Métodos de investigación en el estudio de diferencias individuales

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. 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, es decir, se ponen en relación dos de las tres variables (o dimensiones) y se mantiene constante la tercera.

El Cubo da lugar a seis tipos de análisis bivariados:

• La técnica R (la más frecuente) y la técnica Q estudian en una sola ocasión personas y tests. La primera correlaciona pares de variables (tests) en múltiples personas y trata de hallar factores que los agrupen; y la segunda correlaciona individuos a través de múltiples tests con el fin de formar grupos de individuos. Ambas técnicas no nos informan sobre la variabilidad intraindividual.
• Las técnicas P y O estudian en un único sujeto las relaciones entre ocasiones y tests. La primera estudia el cambio intraindividual y la segunda se centra en determinar qué grupo de situaciones afectan a una persona a lo largo del tiempo.
• Las técnicas S y T estudian en una variable concreta las relaciones entre ocasiones y personas. La primera determina las semejanzas y diferencias que hay entre un grupo de personas en función de una conducta objeto de estudio; la segunda las estudia entre ocasiones de observación de esa particular variable en la muestra de personas.

Investigación en diferencias individuales

Las dos disciplinas de la psicología científica

La psicología experimental

El objetivo fundamental es comprender los fenómenos estudiados basándose en la causalidad provocada experimentalmente bajo control del investigador. Trata de encontrar Leyes Generales, y, en última instancia, lo que busca es explicar, predecir y controlar el comportamiento humano.

La Psicología experimental 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 a partir de la manipulación de otra independiente, manteniendo constante cualquier otro parámetro que pudiera incidir sobre la relación funcional objeto de estudio y que pudiera contaminar los resultados obtenidos.

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, es decir, que el experimento tenga una elevada validez interna eliminando la varianza de error que pudiera interferir. Ya que el interés de la orientación experimental es estudiar la “varianza entre tratamientos”, se procura suprimir la influencia de las diferencias individuales, que en este ámbito representan un tipo de “varianza error a desestimar”.

En este sentido, se trata de reducir la varianza de error formando grupos experimentales que sean homogéneos en las variables organísmicas. 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. 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 tanto, una vez garantizado esto, se debe realizar un riguroso control manipulativo sobre las variables situacionales.

El tipo de experimento que se realiza bajo este paradigma es “provocado” por el experimentador pues crea artificialmente una situación controlada para poder detectar las relaciones causales existentes entre las variables que estudia.

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, claro predominio del “Análisis de Varianza” (AVAR).

La psicología correlacional

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) entre múltiples variables. No se habla en términos de causalidad sino en términos de covariación entre múltiples variables y de cómo se agrupan éstas entre sí.

El objetivo es describir, ordenar y clasificar los datos observados (no controlables experimentalmente) y tal y como se manifiestan éstos en la naturaleza.

La PD 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).

La metodología correlacional se mantiene en estadios descriptivos relativos a las interdependencias existentes entre las variables consideradas.

Exige tratamientos uniformes (control de las variables ambientales o situacionales) para garantizar, en mayor medida, la validez externa de las diferencias individuales observadas.

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. Esta técnica representó el punto de partida del Análisis Factorial.

Diseños de investigación en el estudio de las 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. Si bien las hipótesis descriptivas y predictivas han sido las habituales en una PD de corte clásico, cada vez un número mayor de investigaciones parten de hipótesis de carácter explicativo asociadas a modelos teóricos. Según Burgaleta et al. (1991), tres serán las cuestiones a dilucidar:

• Identificar la función que cumplen las variables analizadas al operativizar las hipótesis.
• Identificar las variables extrañas y modeladoras, a fin de establecer los procedimientos adecuados para su control.
• Elegir las técnicas de análisis de datos adecuadas a las hipótesis planteadas.

De acuerdo con Arnau (1989), los teóricos del método científico han distinguido tradicionalmente tres tipos de estrategias de investigación:

• La descriptiva.
• La correlacional (método selectivo).
• La manipulativa.

Técnicas multivariadas en el estudio de las diferencias individuales

Las técnicas multivariadas con las herramientas estadísticas más utilizadas en la PD. El concepto multivariado se refiere a un amplio rango de estrategias de investigación y de análisis de datos con muchas variables simultáneamente. Estos análisis, representados en la figura 4.3., se dividen en técnicas o modelos de interdependencia (vinculados al paradigma R-R, de carácter descriptivo y basados en la covariación entre las variables estudiadas) y de dependencia (vinculados al paradigma E-R)

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:

• Métricas (cuantitativas), ya que se puede medir la cantidad o magnitud que en esa variable presenta cada sujeto. Además permite comparar en una escala graduada en unidades iguales la puntuación de cada sujeto con respecto a los demás (altura, peso, etc.).
• No métricas (cualitativas), 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 en que un hombre es persona.

En resumen, la elección de un análisis multivariante concreto estará condicionado por el modelo seguido, por la escala de medida de cada variable, por el número de variables y por el objeto de estudio propuesto.

A) Técnicas de interdependencia: estudian la covariación entre múltiples variables, y permiten describir, clasificar y hallar estructuras latentes (o constructos) de interés en los fenómenos estudiados. Los datos se reducen a dimensiones para poder extraer una estructura que facilite describir los fenómenos de estudio.

B) Técnicas de dependencia: estudian una serie de variables independientes para predecir y explicar una o más variables dependientes. Permiten valorar el grado de relación que hay entre variables dependientes e independientes.

Manipulabilidad de los diseños

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 VI, 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 covariación concomitante de las VI y VD.

Los diseños ex-post-facto se caracterizan por:

• El investigador no puede manipular ni tampoco modificar la VI, puesto que ya viene dada.
• 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 VI.

En estos diseños, se concibe la VD como el constructo descriptivo que debe explicarse, y la VI aquella que tiene valor explicativo, siendo la VI anterior a la VD.

Se establecen dos tipos de diseños, también denominados métodos comparativos:

a) Diseños correlacionales: engloban todos aquellos procedimientos destinados a explorar y estructurar un campo de observación dado, así como al estudio de hipótesis de naturaleza meramente relacional, si bien con grados diversos de complejidad y aproximación a niveles inferenciales de orden explicativo. Pueden seguir 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. 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 adecuadas serán de tipo correlacional.
  • 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). Para lograr este objetivo se recurre a técnicas multivariadas de interdependencia (ver Fig. 4.3)

• Predictivos: cuando el conocimiento de las variables que se van a estudiar permite establecer una división entre variables predictoras (VI) y variables criterio (VD), técnicas como al análisis de regresión (simple o múltiple), el análisis discriminante o la correlación canónica permiten estimar la potencia predictiva del modelo previo 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 no 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.

• Explicativos: o también llamados “diseños correlacionales causales”, según Hair et al. existen cuatro criterios imprescindibles para realizar afirmaciones causales: asociaciones suficientes entre dos variables, antecedentes temporales de la causa frente al efecto, falta de alternativas a las variables causales y una base teórica para la relación. Las principales ventajas para la PD es que permiten trabajar con variables latentes a los indicadores externos con los que se trabaja y concluir acerca del ajuste de los datos desde un modelo estadístico a un modelo teórico postulado a priori.

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 estas variables, obteniendo un conjunto más pequeño de variables latentes denominadas factores.

Para realizar un análisis factorial es preciso seguir las siguientes fases:

• Seleccionar las variables a factorizar según el objeto de estudio. Las variables deben ser cuantitativas continuas.
• Calcular la matriz de correlaciones entre variables. Esta matriz muestra las correlaciones existentes entre todas las variables iniciales.
• 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.
• Rotar la solución factorial siguiendo unos criterios determinados, facilitando la interpretación de las relaciones entre las variables. Existen dos tipos de rotación diferenciados: oblicua (permite establecer estructuras factoriales de tipo jerárquico basadas en la sucesiva factorización de los factores obtenidos en niveles previos de carácter más específico) y ortogonal (técnica y matemáticamente más adecuada ya que se entiende que los factores representan dimensiones independientes entre sí).
• Interpretar conceptualmente la matriz factorial rotada.

Las principales controversias en torno a este análisis son las siguientes:

• La interpretación de la solución factorial obtenida, que presenta un cierto grado de subjetividad.
• El tipo de rotación factorial utilizado. Desde un punto de vista matemático es mejor la ortogonal, porque entiende que los factores representan dimensiones independientes entre sí y la solución es más fácilmente interpretable. Cuando los datos están relacionados es mejor utilizar la oblicua.

En sentido psicométrico uno de los debates más relevantes fue protagonizado por Spearman y Thurstone. Ambos utilizaron el análisis factorial, pero de diferente rotación; Spearman encontró un solo factor general de capacidad mental y diversos componentes residuales, y Thurstone postuló la existencia de 7 factores primarios independientes relacionados con las capacidades mentales.

b) Diseños propiamente comparativos: Son calificados de planes experimentales que, a diferencia de los anteriores, no están fundamentados en la estimación de covariaciones sino en el análisis comparativo de valores medios. Se pretende estudiar si existen diferencias estadísticas significativas al comparar las puntuaciones medias que obtienen diferentes grupos en la VD de interés. A diferencia de los experimentos, en estos diseños no se pueden manipular las VI para observar los cambios producidos en la VD y tampoco se pueden formar los grupos mediante una aleatorización de los sujetos.

Diseños cuasiexperimentales

Son aquellos estudios en los que, si bien no puede establecerse una aleatorización de los sujetos, sí pueden manipularse, de forma sistemática, las condiciones o tratamientos a los estos sujetos experimentales son expuestos.

Por sus características son considerados por muchos autores como el auténtico puente entre dos aproximaciones extremas, la experimental y la correlacional.

En el estudio de las diferencias individuales, representan 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 forma más específica, mediante aquellas manipulaciones experimentales diseñadas al efecto.

Temporalidad de los diseños

Históricamente se han diferenciado dos tipos de diseños temporales o evolutivos: transversales y longitudinales. Ambos tienen como objeto genérico de estudio los cambios vinculados a la edad cronológica (VI) en la VD.

La edad cronológica es una variable de selección, no manipulable experimentalmente, pero 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.

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.

	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	Comparar diferentes grupos de edad en la VD	Estudiar la evolución de cada sujeto a lo largo del tiempo en la VD
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
Principal sesgo metodológico	Los efectos de cohorte o de generación	Los efectos históricos o del aprendizaje

Diseño transversal

El diseño transversal recoge los datos de manera sincrónica, se estudia en un “mismo momento temporal” una variable dependiente determinada en diferentes grupos de sujetos seleccionados según la edad cronológica.

El objeto de este diseño es estudiar las diferencias entre edades, y por tanto, se emplea un diseño intersujeto o de medidas independientes.

Este tipo de diseños han sido y son profusamente utilizados por la mayor economía, facilidad, rapidez, tanto de aplicación como de obtención de datos. También muestran una tasa baja de abandonos y permiten controlar los defectos históricos.

Las principales limitaciones de estos diseños son las siguientes:

• El efecto de cohorte: es inevitable, al comparar generaciones, existen influencias propias de cada generación.
• Dificultad para establecer con propiedad relaciones causales: ya que la variable edad no se puede manipular experimentalmente.
• No se sabe hacia dónde se puede dirigir el cambio de cada generación, o de cada individuo particular.
• En cada generación evaluada se incluyen sujetos de la misma edad cronológica, pero con una edad mental, edad biológica o edad social distintas.

Diseño longitudinal

El diseño transversal obtiene los datos de manera diacrónica, se estudia en “distintos momentos temporales” el cambio que se produce vinculado a la edad en la variable dependiente de interés.

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.

Estos diseños son muy necesarios y útiles, porque además de estudiar el desarrollo de un sujeto a lo largo del tiempo, controlan el “efecto de cohorte”, por eso también se les llama “diseños intracohorte”.

En suma, el diseño longitudinal simple (o secuencial) permite estimar directamente los efectos ocasionados por la edad. Sus limitaciones son las siguientes:

• Efectos históricos o efectos del aprendizaje. Se puede confundir el efecto de la edad con el efecto asociado al momento en que se realizó la prueba.
• Mayores costes de realización y organización que los diseños transversales.
• Elevada tasa de abandonos (=”mortandad experimental”)
• Ausencia de equivalencia en los instrumentos de evaluación empleados para edades diferentes.
• Ceñirse al estudio de una sola generación, limita la investigación a un análisis de los efectos propios de una sola generación.

Los investigadores motivados por estas limitaciones han sugerido algunas modificaciones:

• Diseño Longitudinal transverso: combina ambos diseños mediante un seguimiento longitudinal de varios grupos generacionales y análisis de cortes transversales entre los mismos.
• Diseño longitudinal de poblaciones: tomando una(s) población(es) como referencia, se analizan distintas muestras en períodos de interés determinados. Este diseño permite estimar cómo afectan los cambios sociales y culturales a la población.