Métodos de investigación en el estudio de las diferencias ... · 2.2. Requisitos del método científico ... (Kerlinger, 1973). Por último, una buena manera de hacerse idea de

1

Capítulo

4 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. CCAAPPÍÍTTUULLOOSS EEPPÍÍGGRRAAFFEESS CCOOMMEENNTTAARRIIOOSS

1. Aplicación del método científico al análisis de la variación individual1 2.2. Requisitos del método científico

Leer las características del método científico para centrar el tema, así como sus requisitos.

Capítulo 4

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

2

Capítulo

4 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

3

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.

Contextualizar la “Psicología de las Diferencias Individuales” dentro de los diferentes paradigmas científicos existentes.

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.

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.

4

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, García-Gallego, 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.

5

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

6

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.

7

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).

8

"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 hipotético-deductiva. "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 los 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 Inglés- se 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.

9

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.

10

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

11

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

12

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-hipotético-deductivos" 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

13

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).

14

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

15

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:

16

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.

17

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.


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

18

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).

19

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

20

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).

21


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.

22

?? 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

23

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

24

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.


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.

25

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).

26

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.

27

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

28

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

29

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).

30

?? 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).

31

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

32

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

33

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 cuasi-experimental 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

34

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”.

35

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

36

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 causa-efecto”) 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

37

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.

38

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) "técnico-metodológico" (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-Hipotético-Deductivo" (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 “ex-post-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

39

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?

40

Tabla 4.1. Psicología experimental y correlacional: aspectos diferenciales

EXPERIMENTAL CORRELACIONAL EXPERIMENTAL CORRELACIONAL Antecedentes Tipo de experimento

W. Wundt/ I. Paulov F. Galton / C.H. Spearman Provocado Invocado

R.S. Woodworth / E.C. Tolman

R.B. Cattell / H.J. Eysenck El fenómeno se produce cuando el

investigador lo decide El fenómeno a investigar es

preexistente a la investigación Origen Estudia

Asociacionismo Evolucionismo La varianza entre tratamientos La varianza entre individuos Paradigma Varianza de error a desestimar

E-R R-R Las diferencias individuales La varianza entre tratamientos Objeto de estudio Perspectiva

Procesos y relaciones funcionales Dimensiones y estructuras Nomotética Estudio de las leyes generales

Nomotético-Idiográfica Estudio de las diferencias individuales

Variables que investiga Tipo de medidas Exógenas (tiempo de reacción

simple, tiempo de inspección…) Endógenas (inteligencia,

extroversión, …) Dependencia (causalidad) Interdependencia (covariación)

Variables organísmicas Técnicas de análisis estadístico Homogeneizadas al azar Control por asignación uni- o bivariadas Multivariadas

Variables situacionales Procedimientos estadísticos predominantes Riguroso control manipulativo Controladas por muestreo AVAR AF

Control Estadístico en el que se basan Manipulativo No manipulativo Promedio Desviación típica y varianza

Validez predominante Efectos buscados al estudiar las variables Interna Externa (ecológica) Causación Covariación

Ámbito de investigación Materias afines

Laboratorio Contexto natural

(Medio externo / mundo interno del sujeto)

Psicología experimental, básica, fisiología…

Psicometría, Personalidad, Psicología educativa…

41

Tabla 4.2. Aspectos diferenciales de los diseños transversales y longitudinales

Diseños transversales Diseños longitudinales

Recogida de datos Sincrónica Diacrónica Diseño Intersujeto (o de medidas

independientes) Intrasujeto (o de medidas

repetidas) Variable constante Un único momento temporal Una única muestra

generacional Objeto de estudio Las diferencias entre edades Cambios (variación) con la

edad Procedimiento llevado a

cabo Comparar diferentes grupos

de edad en la variable dependiente de interés

Estudiar la evolución de cada sujeto a lo largo del tiempo

en la variable dependiente de interés

Principales aspectos positivos

?? Mayor economía, facilidad y rapidez

?? Baja tasa de abandonos ?? Control de los efectos

históricos

?? Mayor garantía explicativa

?? Análisis real de los cambios observados

?? Control de los efectos de cohorte(no afectada por los efectos de cohorte)

Principal sesgo metodológico

Los efectos de cohorte o de generación

Los efectos históricos o del aprendizaje

Documents

Métodos de investigación en el estudio de las diferencias ... · 2.2. Requisitos del método científico ... (Kerlinger, 1973). Por último, una buena manera de hacerse idea de