), no se puede asignar a los sujetos de forma aleatoria a
cada uno de los grupos comparativos (sexo masculino vs. sexo femenino), ya que antes de
comenzar la investigación cada persona tiene "a priori" un sexo determinado; asimismo, el
investigador, tampoco puede modificar (manipular) libremente el sexo de cada persona
para formar dos grupos experimentales en función de la variable independiente "sexo".
Estas dificultades básicas vinculadas a una limitación del control experimental estricto,
incrementan el riesgo de realizar interpretaciones impropias al no poder descartar las
llamadas "hipótesis alternativas", lo que se traduce en serias restricciones al pretender
establecer relaciones funcionales de tipo causal entre variables independientes y
dependientes (Kerlinger, 1973).
Los análisis estadísticos que más utilizados para comparar los diferentes niveles de
una variable independiente son la prueba "t de Student" que permite comparar dos grupos
en una variable dependiente cuantitativa, el "Análisis de Varianza" (ANOVA), utilizado
para comparar tres o más grupos, y el "Análisis Multivariado de Varianza" (MANOVA) útil
para comparar grupos en dos o más variables dependientes.
b) Diseños cuasi-experimentales
Según la clasificación de Campbell y Stanley (1966), este tipo de diseños hace
referencia a aquellos estudios en los que, si bien no puede establecerse una aleatorización
de los sujetos (dado que éstos son escogidos por su pertenencia a niveles significativos
concretos de la variable independiente, p. ej. alto o bajo altruismo, hombre o mujer), sí
32
pueden manipularse, de forma sistemática, las condiciones o tratamientos a los que estos
sujetos experimentales son expuestos; es decir, pretenden analizar la interacción existente
entre fuentes de variación individual significativas y determinadas situaciones.
Por sus características son considerados por muchos autores como el auténtico
puente entre dos aproximaciones extremas, la experimental y la correlacional, al permitir
un acercamiento mayor a los problemas reales que el existente en los diseños
experimentales, manteniendo, al tiempo, el mayor control y rigor posibles (Campbell y
Stanley, 1966; McGuire, 1973; cf. Alvira et al., 1979).
En lo que al estudio de diferencias individuales se refiere, este tipo de estrategias
representa una vía de análisis que hace más factible el contraste de hipótesis relativas a los
procesos subyacentes y al valor funcional de las variables personales a través del estudio
de la interacción con el contexto o, de una forma más específica, mediante aquellas
manipulaciones experimentales diseñadas al efecto. Por ello posibilitan un acercamiento
progresivo al estudio científico de las diferencias individuales dentro de un marco
interactivo. En este contexto se realizan experimentos para investigar, por ejemplo, las
diferentes estrategias cognitivas que las personas pueden utilizar para resolver tareas
indicadoras de conducta inteligente. Así, mediante las estrategias de correlatos, se
examina el rendimiento de los sujetos ante una serie de tareas experimentales que miden
las capacidades humanas básicas del procesamiento de la información; y desde las
estrategias componenciales se trata de analizar el rendimiento de los sujetos en una serie
de tareas experimentales que suelen ser variaciones de los ítems incluidos en los test que
evalúan capacidades mentales (Colom, 1995).
CUADRO 4.10
DISEÑOS COMPARATIVOS Y ANÁLISIS ESTADÍSTICOS
Tanto en los diseños comparativos, como en los diseños cuasi-experimentales, puede
emplearse una gama amplia de técnicas estadísticas, paramétricas y no paramétricas, para
análisis univariados o multivariados, destinada a la comparación de medias entre grupos.
Estos procedimientos suelen ser mismos que los utilizados en los diseños experimentales,
entre los cuales destacan las técnicas de ANOVA (análisis de la varianza) y MANOVA
(análisis multivariante de varianza) como dos de las más habituales.
El “análisis multivariante de varianza” (MANOVA) se emplea para contrastar si las
diferencias entre diferentes grupos son estadísticamente significativas. Opera con "dos o
más variables dependientes métricas" y "dos o más variables independientes no métricas"
o categóricas (que son las que definen los diferentes grupos a comparar).
Este análisis procede de las técnicas univariantes que se utilizan para valorar las
diferencias entre las medias de los grupos, tales como la t de Student (que compara dos
grupos), o el análisis de varianza (ANOVA; que compara tres o más grupos). Tanto el
ANOVA como el MANOVA son muy útiles en la metodología comparativa y cuasiexperimental empleada en el estudio de las diferencias individuales. Desde esta perspectiva
se estudia, por ejemplo, "el tiempo de reacción" de los sujetos experimentales ante ciertos
estímulos (o tareas) controladas experimentalmente. Ahora bien, el ANOVA es considerado
un análisis univariante, ya que valora las diferencias entre grupos utilizando una única
variable dependiente de tipo métrico; sin embargo, el MANOVA es una técnica
33
multivariante porque estudia las diferencias intergrupales por medio de múltiples variables
dependientes métricas de forma simultánea (Hair et al., 1999). También existe otro análisis
vinculado al MANOVA, que se denomina "análisis multivariado de covarianza"
(MANCOVA). Ambos análisis (MANOVA Y MANCOVA) empleados conjuntamente
permiten eliminar (después del experimento) el efecto de cualquier variable independiente
no controlada sobre las variables dependientes mediante el control estadístico.
3.2. Temporalidad de los diseños
La temporalidad de los diseños (o estrategias) de investigación se refiere al (los)
momento(s) temporal(es) de recogida de los datos. Históricamente se han diferenciado dos
tipos de “diseños temporales” o evolutivos: transversales y longitudinales. Ambos diseños
(aunque claramente diferenciados entre sí) tienen como objeto genérico de estudio los
cambios vinculados a la edad cronológica (variable independiente) en la(s) variable(s)
dependiente(s) estudiada(s) (por ejemplo el nivel de inteligencia general, el grado de
introversión, la rapidez perceptiva, etc.).
La “edad cronológica” (entendida exclusivamente como un índice temporal que
informa acerca de la fecha de nacimiento de un individuo) es una variable de selección (no
manipulable experimentalmente) al igual que variables como el sexo (hombre o mujer), la
etnia, el color de los ojos, el lugar de nacimiento, etc. Por lo tanto, los estudios en los que
está implicada la variable “edad” no son de naturaleza experimental. Sin embargo la
variable “edad” proporciona un mayor “juego metodológico” que el resto de variables de
selección, porque además de permitir realizar comparaciones intergrupales en función de
la edad, posibilita estudiar el cambio que se produce a lo largo del tiempo.
En otras palabras, la variable “edad” –al igual que el resto de variables de
selección- no se puede manipular experimentalmente, ya que no se puede convertir a una
persona que tiene 80 años en un adolescente de 13 años); pero sí es posible esperar que un
adolescente de 13 años cumpla 15 años, y después cumpla 17 años, etc. De esta forma se
puede estudiar el cambio o las diferencias que se producen en función de la edad. Por otra
parte, el resto de variables de selección, como por ejemplo el “lugar de nacimiento”, no
varían ni experimental ni evolutivamente (es decir, si una persona ha nacido en Sevilla
puede cambiar de lugar de residencia pero nunca de lugar de nacimiento). Por último, tal y
como señala Andrés Pueyo (1996), la edad no es la causante del cambio sino los procesos
evolutivos que actúan en función de la edad, tales como la maduración, el aprendizaje y la
interacción entre ambos. En la tabla 4.2. se describen algunos de los criterios que
diferencian los diseños tranversales de los longitudinales1 .
PÓNGASE AQUÍ LA TABLA 4.2.
a) El diseño transversal
El diseño transversal recoge los datos de forma sincrónica, ya que se estudia en
“un mismo momento temporal” una variable dependiente determinada en diferentes grupos
1
Seguramente el alumno ya habrá advertido que estos diseños ya han sido abordados en varias
asignaturas de primer curso de la UNED: específicamente en “Psicología Evolutiva I” y en “Diseños de
investigación en Psicología”.
34
de sujetos seleccionados según la edad cronológica. Por ejemplo, comparar en el año 2002
las puntuaciones medias obtenidas en un test que mida “inteligencia fluida” (variable
dependiente) en sujetos de tres edades distintas (los nacidos en 1960, 1970 y 1980). El
objeto de interés de este diseño es estudiar las diferencias entre edades, y por lo tanto se
emplea un diseño intersujeto o de medidas independientes (al comparar grupos de edad
diferentes en la variable dependiente de interés).
Los diseños transversales han sido y son profusamente utilizados en el ámbito de
las diferencias individuales, fundamentalmente por la mayor economía, facilidad, y
rapidez, tanto de aplicación como de obtención de resultados, que presentan. Asimismo,
presentan una baja tasa de abandonos, y además, permiten controlar “efectos históricos”
debido a que los sujetos al haber sido evaluados en un momento temporal concreto,
comparten las mismas influencias históricas (culturales, sociales, biológicas, etc.), en
mayor medida que si la evaluación se realiza en momentos diferentes y separados mucho
en el tiempo.
También merecen una mención especial las variantes destinadas al análisis de las
diferencias intergrupales, tales como los diseños transculturales y los transnacionales
(referentes a los estudios comparativos entre distintas culturas y naciones,
respectivamente), así como los transeccionales que corresponden a secciones o segmentos
de una misma población (Burgaleta et al., 1991).
Por otra parte, las principales limitaciones de estos diseños son las siguientes (Fontes et
al., 2001; Andrés Pueyo, 1996):
a)
El “efecto de cohorte”: representa un sesgo metodológico inevitable en los diseños
transversales. Una “cohorte de edad” (o generación) es un grupo de personas que
han nacido en el mismo año, y por lo tanto, han tenido las mismas influencias
históricas (culturales, sociales, biológicas, etc.). Por ello, cuando se encuentran
diferencias al comparar diferentes cohortes de edad (o generaciones) éstas no se
pueden atribuir exclusivamente a la diferente edad cronológica de cada grupo, sino
también a todas las influencias culturales y ambientales que comparten cada
generación y que se diferencian entre sí. En síntesis, en estos diseños los efectos de
la edad se confunden con los efectos de cohorte.
b)
Dificultad para establecer con propiedad relaciones causales, dado que la variable
“edad” no se puede manipular experimentalmente. Sin embargo, no se debe olvidar
que existen procedimientos de “control estadístico” apropiados que permiten, en
buena medida, contrarrestar el efecto de posibles fuentes de variación causal
distintas a la postulada si éstas son conocidas de antemano.
c)
No se sabe hacia dónde se podría dirigir el cambio de cada generación (o grupo de
edad concreto), o de cada individuo particular, ya que se evalúa en un único
momento temporal.
d)
Dentro de una generación evaluada se incluyen sujetos que tienen la misma edad
cronológica pero con diferentes niveles de maduración o procesos de cambio, tales
como la edad mental (desarrollo intelectual alcanzado por el sujeto), la edad
biológica (proceso de cambio del organismo vinculado a la supervivencia), la edad
35
social (cambios de adaptación del individuo provocados por el efecto de
fenómenos relacionados con el rol social).
b) El diseño longitudinal
El diseño longitudinal obtiene los datos de forma diacrónica, ya que se estudia
“en diferentes momentos temporales” el cambio que se produce vinculado a la edad en la
variable dependiente de interés. Por ejemplo, se puede estudiar en un grupo de personas
nacidas en 1980, los cambios que se producen en el grado de inteligencia fluida (variable
dependiente), a lo largo de 20 años, realizando evaluaciones en diferentes momentos
temporales (p.ej., cada dos años). Ya que el objeto de interés de esta metodología es
estudiar el cambio a lo largo del tiempo de los mismos sujetos o grupos, se emplea un
diseño intrasujeto o de medidas repetidas (se realizan repetidas mediciones de cada sujeto
para comprobar el cambio en la variable dependiente). Por consiguiente, el diseño
longitudinal representa una opción alternativa al transversal, así como una aproximación
importante a la “contrastación de hipótesis explicativas”, dado que introduce una
dimensión temporal que permite estimar el "sentido del cambio"; es decir, cada una de las
variables es evaluada en diversos momentos temporales que, según decida el investigador,
pueden variar en cuanto a su frecuencia y extensión (evaluar cada año, cada dos años, cada
cinco, etc.).
Los diseños longitudinales son extraordinariamente necesarios y útiles porque
además de estudiar el desarrollo de los individuos durante un periodo prolongado de
tiempo, controlan el “efecto de cohorte”. En este último caso, los sujetos pertenecientes a
una cohorte de edad concreta o “generación” (por ejemplo, los sujetos nacidos en 1980)
son más homogéneos entre sí, porque comparten un mismo contexto histórico, y de ahí que
se descarte la influencia del efecto de cohorte. De hecho, a los estudios longitudinales se
les puede denominar también “diseños intracohorte”. Asimismo, mediante estos diseños
los cambios observados en un mismo individuo se pueden generalizar a los cambios en los
grupos de edad (Andrés Pueyo, 1996). En cualquier caso, a pesar del avance que
representan con respecto a los diseños transversales, al posibilitar en mayor medida el
rechazo y falsación de explicaciones alternativas, estas estrategias no resuelven del todo el
problema de la espuriedad, es decir, no se asegura que la relación encontrada entre la
variable dependiente e independiente se deba a la influencia causal de una tercera variable,
de tal forma que si ésta se neutralizara desaparecería la relación observada. A pesar de ello,
el uso de modelos estructurales (que tratan de desentrañar las “complejas relaciones causaefecto”) pueden también contribuir a una mayor consolidación de los datos obtenidos.
En suma, cabe precisar que el diseño longitudinal simple (o secuencial), permite, a
diferencia del diseño transversal, estimar directamente los efectos ocasionados por la edad,
deslindándolos de aquellos que podrían explicarse en función de los distintos años de
nacimiento (distintas generaciones) de pertenencia; es decir, el seguimiento de un grupo de
sujetos a lo largo de los años posibilita un “análisis real” de los cambios experimentados,
frente a una mera comparación transversal de sujetos de distintas edades cuyas diferencias
pueden ser estrictamente generacionales. Por otro lado, la estrategia metodológica
longitudinal, al igual que los diseños transversales, presenta diversas limitaciones, entre las
que destacan las siguientes (Fontes et al., 2001; Andrés Pueyo, 1996):
1. “Efectos históricos” o “efectos del aprendizaje”: se puede confundir el efecto de
la edad con el efecto asociado al momento en el que se realizó la prueba. Por
36
ejemplo, podría ocurrir que en una generación de niños, tras ser evaluados, en un
primer momento, a los 15 años, y posteriormente, a los 17 años, se encontrara un
aumento significativo en la puntuación media obtenida en una prueba de rotación
espacial de figuras; dicho incremento tan notable pudiera deberse a otros factores
asociados con el aprendizaje, tales como, la familiarización con las pruebas a lo
largo del tiempo por parte de los sujetos, modificaciones curriculares que hicieran
un especial hincapié en el dibujo de figuras geométricas, la aparición, difusión y
aceptación por parte de los adolescentes de videojuegos relacionados con esta
capacidad, como por ejemplo el famoso “tetris”, etc.
2. Mayores costes de realización y organización que los diseños transversales. Es
más, muchos de estos estudios se comienzan pero no se acaban por falta de tiempo
o de recursos económicos, y en ocasiones, por la desaliento que le sobreviene al
investigador tras años de interminable espera hasta lograr todos los datos que
necesita para su estudio
3. Elevada tasa de abandonos (también denominada “mortandad experimental”) de
los sujetos investigados, fruto de las circunstancias de vida de cada individuo
(cambio de domicilio, enfermedad, etc.), del tiempo que transcurre entre las
diferentes evaluaciones, etc.
4. Ausencia de equivalencia en los instrumentos de evaluación empleados para
edades diferentes.
5. Ceñirse al estudio de una sola generación (p. Ej. nacidos en 1985) limita la
investigación a un análisis de los efectos propios de dicha generación. Un estudio
longitudinal simple responde, únicamente, al estudio de las características de una
sola generación.
Los investigadores motivados por algunas de estas limitaciones han sugerido algunas
modificaciones del diseño longitudinal clásico destinadas a clarificar sus conclusiones.
Entre éstas se pueden destacar las siguientes (Burgaleta et al.,1991):
?? Diseño longitudinal transverso: combina ambos diseños mediante un seguimiento
longitudinal de varios grupos generacionales y análisis de cortes transversales entre
los mismos. Así, por ejemplo, podríamos establecer un estudio longitudinal de las
generaciones de los años 30, 40 y 50 y, al tiempo, establecer comparaciones entre
las distintas generaciones en unas edades determinadas, por ejemplo, los 20, 30 y
40 años, con lo que podríamos apreciar cuáles son los efectos propios de la edad y
cuáles son producto de la generación de pertenencia.
?? Diseño longitudinal de poblaciones: tomando una(s) población(es) como
referencia (p. ej. edades concretas), se analizan distintas muestras en períodos de
interés determinados. Es decir, varían los sujetos pero se mantiene la población
(edad o edades) objeto de estudio. Así, este diseño permite estimar cómo afectan
los cambios sociales y culturales a la población.
37
IV. RESUMEN
En este capítulo se ha considerado el estudio de las diferencias individuales desde
la perspectiva del método científico. Para ello, se han señalado algunas características
generales del "Método Científico", y su aplicabilidad al análisis de la variación individual.
En definitiva, este capítulo representa el "esqueleto" metodológico que aglutina, y ayuda a
entender, el ingente "corpus teórico" desarrollado dentro de esta disciplina.
El Método Científico sigue una serie de fases generales (observación,
organización de datos, inducción, deducción, verificación de hipótesis, y elaboración de
leyes y teorías) que según Mayor (1989) pueden organizarse en dos niveles superiores,
como son el empírico y el teórico. A su vez, Arnau (1989) establece tres niveles
metodológicos en los que se asienta el estudio de las diferencias individuales: a) "teórico
conceptual" (referido a las fases generales que sigue el Método Científico); b) "técnicometodológico" (las estrategias de investigación que el científico va a seguir para
comprobar sus hipótesis); y c) "estadístico-analítico" (los análisis estadísticos de los datos
recogidos). Por otra parte, R.B. Cattell propone el "Método Inductivo-HipotéticoDeductivo" (IHD) para el estudio de las diferencias individuales. A su vez, entiende que el
conocimiento científico avanza en una sucesión de diferentes ciclos IHD, y este avance lo
representa mediante una "espiral". Este método (base y fundamento del estudio de las
diferencias individuales) supone una integración de dos metodologías (la empírica y la
racional) que hasta ese momento estaban consideradas contrapuestas e irreconciliables.
Aún así, en la investigación de las diferencias individuales, es interesante conocer
las "dos disciplinas de la Psicología Científica": la Psicología Experimental y la
Psicología Correlacional. Ambas derivan de diferentes paradigmas, tienen orígenes y
objetivos específicos distintos, además de emplear cada una sus particulares estrategias de
investigación; ahora bien, aunque la "Psicología Diferencial" de corte clásico se ha
identificado más con la Psicología correlacional, en la actualidad, el estudio de las
diferencias individuales requiere de la aportación de ambas disciplinas, que según Eysenck
representan "las dos caras de la Psicología". Asimismo, el Método Científico requiere
unas garantías como son la validez interna y la validez externa, cada una de ellas con sus
matices específicos.
De acuerdo con Arnau (1989), los teóricos del método científico han distinguido
tradicionalmente tres tipos de estrategias de investigación: a) la descriptiva (diseños “expost-facto”); b) la correlacional (no experimentales o “métodos de observación pasiva”);
y c) la manipulativa (estrategias experimentales). En este texto los diseños de
investigación se han clasificado en función de dos criterios: a) el grado de manipulabilidad
de la variable independiente; y b) de la temporalidad de los diseños, o momento(s) en que
se recogen los datos, en donde se comentan exclusivamente los diseños transversales y
longitudinales. Finalmente, es interesante conocer los principales análisis estadísticos que
suelen están vinculados a cada diseño de investigación. Específicamente los análisis
multivariados (mucho más complejos que los análisis uni o bivariados) son los más
utilizados en el ámbito de la Psicología de las diferencias individuales. Estas
"herramientas" estadísticas multivariadas se dividen en dos grandes grupos: a) técnicas de
dependencia, que estudian una serie de variables independientes para predecir y explicar
una o más variables dependientes; y b) técnicas de interdependencia, que estudian la
covariación entre múltiples variables con el fin de describir, clasificar y conocer la
estructura de las relaciones entre dichas variables. En definitiva, el investigador utilizará el
38
análisis estadístico más apropiado en función de su diseño de investigación, del número y
naturaleza de las variables a estudiar, y de los objetivos propuestos.
PREGUNTAS DE AUTOEVALUACIÓN
1. Describa las distintas fases en el método científico.
2. Defina con sus palabras qué se entiende por “la espiral de R.B.Cattell”.
3. ¿Qué se entiende por validez externa?
4. Haga un esquema comparativo de las dos disciplinas de la Psicología científica.
5. ¿Cuáles son las fuentes de error o la varianza de error a desestimar dentro del
paradigma experimental?
6. ¿Qué se entiende por experimento provocado, y cuál es la diferencia con el
experimento invocado?
7. ¿Cuál es la técnica estadística que nos permite inferir la estructura de un fenómeno
psicológico, como por ejemplo la inteligencia?
8. Dentro del análisis factorial indique las diferencias que existen entre la rotación oblicua
contra ortogonal.
9. Diferencias más importantes entre el análisis factorial exploratorio y el análisis
factorial confirmatorio.
10. Si queremos comparar las medias de tres grupos en inteligencia a lo largo del tiempo,
qué tipo de diseño emplearemos?
39
Tabla 4.1. Psicología experimental y correlacional: aspectos diferenciales
EXPERIMENTAL
CORRELACIONAL
Antecedentes
W. Wundt/ I. Paulov
F. Galton / C.H. Spearman
R.S. Woodworth / E.C. Tolman
R.B. Cattell / H.J. Eysenck
Origen
Asociacionismo
Evolucionismo
Paradigma
E-R
R-R
Objeto de estudio
Procesos y relaciones funcionales
Dimensiones y estructuras
Variables que investiga
Exógenas (tiempo de reacción
Endógenas (inteligencia,
simple, tiempo de inspección…)
extroversión, …)
Variables organísmicas
Homogeneizadas al azar
Control por asignación
Variables situacionales
Riguroso control manipulativo
Controladas por muestreo
Control
Manipulativo
No manipulativo
Validez predominante
Interna
Externa (ecológica)
Ámbito de investigación
Contexto natural
Laboratorio
(Medio externo / mundo interno del
sujeto)
40
EXPERIMENTAL
CORRELACIONAL
Tipo de experimento
Provocado
Invocado
El fenómeno se produce cuando el
El fenómeno a investigar es
investigador lo decide
preexistente a la investigación
Estudia
La varianza entre tratamientos
La varianza entre individuos
Varianza de error a desestimar
Las diferencias individuales
La varianza entre tratamientos
Perspectiva
Nomotética
Nomotético-Idiográfica
Estudio de las leyes generales
Estudio de las diferencias individuales
Tipo de medidas
Dependencia (causalidad)
Interdependencia (covariación)
Técnicas de análisis estadístico
uni- o bivariadas
Multivariadas
Procedimientos estadísticos predominantes
AVAR
AF
Estadístico en el que se basan
Promedio
Desviación típica y varianza
Efectos buscados al estudiar las variables
Causación
Covariación
Materias afines
Psicología experimental, básica,
Psicometría, Personalidad, Psicología
fisiología…
educativa…
Tabla 4.2. Aspectos diferenciales de los diseños transversales y longitudinales
Diseños transversales
Recogida de datos
Diseño
Variable constante
Objeto de estudio
Procedimiento llevado a
cabo
Principales aspectos
positivos
Principal sesgo
metodológico
Sincrónica
Intersujeto (o de medidas
independientes)
Un único momento temporal
Diseños longitudinales
Diacrónica
Intrasujeto (o de medidas
repetidas)
Una única muestra
generacional
Las diferencias entre edades
Cambios (variación) con la
edad
Comparar diferentes grupos Estudiar la evolución de cada
de edad en la variable
sujeto a lo largo del tiempo
dependiente de interés
en la variable dependiente de
interés
?? Mayor economía,
?? Mayor garantía
facilidad y rapidez
explicativa
?? Baja tasa de abandonos ?? Análisis real de los
cambios observados
?? Control de los efectos
históricos
?? Control de los efectos de
cohorte(no afectada por
los efectos de cohorte)
Los efectos de cohorte o
Los efectos históricos o del
aprendizaje
de generación
41