Volver a Metodologia de la Investigacion
Método correlacional
Los métodos explicativos que veníamos viendo: experimento, cuasiexperimento y
preexperimento, son métodos explicativos que se ocupan de investigar relaciones causales.
Por su parte el método correlacional que vamos a ver ahora, investiga relaciones no causales.
Es un abordaje de investigación que permite conocer si dos o más variables están
relacionadas, sin determinar causalidad.
La investigación correlacional intenta detectar relaciones significativas entre variables con el
objetivo de generar predicciones (si observo lo que ocurre en una variable podré predecir lo
que va a ocurrir en otra que considero que está asociada) y puede fijar las bases para proyectar
investigaciones explicativas, causales. Pero no es un método que permita establecer y probar
relaciones causales.
En el método correlacional la relación entre variables se plantea mediante una hipótesis
relacional, también llamada de asociación. La misma puede contener dos variables o más. En
la redacción de la hipótesis de asociación las palabras que expresan la relación entre variables
generalmente son: se relaciona, se vinculan, se asocian…; a diferencia de las hipótesis
experimentales que se usan en los métodos explicativos donde el nexo entre las variables de la
hipótesis suele ser: influye, causa, provoca, determina, produce…o cualquier otro que
implique causalidad.
Por ejemplo si planteáramos la siguiente hipótesis relacional: “Las notas en los exámenes
universitarios se asocia al tiempo dedicado al estudio, la motivación y el nivel de ansiedad de
los alumnos, los contenidos de las materias y la modalidad de las clases dictadas”, la
relación se expresa mediante el término se asocia.
Pero también puede ser que se omita cualquiera de las expresiones mencionadas y en una
investigación correlacional, una hipótesis podría plantearse de la siguiente manera: Las
personas con altos índices de depresión presentan bajos niveles de autoestima.
Esta hipótesis es claramente correlacional porque no se puede determinar que una variable sea
causa de la otra, porque: ¿que se dio primero?, hay depresión por la baja autoestima, o la
depresión generó baja autoestima, o también podría ocurrir que ambas variables se
retroalimentaran.
El método correlacional no tiene teoría explicativa. Quiere decir que no brinda una
explicación del “porque” de la relación entre las variables en estudio. Si tiene teoría vinculada
con cada una de las variables a investigar. Pero para cada una por separado. Sin una teoría
causal que explique la relación. Solo relaciona variables. Sin plantear un nexo de causalidad
entre las mismas. No quiere decir que no pueda haberlo, sino que el método correlacional no
se ocupa de eso. En consecuencia solo tenemos variables que presentan una variación
conjunta.
No hay ni variable independiente, ni variable dependiente. Ya que estás implican relación de
causalidad. Pero hay que tener en cuenta que aunque la relación no sea de causalidad, al
establecer una relación se pueden predecir los valores de una variable a partir de otra/s. Por
eso se llama predictor a la variable que se utiliza para predecir y se llama criterio a la variable
que se va a predecir a partir de la anterior. A las variables se las menciona como variables
asociadas o correlacionadas. Cabe aclarar que el término variable criterio se lo utiliza también
en algunos casos como sinónimo de variable dependiente. Por lo tanto el sentido con que se
usa el término lo determina el contexto del método en el cual se usa.
La relación a estudiar puede ser entre dos variables. Pero es más útil cuando se relacionan
varios predictores con un criterio. Por ej. tomar varios predictores para predecir rendimiento
académico, que sería el criterio. Estas investigaciones correlacionales con múltiples
predictores, permiten una mejor aproximación al fenómeno en estudio y mejores predicciones.
Además permiten detectar con mayor precisión la acción de cada predictor, en la medida en
que se puede determinar la superposición que hay entre los distintos predictores,
diferenciando las varianzas específicas de cada predictor de la varianza compartida.
Hay que tener en cuenta que muchas veces la superposición entre distintos predictores pone
un límite al porcentaje de varianza que se puede predecir. De manera que una vez que se
determinan varios predictores importantes, continuar agregando predictores no
necesariamente consigue incrementar el porcentaje de varianza del cual dan cuenta estos en
conjunto. De manera que no siempre se puede aumentar la capacidad predictiva, por el solo
hecho de agregar predictores.
En las investigaciones correlacionales no se manipulan variables como en los métodos
experimentales, ya que no hay variable independiente. Solo se determinan las variables a
relacionar y se miden. De manera que en el método correlacional todas las
operacionalizaciones de las variables a relacionar son de medida. No tenemos
operacionalizaciones experimentales, ya que estas últimas son propias de los métodos
explicativos. Cabe aclarar que los métodos explicativos incluyen operacionalizaciones de
medida (la variable dependiente siempre tiene operacionalización de medida), además de las
operacionalizaciones experimentales. Y en el caso particular de las investigaciones con
manipulación de selección todas las operacionalizaciones son de medida.
No hay tampoco la clásica secuencia de tiempo de los métodos explicativos, en los cuales se
manipulaba intencionalmente la variable independiente y después se observaba que pasaba
con la variable dependiente. Como en las investigaciones correlacionales a las variables
únicamente se las mide, por lo general no se puede determinar empíricamente dentro del
diseño de la investigación que una variable necesariamente antecede en el tiempo a la otra.
Aunque en ocasiones hay variables que en general no pueden ser efectos: edad, disposiciones
de la personalidad innatas, etc; y en estos casos, sí se puede establecer la relación temporal.
Tenemos que tener en cuenta que la antecedencia temporal en sí, tampoco es garantía, de que
exista una relación causal entre las variables, ya que un acontecimiento puede estar cerca o
lejos en el tiempo y puede actuar como causa o no.
El cuasiexperimento con manipulación de selección puede tener una estructura muy similar a
una investigación correlacional (salvo en el caso de los diseños factoriales), por eso es
importante marcar la diferencia entre el método correlacional y los cuasiexperimentos con
manipulación de selección. En el cuasiexperimento con manipulación de selección o natural,
se miden variables que ya tienen manifestación al momento que se realiza la investigación y
tampoco se puede determinar claramente una secuencia de tiempo empírica (como si se puede
hacer cuando hay manipulación intencional). Pero hay una secuencia de tiempo teórica que
viene dada desde un sólido marco teórico que establece que una variable funcionaría como
causa de otra. De manera que tendríamos una teoría explicativa que dé cuenta de porque una
variable se relaciona con otra en términos de causalidad. Por lo tanto es de fundamental
importancia para que una investigación pueda ser un cuasiexperimento con manipulación de
selección, que se base en una teoría explicativa muy sólida.
En el método correlacional por su parte, como mencionamos con anterioridad, si bien puede
haber mucha teoría respecto a las variables a relacionar (tomando cada una por separado), no
habría ninguna teoría explicativa que dé cuenta del porque de esa relación en términos de
causalidad. Tomando un ejemplo anterior donde se relacionaba depresión con autoestima,
puedo tener mucha teoría sobre depresión y mucha teoría sobre autoestima, pero no tendría
una teoría explicativa que dé cuenta de una relación de causalidad.
El control de variables contaminadoras con el fin de incrementar la validez interna es
claramente el desafío para la experimentación y determina la diferencia entre los tres
métodos explicativos (experimento, cuasiexperimento y preexperimento). En la metodología
correlacional también es un problema. Pero, a pesar de ello, el control de variables no es
requisito del método, el método correlacional no se define por el control de variables. Pero
esto no quiere decir que no se realicen controles, pues se implementan todos los posibles
(contrabalanceo en la aplicación de técnicas, selección de sujetos para la muestra con
criterios de inclusión y exclusión, controles sobre las técnicas y el investigador, estadísticos
sobre la superposición de variables, etc.) pero resultan insuficientes para aislar las variables
relacionadas, del conjunto de variables que podrían afectarlas. No obstante, controlar
variables que pueden intervenir en la relación, mejora notablemente la calidad de la
investigación.
Tenemos que tener en cuenta que cuando hablamos de variables contaminadoras en el
método correlacional, no se lo hace en el sentido estricto de factores causales (como en los
métodos explicativos), sino como variables que pueden estar asociadas con aquellas cuya
relación se está investigando.
En cuanto a la validez externa, las investigaciones correlaciones tienen en general, mayor
validez externa que los estudios explicativos.
Es importante no confundir método correlacional con los coeficientes de correlación. Estos
últimos son cálculos estadísticos y el método correlacional, es un método de investigación. Es
cierto que los coeficientes de correlación tienen un uso privilegiado en el método
correlacional. Pero el método no se define por el uso de los mismos, ya que se pueden usar
otros cálculos estadísticos en función de las características de las variables en estudio.
Pueden utilizarse cálculos de comparación de grupos (los mismos que en el método
experimental) en algunos casos, entre otras alternativas. Solo habrá que tener en cuenta cual
es la variable que se seleccionará para dividir grupos.
El tipo de cálculo que se puede utilizar está determinado, entre otras cuestiones por el nivel de
medición (escala de medida) de las variables a utilizar. Esto no solo se aplica al método
correlacional, sino a cualquier análisis estadístico que se haga, independientemente del
método que se utilice. Como dijimos antes, los métodos de investigación no se definen por el
cálculo que se utilice, más allá de que haya cálculos que sean más usuales en un método u
otro.
Por ejemplo:
Si se tienen dos variables cuantitativas se puede usar el coeficiente de correlación r de
Pearson (este cálculo es muy usual en las investigaciones correlacionales).
Si una de las variables es cualitativa y puedo tomar distintos grupos de sujetos y la otra
variable es cuantitativa, se pueden usar estadísticos que comparan grupos (aunque estos
cálculos estadísticos son más usuales en las investigaciones explicativas), como la t de
Student y el Análisis de la Varianza.
Si usamos múltipes predictores para un criterio y las variables son cuantitativas podemos
usar Regresión múltiple (se usa más en el método correlacional).
Si se quiere controlar alguna variable se puede usar correlación parcial (más usual en el
método correlacional), o Análisis de Covarianza (más usual en los métodos
explicativos).
La diversidad de cálculos que se puede utilizar es mucho mayor (lo anterior fue a título de
ejemplo) y la elección de los mismos depende entre otras cosas:
Del nivel de medición de las variables
Si se cumplen o no los requisitos para una prueba paramétrica.
La cantidad de variables involucradas en el análisis
Si son medidas independientes o relacionadas
Si bien no definen el método correlacional, los coeficientes de correlación son los cálculos
estadísticos más usados en este método. Los coeficientes de correlación son fórmulas
estadísticas que brindan información sobre: si hay relación entre las variables, la fuerza de la
asociación y la dirección de la misma. Por ejemplo la r de Pearson y la rho de Spearman son
algunos de estos coeficientes de correlación. Siempre dan un valor que oscila entre 1 y -1 (ej.
r= 0.50). Se utilizan uno u otro según ciertos criterios, como por ej. el nivel de medición de
las variables (cuantitativo u ordinal).
Que podamos comprobar que las variables están relacionadas (pruebas de significación
estadística), no nos dice cuan relacionadas están: si mucho, medianamente o poco. Justamente
cuando hablamos de la fuerza de la asociación, nos referimos a cuanto están relacionadas las
variables (magnitud del efecto, tamaño del efecto). En el caso de los coeficientes de
correlación mencionados, habíamos dicho que daban valores entre 1 y -1, entonces cuanto
más se acerca el valor obtenido a los extremos la asociación es más fuerte y cuanto más se
acerca al 0 es más débil. Los extremos (1 y -1) implicarían asociación perfecta, cuestión que
no encontraremos en datos reales, 0 implicaría ausencia total de correlación, que tampoco se
suele encontrar. Cabe aclarar que hay formas de calcular con precisión, ya sea en los
coeficientes de correlación o en otros cálculos estadísticos que porcentaje de la variabilidad de
una variable es explicado o predicho por la/s otra/s (porcentaje de varianza explicada).
Por ejemplo:
r= - 0.81 es una asociación alta. Si hubiera dado con signo positivo, r = 0.81 también la
relación sería alta, porque no depende del signo + o – de la relación, sino del valor obtenido
independientemente del signo.
Rho= 0. 21 es una asociación baja
Pero es importante saber primero si hay efectivamente asociación entre las variables
(asociación estadísticamente significativa). Este interrogante (¿las variables están
asociadas?) se responde al leer la p (nivel de significación estadística), que suele ser p ≤ 0.05.
El signo de la correlación (+ o – ) nos habla de la dirección de la relación. El + no se escribe,
el – sí. Una asociación positiva (+) es una covariación de las variables en el sentido que
cuando una incrementa sus valores, la otra también lo hace y viceversa (cuando una
decrementa sus valores, la otra también). En consecuencias valores altos de una variable
tienden a coincidir con valores altos en la otra, los valores medios con los medios y bajos con
bajos. La asociación negativa (con signo – antes del número) implica que cuando una variable
incrementa sus valores, la otra los decrementa y viceversa. En este caso valores altos de una
variable tienden a coincidir con valores bajos de la otra variable, medios con medios y bajos
con altos respectivamente.
Es posible, mediante el Análisis de Regresión, generar un modelo que prediga los valores de
alguna de las variables asociadas a partir de los valores de otra. Cuando se estudian varias
variables (Regresión múltiple), es posible predecir el comportamiento de una variable a partir
de los valores de las otras variables. Es importante tener en cuenta que las variables pueden
superponerse entre sí y que la capacidad de predecir del conjunto no es igual a las suma de
todas ellas. En este proceso (de análisis de datos) se pueden seleccionar las variables más
“independientes entre sí” y más predictoras, descartando otras. Pero hay que tener en cuenta
que para que estas predicciones sean precisas, se requiere que la fuerza de la asociación entre
las variables sea alta. En caso contrario las predicciones que se hacen tienen el problema de
que presentan un alto grado de error.
En general las muestras utilizadas en el método correlacional son grandes, ya que los distintos
cálculos también tienen requisitos y presentan limitaciones en función de la cantidad de
sujetos. Y una investigación cuantitativa requiere necesariamente del correspondiente análisis
estadístico. De hecho, como estamos hablando de investigaciones cuantitativas, no se pueden
llevar a cabo con un número muy reducido de sujetos. En particular, los estudios
correlacionales con múltiples variables involucradas, se ven facilitados cuando la muestra es
grande. Cuando la muestra es pequeña, si bien se puede analizar, hay limitaciones importantes
y se requiere un análisis de datos más creativo, para subsanarlas. Con muestras muy pequeñas,
este tipo de estudio correlacional directamente no es viable.
Investigaciones exploratorias
Los distintos métodos que veníamos viendo hasta ahora formaban parte de una clasificación
de los métodos cuantitativos de investigación. Y las diferencias se planteaban en los
términos que hacían a las formas metodológicas que se seguían y sus implicancias. Por
ejemplo si se relacionaban variables o no, si estas relaciones eran causales o no, el grado de
validez interna, la forma de los diseños, etc. Pero las investigaciones exploratorias no
forman parte de ésta clasificación ya que se refieren a otra cuestión: cuál es el estado de la
investigación de determinado tema, si tenemos hipótesis claramente definidas o no. Y
pueden darse en distintos métodos de investigación.
Normalmente en la mayoría de las investigaciones se parte de determinado conocimiento
previo sobre el tema y se plantean hipótesis claramente definidas que van a ser puestas a
prueba mediante la investigación a realizar. Estas son investigaciones para justificar
hipótesis. Pero hay un número menor de investigaciones donde no se da lo anterior y estas
son las investigaciones que llamamos exploratorias.
Entonces las investigaciones exploratorias son aquellas que NO tienen hipótesis claramente
definidas, y que no parten de una idea previa bien establecida. Se investiga un tema sobre el
cual no hay mucha información, sobre el cual no hay investigaciones previas que delimiten
bien el tema. A partir de una investigación exploratoria se puede pasar luego, a partir de la
información obtenida, a otra investigación, ya con una hipótesis definida y que se hace para
poner a prueba la misma.
Como dijimos con anterioridad las investigaciones exploratorias tienen lugar en los distintos
métodos de investigación, pero se dan con desigual frecuencia. En el caso de los métodos
descriptivos suelen ser mayormente exploratorios. En el método correlacional hay
investigaciones que son exploratorias, pero también hay muchas investigaciones
correlacionales que se hacen para justificar hipótesis, para probar hipótesis. En el caso
específico de los métodos explicativos, los mismos son para poner a prueba hipótesis
derivadas de teorías que plantean relaciones causales, por lo cual son para justificar hipótesis
y en general no darían lugar a investigaciones exploratorias. Pero a veces, se da una
excepción a esto, que es cuando tenemos investigaciones con una estructura de diseño que
corresponde a las investigaciones con manipulación intencional (ya sea experimental,
cuasiexperimental o preexperimental), pero no se dispone de una hipótesis claramente
definida. Estaríamos entonces ante una investigación exploratoria, aunque fuera bajo la
estructura de alguna de las aproximaciones experimentales. Pero hay que tener en cuenta
que estos son casos raros y excepciones a la regla general, que supone que las
investigaciones explicativas son para poner a prueba hipótesis experimentales, que
obviamente plantean relaciones causales.
Plantilla Presentaciones SEAD.pdf
browser_emoji Estamos procesando este archivo...
browser_emoji Lamentablemente la previsualización de este archivo no está disponible. De todas maneras puedes descargarlo y ver si te es útil.
Descargar
. . . . .