Story Transcript
DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA Prof. Alfonso Pitarque Dpto. Metodología (despacho M107) Tutorías: Viernes de 9.30h a 12.30h + info en www.uv.es/pitarque
ObjeKvos • Saber realizar una invesKgación desde la ópKca de las principales diseños de invesKgación uKlizados en Psicología:
• • • •
-‐ experimentales y cuasiexperimentales (unifactoriales y factoriales) -‐ experimentos de caso único -‐ encuestas, tests y cuesKonarios -‐ metodología observacional Saber analizar estadísKcamente dichos diseños Saber realizar el informe de una invesKgación (normas de publicación A.P.A.) Saber valorar la calidad de un arVculo de invesKgación Conocer los principios éKcos que rigen la invesKgación
2
BibliograZa básica • Teoría: León, O.G. y Montero, I. (2003). Métodos de inves,gación en Psicología y Educación. Madrid : McGraw-‐Hill. [ISBN: 8448136705]
• PrácKcas: Gambara, H. (2002). Métodos de inves,gación en Psicología y Educación. Cuaderno de prác,cas. Madrid : McGraw-‐Hill. [ISBN: 8448136691] Meltzoff, J. (2000). Crí,ca a la inves,gación. Psicología y campos afines. Madrid: Alianza. [ISBN: 8420686646] [pps. 195-‐321] 3
Evaluación • Examen (de 0 a 5 puntos sobre nota final): CuesKonario de
unas 25-‐30 preguntas de 3 alternaKvas (teoría, interpretación de outputs del SPSS,…), donde hay que sacar una nota mínima de 2.5 puntos para poder aprobar la asignatura.
• PrácKcas en el aula (de 0 a 4 puntos): Se valorará la asistencia
a clase y parKcipación acKva en ella (de 0 a 1 puntos) y 3 prácKcas evaluables en el aula (de 0 a 1 puntos cada una).
• Informe (de 0 a 1 puntos): Informe escrito (individual) en formato
A.P.A. en el que se refleje el Vtulo, introducción (objeKvo, revisión de la literatura e hipótesis) y referencias de un problema de invesKgación (preferiblemente tu TFG). Longitud máxima 2 folios a doble espacio (incluidas las referencias). Se valorará la concisión y la adecuación a normas A.P.A. 4
Tema 1. InvesKgación en Psicología A) El método cienVfico en Psicología • El hombre siempre ha necesitado conocer y controlar su entorno (conocer las causas) para vivir más y mejor. La necesidad incenKva la curiosidad, base del conocimiento. • En los primeros Kempos ese conocimiento lo transmiVan la tradición oral, supercherías y religiones. Pero con los árabes (Avicena, …) y sobre todo a parKr del Renacimiento (tras epidemias de peste), el hombre comienza a creer que es capaz de controlar la naturaleza por sí solo (p.e. Da Vinci, Vesalio, Copérnico, Kepler…). • Hoy la Ciencia es el principal modo de adquirir conocimiento para control del entorno y garanVa de supervivencia de la especie humana. •
Definir la Ciencia es diZcil. Lo que define a una ciencia no es su objeto de estudio si no su método de trabajo: el método cienVfico o hipotéKco-‐deducKvo.
5
Tema 1. InvesKgación en Psicología El método cienVfico sigue una serie de pasos secuenciales: • Plantea un problema o pregunta de invesKgación • Deriva unas hipótesis contrastables en términos operaKvos (si … entonces …) • Contrasta dichas hipótesis empíricamente (es decir a través de la medición cuanKtaKva = objeKva) uKlizando diseños de invesKgación apropiados • Saca conclusiones que avalarán o refutarán teorías De este modo el conocimiento que nos aporta el método cienVfico es: • ObjeKvo (no subjeKvo) • Determinista (todo Kene una causa y ésta siempre es cognoscible) • General (busca leyes generales o universales del conocimiento) • Contrastable empíricamente y por tanto refutable y relaKvo (abierto siempre a la revisión, es decir replicable) • Parsimonioso 6
Tema 1. InvesKgación en Psicología • La Psicología ganó el estatus de ciencia sólo cuando demostró que era posible cuanKficar y medir objeKvamente lo mental y adoptó el método cienVfico en su forma de trabajo: – Fechner (1860), Wundt (1879), Ebbinghaus (1885), Wertheimer (1912) en Alemania, – Stanley Hall (1883), William James (1890), Thorndike (1898) y Watson (1913) en USA, – Pavlov (1906) en Rusia, – Binet y Simon (1905) en Francia.
7
Tema 1. InvesKgación en Psicología Desde sus inicios se ha hablado de dos tradiciones o enfoques en la invesKgación psicológica: • el enfoque correlacional (o psicométrico) iniciado por Binet y Simon y después Wechsler, cuyo objeKvo es medir lo psíquico mediante tests y cuesKonarios, haciendo especial hincapié en las diferencias individuales y en el análisis de las relaciones entre las variables (correlación, regresión, análisis factorial, etc.) que no permiten establecer causalidad. • el enfoque experimental basado en la experimentación de laboratorio (Wundt, Pavlov, Watson, …) que permite confirmar relaciones causales entre variables y leyes generales de la conducta (p.e. condiciomaiento clásico, operante, vicario, etc.)
8
Tema 1. InvesKgación en Psicología Inciso terminológico: En invesKgación (cuasi)experimental debemos disKnguir entre tres Kpos de variables: a) Variables independientes (VI o predictores). Son las que se manipulan para ver si producen cambios o no en la variable que medimos (o variable dependiente). Dicha manipulación se lleva a cabo comparando como mínimo dos niveles de la VI (o condiciones o tratamientos, uno de los cuales ha de ser siempre una condición control sin tratamiento o de tratamiento con placebo). a1. Si el invesKgador Kene potestad para asignar al azar los sujetos a los disKntos niveles de la VI se habla entones de manipulación directa, mientras que si no puede llevar a cabo dicha asignación aleatoria porque los sujetos ya están adscritos a cada nivel de la VI por la propia naturaleza de dicha VI (p.e. género, nacionalidad, edad, …) entonces se habla de manipulación por selección. Esta disKnción es importante porque determina la disKnción entre diseños experimentales (= manipulación directa) y cuasi-‐experimentales (= manipulación por selección). a2. Las VI también se clasifican en VI inter (cuando asignamos una muestra disKnta de sujetos a cada nivel de la variable) o VI intra (cuando una única muestra de sujetos pasa por todos los niveles de la variable, obteniendo medidas repe,das de los mismos sujetos).
9
Tema 1. InvesKgación en Psicología b) Variables dependientes (VD o criterio). Son las que medimos para ver si la manipulación anterior es efecKva o no. Las VD pueden ser: ü cuanKtaKvas (escala de intervalo o razón) -‐-‐> pruebas de análisis paramétricas ü semicuanKtaKvas (u ordinales) -‐-‐> pruebas de análisis no paramétricas ü cualitaKvas (o categoriales o escala nominal) -‐-‐> pruebas χ2 c) Variables extrañas o contaminantes, que son las que hay que controlar para que no afecten a la VD. Cuando todas las posibles variables extrañas están bien controladas, es decir, cuando podemos afirmar que la causa de la variación de la VD es debida, exclusivamente, a la manipulación de la(s) VI, se dice que la invesKgación Kene validez interna. La validez interna es requisito imperaKvo de toda invesKgación experimental y muy recomendable en cuasiexperimental.
10
Tema 1. InvesKgación en Psicología Los disKntos diseños de invesKgación en Psicología se podrían sistemaKzar pues en 4 Kpos (de mayor o menor grado de validez interna): • a) Metodología experimental: Su objeKvo es conocer las causas de los fenómenos, los cómo y los por qué de los mismos, es decir, poder establecer relaciones de causa-‐efecto entre variables. Para ello el invesKgador manipula directamente la(s) VI y controla adecuadamente las variables extrañas, mediante la asignación aleatoria de los sujetos a los tratamientos (unos 35 sujetos por condición), lo que garanKza la validez interna. UKliza prioritariamente las técnicas estadísKcas inferenciales paramétricas (pruebas t, ANOVA) y no paramétricas. La experimentación se puede realizar tanto en laboratorio como en ámbitos naturales (p.e. en Psicología Social). • Un caso especial de experimentación son los experimentos de caso único o N=1, uKlizados en el ámbito clínico (tema 5). No confundirlos con los estudios de casos. 11
Tema 1. InvesKgación en Psicología b) Metodología cuasi-‐experimental. Su objeKvo es el mismo que el de la experimentación, pero aquí el invesKgador sólo puede seleccionar muestras en base a caracterísKcas intrínsecas de los sujetos que no son directamente manipulables (p.e. género, edad, nivel educaKvo,…, es decir, manipulación por selección). Ello implica que los sujetos no son asignados aleatoriamente a los tratamientos y por tanto la validez interna a priori no queda garanKzada, pues puede haber un sesgo por selección. Para controlar dicho sesgo tendremos que cerciorarnos, antes de aplicar los tratamientos, de que las muestras que comparamos son equivalentes en las principales variables extrañas (p.e. género, edad, nivel educaKvo,…). La cuasi-‐ experimentación suele uKlizarse en ámbitos naturales e invesKgación aplicada (la escuela, el lugar de trabajo, etc.). UKliza las mismas técnicas estadísKcas que la experimentación.
12
Tema 1. InvesKgación en Psicología c) Metodología de encuestas (o correlacional, psicométrica, o de tests y cuesKonarios). Su objeKvo es describir y analizar relaciones entre datos mediante la aplicación de encuestas, tests o cuesKonarios a muestras grandes (p.e. n > 200) y representaKvas. Suele uKlizar técnicas estadísKcas descripKvas y correlacionales (tendencia central, variabilidad, correlaciones, regresión, análisis factorial, etc.) d) Metodología observacional. Suele aplicarse en poblaciones donde no podemos aplicar las metodologías anteriores (p.e. niños pequeños, personas con discapacidad, ancianos, …). Su objeKvo describir fenómenos que ocurren en ambientes naturales sin intervención apenas del invesKgador (p.e. mediante grabación en vídeo). Se trabaja con muestras pequeñas de sujetos o incluso con un solo sujeto (estudios de casos: p.e. Piaget, Freud, etc.). UKliza técnicas estadísKcas descripKvas y correlacionales (p.e. tablas de conKngencia mediante χ2,...) 13
Tema 1. InvesKgación en Psicología B) EL DISEÑO DE UNA INVESTIGACIÓN EN PSICOLOGIA El método hipotéKco-‐deducKvo en Psicología conlleva aplicar una serie de pasos secuenciales que podrían ser: – – – – – – – – –
Plantear un problema o pregunta de invesKgación Documentarse sobre el mismo Derivar hipótesis operaKvas Elegir el diseño: VI (niveles y condiciones), VD, estrategias de control de VE, cuántas muestras, decidir a priori el análisis estadísKco Decidir sobre el procedimiento y materiales Aplicar los tratamientos Medir o recoger los datos Análisis estadísKco de los datos e interpretación de los resultados Elaboración de un informe escrito 14
Tema 1. InvesKgación en Psicología 1) Definir la pregunta o problema de invesKgación, que debe de ser: – Relevante, original y que no se conozca la respuesta (documentarse* bien antes) – estar formulado de forma operaKva, es decir, que sea resoluble mediante mediciones objeKvas
*Documentación en Psicología: En la actualidad las dos principales fuentes de documentación en Psicología son estas dos bases de datos informaKzadas disponibles en la dirección web del Servei de Biblioteques i Documentación de nuestra universidad: a) PsycINFO de la APA. Disponible en el apartado Psicología + 6. PsycINFO. b) Web of Knowledge (ahora Web of Science) de Thomson-‐Reuters. Disponible en el apartado MulKdisciplinars + 17. Web of Knowledge. Desde ella también podemos buscar el índice de impacto de una revista (desde la pestaña Journal CitaKon Reports: acKvar SSCI)
15
Tema 1. InvesKgación en Psicología 2) Deducción de hipótesis contrastables empíricamente, y lo más concisas posible (p.e. en formato SI ... ENTONCES ...)
3) Elección del diseño: Es un parte muy delicada y que requiere reflexionar sobre: • a) Determinar la(s) VI (su naturaleza y sus niveles), con cuántas muestras vamos a trabajar y de qué Kpo (independientes = VI inter, relacionadas o de medidas repeKdas = VI intra) y cuál va a ser el método de muestreo. • b) Determinar la(s) VD (y su naturaleza: cuanKtaKva, semicuanKtaKva o cualitaKva). • c) Determinar cómo vamos a controlar las VE. • d) Determinar con qué técnica estadísKca analizaremos los datos (hay que saberla antes de llevar a cabo la medición). Kerlinger (1991) señaló que el mejor diseño es aquel que saKsface el “principio de MAX-‐MIN-‐CON”: a) maximiza la varianza tratamental (p.e. haciendo que las condiciones sean lo más disKntas posibles => mayor tamaño del efecto => mayor probabilidad de rechazar H0); b) minimiza la varianza erráKca debida a diferencias individuales (p.e. dando correctamente las instrucciones,…, => mayor probabilidad de rechazar H0) c) controla las variables extrañas (p.e. mediante la asignación aleatoria de los sujetos a las condiciones o controlando bien el sesgo de selección).
16
Tema 1. InvesKgación en Psicología 4) Determinación de con qué materiales (cuesKonarios, tests, planKllas de registro observacional, palabras, fotos, etc.) y aparatos (vídeo, ordenador, ERP, etc.) trabajaremos, y cual será el procedimiento de medición (qué tareas deberán hacer los sujetos y su secuencialización). 5) Recogida de datos mediante mediciones fiables 6) Análisis estadísKco de datos:
17
Tema 1. InvesKgación en Psicología 6) Análisis estadísKco de datos:
18
Tema 1. InvesKgación en Psicología 7) Interpretación de resultados: Discusión de los resultados en relación a las hipótesis planteadas, los resultados de otros trabajos y las teorías explicaKvas del problema. 8) Elaboración de un informe escrito. Apartados de un informe (normas A.P.A.): • Título (castellano e inglés) • Autores y filiación • Resumen (castellano e inglés) • Introducción: Planteamiento del problema. Revisión de la literatura sobre el mismo (leer fichero cómo citar). Planteamiento explícito de las hipótesis. • Método: -‐ ParJcipantes -‐ Materiales -‐ Aparatos -‐ Procedimiento • Resultados: Análisis estadísKcos inferenciales de los resultados hallados. Tablas y gráficos, si proceden. • Discusión: Implicaciones de los resultados para la hipótesis planteadas y las teorías explicaKvas del problema de invesKgación. • Referencias: Todo trabajo que en el texto del informe se cite alguna vez (p.e. Metlzoff, 2000) debe aparecer su referencia completa en el apartado de referencias . Hay tres Kpos disKntos de referencias: -‐ Libros, p.e.: Pardo, A. y SanmarVn, R. (1995). Análisis de datos en psicología II. Madrid: Pirámide. -‐ ArVculos, p.e.: Westmeyer, H. y Hagebock, J. (1992). Computer-‐assisted assessment: A normaKve perspecKve. European Journal of Psychological Assessment, 8, 1-‐16. -‐ Capítulos de un libro, p.e.: SKnson, C.H. y Palmer, S.E. (1991). Pararell distributed processing models of person schemas and pathologies. En M.J. Horowitz (ed.), Person schemas and maladap,ve interpersonal paQerns. Chicago: University of Chicago Press. 19
Tema 1. InvesKgación en Psicología C) LA ETICA EN LA INVESTIGACION. La invesKgación ha de respetar los derechos de los parKcipantes (sean éstos personas o animales): No todo es lícito y jusKficable en nombre de la Ciencia. P.e. experimentos sobre obediencia de Milgram, o dejar grupos control sin tratamiento clínico. El Colegio Oficial de Psicólogos de España (www.cop.es) elabora y revisa un código deontológico que todo graduado en Psicología Kene la obligación de conocer y de cumplir (ver cuadro 2.13, pp. 48 de León y Montero): • los sujetos han de estar bien informados de los objeKvos de la invesKgación y de los riesgos que corren por parKcipar. • han de parKcipar voluntariamente, dar su autorización (por escrito si hay algún riesgo para su salud) y poder abandonar cuando quieran si así lo desean • evitar los procedimientos crueles y el sufrimiento Zsico y psicológico de los sujetos, siempre que sea posible • evitar engañar a los sujetos y cuando esto no sea posible, decirles la verdad inmediatamente • mantener la confidencialidad de los datos de los sujetos (secreto profesional) • emplear tratamientos clínicos que han demostrado su eficacia experimentalmente • no dejar sin tratamiento a los sujetos del grupo control, cuando su patología exiga tratamiento (en ese caso administrarles el mejor tratamiento conocido hasta la fecha) • no falsificar datos (p.e. Burt) • no plagiar. Ejercicios del libro de Gambara (pps 8 a 68, a.i.)
20
Tema 2. Diseños experimentales • Un experimento es una invesKgación: 1) donde el invesKgador Kene potestad para manipular directamente la(s) VI(s) (comparando al menos dos tratamientos: grupo control vs grupo experimental); y 2) donde la validez interna queda garanKzada formando grupos equivalentes mediante la asignación aleatoria de los sujetos a las condiciones experimentales, siendo las muestras como mínimo de 30 sujetos. • Recordemos que la validez interna se refiere a la seguridad en que la variación observada en la VD es debida exclusivamente a la manipulación de la(s) VI(s) y no al efecto de otras variables extrañas. La validez interna depende pues del grado de control de las variables extrañas (VE) o contaminantes (ver más abajo). • La validez interna es requisito imprescindible de todo experimento. Dicha validez interna nos permiKrá garanKzar la relación de causa-‐efecto entre la(s) VI y la VD. 21
Tema 2. Diseños experimentales En diseño experimental también son importantes: • Validez externa: o posibilidad de generalización de nuestros resultados a otras poblaciones, otros contextos de invesKgación, otras condiciones, otros momentos temporales, etc. Es requisito aconsejable pero no imprescindible de un experimento. A veces la validez externa va en detrimento de la validez interna. • Validez estadís,ca: o validez de las inferencias derivadas de los análisis estadísKcos. Depende entre otros factores del tamaño muestral (n), del nivel de significación (1-‐α), etc. 22
Tema 2. Diseños experimentales AMENAZAS A LA VALIDEZ INTERNA Vamos a presentar ahora las principales VE que se involucran en cualquier invesKgación y cómo controlarlas: 1. RelaKvas a los parKcipantes: 1.1. CaracterísKcas personales y demográficas. Se pueden controlar mediante: • asignación aleatoria de muestras grandes (n>30) • uKlizar VI de bloques (=controlar VE desde el diseño) • control estadísKco a posteriori (ANCOVA,…) 1.2. Efectos de maduración, sobre todo en población infanKl 1.3. Mo,vación 1.4. “percepción del rol” o expecta,vas de los sujetos => sujetos “ciegos” 1.5. Comunicación entre los parKcipantes 1.6. “Ac,tud fasSdiate” de los parKcipantes. 1.7. Mortandad experimental (aleatoria o no?) 1.8. FaKga 1.9. Regresión a la media en mediciones repeKdas de los mismos sujetos 1.10. Sesgo de selección (en VI manipuladas por selección) 23
Tema 2. Diseños experimentales AMENAZAS A LA VALIDEZ INTERNA
2. RelaKvas al invesKgador: 2.1. Variables demográficas (ensayos de prácKca,…) 2.2. ExpectaKvas del experimentador (efecto Rosenthal) => doble ciego. 3. RelaKvas al procedimiento, materiales y aparatos: 3.1. Reactancia experimental (ensayos de prácKca,…) 3.2. Efecto de la prác,ca cuando trabajamos con VIs intra (p.e. pretest-‐ pos~est). Se controla mediante la presentación aleatoria o el contrabalanceo de los tratamientos para cada sujeto. 3.3. Interacciones entre varios tratamientos 3.4. Instrucciones ¿iguales y bien comprendidas? 3.5. Efectos de suelo/techo, que pueden explicar una interacción entre 2 VIs 3.6. Ausencia de grupo control adecuado 24
Tema 2. Diseños experimentales
AMENAZAS A LA VALIDEZ INTERNA 4. RelaKvas a jueces, observadores o expertos: Cuando la VD es cualitaKva abierta (p.e. descripciones, relatos, comentarios verbales,…) hay que demostrar que la corrección es fiable: dos o más jueces han de corregir de forma independiente y “ciega” dichas respuestas y hallar luego grado de acuerdo o fiabilidad interjueces (mediante r o Kappa > .80). Se consigue mediante un entrenamiento adecuado (ensayos piloto). 5. Variables de ruido o causas inesperadas: preveerlas y control estadísKco a posteriori (análisis de calidad de los datos). 25
Tema 2. Diseños experimentales TAXONOMIA DE DISEÑOS EXPERIMENTALES Las VI pueden ser: -‐ variables entre o intersujetos (between subjects), cuando uKlizamos una muestra disKnta de sujetos para cada uno de los niveles de la VI -‐ variables intrasujeto (within subjects), cuando uKlizamos una única muestra de sujetos que recibe todos los niveles de la VI. Por eso también se las conoce como variables de medidas repeKdas. 26
Tema 2. Diseños experimentales En Psicología Experimental a la(s) VI también se les llama “factores”. En base a la disKnción entre VIs inter o intra, y al número de VI manipuladas podemos clasificar los diseños experimentales así: a. 1 VI manipulada: • a1. inter -‐-‐-‐> diseño unifactorial de X condiciones intersujeto (también llamado de X grupos al azar o completamente aleatorizados) • a2. intra -‐-‐-‐> diseño unifactorial de X condiciones intrasujeto o de X medidas repeKdas b. 2 o más VI manipuladas: • b1. todas las VI inter -‐-‐-‐> diseño factorial intersujeto o de grupos al azar AxB (p.e. 3x2, donde 3 y 2 indican el número de niveles de cada VI y el producto resultante –6-‐ indica el número de condiciones o tratamientos experimentales disKntos). • b2. todas las VI intra -‐-‐-‐> diseño factorial intrasujeto o de medidas repeKdas AxB. • b3. Una o varias VI inter y una o varias intra -‐-‐-‐> diseño factorial mixto A (inter) x27 B (intra).
Tema 2. Diseños experimentales • En función del número de VD se suele disKnguir también entre diseños univariantes (1 VD) y mulKvariantes (2 o más VD). • Cuando en un diseño inter bloqueamos (para controlarlas) una o varias variables extrañas se habla entonces de diseños de bloques al azar. Dicha variable de bloqueo se analiza luego como otra VI inter más. • Por úlKmo un Kpo especial de experimentos son los experimentos n=1 o de caso único (tema 5; no confundirlos con los estudios caso). • Tengamos presente que el uso de un diseño experimental no garanKza que estemos llevando a cabo un experimento: si nuestra invesKgación no Kene validez interna no estaremos haciendo experimentación. -‐-‐-‐> El adjeKvo “experimental” lo avala la validez interna, no el diseño uKlizado. 28
Tema 2. Diseños experimentales A. Diseños intersujeto (o de grupos al azar). •
•
•
Representan el concepto protoVpico de experimento “clásico” donde los sujetos son asignados al azar a los tratamientos. Dicha aleatorización garanKza la equivalencia de los grupos y por tanto el control de las VE, siempre que las muestras sean grandes (n >30 sujetos). Cuanto más grandes sean las muestras más garanVas habrá de control de las VE (y mayor potencia estadísKca tendremos) Deberemos comparar siempre como mínimo un grupo experimental frente a un grupo control, que recibirá bien un placebo, o bien el mejor tratamiento conocido hasta la fecha, si es que, por problemas éKcos, no podemos dejar sin tratamiento a los sujetos (p.e. ante pacientes con patologías graves). De este modo podremos descartar la hipótesis de que la mejoría observada sea debida a las meras expectaKvas de sanación de los sujetos (efecto placebo). El problema que plantean los diseños intersujeto es que exigen muchos recursos humanos (pensemos p.e. que un diseño factorial 3x2 ya exigiría 6 muestras de unos 30 sujetos = 180 sujetos como mínimo). Otro problema es que al parKcipar tantos sujetos la varianza de error aumenta, lo que minimiza la probabilidad de rechazar Ho. La solución a estos problemas es uKlizar, siempre que se pueda, variables intrasujeto.
29
Tema 2. Diseños experimentales El concepto de interacción En los diseños factoriales no sólo hemos de analizar (mediante análisis estadísKco por ANOVA) si cada VI por separado afecta o no a la VD, si no si ambas VI interactúan o no: -‐ Se dice que dos VIs interactúan (o que existe interacción entre ellas) cuando el efecto de una de las VIs es disKnto en cada nivel de la otra VI. -‐ Por contra dos VIs no interactúan (o muestran efectos adiKvos) cuando el efecto de una de las VIs es similar sobre cada nivel de la otra VI (ver diaposiKva 32). La interacción AB representa el efecto conjunto sobre la VD de la aportación de A y B que no es reducKble ni al efecto de A por sí solo ni al de B por sí solo. Por ejemplo cuando se dice que el alcohol y el consumo de determinado fármaco interactúan sobre la salud, se quiere decir que la salud de los pacientes se ve afectada por el efecto conjunto de ambas variables, no teniendo por qué verse afectada por los efectos aislados de cada una de ellas.
30
Tema 2. Diseños experimentales Una forma intuiKva de entender si dos VIs interactúan o no es observar las gráficas de líneas de las medias de las AxB condiciones experimentales y ver si son paralelas (en cuyo caso no habrá interacción) o no son paralelas (habrá interacción). De todos modos la representación gráfica de las medias sólo nos da una idea intuiKva de si dos variables interactúan o no. Para confirmar dicha suposición deberemos aplicar el ANOVA. Imaginemos que estamos trabajando con un diseño factorial inter 3x2 y representáramos las medias de dichos 6 tratamientos:
31
Tema 2. Diseños experimentales
32
Tema 2. Diseños experimentales Pueden exisKr así mismo interacciones de más de 2 VIs. -‐ A la interacción AB de dos VIs se le denomina interacción de primer orden. -‐ Tres VIs Kenen tres interacciones de primer orden (AB, BC, AC), y una interacción de segundo orden (ABC), y así sucesivamente. -‐ Las interacciones de segundo, tercer,… orden son muy diZciles de interpretar. Es por ello que sólo se uKlizan diseños de 1, 2 o 3 VI como máximo. Los diseños inter se analizan mediante ANOVAs inter. En SPSS: Analizar > Modelo Lineal General > Univariante > Opciones: Mostrar medias para A, B y AB, + comparar los efectos principales (Bonferroni) + esKmaciones del tamaño del efecto (=eta cuadrado).
33
Tema 2. Diseños experimentales B) Diseños de bloques al azar Son un Kpo especial de diseños inter donde controlamos una (o varias) variable extraña (VE) mediante la creación de grupos homogéneos respecto a ella. A dicha VE se la llama variable de bloqueo. P.e. si queremos comparar la eficacia de tres métodos de enseñanza podría ser conveniente bloquear la inteligencia de los sujetos en 2, 3, 4,… niveles de bloqueo. El procedimiento a seguir para bloquear una VE es: 1) determinaremos los niveles a controlar de la VE (dos como mínimo), 2) formaremos grupos homogéneos de sujetos respecto a dichos niveles de la variable de bloqueo y 3) asignaremos aleatoriamente los sujetos de cada uno de los niveles de la variable de bloqueo a los niveles de la(s) VI. Dicha asignación aleatoria se encargará de controlar el resto de VE. Un caso especial de diseños de bloques al azar es cuando formamos parejas, tríos, cuartetos, … de personas igualadas en alguna VE, y asignamos luego al azar los sujetos a los tratamientos. En este caso el número de niveles de la variable de bloqueo sería igual al número de parejas, ternas, cuartetos, … con que contemos. La variable de bloqueo se analiza estadísKcamente como si fuera una VI más (es decir analizaremos tanto sus efectos principales como si interactúa con la VI). Al ser los grupos más homogéneos la varianza de error del diseño disminuye, aumentando así la probabilidad de rechazo de la Ho. El principal problema de los diseños de bloques es la mortandad experimental que desequilibra los grupos. Hay otros Kpos de diseños de bloques como los cuadrados laKnos y cuadrados grecolaKnos que no veremos aquí por su escaso empleo en experimentación. 34
Tema 2. Diseños experimentales C) Diseños intrasujeto o de medidas repeKdas
En ellos las VI son intrasujeto (una única muestra de sujetos pasa por todos los niveles de la VI), lo que conlleva una serie de ventajas: 1) más economía de recursos materiales y humanos involucrados en la invesKgación; 2) menor varianza de error lo que implica mayor probabilidad de rechazo de la Ho. Entre los principales inconvenientes de este Kpo de diseño están: 1) se inmiscuye siempre en ellos el efecto de la prácKca que deberemos controlar bien presentando los tratamientos en un orden aleatorio disKnto para cada sujeto o bien desarrollando todas las secuencias posibles de los tratamientos y presentado una disKnta a cada sujeto (contrabalanceo) 2) no todas las VI son suscepKbles de ser manipuladas intrasujeto: -‐ p.e. las variables manipuladas por selección (cuasi-‐experimentación) son siempre entre -‐ cuando los efectos de la VI son persistentes en el organismo de los sujetos (p.e. tratamientos farmacológicos o clínicos). Es decir, sólo podrán ser VI intra aquellas que produzcan efectos en los sujetos que se eliminan completamente entre un tratamiento y otro. Los diseños intra se analizan mediante ANOVAs intra. En SPSS: Analizar > Modelo Lineal General > Medidas repeKdas > Opciones: Mostrar medias para A, B y AB, + comparar los efectos principales (Bonferroni) + esKmaciones del tamaño del 35 efecto (=eta cuadrado).
Tema 2. Diseños experimentales
•
D) Diseños factoriales mixtos Son aquellos en los que manipulamos al menos una VI intra y al menos una VI entre. Vale en ellos lo dicho para los diseños intra e intersujeto: analizar la interacción, controlar el efecto de la prácKca, etc.
• Los diseños mixtos se analizan mediante ANOVAs mixtos. En SPSS: Analizar > Modelo Lineal General > Medidas repeKdas > Opciones: Mostrar medias para A, B y AB, + comparar los efectos principales (Bonferroni) + esKmaciones del tamaño del efecto (=eta cuadrado). E) Experimentos de caso único o N=1 (tema 5) Ejercicios del libro de Gambara (pps 69 a 110, a.i.)
36
Tema 3. Análisis estadísKco de diseños experimentales Conceptos previos de EstadísKca Inferencial: 1) Planteamiento de hipótesis: Hipótesis nula H0 (bilateral o unilateral) e hipótesis alternaKva H1
2) Elección del nivel de riesgo (generalmente α=.05) 3) Aplicación del tratamiento y medición de la variable dependiente (VD) 4) Selección de la prueba estadísKca (o estadís,co de contraste) en función del nº de muestras, de la(s) VI (inter o intra), y del Kpo de VD (cuanKtaKva, semi o cualitaKva; ver diaposiKva siguiente)
5) Cálculo y toma de decisiones estadísKcas: Con el SPSS si la sig (o p o nivel crí,co) asociado a mi estadísKco de contraste es sig ≤ 0.05 entonces rechazaré H0 (diciendo que el resultado es estadís,camente significa,vo), mientras que si sig >.05 aceptaré H0 (no significa,vo o ns). En contrastes unilaterales para rechazar H0 deberé comprobar que las medias van en la dirección que establece H1 y que al dividir sig/2 el resultado sea ≤.05. 37
Tema 3. Análisis estadísKco de diseños experimentales
38
Tema 3. Análisis estadísKco de diseños experimentales
sig >.05
sig ≤ .05
39
Tema 3. Análisis estadísKco de diseños experimentales El programa SPSS. Recordemos que los datos se introducen en el editor de datos así: cada fila representa un sujeto disKnto y cada columna una variable disKnta. Así si comparamos dos muestras independientes de 12 sujetos cada una en una VD, uKlizaremos 24 filas y 2 columnas (1 para la VD y otra para la VI para indicar el grupo: p.e. 1 vs 2). Pero si queremos comparar el rendimiento de 12 sujetos medidos 2 veces en una VD (o dos muestras relacionadas o apareadas) uKlizaremos 12 filas y 2 columnas (que representarán las dos mediciones en la VD). 40
Tema 3. Análisis estadísKco de diseños experimentales a) Análisis de diseños unifactoriales de dos niveles inter (ejercicio 1): à prueba t para muestras independientes à prueba de Mann-‐Whitney à prueba de chi-‐cuadrado SPSS: Analizar + Comparar medias + prueba t para muestras independientes. SPSS: Analizar + Pruebas no paramétricas + Cuadros de diálogo an,guos + 2 muestras independientes SPSS: Analizar + Estadís,cos descrip,vos + Tablas cruzadas (o de con,ngencia) + Estadís,cos: Chi-‐cuadrado 41
Tema 3. Análisis estadísKco de diseños experimentales Los resultados se citan así: -‐ Analizamos los datos con una prueba t para muestras independientes que mostró que… • …exisVan diferencias significaKvas entre hombres y mujeres en autoesKma (t70=3.21, p=0.001) • … no exisVan diferencias significaKvas entre hombres y mujeres en autoesKma (t70=1.21, ns) -‐ Analizamos los datos con una prueba no paramétrica de Mann-‐Whitney que mostró que… • …exisVan diferencias significaKvas entre hombres y mujeres en autoesKma (z=3.21, p=0.01) • … no exisVan diferencias significaKvas entre hombres y mujeres en autoesKma (z=1.21, ns) -‐ Analizamos los datos con una prueba de χ2 que mostró que… • …exisVan diferencias significaKvas entre hombres y mujeres en su opinión respecto al aborto (χ218=3.21, p=0.02) • … no exisVan diferencias significaKvas entre hombres y mujeres en en su opinión respecto al aborto (χ218=1.21, ns ) 42
Tema 3. Análisis estadísKco de diseños experimentales
b) Análisis de diseños unifactoriales de dos niveles intra (o dos muestras relacionadas; ejercicio 2): à prueba t para muestras relacionadas à prueba de Wilcoxon à prueba de McNemar SPSS: Analizar + Comparar medias + prueba t para muestras relacionadas. SPSS: Analizar + Pruebas no paramétricas + Cuadros de diálogo an,guos + 2 muestras relacionadas: Wilcoxon o McNemar
43
Tema 3. Análisis estadísKco de diseños experimentales Los resultados se citan así: -‐ Analizamos los datos con una prueba t para muestras relacionadas que mostró que… • …exisVan diferencias significaKvas entre el pretest y el pos~est (t70=3.21, p=0.001) • … no exisVan diferencias significaKvas entre el pretest y el pos~est (t70=1.21, ns) -‐ Analizamos los datos con una prueba no paramétrica de Wilcoxon que mostró que… • …exisVan diferencias significaKvas entre el pretest y el pos~est (z=3.21, p=0.01) • … no exisVan diferencias significaKvas entre el pretest y el pos~est (z=1.21, ns) -‐ Analizamos los datos con una prueba de χ2 que mostró que… • …exisVan diferencias significaKvas en el cambio de opinión entre el pretest y el pos~est (χ218=3.21, p=0.02) • … no exisVan diferencias significaKvas en el cambio de opinión entre el pretest y el pos~est (χ218=1.21, ns )
44
Tema 3. Análisis estadísKco de diseños experimentales c) Análisis de diseños unifactoriales de tres o más niveles inter (ejercicio 3) à ANOVA inter à prueba de Kruskal-‐Wallis à prueba de chi-‐cuadrado SPSS: Analizar + Modelo lineal general + Univariante + Post hoc (p.e. Scheffé) + Opciones: es,maciones del tamaño del efecto + pruebas de homogeneidad. Los supuestos del ANOVA inter se analizan mediante el test de Levene que debe de darnos no significa,vo. SPSS: Analizar + Pruebas no paramétricas + Cuadros de diálogo an,guos + K muestras Independientes SPSS: Analizar + Estadís,cos descrip,vos + Tablas cruzadas (o de con,ngencia) + Estadís,cos: Chi-‐cuadrado 45
Tema 3. Análisis estadísKco de diseños experimentales Los resultados se citan así: -‐ Analizamos los datos con un Análisis de Varianza (ANOVA) inter que mostró que… • … exisVan diferencias significaKvas entre las medias de las tres condiciones (F2,12=3.21, p=.03, η2p=0.51). Las pruebas a posteriori de Scheffé mostraron que exisVan diferencias significaKvas entre las condiciones … • … no exisVan diferencias significaKvas entre las medias de las tres condiciones (F2,12=1.21, η2p=0.18, ns).
-‐
Analizamos los datos con una prueba no paramétrica de Kruskall-‐Wallis que mostró que… • … exisVan diferencias significaKvas entre las medias de las tres condiciones (χ258=3.21, p=0.02). Pruebas a posteriori por pares de Mann-‐Whitney mostraron que exisVan diferencias significaKvas entre las condiciones … • … no exisVan diferencias significaKvas entre las medias de las tres condiciones (χ258=1.21, ns). 46
Tema 3. Análisis estadísKco de diseños experimentales d) Análisis de diseños unifactoriales de tres o más niveles intra (o tres o más muestras relacionadas; ejercicio 4) à ANOVA intra à prueba de Friedman à prueba de Cochran SPSS: Analizar + Modelo lineal general + Medidas repe,das + Opciones: es,maciones del tamaño del efecto + Mostrar las medias para + comparar los efectos principales + Ajuste.. Bonferroni. Los supuestos del ANOVA intra se analizan mediante el test de Mauchly (sólo para el caso que la VI tenga 3 o más niveles), que debe de darnos no significa,vo. SPSS: Analizar + Pruebas no paramétricas + Cuadros de diálogo an,guos + K muestras relacionadas: Friedman o Cochran 47
Tema 3. Análisis estadísKco de diseños experimentales Los resultados se citan así: -‐ Analizamos los datos con un Análisis de Varianza (ANOVA) intra que mostró que… • … exisVan diferencias significaKvas entre las medias de las tres condiciones (F2,12=3.21, p=.03, η2p=0.51). Las pruebas a posteriori de Bonferroni mostraron que exisVan diferencias significaKvas entre las condiciones … • … no exisVan diferencias significaKvas entre las medias de las tres condiciones (F2,12=1.21, η2p=0.18, ns).
-‐
Analizamos los datos con una prueba no paramétrica de Friedman que mostró que… • … exisVan diferencias significaKvas entre las medias de las tres condiciones (χ258=3.21, p=0.02). Pruebas a posteriori por pares de Wilcoxon mostraron que exisVan diferencias significaKvas entre las condiciones … • … no exisVan diferencias significaKvas entre las medias de las tres condiciones (χ258=1.21, ns). 48
Tema 3. Análisis estadísKco de diseños experimentales e) Análisis de diseños factoriales inter à ANOVA factorial inter (ejercicio 5)
SPSS: Analizar + Modelo lineal general + Univariante + (Opciones: es,maciones del tamaño del efecto + pruebas de homogeneidad + Mostrar las medias para: A, B y AB + Comparar los efectos principales: Bonferroni). Si la interacción sale significa,va deberemos primero graficarla (bien mediante Excel, bien u,lizando la opción “Graficos” del SPSS, ver siguiente diaposi,va) y luego hacer pruebas t para muestras independientes a posteriori (aplicando la corrección de Bonferroni) para interpretarla. Los supuestos del análisis se analizan mediante el test de Levene (que debe darnos no significa,vo) 49
Tema 3. Análisis estadísKco de diseños experimentales
50
Tema 3. Análisis estadísKco de diseños experimentales Los resultados se citan así: -‐ Analizamos los datos con un ANOVA factorial inter 2x3 que mostró que… • … el efecto principal de la variable A no fue significaKvo (F1,120=1.21, η2p=0.18, ns), pero sí que lo fue el efecto principal de la variable B (F2,120=3.21, p=.03, η2p=0.51), así como la interacción de ambas variables (F2,120=7.21, p=.001, η2p=0.71). Pruebas a posteriori de Bonferroni sobre las tres medias de B, mostraron que exisVan diferencias entre las condiciones…. Por otra parte pruebas t a posteriori sobre las medias de la interacción (ver tabla 1 o figura 1) mostraron que …
51
Tema 3. Análisis estadísKco de diseños experimentales f) Análisis de diseños factoriales intra à ANOVA factorial intra (ver ejercicio 6) SPSS: Analizar + Modelo lineal general + Medidas repe,das + Opciones: es,maciones del tamaño del efecto + Mostrar las medias para + comparar los efectos principales + Ajuste.. Bonferroni Si la interacción sale significa,va deberemos hacer pruebas t para muestras relacionadas a posteriori (aplicando la corrección de Bonferroni) para interpretarla. Los supuestos del análisis se analizan mediante los tests de Mauchly (solo para el caso que la VI tenga 3 o más niveles), que deben darnos no significa,vos. 52
Tema 3. Análisis estadísKco de diseños experimentales Los resultados se citan así: -‐ Analizamos los datos con un ANOVA factorial intra 2x3 que mostró que… • … el efecto principal de la variable A no fue significaKvo (F1,120=1.21, η2p=0.18, ns), pero sí que lo fue el efecto principal de la variable B (F2,120=3.21, p=.03, η2p=0.51), así como la interacción de ambas variables (F2,120=7.21, p=.001, η2p=0.71). Pruebas a posteriori de Bonferroni sobre las tres medias de B, mostraron que exisVan diferencias entre las condiciones…. Por otra parte pruebas t a posteriori sobre las medias de la interacción (ver tabla 1 o figura 1) mostraron que …
53
Tema 3. Análisis estadísKco de diseños experimentales g) Análisis de diseños factoriales mixtosà ANOVA factorial mixto (ejercicio 7) SPSS: Analizar + Modelo lineal general + Medidas repe,das + (Opciones: es,maciones del tamaño del efecto + pruebas de homogeneidad + Mostrar las medias para + comparar los efectos principales + Ajuste.. Bonferroni) Si la interacción sale significa,va deberemos hacer pruebas t a posteriori (aplicando la corrección de Bonferroni) bien para muestras independientes o relacionadas para interpretarla. Los supuestos del análisis se analizan mediante los tests de Levene, Mauchly y Box que deben de darnos no significa,vos. 54
Tema 3. Análisis estadísKco de diseños experimentales Los resultados se citan así: -‐ Analizamos los datos con un ANOVA factorial mixto 2 (género: inter) x 3 (evaluaciones: intra) que mostró que… • … el efecto principal de la variable A no fue significaKvo (F1,120=1.21, η2p=0.18, ns), pero sí que lo fue el efecto principal de la variable B (F2,120=3.21, p=.03, η2p=0.51), así como la interacción de ambas variables (F2,120=7.21, p=.001, η2p=0.71). Pruebas a posteriori de Bonferroni sobre las tres medias de B, mostraron que exisVan diferencias entre las condiciones…. Por otra parte pruebas t a posteriori sobre las medias de la interacción (ver tabla 1 o figura 1) mostraron que …
55
Tema 3. Análisis estadísKco de diseños experimentales
h) Análisis de diseños con covariablesà ANCOVA Para cuando queramos desligar a posteriori el efecto que una variable contaminante cuanKtaKva (o covariable) Kene sobre la VD SPSS: Analizar + Modelo lineal general + Univariante + meter la covariable + Opciones: es,maciones del tamaño del efecto + Post hoc P.e. en GSS2012: ¿existen diferencias entre razas (v97) en el número de hijos (v14) controlando el efecto de le edad (v6)?
56
Tema 3. Análisis estadísKco de diseños experimentales
Tamaño del efecto y meta-‐análisis. Un meta-‐análisis es un trabajo de revisión donde se promedia los tamaños del efecto de disKntos experimentos realizados sobre un mismo tema (p.e. metaanálisis de Smith y Vela, 2001, sobre el efecto del contexto en la memoria). 57
Temas 4 y 6. Diseños cuasiexperimentales y ex post facto Los diseños cuasiexperimentales Kenen por objeKvo establecer relaciones de causa-‐efecto entre la(s) VI-‐VD, pero al no poder asignar aleatoriamente los sujetos a los tratamientos (como ocurre p.e. en invesKgaciones de ámbito escolar, hospitalario, empresas, etc., donde la VI se manipula por selección), no tenemos garanVas a priori de que los grupos que comparamos sean equivalentes en las disKntas variables contaminantes o extrañas, por lo que las relaciones de causalidad no pueden demostrarse al 100% (es decir a priori no Kenen tanta validez interna como los experimentos). En la medida en que el invesKgador sea capaz de ir descartando las hipótesis alternaKvas explicaKvas de la variación de la VD, principalmente haciendo que los grupos sean equivalentes en todas las disKntas variables contaminantes antes de recibir el tratamiento, es decir controlando el sesgo por selección, en esa medida irá aumentando la validez interna. 58
Temas 4 y 6. Diseños cuasiexperimentales y ex post facto
Se hace muy diZcil sistemaKzar la amplia variedad de diseños cuasi-‐experimentales (ver p.e. Cook y Campbell,
1979): • Diseño de grupo único sólo post-‐tratamiento. Tiene poca validez interna, pero a veces sólo nos queda esta opción de diseño (p.e. en la valoración de programas: evaluar el impacto de una campaña publicitaria o una ley de educación).
• Diseño pre-‐post de un solo grupo: Tiene también poca validez interna, pues no permite p.e. descartar que la mejoría sea por sugesKón, por efecto del experimentador, por efecto de la prácKca…
59
Temas 4 y 6. Diseños cuasiexperimentales y ex post facto
• Diseño pre-‐post con grupo control, es decir, diseño mixto 2 (pre-‐post; intra) x 2 grupos (control y experimental; inter): Uno de los diseños cuasiexperimentales más uKlizados. Para aumentar la validez interna debemos intentar que ambos grupos en el pre-‐tratamiento sean lo más equivalentes posibles en las variables contaminantes. Si hay efecto tratamental, entonces en el ANOVA deberemos encontrar una interacción significaKva, no habiendo diferencias en el pre-‐test, pero sí en el post-‐test.
60
Temas 4 y 6. Diseños cuasiexperimentales y ex post facto
• Diseños evoluKvos: En Psicología evoluKva y del desarrollo se suelen emplear diseños en los que la VI es el Kempo o la edad. Todos ellos son diseños cuasi-‐experimentales pues la manipulación de dicha VI es por selección. Se suele hablar de diseños evoluKvos: -‐ Transversales: comparar varios grupos de edades disKntas (o cohortes) en un mismo momento temporal. -‐ Longitudinales: seguir la evolución en el Kempo de uno o varios grupos (parecidos a los diseños de series temporales).
61
Temas 4 y 6. Diseños cuasiexperimentales y ex post facto
• Diseños de series temporales: Medimos muchas veces la VD a lo largo del Kempo (=VI) en una o varias muestras. P.e: -‐ Diseño pre-‐post de un solo grupo: medimos varias veces la VD antes del tratamiento y después del mismo para ver su evolución. -‐ Diseño pre-‐post con grupo control. Es decir obtendremos dos series temporales: una para el grupo experimental y otra para el grupo control. Para aumentar la validez interna debemos intentar que ambos grupos en el pre-‐ tratamiento sean lo más equivalentes posibles en todas las posibles variables extrañas. 62
Temas 4 y 6. Diseños cuasiexperimentales y ex post facto
• Diseños ex post facto: -‐ retrospec,vos: cuando analizamos las causas de una VD anteriores a su medición (p.e. causas de una enfermedad, de los accidentes de tráfico,…) -‐ prospec,vos: cuando analizamos a posteriori los efectos de la VI seleccionada sobre la VD (p.e. ¿Los hijos de padres divorciados Kenen la misma autoesKma que los hijos de padres no divorciados?) à como un diseño cuasi-‐experimental donde hay que controlar el sesgo por selección Ejercicios del libro de Gambara (pps 144 a 168, a.i.) 63
Tema 5. Diseños experimentales de caso único •
• •
• •
Se uKlizan en el ámbito de la psicología clínica (tradición del análisis experimental de la conducta), cuando no se puede trabajar con grupos, generalmente para verificar si determinada terapia clínica ha sido efecKva o no. No son tan aconsejables como los experimentos con grupos, pues su validez externa es limitada, pero si logramos establecer que las variaciones en la VD son debidas exclusivamente a la manipulación de la VI, desterrando otras causas, entonces Kenen tanta validez interna (que no externa) como los experimentos convencionales. La validez externa se suele demostrar mediante disKntas replicaciones de la invesKgación. No hay que confundir los experimentos de caso único con los llamados estudios de casos, que no son experimentos (pues no hay control, ni validez interna) si no invesKgaciones descripKvas de la evolución de pacientes clínicos propia corrientes clínicas psicoanalistas, humanistas, etc. Entre las principales variables extrañas que pueden afectar a la validez interna de los experimentos de caso único caben destacar: mejoría por autosugesKón (efecto placebo), maduración biológica de los sujetos (sobre todo en niños), reacKvidad posiKva del paciente ante el terapeuta, conductas patológicas cíclicas, etc. Pero, repeKmos, lo importante en este Kpo de invesKgación es que el autor nos garanKce la validez interna de la misma, es decir, garanVas de control de las variables extrañas. Dado que trabajamos con un único sujeto no se pueden aplicar las pruebas estadísKcas convencionales, por lo que la eficacia del tratamiento se suele presentar tan sólo mediante gráficos. 64
Tema 5. Diseños experimentales de caso único Estructura de los experimentos n=1 A pesar de que hay una gran variedad de diseños n=1 (ver Barlow y Hersen, 1988; Bono y Arnau, 2014; Kazdin, 1988) todos ellos comparten tres fases básicas secuenciales: a) Establecer una línea base de la conducta patológica. Para ello deberemos de tomar una serie de registros de la conducta patológica (VD) durante un periodo de Kempo suficientemente largo que nos permite analizar la tendencia y variabilidad de dicha conducta. Esta serie se suele llamar por convención fase A o línea base. b) Aplicar la terapia que sea (refuerzos, casKgo, relajación, fármacos, economía de fichas, Kempo fuera, aproximaciones sucesivas, etc.) y conKngentemente repeKr la serie de registros sobre la misma conducta patológica (o fase B o tratamiento). c) Interpretación de los resultados. Por tradición del análisis experimental de la conducta se suele hacer por medio de un simple análisis visual de las gráficas. De todos modos hay que cerciorarse de que tengamos suficientes registros por serie, prestando singular atención a los cambios de tendencia y de nivel de la variable dependiente, y desconfiando cuando ésta muestre mucha variabilidad. Hay pruebas estadísKcas que nos pueden ayudar a salir de dudas, p.e. análisis de series temporales, técnica de división en mitades, etc. pero suelen ser diZciles de interpretar.
65
Tema 5. Diseños experimentales de caso único
•
• • •
Principales Kpos de diseño n=1 AB o línea base-‐tratamiento. Es el más sencillo de aplicar pero Kene poca validez interna, dado que puede haber variables extrañas enmascaradas que expliquen la mejoría del paciente (p.e. por autosugesKón). Pero a veces es el único que se puede aplicar (por limitaciones temporales p.e.) BAB: se aplica cuando la intervención ha de ser inmediata (p.e. en conductas autodestrucKvas). ABA: Poco uKlizado por que acaba en una fase sin tratamiento, lo que provoca el desinterés de los pacientes. ABAB o de "vuelta atrás". Es el más uKlizado por ser el que más validez interna Kene, pues permite detectar recuperaciones espontáneas por autosugesKón, mejoría por empaVa con el terapeuta, etc. 66
Tema 5. Diseños experimentales de caso único Diseños de línea base múlKple. Son una extensión de los diseños AB pero aplicados sobre disKntas conductas (VD) a modificar (o también sobre la misma VD medida en disKntos pacientes) a las que se aplica un mismo tratamiento. Su estructura general es del Kpo (donde cada columna representa un mismo momento temporal) AB sobre la 1ª conducta a modificar AAB sobre la 2ª conducta AAAB sobre la 3ª conducta AAAAB, sobre la 4ª conducta , etc. Por ejemplo a través de un diseño de línea base múlKple un maestro podría estar interesado en mejorar la capacidad lectora (VD1), capacidad de cálculo (VD2) y habilidades psicomotrices (VD3) de sus alumnos aplicando un sistema de economía de fichas según el esquema anterior. La ventaja de estos Kpos de diseño es que Kenen alta validez interna, pues observando las líneas base no tratadas podemos encontrar variables extrañas enmascaradas. En nuestro ejemplo si tras aplicar la economía de fichas sobre la capacidad lectora vemos que la línea base de la capacidad numérica aumenta querría decir que posiblemente hay una variable enmascarada detrás (p.e. la moKvación). Para aplicar este Kpo de diseños hay previamente que verificar que 1) las disKntas VD no estén correlacionadas, es decir, sean independientes y 2) sean igualmente sensibles a la misma VI o tratamiento. Ejercicios del libro de Gambara (pps 132 a 138, a.i.) 67
Tema 7. Diseños de encuestas Los diseños de encuestas (también conocidos como metodología correlacional, psicométrica, selecKva o de tests y cuesKonarios) Kenen por objeKvo describir variables (psicológicas, sociales, ...) y analizar sus relaciones mediante la aplicación de encuestas, test o cuesKonarios a muestras representaKvas de sujetos. Representa la “otra” forma de entender la Psicología cienVfica (Crombach, 1957) siguiendo la tradición comenzada por Binet, Pearson, Spearman, Thurstone,... Se diferencia de las metodologías experimental y cuasi-‐experimental en que: • no hay manipulación de variables, es decir no hay VI • no hay control de variables extrañas • la información se recolecta pasando a los sujetos tests, cuesKonarios o encuestas, que son herramientas estandarizadas de recogida de información, compuestas por una serie de preguntas (o ítems), y que deben cumplir determinados requisitos psicométricos (fiabilidad y validez) • no se pueden establecer relaciones de causa-‐efecto si no tan sólo describir y observar “qué va con qué” (relaciones) • las muestras suelen ser más grandes (>200) y representaKvas (uKlizando para su selección métodos de muestreo adecuado)
68
Tema 7. Diseños de encuestas
FASES EN LA ELABORACION DE UNA ENCUESTA:
Para elaborar una encuesta hay que decidir sobre una serie de aspectos importantes: • qué es lo que queremos medir (elaboración de preguntas, etc.), es decir diseñar la encuesta • cuál es la población objeto estudio (y cómo seleccionar la muestra) • cómo pasar la encuesta, es decir cómo organizar el trabajo de campo • como tratar la información recogida (codificación y análisis estadísKco) Ampliaremos ahora cada uno de estos puntos. 69
Tema 7. Diseños de encuestas a) Diseño y elaboración de la encuesta: Supone un reflexión profunda sobre cada uno de estos puntos: • Establecer claramente los objeKvos de la encuesta (qué se quiere medir) • Operacionalizar dichos objeKvos, lo que no siempre es fácil (p.e. cómo medir el desarrollo cogniKvo). Esta fase es pues de fundamental importancia. • Elaborar preguntas concretas (items). Deberemos considerar si las preguntas serán de alternaKvas cerradas (Kpo cuesKonario, y en ese caso cuanKtaKvas, semicuanKtaKvas –escalas Kpo Likert-‐, o cualitaKvas) o abiertas (Kpo entrevista, las cuales complican la codificación y análisis posterior; ver p.e. León y Montero, pps. 117-‐122). • Pasar este primer borrador a una muestra piloto para obtener información sobre su fiabilidad (α de Crombach => 0.80), análisis de ítems, análisis de calidad de los datos (preguntas sin responder o muy cargadas en las alternaKvas NS, NC, etc). • Revisión de la encuesta tantas veces como sea necesario hasta tener certeza de que todas las preguntas son necesarias y se enKenden bien, su orden es el adecuado y que la encuesta es fiable, corta y moKva al sujeto a responder. 70
Tema 7. Diseños de encuestas b) Selección de la muestra. Deberemos aquí: • definir la población objeto de estudio prestando atención a cómo se estraKfica dicha población (p.e. en provincias, en municipios, etc.) y qué se pretende comparar (p.e. hombres vs mujeres) • definir cómo seleccionaremos la(s) muestra(s) para que sea representaKva. La representaKvidad de las muestras se consigue por medio de técnicas de muestreo y un tamaño muestral adecuados (ver abajo). • por úlKmo no debemos olvidar que siempre que queramos describir las caracterísKcas específicas de un muestra concreta (p.e. ¿cuáles son los rasgos de personalidad de las adolescentes anoréxicas?) deberemos sopesar la necesidad de incluir un grupo control equivalente (p.e. de adolescentes no anoréxicas) para analizar si tales rasgos son idiosincráKcos de aquel grupo o no. 71
Tema 7. Diseños de encuestas Tipos de muestreo: 1) No probabilísKco (plantea problemas de validez externa): -‐ Muestras accidentales (sesgadas. p.e. encuestas en periódicos) -‐ Muestreo a propósito, p.e. para ensayos piloto. -‐ Muestreo de poblaciones de díficil localización (p.e. drogodependientes, poblaciones clínicas, etc.)
72
Tema 7. Diseños de encuestas Tipos de muestreo: 2) ProbabilísKcos: • Aleatorio simple. Sólo se emplea en poblaciones (pequeñas) donde tengamos una lista de todos los individuos. • SistemáKco: supone elegir al azar un individuo de los N/n primeros (o entero más próximo) de una población y luego ir escogiendo los situados de N/n en N/n posiciones más alejadas hasta conformar una lista de tamaño n. • EstraKficado (proporcional o no): Para poblaciones estraKficadas (p.e. en provincias) calculamos la proporción de sujetos de la población que componen cada estrato y luego mulKplicamos dicha proporción por el tamaño de mi muestra n (concepto de afijación). Luego podemos elegir individuos al azar dentro de cada estrato. • Por conglomerados. Se aplica también en poblaciones estraKficadas, pero a diferencia del muestreo estraKficado (donde se muestrean todos los estratos), aquí no muestreamos todos los estratos si no sólo una muestra aleatoria de los mismos (es decir, los estratos que no entran en dicha muestra aleatoria no son encuestados). • Polietápico: Combinación de todos los anteriores. P.e. siguiendo un procedimiento estraKficado o por conglomerados afijar el tamaño muestral adecuado a cada estrato y luego elegir una ruta aleatoria por cuotas de edad, sexo, etc. 73
Tema 7. Diseños de encuestas Tamaño muestral: Depende entre otras cosa del tamaño de la población, del nivel de confianza, y del error de muestreo (= o la mitad de la amplitud del intervalo confidencial del parámetro a esKmar) dispuestos a asumir. Con ello consultaremos cualquier tabla de los libros de estadísKca (ver p.e. León y Montero, 2003, pp. 111) Tanto el Kpo de muestro uKlizado como los anteriores parámetros deben de
.
reflejarse claramente en la ficha técnica de la encuesta
74
Tema 7. Diseños de encuestas
c) Organización del trabajo de campo. • Debemos decidir aquí cómo vamos a pasar a la encuesta a los sujetos: mediante un pase colecKvo con instrucciones por escrito (Kpo cuesKonario), mediante encuestas personales a pie de calle, por correo postal, por teléfono, por internet, etc. debiendo conocer las ventajas e inconvenientes de cada uno de estos medios (ver León y Montero, pps. 123-‐124).
75
Tema 7. Diseños de encuestas d) Codificación y análisis estadísKco de los datos. Antes de analizar se recomienda: • elaborar un libro de códigos que especifique los valores permiKdos para cada variable y recodificaciones lícitas (ítems inverKdos, etc). • llevar a cabo un control de calidad de los datos analizando la coherencia de los mismos, analizar si hay muchos valores faltantes (aleatorios o no?), su significado y cómo tratarlos (eliminación, imputación, etc.) • Una vez contrastada la calidad de los datos ya podemos llevar a cabo los análisis estadísKcos. Las técnicas más uKlizadas son análisis descripKvos de cada ítem, tablas de conKngencia y análisis de correlaciones entre ellos (y en su caso regresión, Análisis Factorial, etc.). Hay que calcular la fiabilidad de la encuesta (α de Crombach =>.80). Dado su coste no se suelen hacer estudios de validación de las encuestas: la estrategia suele ser dar por válidos los datos mientras no se demuestre lo contrario. • No olvidar nunca que a la hora de interpretar los resultados que no podemos sugerir nunca relaciones de causa y efecto. • No debemos olvidarnos de elaborar la ficha técnica de la encuesta donde se debe especificar, entre otras cosas, la población objeto de estudio, el Kpo de muestreo empleado, el tamaño muestral, el nivel de significación con el que trabajamos y el error de muestreo, la fecha de realización, y la fiabilidad.
76
Tema 7. Diseños de encuestas DISEÑOS DE ENCUESTAS: La taxonomía más aceptada suele disKnguir entre: • diseños transversales: una muestra medida una sola vez. Son los más uKlizados. • diseños longitudinales, donde se persigue analizar cómo una población cambia en el Kempo (p.e. en su tendencia de voto). Cabe hablar de varios Kpos: 1. Cuando la misma muestra es encuestada más de una vez (p.e. antes y después de una campaña políKca o publicitaria) se habla de diseños de panel. Su principal problema es la mortandad. 2. Más común es encuestar muestras disKntas (pero equivalentes) en disKntos momentos temporales (como se hace en los sondeos de intención de voto, barómetro del CIS,…). Se les llama diseños de tendencias. 3. En los diseños de cohorte se estudia la evolución de una cohorte (o generación) a lo largo del Kempo y/o su contrastación con otras cohortes (p.e. educados en la década de los 60 vs educados en la década actual). Ejercicios del libro de Gambara (pps 32 a 55, a.i.)
77
Tema 8. InvesKgación observacional
La metodología observacional se caracteriza por: • se suele aplicar en poblaciones donde es diZcil hacer (cuasi-‐) experimentos o encuestas como p.e. en población infanKl, población con patologías severas (p.e. deterioro mental) • las conductas se observan en sus contextos naturales de aparición, con un objeKvo descripKvo (no demostrar relaciones causales) • poca o nula intervención del invesKgador para observar conductas generadas espontáneamente (p.e. mediante grabación en vídeo)
78
Tema 8. InvesKgación observacional
La observación cienVfica ha de ser: • SistemáKca y estructurada, es decir replicable por otro invesKgador • fiable, es decir, que otro invesKgador en condiciones similares debería obtener registros similares • válida, es decir, que mida lo que realmente pretendemos medir y no otra cosa: que no produzca reacKvidad en el sujeto observado y que las expectaKvas del invesKgador no afecten a los resultados.
79
Tema 8. InvesKgación observacional El invesKgador, antes de llevar a cabo una invesKgación observacional, ha de tener claro qué, cómo, cuándo y dónde y por qué (hipótesis) observar. Para ello es muy úKl documentarse sobre trabajos llevados a cabo sobre el mismo tema, y llevar a cabo estudios previos asistemáKcos, que nos ayudarán a establecer las categorías de observación. A) QUÉ OBSERVAR: Es imprescindible operaKvizar la conducta a observar (p.e. la conducta agresiva), y descomponerla en sub-‐conductas que la evidencien (p.e. pega al niño de lado, le empuja, le grita, le Kra sus cosas al suelo, etc). El objeto a observar puede ser: animales, una sola persona (incluido uno mismo o autoobservación), las interacciones sociales (parejas, familias o cualquier otro grupo social), etc. 80
Tema 8. InvesKgación observacional B) CÓMO OBSERVAR: • En primer lugar hemos de decidir sobre el grado de intervención del invesKgador: Podemos elegir entre no intervenir para nada en la observación (observación naturalista, que es la que provoca menos reactancia en los sujetos), intervenir lo menos posible (en la observación parKcipante o en el estudio de casos clínicos) hasta intervenir plenamente (p.e. en estudios etnográficos). • En la actualidad es de muchísima uKlidad el uso de video-‐cámaras para facilitar la observación sin intervenir en ella. Hay que dar un Kempo de habituación a los sujetos y pedirles permiso por escrito para grabarles. • Podemos elegir entre llevar a cabo un mero registro verbal de lo observado, pero es mejor uKlizar planJllas de registro observacional (ó códigos de observación) formadas por categorías excluyentes y exhausKvas situadas en un mismo nivel de análisis (ver consejos León y Montero, pps. 87-‐88). En ellas deberemos decidir si vamos a medir: Ø Ocurrencias (sí-‐no) Ø Frecuencias (absolutas o relaKvas) Ø Latencias (Kempo que tarda un sujeto en responder a un esVmulo) Ø Duración de una conducta Ø Intensidad de una conducta • La documentación previa y realización de uno o varios registros previos asistemáKcos nos darán retroalimentación sobre la adecuación o no de las categorías que hemos elegido.
81
Tema 8. InvesKgación observacional C) CUANDO OBSERVAR: • Lo ideal sería observar siempre al objeto de estudio pero eso casi nunca es posible. Por ello se suelen uKlizar muestreos de Kempo, bien sistemáKcos o fijos (p.e. siempre a la misma hora o coincidiendo con determinadas conductas), bien aleatorios (empleando métodos de muestreo). Y pudiendo elegir también entre muestreos conKnuos (registramos todo lo que ocurre en un determinado periodo de Kempo) o por intérvalos (intercalando periodos de observación con periodos de registro). D) DONDE OBSERVAR: • Cabe aquí lo dicho arriba. Casi nunca es posible observar en todas las situaciones al sujeto observado, por lo que se suele recurrir a los muestreos de situaciones, bien sistemáKcos, bien aleatorios. 82
Tema 8. InvesKgación observacional
ANALISIS DE LA FIABILIDAD Es imprescindible que nuestras observaciones sean fiables. Para demostrarlo hay que analizar el grado de acuerdo o consenso entre dos o más observadores o jueces independientes (entrenados debidamente y “ciegos” respecto a las hipótesis): Si la variable observada es cuanKtaKva o semi-‐cuanKtaKva se uKliza el coeficiente de correlación de Pearson, mientras que si es cualitaKva se uKliza el coeficiente Kappa de Cohen, que descuenta la probabilidad de coincidir por azar: SSPS: Analizar > Estadís,cos descrip,vos > Tablas de con,ngencia + Estadís,cos + Kappa En cualquier caso se exige que la fiabilidad interjueces sea como mínimo de 0.80. Dicha fiabilidad debe de ser siempre incluida en el informe. 83
Tema 8. InvesKgación observacional
La validez de la observación depende sobretodo de la calidad del muestreo de situaciones y momentos elegidos. Dos fuentes de error que afectan a la validez son: • la reacKvidad en el sujeto observado (que se puede reducir habituándolo a la presencia de la cámara o del invesKgador) • las expectaKvas del invesKgador que pueden sesgar los registros. La mejor manera de controlar esta variable es trabajar con invesKgadores “ciegos”. Ejercicios del libro de Gambara (pps 20 a 25, a.i.)
84