Investigación Causal-Comparativa — Diseño Retrospectivo de Comparación de Grupos
- Propuesto por
- Fred N. Kerlinger
- Año
- 1964
- Tipo
- Non-experimental quantitative research design
- Familia
- Survey / observational design
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
¿Qué hace?
La investigación causal-comparativa es un diseño cuantitativo no experimental en el que el investigador compara dos o más grupos que ya difieren en una variable independiente —una que no fue manipulada— para investigar posibles causas o consecuencias de esa diferencia.
Debido a que la pertenencia a los grupos es preexistente en lugar de asignada aleatoriamente, el diseño puede sugerir relaciones causales, pero no puede establecerlas con la certeza de un experimento verdadero. Se utiliza ampliamente en educación, psicología y ciencias sociales cuando la manipulación experimental es impracticable o poco ética.
La intuición detrás del método
Supongamos que desea saber si el tabaquismo de los padres afecta la capacidad pulmonar de los niños. No puede asignar aleatoriamente a los niños a hogares de fumadores o no fumadores, por lo que en su lugar identifica grupos de niños cuyos padres ya fuman o no fuman y compara su función pulmonar. Esa es la lógica de la investigación causal-comparativa: la 'causa' ya ha ocurrido en el mundo real, y usted está mirando hacia atrás para ver si está asociada con una diferencia en los resultados. El diseño se asemeja a un experimento en estructura —grupos, un resultado medido, una comparación— pero carece de la asignación aleatoria que haría que la causalidad fuera definitiva.
Historia
La lógica de la investigación causal-comparativa fue formalizada en la metodología de las ciencias sociales por Fred N. Kerlinger en su texto fundamental de 1964, Foundations of Behavioral Research, donde describió la investigación 'ex post facto' como la investigación sistemática de eventos ya ocurridos para identificar causas probables. El diseño tenía raíces anteriores en estudios agrícolas y epidemiológicos que comparaban grupos preformados. Entre las décadas de 1970 y 1980 se convirtió en un componente estándar de los libros de texto de métodos de investigación educativa, notablemente Gay (1976) y más tarde Fraenkel y Wallen, consolidando su papel como el diseño no experimental de referencia cuando la manipulación es imposible.
Cuándo usarlo
Utilice la investigación causal-comparativa cuando desee investigar posibles causas o efectos de una variable que no puede manipularse ética o prácticamente —como el género, el estado de discapacidad, el origen socioeconómico o la exposición a un evento pasado. Es apropiada cuando los grupos ocurren naturalmente y los datos pueden recopilarse sobre una variable dependiente significativa. Se adapta a objetivos de investigación descriptivos a explicativos en educación, salud y ciencias sociales. NO la utilice cuando pueda realizar un experimento verdadero con asignación aleatoria —los experimentos proporcionan una evidencia causal más sólida. Evítela cuando los grupos no puedan equipararse significativamente en los principales factores de confusión, cuando la pertenencia al grupo sea ambigua o cuando la pregunta de investigación requiera un seguimiento prospectivo del cambio a lo largo del tiempo (utilice investigación longitudinal en su lugar).
Limitaciones y consideraciones
- No puede establecer la causalidad de forma definitiva porque los grupos no se asignan aleatoriamente —el sesgo de selección y las variables de confusión siguen siendo explicaciones alternativas.
- La dirección de la causalidad es ambigua: la supuesta causa y efecto pueden invertirse, o una tercera variable puede causar ambos.
- Los grupos pueden diferir en variables no medidas que explican la diferencia observada, lo que hace que el control estadístico sea incompleto.
- La naturaleza retrospectiva significa que el investigador no tiene control sobre cómo se experimentó o midió la variable independiente en el pasado.
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- Permite la investigación de hipótesis causales cuando la manipulación experimental es poco ética o imposible.
- Más eficiente y menos costosa que los experimentos longitudinales; los datos a menudo ya existen.
- Produce comparaciones cuantitativas y estadísticamente comprobables entre grupos que ocurren naturalmente.
- Arroja tamaños del efecto que informan la significación práctica junto con la significación estadística.
- Útil como diseño preliminar para justificar la necesidad de un experimento posterior.
Aplicaciones
- Comparar el rendimiento académico entre estudiantes que asistieron a preescolar y los que no.
- Examinar las diferencias en los resultados de salud entre fumadores y no fumadores sin asignación experimental.
- Investigar si existen diferencias de género en la autoeficacia matemática entre estudiantes de secundaria.
- Comparar los niveles de satisfacción laboral entre empleados con diferentes cualificaciones educativas.
- Evaluar si los niños criados en hogares bilingües difieren en flexibilidad cognitiva de sus compañeros monolingües.
- Explorar si la ubicación de la escuela, urbana versus rural, está asociada con diferencias en las tasas de retención de maestros.
Cómo funciona
Cómo funciona
El investigador identifica la variable independiente —una característica preexistente como el género, el estatus socioeconómico, el nivel educativo o un evento vital— y define al menos dos grupos que difieren en esa variable. La variable de comparación debe haber ocurrido naturalmente; nunca es manipulada por el investigador.
Los participantes se seleccionan de cada grupo preformado, idealmente mediante muestreo probabilístico para apoyar la generalización. Los grupos deben ser lo más similares posible en todas las características excepto en la variable independiente, por lo que el investigador controla o empareja los posibles factores de confusión (por ejemplo, edad, rendimiento previo, nivel de ingresos) durante la fase de diseño.
Los datos sobre la(s) variable(s) dependiente(s) se recopilan de todos los grupos utilizando los mismos instrumentos y procedimientos. Las fuentes de datos comunes incluyen puntuaciones de pruebas estandarizadas, respuestas a encuestas, registros administrativos o mediciones físicas. Debido a que la causa ya ha ocurrido, la recopilación de datos es retrospectiva o concurrente, no prospectiva.
Las medias de los grupos (o proporciones, rangos) en la variable dependiente se comparan utilizando estadísticas inferenciales apropiadas —típicamente pruebas t para muestras independientes, ANOVA de una vía, ANCOVA (para controlar covariables) o pruebas de chi-cuadrado, dependiendo de la escala de medición. Los tamaños del efecto (d de Cohen, eta-cuadrado) deben acompañar a las pruebas de significación.
Las diferencias de grupo estadísticamente significativas se interpretan con cautela. El investigador considera explicaciones alternativas —particularmente el sesgo de selección y los factores de confusión no medidos— antes de atribuir la diferencia a la variable independiente. El lenguaje causal se matiza ('puede sugerir', 'es consistente con') a menos que el diseño incluya controles adicionales que fortalezcan la inferencia causal.
Errores comunes
- Tratar una diferencia de grupo significativa como prueba de causalidad —siempre reconozca explícitamente la naturaleza no experimental y las explicaciones alternativas.
- Ignorar la no equivalencia de los grupos —cuando los grupos de comparación difieren en múltiples variables de fondo, la diferencia objetivo se confunde; utilice el emparejamiento o ANCOVA para abordar las covariables clave.
- Invertir causa y efecto —en algunos diseños es plausible que el supuesto resultado realmente influya en la variable de agrupación; razone cuidadosamente sobre la secuencia temporal.
- Utilizar el diseño cuando los grupos no son significativamente distintos —los límites difusos de los grupos (por ejemplo, 'ingresos altos' frente a 'bajos' definidos de forma imprecisa) aumentan la varianza del error y debilitan la inferencia.
- Informar solo los valores p sin los tamaños del efecto —una diferencia estadísticamente significativa entre grupos grandes puede ser trivial en la práctica; siempre informe e interprete la magnitud del efecto.
Preguntas frecuentes
¿Cuál es la diferencia entre la investigación causal-comparativa y la investigación correlacional?
Ambas son no experimentales, pero difieren en estructura y propósito. La investigación correlacional examina la fuerza y dirección de una relación entre variables continuas dentro de un solo grupo, utilizando coeficientes como el r de Pearson. La investigación causal-comparativa compara grupos discretos y preformados en una variable dependiente y utiliza estadísticas de diferencia de grupos (prueba t, ANOVA). Los diseños causal-comparativos se enmarcan explícitamente en torno a una supuesta relación causa-efecto entre la pertenencia al grupo y un resultado, mientras que los diseños correlacionales describen la asociación sin implicar una dirección de causa y efecto.
¿En qué se diferencia la investigación causal-comparativa del diseño ex post facto?
Los términos a menudo se usan indistintamente, y en muchos libros de texto 'diseño ex post facto' es la etiqueta más antigua para exactamente el mismo enfoque. Kerlinger originalmente usó 'ex post facto' (latín para 'después del hecho') para enfatizar que la variable independiente ya ha ocurrido. Metodólogos posteriores, particularmente en educación, prefirieron 'causal-comparativa' para resaltar la lógica de comparación de grupos. Funcionalmente, ambas etiquetas se refieren a la misma familia de diseños.
¿Puede la investigación causal-comparativa establecer la causalidad?
No, no con la misma confianza que un experimento verdadero. Debido a que los participantes no son asignados aleatoriamente a los grupos, las diferencias preexistentes entre los grupos (sesgo de selección) y las terceras variables no medidas son siempre explicaciones alternativas plausibles. El diseño puede proporcionar evidencia sugerente y generadora de hipótesis de una relación causal, particularmente cuando múltiples estudios replican consistentemente el patrón, pero se requiere un experimento controlado para confirmar la afirmación causal.
¿Qué pruebas estadísticas son apropiadas?
La elección depende del número de grupos y la escala de medición. Para dos grupos con un resultado continuo, utilice una prueba t para muestras independientes; para tres o más grupos, ANOVA de una vía. Al controlar las covariables, utilice ANCOVA. Para resultados categóricos, utilice pruebas de chi-cuadrado. En todos los casos, complemente la prueba de significación con un índice de tamaño del efecto (d de Cohen para pruebas t, eta-cuadrado u omega-cuadrado para ANOVA) para transmitir la importancia práctica.
¿Cómo controlo las variables de confusión en un diseño causal-comparativo?
Varias estrategias están disponibles en la etapa de diseño o análisis. En la etapa de diseño, puede emparejar a los participantes entre grupos en factores de confusión clave (por ejemplo, emparejar a cada participante del grupo de tratamiento con un participante del grupo de control de edad y rendimiento previo similares). En la etapa de análisis, puede incluir los factores de confusión como covariables en ANCOVA, lo que ajusta estadísticamente las medias de los grupos. Ninguno de los enfoques elimina todos los factores de confusión, pero ambos fortalecen sustancialmente la validez interna de la comparación.
Métodos relacionados
Fuentes
Kerlinger, F. N. (1964). Foundations of Behavioral Research. Holt, Rinehart and Winston.
Abrir referencia de la publicaciónCopiado.Fraenkel, J. R., Wallen, N. E., & Hyun, H. H. (2012). How to Design and Evaluate Research in Education (8th ed.). McGraw-Hill.
ISBN: 978-0078097850Copiado.