Grado en Psicología

Diseños de Investigación y Análisis de Datos

Unidad didáctica 2. Elementos de la investigación científica

UD 2. Elementos de la investigación y análisis de datos ....................................................... 3

2.1. Los conceptos como elementos de la ciencia .............................................................. 4

2.1.1. Clasificación de los conceptos ............................................................................. 4

Clasificación de los conceptos según el foco del investigador y manera de definirlos ......... 6

2.1.2. Tipologías para los conceptos que son variables .................................................... 7

Tipologías de variables según expresión, fuente y rol en la investigación ........................ 8

2.1.3. Tipologías para los conceptos que son relaciones ................................................ 10

2.2. Innovación: generación y selección de conceptos ..................................................... 12

2.2.1. Problemas e hipótesis ...................................................................................... 13

2.2.2. Selección de las innovaciones: evidencia, categorías y medición ........................... 15

Tipos de escalas de medición .................................................................................. 16

2.3. Validez y fiabilidad de evidencias y conclusiones ...................................................... 17

2.3.1. Validez en la selección de conceptos .................................................................. 18

2.3.2. Representatividad y muestreo .......................................................................... 19

2.3.3. Errores sistemáticos y errores aleatorios ............................................................ 21

2.3.4. Control y sus técnicas ...................................................................................... 23

Control y sus técnicas (II) ......................................................................................... 24

2.3.5. Replicación y fiabilidad .................................................................................... 25

Resumen ...................................................................................................................... 27

Mapa de contenidos ....................................................................................................... 28

Recursos bibliográficos ................................................................................................... 29

2
UD 2. Elementos de la investigación y análisis de datos

En la ciencia se procede de una manera concreta que tiene como objetivo aportar conocimientos
claros y confiables que, aunque no estén completamente libres de error, posean garantías
considerables de veracidad.

El método de la ciencia puede ser entendido como un conjunto de procedimientos o modos de

obtener conocimientos con las mayores garantías posibles de corrección y validez.

En esta unidad didáctica estudiaremos cómo es ese método y qué elementos se deben tener en
cuenta, ya que es una materia crítica para el diseño y la ejecución de cualquier investigación
científica. Se intentará responder a preguntas tales como las siguientes:

• ¿Qué significa y conlleva la validez en

• ¿Qué tipo de preguntas pueden
un experimento?
formularse en la ciencia?
• ¿Cuándo podemos considerar que unos
• ¿Cómo pueden clasificarse este tipo
datos son representativos?
de preguntas (conceptos)?
• ¿Cómo se toman las muestras en una
• ¿Cómo se generan nuevos
investigación?
conocimientos (innovación) en la
• ¿Para qué sirve el control y por qué es
ciencia?
necesario?
• ¿Cómo debe ser un problema y una
• ¿Qué técnicas de control existen?
hipótesis?
¿Qué supone cada una?
• ¿Qué requisitos debe cumplir una
• ¿Cuándo podemos concluir que una
hipótesis para ser aceptada
investigación es fiable?
(innovación)?
• ¿Cómo deben ser las categorías para
que nos sean útiles?
• ¿Qué tipo de escalas existen y qué
relación guardan sus elementos?

Figura 1. Secuencia circular del proceso hipotético deductivo.

3
2.1. Los conceptos como elementos de la ciencia

Nota

La ciencia, partiendo de conceptos, hace innovaciones y selecciones con la mayor validez. En

esta unidad didáctica desarrollaremos los términos concepto, innovación, selección y validez.

El método de la ciencia puede ser entendido como un conjunto de procedimientos o modos

de obtener conocimientos con las mayores garantías posibles de corrección y validez.

La ciencia, partiendo de conceptos, hace variaciones y selecciones con la mayor validez. Es

decir, partiendo de unas ideas determinadas, aplica el método científico para obtener
conocimientos lo más correctos posible, aunque, como ya avanzamos en la Unidad didáctica 1,
es difícil poder asegurar completamente dicha corrección.

Nota

A lo largo de toda la unidad didáctica hablaremos frecuentemente de concepto (que debe

entenderse como una idea concreta planteada).

Un concepto es una idea planteada, esté o no apoyada en evidencias. Está formada por objetivos,
problemas y conocimientos.

Figura 2. Concepto como idea planteada.

2.1.1. Clasificación de los conceptos

La tipología básica de los conceptos puede clasificarse de la siguiente manera:

• Variable: característica o propiedad que será objeto de estudio. Hace referencia a una
propiedad concreta y, como su nombre indica, puede presentar diversos valores. Por
ejemplo, nivel de inteligencia emocional.

4
 • Relación: correspondencia entre los valores de una variable y otra. A los valores de
una de las variables le corresponden valores de la otra, es decir, existe una covariación
entre ambas. También puede ser importante la ausencia de relación. Por ejemplo, la
relación o no entre inteligencia emocional y conducta antisocial.

Figura 3. Variable: consumo de tabaco. Relación: eficacia de una terapia cognitivo-conductual para dejar de fumar
(ausencia de relación, no es eficaz).

Nota

El concepto de covarianza estadística tiene una especial relevancia en psicología y se

recurre frecuentemente a él en las diferentes áreas de investigación. Sirve para describir el
grado de asociación lineal entre dos variables y tiene la propiedad de resultar en un valor
positivo si la relación es directamente proporcional o negativo cuando la relación es inversa.

Existen tres tipos de relaciones:

• Relación sencilla: relación entre dos variables.

• Relación multivariable: relación entre más de dos variables.
• Relación de relaciones: al menos uno de los términos es, a su vez, una relación que
implica interacciones en las relaciones.

Figura 4. Relación sencilla: rendimiento escolar según el método de enseñanza. Relación multivariable: rendimiento
escolar según el método de enseñanza y según la asignatura. Relación de relaciones: influencia de la edad en el
rendimiento escolar según el método de enseñanza y la asignatura.

5
Clasificación de los conceptos según el foco del investigador y manera de
definirlos
Según el foco del investigador, los conceptos se entienden como:

• Núcleo: conceptos concretos que pretendemos estudiar. Pueden ser variables o

relaciones. Por ejemplo, relación entre conducta violenta y empatía.
• Contexto: todo concepto debe tener un contexto para que tenga sentido. Este contexto
no es más que otros conceptos. Es todo lo que rodea al núcleo. Son conceptos
enmarcadores y secundarios respecto a los objetos de interés, pero pueden ser
circunstancias condicionantes de estos. Por ejemplo, en menores de barrios de la ciudad
con alta prevalencia de exclusión social.

Figura 5. Si estamos interesados en estudiar la seguridad ciudadana (núcleo), esto tendrá sentido enmarcado en una
ciudad concreta (contexto).

Los conceptos pueden ser definidos de dos maneras:

• Por extensión: proporcionando su contenido y enumerando todos sus valores o

elementos.
• Por comprensión: expresión resumida de las características comunes.

Figura 6. Por extensión: los estudiantes de esta asignatura pueden ser listados uno a uno según su nombre completo y
DNI. Por comprensión: los estudiantes de esta asignatura pueden ser nombrados como «alumnos matriculados en
Diseños de Investigación y Análisis de Datos».

6
2.1.2. Tipologías para los conceptos que son variables

Existen diferentes tipos de conceptos atendiendo a diferentes criterios que veremos a

continuación.

En primer lugar, para los conceptos que son variables, podríamos hablar de los siguientes
tipos:

1. Según la concreción de su contenido

• Observable: puede ser examinado sensorialmente en un contexto determinado.

• No observable: no puede identificarse en un contexto concreto. Suelen ser constructos
hipotéticos e inferidos a través de otros indicadores.

Figura 7. Variable observable: peso de una paciente anoréxica. Variable no observable: inteligencia. Es un constructo
que solo puede ser inferido.

2. Según el tipo de medida

• Cualitativa: variable cuyos valores presentan una relación de identidad o diferencia

(por ejemplo, nacionalidad: española, italiana, griega…; estado civil: casada, soltera,
viuda, divorciada…). Los valores no se pueden ordenar de mayor a menor.
• Ordinal: variable entre cuyos valores se puede establecer si son mayores o menores,
pero dicha diferencia no se puede establecer de forma numérica (por ejemplo, el nivel
socioeconómico alto es mayor que el nivel socioeconómico medio y ambos son mayores
que el nivel bajo, pero no podemos cuantificarlo).
• Cuantitativa: variable de la que puede expresarse numéricamente el grado o
magnitud de la diferencia en cualquiera de sus valores (por ejemplo, respecto al salario,
la diferencia entre cobrar 1000 € y cobrar 1005 € son 5 €).

Figura 8. Cualitativa. Género: mujer, hombre… Ordinal. Nivel de estudios: primaria, secundaria, grado, máster…
Cuantitativa. Altura: 130 cm, 163 cm, 175 cm.

7
3. Según la unidad de medida utilizada

Play

El paradigma de Ainsworth es un procedimiento para evaluar el apego en menores en una

situación experimental.

https://www.youtube.com/watch?v=qaXcjExnhbM

• Frecuencia: número de ocurrencias de un determinado valor en un espacio y tiempo

concretos. Por ejemplo, número de conductas agresivas en clase.
• Tasa: número de ocurrencias de un determinado valor por unidad de tiempo. Por
ejemplo, número de conductas agresivas por hora en clase.
• Orden: secuencia de los valores del concepto en el tiempo. Por ejemplo, tipo y orden de
las frases que una madre emite cuando le da el biberón a su bebé.
• Duración: unidades de tiempo durante las que una conducta determinada se está
llevando a cabo. Por ejemplo, segundos que un niño interacciona con un extraño en el
paradigma de Ainsworth.
• Latencia: duración del intervalo temporal entre dos sucesos. Por ejemplo, tiempo que
pasa entre un consumo y otro de una determinada sustancia en un adicto.

Tipologías de variables según expresión, fuente y rol en la investigación

4. Según la forma de expresión

• Verbal: expresión de las variables y sus valores a través de las palabras.

• Numérica: expresión de las variables y sus valores a través de los números y sus
diferentes sintaxis.
• Gráfica: expresión de las variables y sus valores a través de iconos, dibujos o
disposiciones espaciales.

Figura 9. Verbal: disfruta las pequeñas cosas. Numérica: rendimiento académico concretado en la nota media del
expediente. Gráfica: distribución del CI en la población.

5. Según la fuente de las variables

• De sujeto: características consideradas propias de cada individuo objeto de estudio. Por

ejemplo, profesión, edad, inteligencia o personalidad.

8
 • De medio: conceptos referidos al ambiente que rodea al participante. Por ejemplo, lugar
de trabajo, factores climáticos o ruidos.
• De factores de estudio: factores introducidos por el hecho de estudiar a los participantes
en un medio determinado. Generalmente asociados a la investigación y al investigador.
Por ejemplo, experiencia del investigador, instrucciones que da o aparatos utilizados para
recoger los datos.

6. Según el criterio metodológico o rol en la investigación

Nota

La variable independiente puede entenderse como las variaciones que introducimos en un

experimento para estudiar qué ocurre y la variable dependiente, como el resultado de la VI.
La VD es una variable que depende de la VI. Por ejemplo, cómo afecta la cafeína consumida
(VI) a las horas de sueño (VD).

• Variable independiente (VI) y variable dependiente (VD): es la denominación que

reciben las variables en una relación causal: VI sería la causa y VD el efecto. La VD
depende de la VI.
• Variable predictora y variable de criterio: es la denominación que reciben las variables
cuando se considera que su relación no es causal. Quizá una no cause la otra, pero una
(predictora) puede utilizarse para predecir los valores de la otra (criterio).
• Variables extrañas: cualquier tipo de variable que esté contaminando una relación
estudiada.

Figura 10. Variable independiente (VI) y variable dependiente (VD): relación entre el nivel de alcohol en sangre
(variable independiente) y los accidentes de tráfico (variable dependiente). Variable predictora y variable de criterio: día
del mes (predictora) y personas en un hipermercado (criterio). En realidad, la covariación se debe al cobro de los
sueldos. Variables extrañas: la relación entre el nivel de alcohol en sangre y los accidentes de tráfico podría estar
contaminada por variables extrañas como el estado de las carreteras o el estado del vehículo.

9
 Figura 11. Variables según su rol metodológico. Diferentes VI y VD cambian su nomenclatura dependiendo de la
disposición causal, predictora u observacional. Siempre se debe tener en cuenta el potencial efecto de otras variables.

2.1.3. Tipologías para los conceptos que son relaciones

En segundo lugar, para los conceptos que son relaciones, podríamos hablar de los siguientes
tipos:

1. Según el criterio de variabilidad de los datos

• Relación funcional: existe una correspondencia unívoca entre las variables

implicadas, es decir, a cada valor de la primera variable le corresponde un único valor de
la segunda.
• Relación estocástica: no existe correspondencia unívoca entre las variables
implicadas. Ante el valor de la primera variable no se obtiene siempre el mismo valor en
la segunda.

Figura 12. Relación funcional: un adicto siempre recae cuando sale de marcha con sus amigos. Relación estocástica: un
adicto a veces recae cuando sale de marcha con sus amigos, pero no siempre que recae ha salido de marcha con ellos.

10
2. Según la causalidad

Nota

Poder asegurar una relación causal entre dos variables es muy complejo en la
investigación científica real, y especialmente al estudiar el comportamiento humano, donde
el control experimental potencial del fenómeno es menor que en otros ámbitos. En cualquier
caso, se tienen que tener presentes las tres condiciones básicas de causalidad:

• Se observa asociación entre variables.

• No hay ambigüedad temporal (se constata qué variable precede a cuál).
• La asociación observada no se debe a errores o relaciones espurias.

• Relación causal: relación en la que los cambios en una variable se deben a las variaciones
en la otra. Implica covariación (varían a la vez) y dependencia (una depende de la
otra). Por ejemplo, el tabaco y el desarrollo de cáncer de pulmón.

Figura 13. Diferencia entre relación causal y relación espuria.

• Relación espuria: relación en la que dos variables cambian a la vez, pero una no es
causa de la otra, sino que ambas cambian por la acción de una tercera variable. Implica
covariación, pero no dependencia (es ilusoria). Por ejemplo, los resultados
epidemiológicos de finales del siglo XX que relacionaban beber alcohol con el cáncer de
pulmón, relación ilusoria, ya que al controlar la alta asociación en la población entre el
consumo de tabaco y el alcohol se constataba que era el tabaco el culpable, pero para eso
tenemos que ser conscientes de la existencia de esa relación previa que afecta a nuestra
relación de estudio.

Figura 14. Relación causal: relación entre golpear una pelota y que esta se mueva. Relación espuria: relación, en la
Inglaterra del siglo XIX, entre llevar sombrero de copa y el estado de salud. En realidad, aunque variaban a la vez,
ambas dependían del poder adquisitivo.

11
2.2. Innovación: generación y selección de conceptos

Nota

Las innovaciones en la ciencia que suponen cambios considerables no surgen por generación
espontánea de la nada, como a veces podría parecer por la manera de ser narrados. Un
hallazgo inesperado solo ocurre si ha habido previamente una acumulación considerable
de experiencia o conocimientos de manera individual y social.

Innovar consiste en generar conceptos nuevos, de tal manera que obtenemos conceptos o
conocimientos de los que no se disponía con anterioridad. Es decir, la obtención de conceptos
distintos a los de partida.

Entendida así, la innovación siempre guarda relación con el concepto del que deriva y es
prácticamente imposible que ocurra sin un concepto de partida. Se trata de una variación
conceptual.

Figura 15. Por ejemplo, si en una investigación en la que se pretendiese estudiar cuáles son las características de los
objetos que más llaman la atención a los 12 meses de edad, se llegara a conocer cómo son esos objetos (conocimiento
que no se tenía anteriormente, esto es, innovar).

Sabías que:

Se conoce como serendipia al hallazgo inesperado y por casualidad cuando se estaba

investigando otra cosa diferente. Fue una serendipia el descubrimiento de la penicilina de
Pasteur. También se podría considerar serendipia en nuestra disciplina la formulación del
condicionamiento respondiente de Pávlov (cuando estaba estudiando la digestión).

Estas innovaciones, con frecuencia, son adiciones a conceptos ampliamente extendidos dentro
de una disciplina, de tal manera que complementan, detallan o amplían un concepto de referencia.
No obstante, a veces, estas innovaciones suponen una auténtica revolución científica.

12
 Figura 16. Autores como Freud (izquierda) o Skinner (derecha) introdujeron en la psicología cambios radicales en la
forma de entender los objetos de estudio. Fuente: Wikimedia.

2.2.1. Problemas e hipótesis

La innovación (variación conceptual en ciencia) se operativiza a través de la formulación de

problemas e hipótesis, ya que son modos metodológicos concretos de considerarla.

Problema: necesidad de nuevo conocimiento que responda a una pregunta de la que

desconocemos la respuesta. Partiendo de unos conceptos de referencia, se requiere modificarlos
o completarlos. Por ejemplo, cómo mejorar el ajuste psicosocial de una persona con diagnóstico
de esquizofrenia.

Un problema es considerado científico cuando es susceptible de ser resuelto mediante la

metodología científica, es decir, es resoluble, comprobable o contrastable mediante
evidencias. En la ciencia hay una tendencia a los problemas expresados mediante conceptos
observables, ya que, de lo contrario, es difícil encontrar evidencias concretas.

En el mundo de la ciencia en general, y de la psicología en particular, los problemas surgen del

contacto directo con el objeto de interés, del contacto con otros colegas (este es uno de los
fines principales de los congresos) y de las publicaciones o bibliografía existente sobre el tema.

Figura 17. Por ejemplo, en una terapia de pareja, si se plantea el problema como necesidad de amor, será difícilmente
contrastable. Es mucho más oportuno delimitar, por ejemplo, si las personas implicadas hablan entre ellas, con qué
frecuencia, en qué momentos, de qué hablan o con qué objetivos.

13
 Viaja

Cuatro de los principales portales de investigación (tanto de psicología como de otras

ciencias afines) donde se pueden buscar publicaciones o bibliografía relacionadas con un
problema que pretendamos abordar son los siguientes:

PsychInfo: http://www.apa.org/pubs/databases/psycinfo/index.aspx

ScienceDirect: http://www.sciencedirect.com/science

PubMed: http://www.ncbi.nlm.nih.gov/pubmed

Wiley Online Library: http://onlinelibrary.wiley.com/

Hipótesis: es una solución tentativa provisional para un problema determinado. Por ejemplo,
la aplicación de una intervención de cognición social centrada en la identificación de expresiones
faciales mejorará el ajuste psicosocial de las personas con esquizofrenia. Una hipótesis debe tener
implicaciones y consecuencias contrastables en el ámbito empírico.

Al igual que con los problemas, cuando las hipótesis se expresan en términos observables y en
contextos espaciotemporales específicos son mucho más susceptibles de ser verificadas. Una
hipótesis se suele enunciar como una afirmación, pero no como una interrogación.

Figura 18. Por ejemplo, es más sencillo buscar evidencias de que «salir a la calle a tomar el desayuno, pasear cinco
minutos con el perro y dar una vuelta a la manzana ayudan a activar a un paciente con un cuadro depresivo» que «la
implicación personal ayuda en la depresión».

Como se presentó en la Unidad didáctica 1, la investigación científica no genera sus hipótesis de

forma espontánea e improvisada para cada problema planteado, sino que se basa en el corpus
teórico-empírico establecido por los investigadores que lo han antecedido en un mismo
paradigma (incluso cuando lo trata de contradecir). Por ello, un científico tendrá que realizar una
revisión sistemática del saber científico que haya tratado el problema que se propone antes
de generar sus propias hipótesis.

14
2.2.2. Selección de las innovaciones: evidencia, categorías y medición

No todas las innovaciones conforman el avance buscado por la ciencia y solo algunas de ellas
llegan a ser seleccionadas. Para el científico, el criterio fundamental para seleccionar una
innovación (aceptar una nueva idea o concepto) es la evidencia. La evidencia es la constatación
de que el núcleo de un concepto ocurre en contextos concretos, es decir, que tiende a aparecer
en condiciones controladas y predecibles. Cuando esto ocurre, se obtiene nuevo conocimiento.

Nota

Un concepto objetivo es el apoyado por evidencias, razón por la que es posible el

consenso de diferentes profesionales sobre él.

Objetividad supone acuerdo basado en evidencias, no verdad absoluta.

La búsqueda de correspondencia entre los conceptos planteados en los problema e hipótesis y la

realidad empírica se denomina identificación de datos (evidencia). Implica la recogida
sistemática de información de forma lo más objetiva posible y su adecuada codificación. La
gran complejidad de este proceso en los diferentes ámbitos de la psicología es estudiada en
profundidad en otras asignaturas como Evaluación Psicológica o Propiedades Psicométricas, pero
se pueden resaltar dos elementos lógicos habituales en identificación de datos: el uso de
categorías y escalas de medida.

Figura 19. Categorías y medición.

Una categoría es una agrupación de elementos considerados similares. Los sistemas de

categorías pueden utilizarse para variables cualitativas y para variables ordinales. Un buen
sistema de categorías tiene dos características fundamentales:

• Exhaustividad: todos los posibles elementos están considerados dentro de las

categorías establecidas. Ejemplo con problemas de exhaustividad: marca tu edad: (de 18
a 25), (de 26 a 29), (de 30 a 39) o (más de 40). Una persona de 40 años no podría marcar
su edad. El sistema de categorías no es exhaustivo.
• Exclusividad: no debe existir confusión respecto a las categorías de pertenencia de
los elementos. Ejemplo con problemas en la exclusividad: marca tu edad: (de 18 a 25),
(de 25 a 29), (de 30 a 39) o (40 o más). Una persona con 25 años podría pertenecer a
dos grupos. El sistema de categorías no es exclusivo.

15
Tipos de escalas de medición

Nota

El tipo de variable puede determinar la escala utilizada (por ejemplo, el género habrá que
medirlo con una escala nominal), pero no siempre es así. Por ejemplo, la variable edad
(cuantitativa) puede registrarse en una escala de razón si los participantes anotan el número,
pero si les pedimos que indiquen su grupo de edad, como en el ejemplo anterior, estaríamos
usando una escala ordinal.

Los tipos de escala de medición se establecen según las transformaciones posibles entre
distintos sistemas numéricos. Cómo se midan y registren los datos va a condicionar las
posibilidades de análisis posterior e incluso la exactitud de las conclusiones. Los tipos de escala
de medida son los siguientes:

Escalas nominales o categóricas

Respetan una relación de identidad-diferencia entre sus valores, y los números asignados
son simplemente etiquetas que no se pueden comparar. Sirven para recabar información
sobre variables cualitativas.

• Por ejemplo: documento nacional de identidad (DNI) de diferentes personas; asignar un

0 a los hombres y un 1 a las mujeres a la hora de recoger los datos.

Escalas ordinales

Además de identidad-diferencia, se puede indicar si es mayor que o menor que, aunque no

puede concretarse cuánto mayor es un número que otro. Sirven para recabar información sobre
variables ordinales.

Por ejemplo: valora del 1 al 5 cuánto te gustan las asignaturas de este curso: 1 = Nada, 2 =
Bastante poco, 3 = Indiferente, 4 = Bastante, 5 = Mucho. Si una asignatura tiene un 1 y otra
un 5, podemos saber que la segunda te gusta más, pero no podemos decir que te gusta 5 veces
más (la distancia entre los valores puede ser diferente en cada caso y no hay forma de saber
cuánta es).

Escalas de intervalo lineal

Además de indicar que es mayor que o menor que, se pueden ordenar las diferencias
entre ellas. Sirven para recabar información sobre variables cuantitativas.

• Por ejemplo: un CI de 90 es mayor que uno de 85, y uno de 140 es mayor que uno de
95, además, podemos decir que entre 140 y 95 hay mayor diferencia que entre 85 y 90.

16
 Escalas de razón

Además de poder ordenar categorías empíricas y sus diferencias, es posible ordenar las
razones o proporciones entre ellas. Y a diferencia de la escala de intervalo, se caracteriza
por poseer un punto cero absoluto (indicador de ausencia de atributo). Sirven para recabar
información sobre variables cuantitativas.

• Por ejemplo: una pareja tiene dos hijos y otra cuatro, de forma que podemos saber que
no solo una pareja tiene más hijos, sino que son el doble. Además, en esta medida 0
significa ausencia de hijos, algo que no implicaría esto en medidas de intervalo como
temperatura o CI.

2.3. Validez y fiabilidad de evidencias y conclusiones

La validez de una investigación científica se refiere a la correcta correspondencia entre los

componentes de la hipótesis planteada y las evidencias que de ella se presentan, es decir, si los
datos que recogemos son fiables y fidedignos. Sin embargo, esta validez tiene diferentes
acepciones y dimensiones según el foco y alcance de las conclusiones e implicaciones que se
deriven de la investigación. De forma general, la validez del conocimiento derivado de un
estudio dependerá en gran medida de la ausencia de errores y de su capacidad de estimar o
predecir el parámetro verdadero en la población objetivo, es decir, del grado de concordancia
de la realidad de dicho parámetro y de lo obtenido en el estudio (Hernández-Ávila, et al., 2000).

Figura 20. La validez en investigación científica y sus diferentes acepciones.

Vinculada a la concepción de validez está la de la fiabilidad de la propia investigación y los

instrumentos de medida utilizados. La idea de fiabilidad o precisión hace referencia al grado de
reproducibilidad de un estudio o de un procedimiento de medida.

17
Se refiere a la dispersión de medidas repetidas, independiente de si esas resultan válidas o no
(que se refieran correctamente al concepto de interés o no, no presentan variaciones
significativas). A menor dispersión de las medidas (repetidas) más fiables serán los estudios
o las herramientas de medida (Szklo y Nieto, 2003).

2.3.1. Validez en la selección de conceptos

Nota

Cuando se lleva a cabo una investigación con humanos es muy frecuente que estos no sepan
el motivo real por el que están siendo estudiados; a veces se les da una información falsa o
se usan tareas distractoras que enmascaran el verdadero objetivo. El ser humano tiende a
cambiar su conducta cuando se sabe evaluado.

Existe validez cuando lo que se pretende estudiar está siendo realmente estudiado. En ese
caso, se considera que los datos son representativos. Dos propiedades fundamentales para
tener validez en un estudio son la representatividad y el control.

• Representatividad: las evidencias recogen con exhaustividad todos los

componentes del concepto planteado.
• Control: medidas tomadas para evitar que se solapen o integren componentes en las
evidencias que no formen parte del concepto de referencia. Presencia sin controlar de
variables extrañas que puedan distorsionar los resultados. Por ejemplo, la relación espuria
alcohol y cáncer de pulmón.

Figura 21. Representatividad: si pretendemos estudiar las actitudes xenófobas hacia la población musulmana y en
nuestro estudio realizamos preguntas fundamentalmente sobre el uso del hiyab, no estaremos realmente estudiando la
conducta xenófoba. No existe correspondencia entre lo que queríamos estudiar y la evidencia que hemos recogido.
Control: si en nuestro estudio sobre conducta xenófoba decimos al grupo de participantes que estamos evaluando las
actitudes xenófobas, posiblemente actuarán de manera diferente a como lo harían si no supiesen que van a ser
evaluados sobre ese tema en concreto. Por tanto, esa deseabilidad social de los participantes es algo que debemos
controlar.

18
 Nota

Uno de los retos del estudio de la psicología en laboratorio es que el experimento emule lo
máximo posible las condiciones naturales donde se daría ese proceso psicológico en la
vida cotidiana. Los contextos experimentales que se han utilizado para estudiar cuestiones
como los procesos psicológicos básicos se han visto a menudo problematizados por no cumplir
esta condición de validez externa, también denominada validez ecológica.

El concepto de validez engloba diferentes tipos que conviene tener en cuenta a la hora de diseñar
o de valorar la calidad de una investigación:

• Validez externa: hace referencia al grado en que los datos obtenidos reflejan
realmente la realidad, es decir, el comportamiento de las variables en el entorno
natural. Implica en qué medida se pueden extrapolar los resultados de la muestra a
la población de origen de la muestra.
• Validez interna: hace referencia al grado en que el diseño de la investigación ha
permitido obtener unos datos de calidad, es decir, al grado en que se han controlado
posibles variables extrañas. En qué medida se puede asegurar la veracidad de las
relaciones establecidas. Por ejemplo, que la mejoría sintomática de los pacientes de un
estudio se deba realmente al tratamiento investigado y no a otros factores.

2.3.2. Representatividad y muestreo

Nota

La representatividad variará en la medida en que la población referente esté más o menos

exhaustiva y exclusivamente delimitada. De tal manera que, si no conocemos un aspecto
de la población que pueda afectar a nuestro estudio, difícilmente podremos tomar una
muestra representativa.

La cuestión de la representatividad es clave en una investigación científica, debido a que la parte

de lógica inductiva del proceso implica generalizar conclusiones generales de hechos particulares.
En términos pragmáticos no es posible generar una investigación controlada que capture la
totalidad de la presentación de un fenómeno en la realidad, sino que escoge una parte
significativa que lo represente adecuadamente. En la investigación de conceptos psicológicos lo
habitual es recurrir a muestras de personas que representen una población de interés,
mediante una técnica determinada de muestreo.

En la siguiente unidad se profundizará sobre las implicaciones probabilísticas de esta cuestión,

pero es necesario aclarar los siguientes conceptos clave:

19
 • Población: total de individuos que poseen las características de interés para la
investigación. Si queremos estudiar a los estudiantes universitarios españoles, la población
la compondrán todos los alumnos que estén matriculados en una universidad.
• Muestra: porciones o subconjuntos de la población de referencia. La muestra es la que
se compone de los participantes del estudio, dado que, generalmente, es imposible
estudiar a la población completa. En el ejemplo anterior, una posible muestra serían 500
alumnos de la Universidad Isabel I.

Figura 22. En el caso de que estuviésemos interesados en conocer el grado de felicidad en España (población), dado su
tamaño no sería viable estudiarla en su conjunto, por lo que seleccionaríamos parte de ella (muestra).

• Muestreo: procedimiento de elección de subconjuntos de la población de referencia.

Una vez determinada la población, hace falta algún método para elegir quiénes serán los
participantes de nuestro estudio. Si esto no se hace con validez, la muestra estará
sesgada y no será representativa de la población. Por ejemplo, siguiendo el ejemplo
anterior, una muestra estaría sesgada si seleccionamos únicamente a estudiantes de la
universidad privada, ya que no representan adecuadamente al conjunto de estudiantes
españoles.

Nota

En el muestreo aleatorio todos los elementos de la población tienen las mismas

probabilidades de ser seleccionados. Si pedimos colaboración para un estudio a la puerta
de una facultad, no tendrán la misma probabilidad de participar todos los alumnos de España.
Ni siquiera los de esa facultad tendrán las mismas posibilidades: algunos no irán a clase ese
día, otros estarán enfermos, etcétera.

Se puede diferenciar la forma de realizar un muestreo según dos criterios:

1. Si la muestra se realiza a partir de unidades constituidas por elementos de la

población o a partir de unidades formadas por colectivos.

Por ejemplo, en el caso anterior, supondría seleccionar entre todos los miembros de la
población (todos los estudiantes de universidad) o seleccionar a partir de unidades (por
ejemplo, según el tipo de universidad, seleccionamos el mismo número de estudiantes de
cada categoría [universidad pública frente a privada]).

20
 2. Si el procedimiento de elección de la muestra es o no aleatorio (elegido al
azar).

Por ejemplo, siguiendo el ejemplo anterior, sería aleatorio si eligiésemos de manera

aleatoria según un censo de estudiantes y no lo sería si hiciésemos el estudio con alumnos
que se apuntan voluntariamente a la investigación.

2.3.3. Errores sistemáticos y errores aleatorios

El reconocimiento de la necesidad de control experimental señala también una serie de factores

distorsionadores que pueden problematizar validez y fiabilidad de las conclusiones de
investigación. Según se trate de un problema de validez o de precisión, se pueden reconocer dos
fuentes de error (Arignón y Jiménez, 2004):

• Error sistemático: también conocido como sesgo. Se denomina así porque hace
referencia a cualquier efecto tendiente a producir resultados que se apartan
sistemáticamente del valor real sin importar el tamaño muestral (no debido al azar).
Resulta en una estimación incorrecta de una asociación o en el enmascaramiento de
posibles relaciones.

• Error aleatorio: se debe a la variabilidad inherente al proceso de muestreo, al

proceso de medición y al de las propias variables estudiadas (azar). Es difícil de prever y
muy dependiente del tamaño muestral. Afecta a la capacidad de inferencia y
generalización de los resultados.

Figura 23. Errores como factores distorsionadores en la investigación.

Con respecto al error sistemático, los múltiples sesgos que se corresponden con este tipo de
error se han agrupado clásicamente en tres categorías según su origen: sesgos de selección,
sesgos de información y factores de confusión (Hernández-Ávila, Garrido y Salazar-Martínez,
2000).

Sesgos de selección

Son los que causan una distorsión del efecto medido derivado de la forma en la que ha
seleccionado a los sujetos. Una fuente de sesgo de selección puede ser cualquier factor que
influya sobre la posibilidad de que los sujetos sean seleccionados para participar o permanecer
en el estudio y que al mismo tiempo esté relacionado con la exposición o con el evento
en estudio. Puede provocar que los resultados obtenidos se pueden explicar por cómo se
seleccionaron los sujetos (relacionado con la condición de representatividad).

21
 Sesgos de información

Se corresponden con los errores generados en los procedimientos usados para obtener la
información y clasificar a los sujetos del estudio. En este sentido, una fuente de sesgo puede
ser cualquier factor que influya de manera diferencial sobre la calidad de las mediciones u
observaciones que se realizan en los grupos de estudio. Debido a esta distorsión, el efecto
medido se puede exagerar o subestimar, realizando una clasificación incorrecta de los sujetos
del estudio. Pueden provenir del propio sujeto evaluado o del evaluador (cuyas expectativas,
deseabilidad social o prejuicios distorsionen la información recogida, por ejemplo).

Factores de confusión

Representan un sesgo potencial (que se encuentra en la población de referencia) producido por

las relaciones que mantienen otras variables externas al estudio con la exposición o con
los efectos que se investigan. Esto puede dar lugar a una mezcla de efectos y, por tanto, a
una distorsión en la medida del efecto que se quiere estudiar con asociaciones espurias o
enmascaramiento de asociaciones.

Para que una variable se considere un factor de confusión, debe cumplir los siguientes tres
criterios:

• Estar asociado con el desenlace o efecto estudiado (VI), independientemente de su

asociación con la condición de exposición.
• Está asociado con la exposición (VI) en la población de estudio, pero sin ser resultado
de esta.
• No debe tratarse de una variable mediadora entre variables. Es decir, no debe ser un
eslabón causal intermedio.

Por otro lado, el error aleatorio no se puede controlar totalmente, pero sí calcular su impacto
en los resultados del estudio, siendo la mejor manera de reducirlo la estimación correcta del
tamaño muestral. A mayor tamaño muestral, mayor probabilidad de que los resultados reflejen
la realidad de la población a la que la muestra representa, así como la replicación de la misma
investigación en diferentes muestras y en posteriores metaanálisis. En unidades posteriores
se profundizará en la cuestión estadística del error de muestreo que se vincula a este factor de
azar.

22
2.3.4. Control y sus técnicas

Nota

El control absoluto no es posible, ya que siempre existirán multiplicidad de aspectos

potenciales que puedan incidir en nuestro estudio, especialmente en lo referente al
comportamiento humano; no obstante, nuestro objetivo siempre será lograr estudios con el
mayor control posible.

El control experimental permite al investigador reducir el efecto de posibles factores

distorsionantes, eliminando fuentes de error. Son los errores sistemáticos o sesgos los que
pueden ser evitados por un investigador mediante diferentes técnicas. Sin embargo, aunque
existen medios eficaces, el control experimental debe considerarse en la fase de diseño de la
investigación, ya que de forma posterior a la recogida de datos es muy difícil llegar a anular sus
efectos (es necesario ser consciente de que existen). Algunas estrategias de control habituales
son las siguientes:

• Eliminación: una variable extraña que puede influir en el estudio se deja fuera. Por
ejemplo, si pretendemos estudiar la relación entre las horas de sueño y la capacidad de
concentración, sería oportuno controlar la variable consumo de cafeína por eliminación,
es decir, no seleccionar participantes que hayan tomado café. De lo contrario, los datos
obtenidos podrían deberse a la dosis de cafeína, en lugar de a las horas de sueño.
• Constancia: una variable que puede influir se mantiene constante en los diferentes
grupos de estudio. Por ejemplo, en los experimentos de conducta animal, se mantienen
constantes la temperatura, la luz o la raza del animal en todas las condiciones estudiadas.
De no hacerlo, podrían influir.
• Estandarización: derivada de la anterior, se enuncia estandarización o protocolización
del planteamiento de la investigación. Todos los investigadores deben plantear las
condiciones experimentales a todos los grupos con el mismo formato para no generar
diferencias que afecten al resultado al margen de las variables de interés. Por ejemplo, si
se pretende constatar las diferencias de ejecución de razonamiento matemático entre
alumnos de diferentes grados, se deberá siempre plantear la situación experimental de la
misma forma por los investigadores, independientemente de en qué clase estén, ya que
se podrían generar diferencias debidas a la presentación y no a la capacidad de los
alumnos.

23
 • Aleatorización: tras el muestreo, se utiliza el azar para repartir entre las condiciones
experimentales los valores de las distintas variables presentes en el estudio. Por
ejemplo, estamos interesados en estudiar la relación entre ver un programa violento y la
agresividad en niños. Para ello, habrá dos grupos de niños: unos verán un programa
violento antes de jugar con unos muñecos y otros verán un programa infantil que no
contiene violencia. Si sabemos que una variable que influye es el hecho de que los padres
utilicen mucho el castigo en casa, esto puede ser algo que influya en nuestros resultados.
Para impedirlo, podemos dividir a los niños aleatoriamente en dos grupos, de forma que,
por azar, tendremos la misma probabilidad de tener niños con padres que ejercen mucho
el castigo en ambas condiciones.
• Bloqueo: tras el muestreo, el investigador distribuye por igual las distintas
condiciones entre los distintos valores de las variables. Por ejemplo, siguiendo el ejemplo
anterior, podríamos hacer un grupo de niños con padres violentos (grupo 1) y otro grupo
de niños con padres no violentos (grupo 2) para luego asignar al azar una parte de cada
uno de ellos en las distintas condiciones del experimento (la mitad de los niños del grupo
1 verían un programa violento y la otra mitad un programa no violento; lo mismo en el
grupo 2).

Control y sus técnicas (II)

Figura 24. Técnicas de control para reducir el efecto de factores distorsionadores en la investigación.

• Equiparación: también balanceo o equilibrado. En este caso, el investigador trata de

formar dos grupos lo más equivalentes posible, es decir, que los participantes de
ambos tengan las mismas características. No se realiza al azar, sino a dedo. Por ejemplo,
siguiendo el ejemplo anterior, podríamos asignar a los niños no aleatoriamente a los
diferentes grupos para tener el mismo número y tipo de padre en cada condición.
• Participante como propio control: en ese caso, el máximo control se logra
manteniendo a los mismos participantes en las distintas condiciones de la
investigación. Así, nos aseguramos de que los resultados no se deben a que haya alguna
diferencia entre los grupos de participantes porque estos son los mismos. Sin embargo,
esto no es posible hacerlo en muchas ocasiones. Por ejemplo, si pretendemos estudiar dos
nuevas terapias para controlar la ansiedad, en lugar de aplicar cada una en dos
participantes diferentes, podríamos usar una y, en caso de que esta no tuviese efecto,
probaríamos la otra con el mismo participante.

24
 • Contrabalanceo: para evitar que se produzcan efectos acumulativos, se aplican las
condiciones del estudio en diferente orden. Por ejemplo, siguiendo el ejemplo anterior,
podríamos aplicar las terapias en distinto orden para descartar que el efecto se deba a la
combinación de ambas. En un grupo probaríamos primero la terapia A y luego la B y, en
otro grupo, probaríamos la B y luego la A.
• Enmascaramiento: se oculta información clave sobre las condiciones experimentales
y las hipótesis del estudio de forma deliberada a los sujetos investigados o a los
investigadores que recogen la información (doble ciego) para evitar posibles sesgos de
información. No se trata de ocultar toda la información, sino solo aquella que pueda
afectar a la investigación (éticamente, se necesita el consentimiento informado de los
participantes). Por ejemplo, si se trata de validar un nuevo tratamiento frente a una
condición de control (como charlas psicoeducativas), no informar de cuál de las dos
condiciones es la que se está poniendo a prueba para que la medida autoinforme no se
vea sesgada por no tener o no tener el tratamiento de verdad.
• Análisis multivariado o estratificado: mediante diferentes estrategias estadísticas
de análisis de datos controlar el efecto de variables extrañas o distorsionadoras
introduciéndolas en modelos multivariados o segregar la muestra en el análisis por grupos
generados por categorías de una variable que pueda afectar a la relación. Aunque se
plantea después de la ejecución, es necesario haber planificado y registrado
información acerca de estas variables (ser conscientes de ellas) para poder tenerlas en
cuenta en el análisis. Por ejemplo, introducir en un modelo de regresión lineal de la relación
alcohol-cáncer de pulmón la frecuencia de consumo de tabaco para controlar su efecto.

2.3.5. Replicación y fiabilidad

Nota

En diseños de investigación, la validez conlleva fiabilidad (si algo es válido es porque es

fiable), pero la fiabilidad no conlleva validez. Podríamos replicar un estudio cometiendo
un problema de control (por lo que no sería válido) y, sin embargo, obtendríamos
reiteradamente los mismos resultados.

La fiabilidad se da cuando al replicar o repetir la investigación se obtienen de manera

consistente y estable los mismos resultados. Esto es un indicio de la calidad del estudio.
Por ejemplo, cuando una terapia consigue la remisión de una fobia de manera consistente en
diferentes investigaciones.

En este sentido, la fiabilidad se relaciona con la capacidad de una investigación de ser

replicable. La replicación es la repetición de un estudio ya realizado a fin de comprobar si los
resultados obtenidos se repiten. Los estudios deben ser replicables; es decir, cuando llevamos a
cabo una investigación, debemos garantizar que otro grupo de investigadores pueden
repetirlo tal y como lo hicimos nosotros, para asegurar que se pueda seguir investigando y
contrastando lo que hemos hecho nosotros.

25
Podemos hablar de dos tipos de replicación:

• Replicación directa: se intenta no modificar las condiciones originales del estudio.

Ante el hallazgo de datos interesantes, es importante constatar que siguen apareciendo
de la misma forma si vuelve a hacerse el estudio en muestras diferentes.
• Replicación sistemática: en este caso, se modifica alguna condición del estudio
original. Ante el hallazgo de datos interesantes, es importante constatar si solo aparecen
en las condiciones del estudio o si pueden aplicarse en nuevas situaciones.

Figura 25. Replicación directa: ante el descubrimiento de un nuevo fármaco para el tratamiento del ébola, sería
necesario hacer replicación directa para constatar que es efectivo y no se ha debido a una circunstancia no controlada.
Replicación sistemática: una vez constatada la fiabilidad del nuevo fármaco, sería interesante hacer replicación
sistemática variando la cepa del virus.

26
Resumen

La ciencia usa una serie de procedimientos y recursos para obtener nuevos conocimientos
con la mayor fiabilidad y validez.

Cuando estamos interesados en ampliar nuestro conocimiento sobre la realidad, este

conocimiento puede referirse a algo en concreto (variable) o a la dependencia y covarianza
que tengan dos variables (relación).

Los conceptos (parte de la realidad sobre la que deseamos saber algo más) pueden delimitarse
de múltiples formas en función del criterio que usemos. Pueden concretarse según lo siguiente:

• Contenido (observable y no observable).

• Tipo de medida (cualitativo, ordinal y cuantitativo).
• Unidad de medida (frecuencia, tasa, orden, duración y latencia).
• Forma de expresión (verbal, numérica y gráfica).
• Fuente (sujeto, medio o factor de estudio).
• Criterio metodológico (variable independiente y dependiente, variable predictora y de
criterio y variables extrañas).
• Variabilidad (relación funcional y estocástica).
• Causalidad (relación causal o espuria).

Innovar es generar conceptos, es decir, conocer algo concreto que desconocíamos. Para innovar
necesitamos partir de un problema (algo que pretendemos conocer) y una hipótesis (tentativa
de solución que resolvería el problema) que deberá estar planteada de tal manera que pueda ser
contrastada mediante hechos.

Seleccionar innovaciones es dar por válido un conocimiento nuevo a través de la evidencia,

con el proceso de identificación de datos. La evidencia deberá ser exhaustiva y exclusiva y
su medida podrá aparecer en diferentes tipos de escalas (nominal, ordinal, de intervalo lineal y
de razón).

La validez es la propiedad que presentan las innovaciones cuando son representativas y

fidedignas. Esta validez puede lograrse mediante un muestreo oportuno (selección de una
muestra representativa) y usando diversas técnicas de control. La validez está condicionada a
la eliminación y control de fuentes de error; se pueden diferenciar errores sistemáticos
(sesgos) y errores aleatorios (azar de muestreo). Los primeros son posibles de controlar
teniéndolos en cuenta en el diseño de la investigación, mientras que los segundos son más
difíciles de evitar, más allá de aumentar el tamaño muestral y replicar el estudio en diferentes
muestras.

Cuando un estudio tiene validez, es fiable y puede replicarse obteniendo los mismos
resultados, por lo que podremos adoptar un nuevo concepto a nuestro cuerpo teórico de
referencia.

27
Mapa de contenidos

28
Recursos bibliográficos

Bibliografía básica

Martínez, R. y Moreno, R. (2014). Cómo plantear y responder preguntas de manera científica.

Síntesis.

Moreno, R., Martínez, R. y Chacón, S. (2000). Fundamentos metodológicos en psicología y

ciencias afines. Pirámide.

Bibliografía complementaria

Arignón, J. M. y Jiménez-Villa, J. (2013). Métodos de investigación clínica y epidemiológica (4.ª

ed.). Elsevier.

Arnau, J., Anguera, M. T. y Gómez, J. (1990). Metodología de la investigación en ciencias del

comportamiento. Ediciones Universidad de Murcia.

Delgado, A. R. y Prieto, G. (1997). Introducción a los métodos de investigación de la psicología.

Pirámide.

Hernández-Ávila, M., Garrido, F. y Salazar-Martínez, E. (2000). Sesgos en estudios

epidemiológicos. Salud Pública de México, 42(5), 438-446.

León, O. G. y Montero, I. (2020). Métodos de investigación en psicología y educación. Las

tradiciones cuantitativa y cualitativa (4.ª ed. revisada). McGraw-Hill.

Szklo, M. y Nieto, J. (2003). Epidemiología intermedia. Conceptos y aplicaciones. Díaz de

Santos.

Visitación-García, M. (2002). Métodos y diseños de investigación científica. Ciencias humanas,

sociales y de la salud. Ediciones Universidad Autónoma de Barcelona.

Otros recursos

ACME 2.0. (s. f.). Inicio. [Canal de YouTube].

https://www.youtube.com/channel/UCvN6oek2pgb32uyCi _2L4YA [Interesante MOOC sobre
anumerismo, ciencia, método y escepticismo].

García-Garzón, E., Lecuona, O. y Carbajal, G. V. (2018). Estudios de replicación, pre-registros

y ciencia abierta en Psicología. Apuntes de Psicología, 36(1-2), 75-83.
http://apuntesdepsicologia.es/index.php/revista/article/view/713/505

Hernández-Ávila, M., Garrido, F. y Salazar-Martínez, E. (2000). Sesgos en investigación clínica.

Salud Pública de México, 42(5), 438-446.
https://www.scielosp.org/article/ssm/content/raw/?resource_ssm_path=/media/assets/spm/
v42n5/3995.pdf

29