Conceptos Clave en Metodología de Investigación Cuantitativa

Muestreo

El muestreo es el proceso de seleccionar un subconjunto de individuos de una población para estudiar sus características. Puede ser probabilístico o no probabilístico.

Tipos de Muestreo Probabilístico

  • Aleatorio simple: Se enumeran los individuos de la población y se extraen aleatoriamente tantos números como sujetos se necesiten para la muestra.
  • Aleatorio sistemático: Se enumeran los individuos de la población y se selecciona aleatoriamente un número de 1 a K, siendo K=N/n (donde N es el tamaño de la población y n el tamaño de la muestra). A partir de este número inicial, se seleccionan los individuos subsiguientes a intervalos regulares (cada K-ésimo individuo).
  • Aleatorio estratificado: La población está dividida en estratos (subgrupos homogéneos) y se realiza el muestreo en cada uno de ellos, asegurando la representación de cada estrato en la muestra final.
  • Aleatorio por conglomerados: Si la población está agrupada en subgrupos o conglomerados (unidades naturales o geográficas), se puede muestrear el grupo completo y no los individuos de forma aislada. Se seleccionan aleatoriamente conglomerados completos y se estudian todos los individuos dentro de los conglomerados seleccionados.

Tipos de Muestreo No Probabilístico

  • Accidental, casual o por voluntarios: Se utilizan los individuos disponibles o voluntarios que se encuentran en un momento y lugar determinados. La selección no es aleatoria y puede introducir sesgos.
  • Por cuotas: Se fijan unas cuotas o número de individuos que cumplen determinadas características (ej. edad, sexo, nivel socioeconómico) y se seleccionan hasta alcanzar dichas cuotas. La selección dentro de cada cuota no es aleatoria.
  • Intencional: El propio investigador determina unos criterios de selección para los individuos que considera representativos de la población, basándose en su juicio experto.
  • Bola de nieve: Se localizan unos pocos sujetos con las características deseadas, quienes a su vez conducen a otros sujetos con características similares, y estos a su vez a más, de modo que la muestra va creciendo progresivamente. Es útil para poblaciones de difícil acceso.

Paradigma

Un paradigma es un punto de vista, un modo de ver, analizar e interpretar el proceso educativo que comparten los miembros de la comunidad científica. Se caracteriza por el hecho de que tanto científicos como profesionales comparten un conjunto de valores, postulados, fines, normas, lenguajes, creencias y formas de percibir y comprender los procesos educacionales.

Variable

Una variable es una característica o cualidad que puede variar y es susceptible de ser medida, observada o manipulada en una investigación.

Tipos de Variables

  • Cualitativa: Se presenta como cualidades o atributos y no son medibles numéricamente. Se subdividen en:
    • Nominales: Sus distintas modalidades se pueden comparar solo por ser iguales o distintas, sin establecer un orden (ej. estado civil, color de ojos, carrera de un alumno).
    • Ordinales: Se pueden establecer relaciones de orden, además de relaciones de igualdad y diferenciación (ej. nivel socioeconómico: bajo, medio, alto; grado de satisfacción: muy insatisfecho, insatisfecho, satisfecho, muy satisfecho).
  • Cuantitativa: Aquellas cuyos valores pueden ser contados o medidos numéricamente. Se subdividen en:
    • Discretas: Sus valores pueden ser contados, pero entre dos valores consecutivos de la variable no puede haber valores intermedios (ej. número de empleados de una fábrica, número de hijos).
    • Continuas: Sus valores pueden ser contados y entre ellos existen valores intermedios, permitiendo cualquier valor dentro de un rango (ej. talla de un individuo, peso, temperatura).
    • De intervalo: Poseen un orden y una distancia entre valores, pero el cero no significa la ausencia de la característica (ej. temperatura en grados Celsius o Fahrenheit, puntuación en un test de inteligencia).
    • De razón: Poseen un orden, una distancia entre valores y el cero significa la ausencia de la característica, permitiendo establecer razones o proporciones (ej. peso, altura, número de ventas).

Diseños Preexperimentales

Los diseños preexperimentales se caracterizan por tener una validez interna muy débil, lo que dificulta la interpretación de sus resultados. No tienen suficiente fuerza para hacer inferencias causales; sin embargo, se suelen utilizar como procedimientos para generar ideas que más adelante pueden ser probadas con diseños más sistemáticos. Los diseños preexperimentales son:

  • Diseño de solo posttest con un grupo: El investigador proporciona un tratamiento y, a continuación, se realiza una observación o medición de la variable dependiente.
  • Diseño Pretest-posttest con un grupo: Solo se distingue del anterior en el pretest que precede al tratamiento. El resultado es la valoración del cambio ocurrido desde el pretest hasta el posttest. El investigador puede obtener una medida del cambio, pero no comprobar hipótesis alternativas de forma concluyente debido a la falta de un grupo de control.
  • Diseño de solo posttest con grupos no equivalentes: Se asemeja al diseño de solo posttest con un grupo, pero incluye un grupo de control que no recibe el tratamiento. Sin embargo, los grupos no son asignados aleatoriamente, lo que limita la capacidad de establecer causalidad.

Diseños Correlacionales

Los diseños correlacionales son un puente entre los estudios descriptivos y los experimentales. No manipulan las variables independientes; parten de la observación de variables tal como se presentan en su contexto natural. No derivan relaciones de causa-efecto, sino que describen correlaciones y predicen fenómenos a partir de otros. Trabajan la correlación como elemento estadístico y operan en marcos naturales.

Tipos de Diseños Correlacionales

  • Basados en la correlación:
    • Bivariados: Se analiza la relación entre dos variables (ej. coeficiente de correlación de Pearson).
    • Multivariados:
      • Simple: Correlación múltiple (relación entre una variable dependiente y múltiples variables independientes).
      • Complejo: Correlación canónica (relación entre dos conjuntos de variables).
  • De clasificación dimensional:
    • Análisis factorial: Identifica dimensiones subyacentes en un conjunto de variables.
    • Análisis clúster: Agrupa objetos o individuos en función de su similitud.
    • Análisis de correspondencias: Explora las relaciones entre categorías de variables cualitativas.
  • Predictivos:
    • Regresión simple: Predice el valor de una variable a partir de otra.
    • Regresión múltiple: Predice el valor de una variable a partir de varias otras.
    • Análisis discriminante: Clasifica individuos en grupos basándose en un conjunto de variables predictoras.
  • Explicativos:
    • Modelos causales: Proponen y prueban relaciones de causa y efecto entre variables.
    • Path-analysis: Un tipo de modelo causal que examina las relaciones directas e indirectas entre un conjunto de variables.