MODULO 6:

DISEÑO Y PROBLEMAS DE
INVESTIGACIÓN

1. Tipos de diseños metodológicos: Prospectivos,

retrospectivos, longitudinales, transversales.

2. Problema de cuantificación.

3. Problemas de correlación.

4. Regresión multivariada, uso predictivo, ponderativo,

heurístico.
 Tipos de diseños metodológicos:
Prospectivos, retrospectivos,
longitudinales, transversales
Podemos decir que el diseño metodológico es la descripción de la
forma en la que se realizará una investigación. Estos diseños deberían
seleccionar y plantear modelos que maximicen la eficiencia en la
utilización de la información y sean capaces de reducir los errores en
los resultados. Estaremos más confiados en un resultado cuando éste
se repite en diferentes momentos o, cuando al ser realizado por
diferentes investigadores el resultado no varía.

CONFIABILIDAD: Se refiere a la consistencia, coherencia o estabilidad de la

información recolectada.
Los datos son confiables cuando al ser medidos en diferentes
momentos, por diferentes personas o por distintos instrumentos;
son iguales.
Un dato puede ser confiable pero no válido.

VALIDEZ: Se refiere al grado en que se logra medir lo que se

pretende medir.
La validez es requisito para lograr confiabilidad de los datos.
 Tipos de diseños metodológicos:
Prospectivos, retrospectivos,
longitudinales, transversales
Estudios retrospectivos

El principal objetivo de los estudios retrospectivos es analizar una probable

relación causa efecto. En el área médica, por ejemplo, se los utiliza para
probar los posibles vínculos entre algún factor o y el desarrollo de cierto
padecimiento.
En estos estudios suelen revisarse situaciones de exposición a
determinados factores y la manifestación de alguna anomalía o enfermedad,
siempre comparando grupos de individuos enfermos con grupos de
individuos sanos que se utilizan como control.
Además de probar alguna relación, los estudios retrospectivos suelen acudir
a la estadística, intentando verificar relaciones numéricas entre causas y
efectos.
Básicamente se puede decir que este tipo de estudios busca las causas a
partir de un efecto evidente .
 Tipos de diseños metodológicos:
Prospectivos, retrospectivos,
longitudinales, transversales
Estudios retrospectivos – Ventajas

 Pueden desarrollarse con bajos costos.

 Son simples desde el punto de vista metodológico
 Ayuda a profundizar en el estudio de las variables
 Tienen muy amplias aplicaciones en las diferentes ciencias.

Estudios retrospectivos – Desventajas

 Si las variables no son debidamente contrastadas pueden llevarnos

a errores o sesgos.
 La metodología implica evaluar grupos de pocas variables, lo que
puede resultar en evaluaciones incompletas.
 No tiene la capacidad de evaluar la modificación de las variables en
el tiempo.
 Tipos de diseños metodológicos:
Prospectivos, retrospectivos,
longitudinales, transversales
Estudios Prospectivos
En este tipo de estudios se miden los efectos que produce una determinada
causa. Son muy utilizados en estudios epidemiológicos, donde la causa es bien
conocida y lo que se evalúan son los efectos a corto, mediano o largo plazo.
Es importante definir exactamente la población en estudio y las condiciones de
inclusión o exclusión, ya que las observaciones se realizarán exclusivamente
sobre la población definida inicialmente.
Imaginemos que intentamos realizar un estudio prospectivo de los efectos de la
exposición de una población determinada a un insecticida. Para ello
necesitamos definir la población sujeta al estudio (expuesto y no expuesto) y se
observa la a través del tiempo. El seguimiento se realiza mediante la aplicación
de cuestionarios, exámenes clínicos periódicos u otras metodologías definidas
previamente. La duración del seguimiento varía de algunos meses has varios
años, hasta que se presente el efecto postulado en nuestra hipótesis, y depende
entre otras cosas, de los recursos económicos disponibles, el tamaño de la
población estudiada y la disponibilidad de personal.
 Tipos de diseños metodológicos:
Prospectivos, retrospectivos,
longitudinales, transversales

Diseños transversales o transeccionales: Son los que realizan

observaciones en un momento único. Dentro de este grupo, los que miden
variables de manera individual e informan esas mediciones son llamados
descriptivos.

Sin embargo, cuando describen relaciones entre variables son

correlacionales y, si pueden establecer procesos de causalidad entre
variables son de tipo correlacionales / causales.

Una Investigación es Transversal, cuando se estudian las variables

simultáneamente en determinado momento, El tiempo no es importante, se
estudia un fenómeno en relación a como se da en ese momento dado.
Por ejemplo: se miden las alteraciones nutricionales en niños de 4 a 6 años,
atendidos en el Hospital Fernández, Año 2008.
 Tipos de diseños metodológicos:
Prospectivos, retrospectivos,
longitudinales, transversales
Diseños longitudinales: Son los que realizan observaciones en
dos o más momentos.
Si estudian una población son llamados diseños de tendencia, si
en cambio analizan una subpoblación o grupo específico, se
llaman diseños evolutivos de grupo.
Finalmente, si estudian los mismos individuos en una población en
un período de tiempo se llaman diseños de panel.
Una Investigación Longitudinal estudia una o más variables a lo
largo de un periodo, que varía según el problema investigado y las
características de la variable que se estudia.
El tiempo es importante puesto que las variables serán medidas
en un periodo dado o porque es determinante en la relación causa
efecto.
Por ejemplo: Desarrollo neural de niños hijos de madres
expuestas a plaguicidas.
 Tipos de diseños metodológicos:
Prospectivos, retrospectivos,
longitudinales, transversales
Dentro de los estudios longitudinales se pueden describir dos clases
posibles:
 Con colección retrospectiva de datos: cuando se utilizan
fuentes secundarias, como por ejemplo: historias clínicas de
hospitales, censos oficiales, informes de laboratorio,
estadísticas, etc. En síntesis, cuando la información de base
ya ha sido recavada con anterioridad.

 Con colección prospectiva de datos: cuando la

información se obtiene directamente de la fuente, en general
cuando ésta se produce. Este tipo de estudios permite recoger
los datos que serán directamente utilizados en la investigación
utilizando las medologías (muestreos, por ejemplo) que el
investigador designe a tal efecto.
 Tipos de diseños metodológicos:
Prospectivos, retrospectivos,
longitudinales, transversales
¿Cuándo se utilizan diseños no experimentales?

 Cuando no es posible la manipulación de la variable

independiente.
 Cuando la manipulación no es ética o atenta contra ideales.
 Cuando existen dificultades prácticas en la manipulación o no es
rentable o viable.
 Cuando el problema que desea investigarse requiere de la
preservación del fenómeno de manera natural (esto significa, sin
intervenciones).
 PROBLEMAS DE CUANTIFICACIÓN

En los diseños experimentales sabemos que al menos una de las

variables involucradas en el estudio es manipulada. Por este motivo,
podemos definir, dentro de las características del diseño experimental,
lo siguiente:
 Manipulación: consiste en la intervención deliberada de investigador
para producir cambios en la variable dependiente.
 Aleatorización: también pueden controlarse los efectos de la
manipulación. Dentro de este punto, es posible considerar que los
diseños experimentales pueden ser:
 auténticamente experimentales: cuando no presentan
problemas de validez interna, también llamados
experimentales verdaderos.
 cuasi experimentales: cuando pueden existir variables que
confunden. Por ejemplo, si un investigador determina que A es
causa de B, pero no puede asegurar que A también puede
causar C o D.
 PROBLEMAS DE CUANTIFICACIÓN

En toda investigación experimental el rol de la estadística suele ser

crucial. Ya desde la fase de diseño, las afirmaciones deben ser
válidas para el conjunto de individuos de interés.
En la fase de obtención de datos se requiere de conocimientos
acerca de las técnicas de muestreo más apropiadas y,
evidentemente, los distintos procedimientos de análisis de los
resultados necesitan de métodos estadísticos para validar las
conclusiones alcanzadas.
Existe un estudio (Freimann, 1978) acerca de una muestra de
artículos publicados en una revista científica. El autor determina que
el 50% de los artículos no tenían un estudio estadístico o el mismo
era totalmente inadecuado y el 72% de los mismos tenían un diseño
incorrecto, imaginen las consecuencias de aplicar estos resultados a
la aprobación de un fármaco a nivel masivo. A raíz de la creciente
importancia de la aplicación estadística a las ciencias en general, y a
las ciencias biomédicas en particular, tanto los organismos de control
como el mundo científico a través de sus medios de publicación
(Congresos, Simposios o revistas especializadas) son cada vez más
exigentes en el correcto tratamiento estadístico.
 PROBLEMAS DE CORRELACIÓN

Cuando contemplamos dos variables (continuas o discretas

cuantitativas), surgen preguntas y problemas específicos.

Esencialmente, se emplearán estadísticos descriptivos y técnicas de

estimación para contestar esas preguntas, y técnicas de contraste de
hipótesis específicas para resolver dichos problemas.

Si se parte de un modelo en el cual una de las dos variables continuas

es dependiente (y) y la otra es independiente (x), surgen nuevos
estadísticos para describir los datos.
 PROBLEMAS DE CORRELACIÓN

La nube de puntos, o el diagrama de dispersión, resultante de la

representación gráfica de los datos está "concentrada" en la recta de
regresión de mejor ajuste, como podemos observar en la siguiente
figura.
 PROBLEMAS DE CORRELACIÓN

Una condición previa, en las técnicas lineales, es que la nube de

puntos debe tender a la linealidad y los coeficientes de regresión lineal,
la ordenada en el origen (a) y la pendiente de la recta (b), son
estadísticos muestrales que se representan en la forma: y = a + bx.
Con esta técnica de ajuste a la recta, podemos ver que hay puntos
más cercanos a ella y otros que se alejan, si se toma la distancia en
vertical de cada punto a la recta de regresión, obtendremos los valores
de desviación estándar de cada punto. Es posible, que estudiando una
variable bidimensional, no se desee establecer ninguna relación de
subordinación de una variable con respecto a la otra. En este
supuesto, se intenta cuantificar la asociación entre las dos
características. Entramos en las técnicas de correlación lineal. Es
posible definir otro estadístico muestral a partir del las dos pendientes
teóricas de las dos posibles rectas de regresión (y) sobre(x) y de (x)
sobre (y). Este estadístico es el coeficiente de correlación r. Su
cuadrado r2 es el coeficiente de determinación y da una medida entre
0 y 1 de la cantidad de información compartida por dos características
o variables continuas en los datos muestrales.
 PROBLEMAS DE CORRELACIÓN

La magnitud de la asociación entre dos variables continuas está

en relación con la dispersión de la nube de puntos. Se puede
establecer una relación matemática perfecta entre la desviación
estándar y el coeficiente de determinación.

El hecho de que dos variables estén correlacionadas, aunque

muestren valores muy cercanos a 1, no implica que exista una
relación de causalidad entre ellas. Se pueden producir correlaciones
causales entre dos variables, por estar ambas relacionadas con otra
tercera.
 REGRESIÓN MULTIVARIADA, USO
PREDICTIVO, PONDERATIVO,
HEURÍSTICO
Los datos multivariados surgen cuando a un mismo individuo se le mide más de
una característica de interés. Un individuo puede ser un objeto o concepto que
se puede medir. Los principales objetivos de las técnicas multivariadas son:
 Simplificación: Los métodos multivariados son un conjunto de técnicas que
permiten al investigador interpretar y visualizar conjuntos grandes de datos
(tanto en individuos como en variables), a partir de su simplificación o reducción.
 Relación: Encontrar relaciones entre variables, entre individuos y entre ambos.
Como por ejemplo:
 Relación entre variables: Existe relación entre variables cuando las mismas miden
características comunes. Por ejemplo, si tomamos un examen de ingreso que
involucre las materias de historia, matemática y cultura general, aunque los temas
son muy diferentes, estamos evaluando el nivel inicial del alumno.
 Relación entre individuos: Existe relación entre individuos si alguno de ellos son
semejantes entre sí. Por ejemplo: Se evalúan diferentes tipos de vinos respecto a su
nivel de aceptación y se miden, por ejemplo, los consumos de los mismos para
diferentes grupos de personas, un grupo de mujeres y otro de hombres entre 25 y 40
años. Se podría esperar que los vinos tintos y blancos tengan algún tipo de relación,
o que ambos tipos de vinos sean totalmente diferentes.
 REGRESIÓN MULTIVARIADA, USO
PREDICTIVO, PONDERATIVO,
HEURÍSTICO
Dentro de los métodos multivariados podemos encontrar:

 Dirigidas o motivadas por las variables: se enfocan en las relaciones

entre variables. Ejemplos: matrices de correlación, análisis de
componentes principales, análisis de factores y análisis de regresión.

 Dirigidas o motivadas por los individuos: se enfocan en las relaciones

entre individuos. Ejemplos: análisis discriminante, análisis de
conglomerados y análisis multivariado de varianza.

Una de las técnicas posibles en el análisis multivariado es la regresión múltiple.

La regresión es una técnica utilizada para la investigación y modelación de las
relaciones existentes entre variables que inciden en un determinado fenómeno
de la realidad. En un sentido amplio, la regresión es un proceso que tiene como
finalidad ajustar un modelo a un conjunto de datos u observaciones.
 REGRESIÓN MULTIVARIADA, USO
PREDICTIVO, PONDERATIVO,
HEURÍSTICO
Análisis de Componentes Principales (ACP)

El objetivo principal del ACP es la representación de las medidas

numéricas de varias variables en un espacio de pocas dimensiones
donde nuestros sentidos puedan percibir relaciones que de otra
manera permanecerían ocultas en dimensiones superiores. Dicha
representación debe ser tal que al desechar dimensiones superiores
la pérdida de información sea mínima. El ACP permite reducir la
dimensionalidad de los datos, transformando el conjunto de p
variables originales en otro conjunto de q variables incorrelacionadas,
llamadas componentes principales. Las p variables son medidas sobre
cada uno de los n individuos, obteniéndose una matriz de datos de
orden np (p < n). En el ACP existe la opción de usar la matriz de
correlaciones o bien, la matriz de covarianzas.
 REGRESIÓN MULTIVARIADA, USO
PREDICTIVO, PONDERATIVO,
HEURÍSTICO
Al usar la matriz de correlaciones se le está dando la misma
importancia a todas y a cada una de las variables; esto puede ser
conveniente cuando el investigador considera que todas las variables
son igualmente relevantes.
La matriz de covarianzas se usa cuando todas las variables tengan
las mismas unidades de medida y además, cuando el investigador
juzga conveniente destacar cada una de las variables en función de su
grado de variabilidad.
Las q nuevas variables (componentes principales) son obtenidas como
combinaciones lineales de las variables originales. Los componentes
se ordenan en función del porcentaje de varianza explicada. En este
sentido, el primer componente será el más importante por ser el que
explica mayor porcentaje de la varianza de los datos. Queda a criterio
del investigador decidir cuántos componentes se elegirán en el estudio.
El ACP tiene la ventaja de no exigir supuestos tales como la
normalidad.
 REGRESIÓN MULTIVARIADA, USO
PREDICTIVO, PONDERATIVO,
HEURÍSTICO
  Análisis Discriminantes

Es una herramienta estadística que permite predecir el

comportamiento nominal de una variable dependiente a través de
una combinación lineal de las variables independientes, también
llamadas variables predictivas, características o parámetros, que
hagan que los puntajes promedios de las categorías de las variables
dependientes en ésta combinación lineal se diferencien en forma
máxima.
Es una técnica muy utilizada en investigaciones de mercado, por
ejemplo, para predecir el valor potencial de un producto en función
de su aceptación, o en instituciones financieras, donde a ciertas
cuentas "problemáticas" se les calculan parámetros como tasas de
crédito, números de veces en mora, razones de deuda a capital,
existencia de demandas.