DISEÑOS DE INVESTIGACIÒN DE PSICOLOGÌA

EXPERIMENTAL

San Cristóbal, NOVIEMBRE del 2019

 Introducción

La psicología experimental es una de las ciencias más jóvenes es la

psicología y requiere la formación de investigadores que sigan estos principios:
interés por el conocimiento, apego a una metodología específica, así como
capacidad de síntesis, análisis, e interpretación de los fenómenos estudiados. Sólo
reuniendo estas características se obtienen resultados sólidos que sirven como
base a futuras investigaciones.
En los diseños experimentales y el método correlacional. Por su parte,
Arnau (1995a) nos dice que en la ciencia psicológica están presentes dos
paradigmas. Se puede hacer referencia al método de diseño observacional, a la
forma de obtención de medidas diseños intersujetos, a la forma de organización
de los grupos diseño de grupos aleatorios.
 El paradigma experimental y el paradigma asociativo. Según Arnau (1995)
cada paradigma se caracteriza por:

La formulación de una clase específica de hipótesis.

El grado de intervención del investigador en la situación estudiada.
los procedimientos de recogida de datos.

Por lo que se refiere al tipo de hipótesis, en el paradigma experimental se

formulan hipótesis causales, mientras que, en el paradigma asociativo se formulan
hipótesis de covariación. Una hipótesis causal puede definirse como un enunciado
que establece una relación inequívoca de causa-efecto. En términos de variables,
esta hipótesis establece una relación entre la variable independiente y la variable
dependiente, y presenta la forma lógica si A entonces B. Una hipótesis de
covariación, por el contrario, es un enunciado en el que se establece una relación
asociativa (o no-causal) entre fenómenos. Esto quiere decir que este tipo de
hipótesis nos informa de que la variable A está asociada o relacionada con la
variable B.

Obviamente, una hipótesis causal implicará relación entre las variables, sin
embargo, una hipótesis de covariación no necesariamente implicará causalidad.
Según Kenny (1979) una relación será causal si se dan tres condiciones:

Precedencia temporal de la causa.

Relación funcional entre las variables o covariación causa-efecto, de
manera que cuando se da la presunta causa aparece el presunto
efecto y cuando no se da la presunta causa no aparece el presunto
efecto.
Ausencia de espurrida, que implica el control previo de las variables
extrañas. Es decir, no debe haber otras explicaciones plausibles del
cambio.
 El segundo elemento diferenciador de paradigmas es el grado de
intervención del investigador. En el paradigma experimental el grado de
intervención es máximo. Esto se debe a que el objetivo de este tipo de
investigaciones es establecer relaciones causales inequívocas entre las variables
y para ello el fenómeno se ha de observar en un contexto muy controlado. El
experimentador deberá actuar de la siguiente manera:

Provocará el fenómeno que quiere estudiar

Lo aislará para que ningún elemento extraño afecte a la
relación causal que está estudiando.

El investigador manipulará la variable independiente y controlará el efecto

de las variables de confundido (también denominadas, variables extrañas).
Manipular una la variable independiente quiere decir que se va a incidir
directamente sobre el fenómeno objeto de la investigación con la intencionalidad
de producir un cambio sobre el mismo. Controlar el efecto de variables de
confundido quiere decir que debemos garantizar que los cambios observados en
el fenómeno se deban a la acción directa del experimentador y no a la acción de
otras variables.

Este alto grado de intervención del investigador sobre el fenómeno es lo

que ha originado la principal crítica que recibe el paradigma experimental; a saber:
su artificialidad. Los fenómenos en la realidad no se producen en situaciones tan
controladas, por lo que se puede cuestionar que las conclusiones elaboradas en
este paradigma sean válidas en contextos naturales. Sin embargo, algunos
autores como Pereda (1987) nos recuerdan que siempre será preferible saber
algo, aunque no se pueda generalizar, que generalizar algo que no se sabe.

El paradigma asociativo se caracteriza porque el grado de intervención del

investigador es mínimo. Esto quiere decir que el investigador ni provoca el
fenómeno que quiere estudiar ni lo aísla, sino que se limita a estudiarlo mientras
éste sigue su curso natural. En términos metodológicos esto se traduce en la
ausencia de manipulación de la variable independiente y en un mínimo o nulo
control de las fuentes de variación extrañas. En este sentido las investigaciones
que se realizan dentro del paradigma asociativo sortean la principal crítica que
recibe el paradigma experimental: su artificialidad. No obstante, presentan un
inconveniente que es la imposibilidad de establecer relaciones causales. El tercer
elemento que diferencia entre los dos paradigmas es el procedimiento de recogida
de datos. En otras palabras, los paradigmas se diferencian en cuanto al tipo de
diseños que utilizan. Arnau (1995a) señala que los diseños experimentales y los
cuasi-experimentales se utilizan dentro del paradigma experimental, mientras que
los diseños observacionales y los diseños de encuesta se utilizan dentro del
paradigma asociativo.

Diseños Observacionales

Los diseños observacionales y al diseño de encuestas, éstos se incluyen en

el paradigma asociativo (Arnau, 1995a). Se trata de metodologías mediante las
que el investigador recaba sus datos sin intentar inducir cambios o introducir
tratamientos. La diferencia fundamental entre una y otra radica en que la primera
se ocupa de investigar fenómenos directamente observables en general, la
conducta de los individuos, mientras que la segunda se interesa por el estudio de
procesos que no pueden abordarse mediante la observación directa, por ejemplo:

opiniones
actitudes

Esta diferencia repercute en el tipo de técnicas que se utilizan en cada caso

para recoger información. De una parte, la metodología observacional se sirve de
técnicas sistemáticas de observación de la conducta. De otra parte, la metodología
de encuestas emplea cuestionarios, a través de los cuales se obtiene información
sobre opiniones, actitudes o determinados constructos psicológicos.

Planificación de la investigación científica

Todo investigador seguirá una serie de etapas para realizar su

investigación:

1. Planteará el problema de la investigación

2. Formulará la hipótesis o conjetura
 3. Seleccionará la estrategia para solventar el problema
4. Recogerá los datos
5. Analizará los datos
6. Interpretará los resultados estadísticos
7. Elaborará las conclusiones.

Dada la naturaleza cíclica de la ciencia, estas conclusiones le llevarán a él

o a otros investigadores a plantear nuevos problemas de investigación. Como
señalan Box, Hunter y Hunter (1978), el desarrollo de la ciencia es siempre
progresivo a través de un proceso cíclico de aprendizaje. Las etapas anteriores se
reparten en tres niveles de actuación que están presentes en cualquier proceso de
la investigación científica (Arnau, 1989, 1990): el nivel teóricoconceptual, el nivel
técnico-metodológico, y el nivel analíticoestadístico.

Dentro del nivel teórico-conceptual se incluyen el planteamiento del

problema, la formulación de la hipótesis y la elaboración de conclusiones. Dentro
del nivel técnico-metodológico se incluyen las fases correspondientes a la
selección de la estrategia para solventar el problema y la recogida de datos. Por
último, dentro del nivel analítico-estadístico se incluyen las fases de análisis e
interpretación de los resultados estadísticos.

Nivel teórico-conceptual

Los científicos invierten una buena parte de sus vidas intentando dar
respuesta a problemas de investigación, por lo que el punto de partida de sus
investigaciones, en definitiva, el origen de la investigación siempre será una
pregunta. En palabras de Pedhazur y Pedhazur Schmelkin (1991) un problema es
un enunciado, usualmente interrogativo, acerca de la relación entre dos o más
variables ¿Es eficaz este nuevo fármaco para el tratamiento del trastorno bipolar?
¿Existen diferencias entre hombres y mujeres en cuanto a su aptitud numérica?
¿Podemos situar el procesamiento de las emociones en alguna región concreta
del cerebro? ¿Inciden los prejuicios en los veredictos de los jurados populares?
Estos ejemplos recogen problemas susceptibles de ser estudiados
científicamente.
 En consecuencia, una de las características del problema científico es que
éste deberá poder solventarse; es decir, deberemos poder encontrar una solución
al mismo en el mundo empírico. Con esto quedan descartados otros problemas o
preguntas que puedan formularse pero que no se podrán plantear como problema
de investigación científica. El problema de investigación, además de ser resoluble,
deberá presentar otras características como las siguientes:

Primero, deberá tener relevancia teórica o práctica (puede

encontrarse una discusión de este tema en Pedhazur y
Pedhazur Schmelkin, 1991)
Segundo, deberemos disponer de los recursos necesarios
para solventarlo; y, tercero, se deberá solucionar respetando
los derechos de los participantes en la investigación (véase
en Diener y Crandall, 1978, una amplia exposición sobre el
tratamiento ético en la investigación).

Una vez que el científico haya planteado su problema de investigación, el

siguiente paso que habrá de dar es formular su hipótesis. La hipótesis es la
respuesta al problema de investigación, es decir, recoge la predicción del
investigador los resultados que espera obtener. Si hemos definido el problema de
investigación como un enunciado, usualmente interrogativo, acerca de la relación
entre dos o más variables, la hipótesis será el enunciado conjetural en el que se
concreta el tipo de relación que esperamos encontrar entre éstas.

Características de la hipótesis

Dirigen la investigación
Se deducen de las teorías o de un conjunto de investigaciones
previas.
Se pueden someter a prueba: es decir, se puede demostrar
que son probablemente verdaderas o probablemente falsas.
Son predicciones del tipo Si A entonces B, donde se establece
la relación entre las variables A y B.
 Son independientes de los valores y opiniones de una
persona.

Nivel técnico-metodológico

Una vez formulada la hipótesis, el investigador se adentrará en el nivel

técnico-metodológico. En este nivel lo que deberá hacer es seleccionar la
estrategia metodológica más adecuada para contrastar su hipótesis. Es decir:
deberá decidir cuál es la mejor manera de proceder para recoger datos que le
permitan solucionar el problema de la investigación. Tendrá que responder a las
siguientes preguntas: cómo se seleccionará la muestra, cómo se formarán los
grupos, cómo se manipulará la variable independiente, cómo se medirá la variable
dependiente, cómo se controlarán las variables de confundido, etc. En esta fase
de la investigación, es muy importante que el investigador tome las decisiones
adecuadas, porque, en caso contrario, puede poner en peligro la validez de su
investigación. Las decisiones que tome repercutirán en la validez interna, en la
validez externa y en la validez de constructo de su investigación (una amplia
descripción de las amenazas a la validez de las investigaciones se encuentra en
Cook y Campbel, 1979).

Hay tres estrategias que podemos adoptar para recoger los datos:

1. Podemos manipular algún aspecto del ambiente en una situación

totalmente controlada y esperar a ver qué ocurre. En este caso, utilizaremos un
diseño experimental —también denominado, experimento verdadero (Cook y
Campbell, 1979; Dwyer, 1983).

2. Podemos manipular algún aspecto del ambiente en una situación no

totalmente controlada y esperar a ver qué ocurre. En este caso, utilizaremos un
diseño cuasi-experimental.

3. Podemos observar el fenómeno que nos interesa de forma natural sin

interferir con el mismo. En este caso, deberemos recurrir a un diseño no
experimental.
 A la hora de decidir cómo procederá para recoger los datos, el investigador
también deberá atender a una dimensión temporal. Queremos decir con esto que
le puede interesar estudiar el fenómeno en un momento temporal concreto por lo
que deberá recurrir a un diseño transversal o estático o por el contrario, puede
interesarle estudiar la evolución del fenómeno a lo largo del tiempo —por lo que
deberá recurrir a un diseño longitudinal. Los diseños longitudinales se utilizan
cuando se estudian problemas de investigación que involucran tendencias,
cambios o desarrollos a través del tiempo.

Por último, la validez de constructo se ocupa de la cuestión de si realmente

estamos midiendo el constructo teórico que pretendemos medir. El término
constructo se entiende como sinónimo de concepto o de construcción teórica, por
lo que se trata de fenómenos que no podemos observar directamente. Así, una
investigación con validez de constructo nos garantiza que las variables
observadas son buenos indicadores del constructo o fenómeno no observable que
pretendemos medir.

Nivel analítico-estadístico

En el nivel analítico-estadístico el investigador cubrirá las etapas del

análisis de los datos y la interpretación de los resultados estadísticos. En este
momento, deberá organizar los datos en una tabla o matriz y deberá ser capaz de
recurrir a las técnicas estadísticas más adecuadas para obtener información de
ésta. Se trata, en definitiva, de ser capaz de extraer conocimiento de esos datos.
Hemos afirmado en otro lugar que todo buen investigador debe tener sólidos y
precisos conocimientos sobre estadística

Cuando el investigador se enfrenta a la etapa del análisis de datos pondrá

en juego todos sus conocimientos de estadística. Las técnicas de análisis a las
que podrá recurrir dependerán básicamente de cuatro factores:

1. El objetivo de su análisis.
2. El número de variables que pretenda analizar.
3. La escala en la que haya medido sus variables.
 4. La naturaleza de sus datos en cuanto a la posibilidad de existencia
de covariación en las medidas.

En primer lugar, dependiendo del objetivo del análisis, se recurrirá a las

técnicas de estadística inferencial o a las técnicas de estadística descriptiva. Se
utilizarán las primeras si el objetivo es elaborar conclusiones para toda la
población a partir de los datos de una muestra. Se trata, en definitiva, de
contrastar una hipótesis de partida tomando una decisión estadística basada en el
cálculo de probabilidades.

En segundo lugar, el número de variables que se pretenda analizar también

repercutirá en la elección de la técnica estadística. En este sentido, el investigador
dispone de técnicas estadísticas univariables si su interés se centra en el análisis
de una sola variable, técnicas estadísticas bi-variables si se pretende estudiar la
relación entre dos variables, y técnicas estadísticas multivariables si se pretende
estudiar la relación entre más de dos variables.

En tercer lugar, la escala en la que se hayan medido las variables también

incidirá en las técnicas estadísticas que se puedan utilizar. Siguiendo la
clasificación de Stevens (1946, 1951), las escalas de medida son cuatro: nominal,
ordinal, de intervalo y de razón. La escala de medida de una variable determina
las transformaciones matemáticas que se pueden realizar con sus valores, por lo
que condiciona los índices estadísticos que se pueden aplicar para describir su
distribución y las técnicas estadísticas que se pueden aplicar sobre ésta (Michell,
1986).

En cuarto y último lugar, la naturaleza de los datos también es un elemento

esencial que repercute en la elección de la técnica estadística. La cuestión es si
los datos se han obtenido de los mismos individuos o si, por el contrario, los datos
provienen de individuos diferentes. En el primer caso se dice que los datos están
relacionados y en el segundo se dice que los datos son independientes. Por lo que
se refiere a la estadística inferencial, existen algunas técnicas que se fundamentan
en el supuesto de que las observaciones sean independientes, por lo que no
deberán utilizarse en ningún caso si se viola este supuesto.
 Diseños experimentales clásicos

Kirk (1995) define el término diseño experimental como un plan para

asignar los sujetos a las condiciones experimentales y el análisis estadístico
asociado con ese plan. Continúa indicando que el diseño de un experimento para
investigar una hipótesis científica o de investigación implica un número de
actividades interrelacionadas:

1. Formulación de la hipótesis estadística a partir de la hipótesis

científica.
2. Determinación de las condiciones experimentales que van a
utilizarse (variable independiente), la medida que va a
registrarse (variable dependiente) y las variables de posible
confundido.
3. Especificación del número de sujetos y de la población de la
que se extraerá la muestra.
4. Especificación del procedimiento para asignar los sujetos a las
condiciones experimentales.
5. Determinación del análisis estadístico que se llevará a cabo.

Clasificación de los diseños experimentales clásicos

El primer criterio clasifica los diseños en función del número de variables

independientes que se manipulan. Se distingue, así, entre diseños simples, en los
que se manipula una sola variable independiente, y diseños factoriales, en los que
se manipulan dos o más variables independientes. La ventaja del diseño factorial
respecto al diseño simple es que nos permite estudiar no sólo el efecto de cada
una de las variables independientes por separado los llamados efectos principales,
sino que también nos permite estudiar el efecto conjunto de las mismas los
llamados efectos interactivos o de interacción entre las variables. El efecto
interactivo recoge el efecto simultáneo de dos o más variables independientes
sobre la variable dependiente. En definitiva, con esta información, el diseño
factorial nos permitirá detectar si el efecto de una variable independiente sobre la
variable dependiente es distinto en función de con qué valor de la otra variable
independiente se combina. En términos técnicos, podremos estudiar los efectos
simples de cada variable independiente y determinar en qué medida difierente.

El segundo criterio clasifica los diseños en función del número de variables

dependientes que se registren. Así nos encontramos con diseños univariables, en
los que registra una sola variable dependiente, y con diseños multivariables, en los
que se registra más de una variable dependiente.

El tercer criterio clasifica los diseños en función del número de

observaciones por sujeto y condición experimental. Se diferencia así entre diseño
transversal (también denominado diseño cross-sectional o estático) y diseño
longitudinal. En el primero disponemos de una sola medida u observación por
sujeto y condición, mientras que en el segundo disponemos de más de una
medida u observación. La diferencia esencial entre uno y otro tipo de diseño radica
en el objetivo que persiguen. Si bien el primero se interesa en el estudio de un
fenómeno en un momento puntual del tiempo, el segundo, por el contrario,
persigue el estudio de la evolución temporal del fenómeno, en definitiva, da
respuesta a cuestiones acerca de procesos como la persistencia, el cambio, el
crecimiento o el desarrollo (Pedhazur y Pedhazur Schmelkin, 1991).

El cuarto criterio de clasificación diferencia los diseños en función de su

capacidad para controlar las variables extrañas y reducir la variancia de error. Esta
reducción de la variancia de error repercute en que el diseño sea más o menos
sensible para detectar el efecto del tratamiento. Así, ordenados de menos a más
reducción de la variancia de error, tenemos los diseños de grupos al azar, los
diseños de bloques al azar y los diseños de medidas repetidas. Nos vamos a
dedicar ahora a presentar con más detalle cada uno de ellos.

Los diseños de grupos al azar

Se caracterizan porque en ellos la aleatorización interviene a tres niveles

(Viader, 1995). Primero: La muestra se selecciona aleatoriamente de la población,
con objeto de que todos los individuos de la población tengan la misma
probabilidad de pertenecer a la muestra. Segundo: Los grupos se forman al azar,
para que cualquier individuo de la muestra tenga la misma probabilidad de
pertenecer a uno u otro grupo. Tercero: Los tratamientos o valores de la variable
independiente se asignan aleatoriamente a los grupos experimentales, para que
todos los grupos tengan la misma probabilidad de recibir uno u otro tratamiento. La
principal ventaja de este tipo de diseños ya se ha comentado anteriormente: al
formar los grupos al azar, cualquier variable extraña que pudiera afectar a la
variable dependiente también quedará repartida al azar en los grupos, por lo que
no incidirá de forma sistemática sobre la variable dependiente que interesa al
investigador.

Como principales desventajas vamos a destacar dos. La primera es que

necesitaremos un número amplio de sujetos o unidades que formen parte de cada
uno de los grupos para que se alcance la deseada equivalencia inicial entre éstos.
La segunda es que presentan una elevada variancia del error, por lo que son
diseños poco sensibles para detectar el efecto de los tratamientos.

Los diseños de bloques al azar

Son aquellos en los que el investigador sabe que hay una variable extraña
que puede incidir sobre su variable dependiente, por lo que decide introducirla de
forma sistemática en su diseño. Esta variable de 20 M. I. Núñez Peña denomina
variable de bloqueo. Para ello, formará bloques de unidades experimentales
homogéneos respecto a la variable de bloqueo cada bloque deberá incluir, como
mínimo, tantas unidades como grupos experimentales, y luego las unidades
experimentales de cada bloque se asignarán al azar a cada uno de los grupos
experimentales. De esta manera, todos los grupos serán homogéneos respecto a
la variable de bloqueo. En ocasiones se dice que en este tipo de diseños se lleva a
cabo una aleatorización con restricciones. El objetivo de los diseños de bloques es
reducir la variancia de error para alcanzar una estimación más precisa del efecto
del tratamiento. Para ello, se aísla la variabilidad en la variable dependiente
atribuible a la variable extraña o de bloqueo, de manera que ésta no aparezca en
las estimaciones del efecto del tratamiento ni del error (Kirk, 1995). Aunque a partir
del texto anterior pudiera pensarse que en este tipo de diseños se utiliza una sola
variable de bloqueo, en realidad se pueden utilizar más, dando origen a diseños
con estructuras más complejas como el diseño de cuadrado latino o el diseño
grecolatino. La aplicación de la técnica de bloqueo sólo tendrá sentido si se
cumplen dos requisitos fundamentales. En primer lugar, debe haber relación entre
la variable de bloqueo y la variable dependiente. En segundo lugar, la variable
independiente y la variable de bloqueo no deben interactuar. La razón del primer
requisito subyace a la propia concepción de la técnica: se supone que la variable
de bloqueo, en caso de que no se controle, provocará cambios no deseados en la
variable dependiente. La razón del segundo requisito es que, si la variable de
bloqueo interactúa con la variable independiente, la primera dejará de ser un mero
artificio metodológico para reducir la variancia de error y se convertirá en un
elemento crucial que condiciona la relación entre el tratamiento y la variable
dependiente.

Diseño de medidas repetidas o diseño intrasujeto

Presentan dos claras ventajas si los comparamos con los diseños de

grupos. De una parte, en un diseño de medidas repetidas se obtendrá más
información de cada sujeto, puesto que cada uno de ellos nos aportará como
mínimo dos medidas. En un diseño de grupos, por el contrario, cada sujeto nos
facilitará una sola medida de la variable dependiente. Esto tiene una implicación
importante: el número de sujetos que se necesitará en un diseño de medidas
repetidas, para alcanzar un determinado nivel de potencia estadística, será inferior
al número de sujetos que se necesitará en un diseño de grupos. Cuando el coste
para conseguir los sujetos es alto en términos de dinero, tiempo o esfuerzo, esta
ventaja de los diseños de medidas repetidas será un elemento muy importante
que el investigador deberá considerar.

Los diseños de medidas repetidas presentan la ventaja de reducir la

variancia de error. Puesto que las comparaciones en el diseño de medidas
repetidas se realizan intra-sujeto, la variabilidad provocada por las diferencias
individuales se elimina del término de error. Es por esto por lo que en este tipo de
diseños se dice que el sujeto actúa como su propio control reduciendo una parte
de la variancia de error provocada por variables extrañas de efectos aleatorios. Un
caso especial de diseño es aquél en el que se combina un diseño de grupos con
un diseño de medidas repetidas. Este tipo de diseño recibe distintas
denominaciones: diseño factorial mixto o diseño de medidas parcialmente
repetidas. Se trata de un diseño en el que trabajaremos con dos o más grupos de
sujetos, de los cuales tomaremos dos o más medidas de la variable dependiente.

Análisis de datos en el diseño experimental clásico

En este apartado no pretendemos profundizar en las distintas técnicas

estadísticas que un investigador tendrá a su disposición para analizar los datos de
su experimento. Tales técnicas son muchas, por lo que presentarlas todas se
escapa del objetivo de este texto. No obstante, consideramos que sí debemos
presentar la técnica estadística que se utiliza con más frecuencia para el análisis
de datos que proceden de experimentos.

Diseños experimentales de N=1

El diseño de N=1, indicando que en los primeros se sigue un enfoque

nomotético mientras que en los segundos se sigue un enfoque ideográfico. Estos
autores nos dicen lo siguiente: Los investigadores que utilizan el enfoque
nomotético exponen dos o más grupos de sujetos a las diferentes condiciones de
una o más variables independientes y, tras recoger las puntuaciones promediadas
de los distintos miembros de cada grupo, se comparan las varianzas intergrupales
con la intragrupal para determinar la probabilidad que tienen las diferencias
obtenidas de acontecer por azar. Por el contrario, los investigadores que utilizan el
enfoque idiográfico no se centran en la variabilidad existente dentro de la muestra,
ni en los promedios grupales; más bien, las respuestas de cada individuo son
cuidadosamente examinadas a través de un período relativamente prolongado de
tiempo.
 Podemos enumerar las características que presentan los diseños de N=1.
Son las siguientes:

1. La conducta se estudia a lo largo del tiempo, por lo que se toman

registros de ésta en muchos momentos temporales. Esta conducta
se conoce como variable de respuesta o resultado (en ocasiones,
también se la denomina variable dependiente).
2. La conducta se registra en fases distintas: fases sin intervención o
con ausencia de tratamiento y fases con intervención o con
administración de tratamiento. Es, precisamente, la comparación
entre fases la que permite evaluar si el tratamiento modifica la
conducta.
3. A diferencia de los diseños de grupos, los diseños de N=1 se
interesan en el estudio del individuo, por lo que trabajarán con un
único sujeto. Se entiende aquí el término sujeto en un sentido
amplio, puesto que puede tratarse de un solo individuo, paciente u
organismo, o de cualquier otra entidad formada por varios individuos.
Tanto si se trabaja con un solo individuo como si se trabaja con una
entidad formada por varios individuos, el interés en los diseños de
N=1 se centra en la variabilidad individual y no en la variabilidad
grupal.
4. Puesto que se trata de un diseño experimental, el diseño de N=1
compartirá con los diseños experimentales clásicos dos
características esenciales. A saber: la manipulación de la variable
independiente y el control de las variables extrañas. Por lo que se
refiere a la primera característica, la manipulación implica que el
investigador intervendrá de forma directa.
5. De lo anterior se desprende que el diseño experimental de N=1, igual
que el diseño experimental clásico, tiene como objetivo el
establecimiento de relaciones causales inequívocas.
 6. A diferencia del diseño experimental clásico, el diseño experimental
de N=1 se utiliza con mucha frecuencia en investigación aplicada,
fundamentalmente en los ámbitos clínico y educativo.
7. El diseño experimental de N=1 es más flexible y dinámico que el
diseño experimental clásico (Kennedy, 2005; Kratochwill, Mott y
Dodson, 1984; Poling, Methot y LeSage, 1995). Esto se debe a que,
en los primeros, los datos se van recogiendo de forma continua
hasta que se completa el experimento. Cuando un investigador
utiliza un diseño experimental clásico tiene un plan de recogida de
datos cerrado, en el que no podrá introducir modificaciones sin poner
en peligro la validez interna de su investigación.

Diseños reversibles intra-serie

Se utiliza este tipo de diseños cuando se introduce una fase crítica o de

reversión del tratamiento, y la efectividad del tratamiento se evalúa mediante la
comparación de las distintas fases en una sola serie de datos. Š

Diseño de reversión A-B-A. Se trata de un diseño con tres

fases: línea base, tratamiento y reversión. Dada su estructura
supera algunos de los problemas de validez interna que están
presentes en el diseño A-B; no obstante, es un diseño que se
utiliza poco en la práctica clínica porque acaba con una fase
en la que se retira el tratamiento
Diseño de reversión A-B-A con refuerzo diferencial de otras
conductas. Se trata de un diseño con tres fases: 1ª) línea
base; 2ª) fase de tratamiento, en la que se refuerza la
conducta de interés; y 3ª) fase crítica, en la que el tratamiento
se retira de la conducta reforzada en la fase de tratamiento y
se aplica a una conducta alternativa incompatible con la
anterior
Diseño A-B-A-B. Se conoce también con el nombre de diseño
de retirada de cuatro fases o diseño A-B replicado. Sus cuatro
fases son las siguientes: línea base, tratamiento, reversión y
replicación del tratamiento. Por su estructura se trata de un
diseño experimental en el que se incrementa
considerablemente la validez interna si lo comparamos con los
diseños anteriores. El efecto de la intervención estará claro si
la conducta de interés cambia en el sentido esperado en la
fase de tratamiento (primera B), vuelve a la línea base tras la
retirada del tratamiento (segunda A) y se produce de nuevo la
mejora en la última fase (segunda B).
Diseño de retirada B-A-B. Se utiliza cuando por
consideraciones clínicas es necesario una intervención
inmediata sin poder establecer una línea base. El diseño
comienza con la aplicación de un tratamiento, que luego se
retira y después se vuelve a aplicar. La retirada y posterior
introducción del tratamiento permiten determinar si los
cambios en la conducta son debidos al tratamiento. Este
diseño también se utiliza cuando el nivel de la línea base es
obvio porque la conducta objetivo no ha ocurrido nunca. Dado
que la proporción de ocurrencia de la conducta objetivo es
cero antes de la intervención no tiene sentido registrar una
línea base
Diseño multinivel A-B1-A-B2-A y diseño de tratamiento
múltiple A-B-A-C-A. Estos diseños resultan de la combinación
de dos diseños A-B-A y se utilizan para comprobar, dentro de
un mismo estudio, cómo dos o más tratamientos cuantitativa o
cualitativamente diferentes afectan a la conducta de interés.
En el diseño multinivel se combinan dos o más niveles de un
mismo tratamiento, mientras que en el diseño de tratamiento
múltiple se combinan dos o más tratamientos diferentes.
 Diseño de interacción.

Es un diseño que, a diferencia de los anteriores, presenta una estructura compleja.

Si bien existen muchas modalidades para representarlo, su orden básico se
simboliza así: A-B-A-C-A-BC. Puede verse en esta estructura que este diseño
consiste en la presentación de una serie de fases en las que cada tratamiento se
administra solo y en combinación con otros.

Diseños reversibles de series combinadas o mixtas

Se trata de diseños en los que se introduce una fase crítica o de reversión del
tratamiento, se trabaja con dos o más series de datos y, además, la valoración de
la eficacia del tratamiento se efectúa mediante comparaciones intra-serie y
entreseries.

Diseños no reversibles intra-serie

Estos diseños se utilizan cuando no es posible revertir el efecto del tratamiento,

por razones técnicas (efectos residuales o irreversibles de la intervención) o por
consideraciones éticas. Además, se trata de diseños en los que se utiliza una sola
serie de datos para valorar la eficacia de la intervención.

Diseños no reversibles entre-series

Se trata de diseños en los que no hay fase de reversión, y en los que para valorar
la eficacia del tratamiento se compara la conducta entre series distintas.

Diseño de línea base múltiple

La característica fundamental de estos diseños es que la variable de tratamiento

se aplica de forma escalonada en el tiempo a distintas conductas de un mismo
individuo.

Análisis de datos para este tipo de diseños

El análisis de datos para los diseños de N=1 se suele realizar de dos maneras:

1. mediante la inspección visual de los datos.

2. a través del análisis estadístico.

Dada la vinculación de este tipo de diseño con la práctica clínica y

educativa, el primer tipo de análisis es el que se ha aplicado con más frecuencia,
hecho que ha fomentado el desarrollo de una serie de técnicas y procedimientos
para el análisis visual (véase una revisión de éstas en Franklin, Gorman, Beasley y
Allison, 1996). Sin embargo, los análisis visuales también han recibido muchas
críticas, especialmente por su dudosa fiabilidad (Knapp, 1983; Wampold y Furlong,
1981). Tales críticas han favorecido la propuesta del uso de técnicas estadísticas
como complementarias e incluso sustitutivas de este tipo de análisis.

Una vez que el investigador ha construido su gráfico deberá proceder con el

análisis visual de sus datos. Para ello evaluará tanto el patrón que presentan sus
datos intra-fase como el patrón que presenten sus datos entre-fases (Kennedy,
2005). Para juzgar el impacto de la intervención, el investigador podrá recurrir a
algunas técnicas de estadística descriptiva —por ejemplo, al análisis exploratorio
de datos propuesto por Tukey (1977).

Estas técnicas estadísticas, a diferencia de las que hemos mencionado

anteriormente, son descriptivas, por lo que no nos permitirán hacer inferencias
poblacionales. Vamos a presentar ahora los elementos básicos a los que se ha de
atender para evaluar el patrón intra-fase y el patrón entre-fases, así como algunas
de las técnicas de estadística descriptiva que pueden resultar útiles para resumir o
sintetizar la información.

El segundo elemento a considerar cuando se procede con un análisis visual

es la tendencia de los datos. Esta tendencia puede definirse como la línea recta
que se ajusta mejor a los datos de una fase. En este momento, el investigador
deberá dibujar esa línea en su gráfico y juzgar la inclinación y la magnitud de ésta.

El tercer elemento que se utiliza para juzgar el patrón intra-fase es la

variabilidad. Esta variabilidad nos informa de la dispersión de los datos; en otras
palabras, es una medida de la homogeneidad o heterogeneidad de éstos. Como
norma general, interesa que los datos presenten poca variabilidad intra-fase,
puesto que esto es un indicador de que el patrón de datos es estable.

Conclusión

La psicología experimental como objetivo para toda investigación

científica es imprescindible, ya que nos guían hacia los pasos a seguir para
realizar desde la formulación de hipótesis hasta el análisis de datos
recopilados, y su finalidad permitir hacer observaciones sobre determinados
fenómenos. Estas observaciones deben procurar hacerse con el mayor
control posible, para evitar que los resultados aparezcan contaminados, lo
cual ofrecerá al diseño ser tan perfecto cuanto mayor control permita.

El inconveniente de estos diseños es que el investigador no puede

saber con certeza, que los efectos producidos en la variable dependiente se
deben exclusivamente a la variable independiente o tratamiento. Sin
embargo, este tipo de diseños son los únicos aplicables en determinados
tipos de investigaciones educativas. Estos diseños se subdividen en.
Diseño de un solo grupo con postest, diseño de un solo grupo con pretest –
postest y grupo control, y diseño de dos grupos con postest al grupo
experimental y al grupo de control. Cabe destacar que hay otra
característica que deben presentar los fenómenos para poderlos investigar:
sólo podrán ser objeto de la investigación científica aquellos fenómenos
para los cuales pueda repetirse su observación o puedan volver a
producirse. Esto quiere decir que un científico debe asegurarse de que sus
resultados puedan ser reproducidos por otros investigadores.

Referencias Bibliográficas

http://gamaugm.blogspot.com/2013/02/la-psicologia-de-
nuestros-diasque.html
https://www.lifeder.com/psicologia-experimental/
https://psicopsi.com/Psicologia_Experimental.asp
http://www.e-
torredebabel.com/Psicologia/Vocabulario/PsicologiaExperi
mental.htm