Saltar al contenido
Volver a los resultados

Investigación Confirmatoria — Diseño Cuantitativo de Contrastación de Teorías

Propuesto por
Karl Popper (falsificationism); formalized in behavioral sciences by Paul Meehl and others
Año
1934 (Popper); widely adopted in social sciences from 1960s onward
Tipo
Quantitative research design
Familia
Survey / observational design

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

La investigación confirmatoria es un diseño cuantitativo deductivo en el que el investigador especifica hipótesis derivadas de la teoría existente antes de la recolección de datos, y luego contrasta si los datos apoyan o refutan dichas hipótesis.

A diferencia de los enfoques exploratorios que generan ideas a partir de los datos, la investigación confirmatoria comienza con un marco teórico establecido, pre-registra predicciones y aplica pruebas estadísticas para evaluar esas predicciones frente a la evidencia empírica. Es la columna vertebral de la investigación en ciencias sociales, conductuales y de la salud impulsada por hipótesis.

La intuición detrás del método

Piense en la investigación confirmatoria como tener un veredicto judicial listo antes de que comience el juicio — excepto que el 'veredicto' es una hipótesis precisamente enunciada derivada de la teoría previa, no un prejuicio. El investigador dice: 'La teoría X predice que A está positivamente relacionada con B. Recolectaré datos y contrastaré esa afirmación'. El estudio se diseña entonces para dar a esa predicción una oportunidad justa de ser falsada. Si los datos son consistentes con la predicción, la teoría recibe apoyo empírico; si no, la teoría debe ser revisada. Este criterio de falsabilidad, introducido por Karl Popper, es lo que separa la ciencia confirmatoria de la mera especulación.

Historia

El fundamento filosófico de la investigación confirmatoria reside en el falsacionismo de Karl Popper, articulado en Logik der Forschung (1934; traducido como The Logic of Scientific Discovery, 1959), que sostenía que las hipótesis científicas deben ser capaces de ser refutadas por evidencia empírica. Este principio se operacionalizó en las ciencias sociales a través de la estadística de prueba de hipótesis de Neyman-Pearson y a través de llamados a la replicación por parte de metodólogos como Paul Meehl y Jacob Cohen a lo largo de las décadas de 1960-1990. La crisis de replicación de la década de 2010 intensificó el enfoque en el pre-registro como un mecanismo práctico de aplicación para la lógica confirmatoria.

Cuándo usarlo

Utilice la investigación confirmatoria cuando ya exista una teoría o modelo específico y desee evaluar sus predicciones frente a nueva evidencia empírica — por ejemplo, contrastando si una intervención validada reduce la ansiedad en una nueva población, o si un modelo estructural de compromiso organizacional se mantiene en un contexto cultural diferente. Requiere una muestra suficientemente grande (determinada por un análisis de potencia a priori, típicamente N >= 80–100 para efectos medios), resultados cuantitativos e hipótesis claramente falsables formuladas antes de la recolección de datos. No utilice el diseño confirmatorio cuando carezca de una base teórica previa para sus hipótesis, cuando los constructos aún no estén operacionalizados con medidas validadas, o cuando el objetivo sea generar ideas en lugar de contrastarlas — en esos casos, los diseños exploratorios o descriptivos son más apropiados.

Limitaciones y consideraciones

  • Requiere un marco teórico bien desarrollado; no puede sustituir el trabajo exploratorio cuando el dominio está poco comprendido.
  • Un solo estudio confirmatorio rara vez proporciona pruebas definitivas — se necesita replicación antes de extraer conclusiones sólidas.
  • Los resultados están limitados por la validez de las operacionalizaciones y la representatividad de la muestra.
  • La estricta adherencia a los protocolos de pre-registro exige disciplina; las desviaciones no divulgadas socavan la afirmación confirmatoria.
  • El marco de prueba de hipótesis binaria (rechazar / no rechazar) puede oscurecer la naturaleza continua de la acumulación de evidencia.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Proporciona la evidencia más sólida a favor o en contra de una afirmación teórica específica cuando se mantiene el pre-registro.
  • Las hipótesis y planes de análisis pre-especificados eliminan muchas preocupaciones sobre los grados de libertad que inflan las tasas de falsos positivos.
  • Se alinea con los estándares de ciencia abierta y reproducibilidad cada vez más exigidos por revistas y organismos de financiación.
  • Permite la acumulación de conocimiento a través de la replicación directa en estudios independientes.
  • El análisis de potencia estadística asegura que el estudio tenga un tamaño adecuado para detectar el efecto esperado.

Aplicaciones

  • Contrastar si una intervención teóricamente derivada (p. ej., protocolo de terapia cognitivo-conductual) reduce la gravedad de los síntomas en una muestra clínica.
  • Evaluar si un modelo de ecuaciones estructurales de satisfacción laboral se replica en un nuevo contexto nacional o cultural.
  • Confirmar la estructura factorial predicha de una escala psicológica en una muestra de validación independiente utilizando análisis factorial confirmatorio (CFA).
  • Evaluar si una variable mediadora pre-especificada (p. ej., autoeficacia) transmite el efecto de un tratamiento sobre un resultado.
  • Replicar una correlación publicada entre dos constructos en una nueva población para evaluar la generalizabilidad de un hallazgo existente.
  • Contrastar una intervención farmacológica o educativa frente a una condición de control con resultados y análisis pre-registrados en un registro de ensayos clínicos o de ciencia abierta.

Cómo funciona

Cómo funciona

1

El investigador comienza con un marco teórico establecido y deriva una o más hipótesis precisas y falsables. Cada hipótesis enuncia una dirección o magnitud esperada de una relación o diferencia antes de que se recolecten datos. El pre-registro de hipótesis (en plataformas como OSF o AsPredicted) se exige cada vez más para prevenir la reclasificación post-hoc de hallazgos exploratorios como confirmatorios.

2

Cada constructo teórico se traduce en variables medibles con instrumentos, escalas u operacionalizaciones validadas. La estrategia de muestreo, el tamaño de la muestra (determinado mediante un análisis de potencia a priori), los procedimientos de recolección de datos y las pruebas estadísticas a utilizar se especifican de antemano. Esta pre-especificación es lo que formalmente separa un estudio confirmatorio de uno exploratorio.

3

Los datos se recopilan de acuerdo con el protocolo pre-especificado — comúnmente a través de encuestas estandarizadas, observaciones estructuradas o extracción de conjuntos de datos secundarios. La estricta adherencia al protocolo es esencial; las desviaciones deben documentarse y reportarse para preservar el carácter confirmatorio del estudio.

4

Se aplica la prueba estadística pre-especificada (p. ej., prueba t, ANOVA, regresión, modelado de ecuaciones estructurales). El resultado se evalúa frente a la regla de decisión pre-establecida — típicamente un nivel alfa fijado a priori (comúnmente .05, o .01 para afirmaciones confirmatorias más estrictas). Los tamaños del efecto y los intervalos de confianza se reportan junto con los valores p para transmitir la significancia práctica.

5

El investigador extrae conclusiones sobre si los datos apoyan o no cada hipótesis. Un fallo en rechazar la hipótesis nula no confirma la nula; indica evidencia insuficiente para la alternativa. Las conclusiones están limitadas por el diseño del estudio, la muestra y las operacionalizaciones. Los hallazgos confirmatorios genuinos replicados en muestras independientes tienen el mayor peso probatorio.

Errores comunes

  • HARKing (Hipotetizar Después de Conocer los Resultados) — presentar hallazgos exploratorios post-hoc como si fueran hipótesis confirmatorias pre-especificadas infla las tasas de falsos positivos y se considera una forma de mala conducta científica.
  • Diseños con potencia insuficiente — no realizar un análisis de potencia a priori resulta en estudios que no pueden detectar de manera fiable efectos reales, lo que lleva a resultados nulos ambiguos que no informan.
  • Malinterpretar un resultado no significativo como confirmación de la hipótesis nula — un valor p superior a alfa solo significa que la evidencia para la alternativa fue insuficiente, no que la nula sea verdadera.
  • Uso de medidas no validadas o ad hoc — las conclusiones confirmatorias sobre constructos teóricos solo son tan sólidas como la validez de los instrumentos utilizados para operacionalizarlos.
  • Realizar múltiples análisis no planificados mientras se reportan solo aquellos que son significativos — esto es p-hacking y destruye la lógica inferencial del diseño confirmatorio.

Preguntas frecuentes

¿Cuál es la diferencia entre investigación confirmatoria y exploratoria?

La investigación exploratoria genera hipótesis o modelos a partir de datos cuando el dominio está poco comprendido; la investigación confirmatoria contrasta hipótesis derivadas de la teoría previa frente a nuevos datos. La distinción formal clave es el momento: en la investigación confirmatoria, las hipótesis y los planes de análisis se especifican completamente antes de la recolección de datos; en la investigación exploratoria, surgen durante o después del análisis. Ambas cumplen roles importantes, pero solo las pruebas confirmatorias pre-especificadas controlan la tasa de falsos positivos al nivel alfa establecido.

¿Es obligatorio el pre-registro para la investigación confirmatoria?

Estrictamente hablando, el pre-registro es el mecanismo que hace que un estudio sea verificablemente confirmatorio en lugar de simplemente etiquetado como tal. Sin un pre-registro público y con marca de tiempo, los lectores no pueden distinguir las hipótesis pre-especificadas de las racionalizaciones post-hoc. Muchas revistas, particularmente en psicología y medicina, ahora exigen el pre-registro para afirmaciones confirmatorias. Las plataformas incluyen OSF Registries, AsPredicted y ClinicalTrials.gov.

¿Puedo realizar análisis tanto confirmatorios como exploratorios en el mismo estudio?

Sí — esto es común y legítimo, pero los dos tipos de análisis deben distinguirse claramente en el informe. Los análisis pre-especificados se etiquetan como confirmatorios y se interpretan con el nivel alfa establecido. Los análisis adicionales realizados después de ver los datos se etiquetan como exploratorios, sus hallazgos se tratan como generadores de hipótesis en lugar de contrastadores de hipótesis, y requieren replicación antes de extraer conclusiones sólidas.

¿Qué tamaño de muestra necesito para un estudio confirmatorio?

El tamaño de la muestra debe determinarse mediante un análisis de potencia a priori antes de la recolección de datos, basándose en el tamaño del efecto más pequeño que sería teóricamente significativo, la potencia deseada (convencionalmente .80 o .90) y el nivel alfa. Para un efecto medio (d de Cohen = 0.50 o r = .30) con potencia = .80 y alfa = .05, los requisitos típicos son alrededor de 50–130 participantes dependiendo de la prueba. Usar un conjunto de datos existente para justificar el tamaño de la muestra post-hoc no es una práctica confirmatoria.

¿Un estudio confirmatorio prueba una teoría?

Ningún estudio individual prueba una teoría. Un estudio confirmatorio puede proporcionar evidencia consistente con las predicciones de una teoría, pero la prueba requiere evidencia convergente a través de múltiples estudios independientes que utilicen diversas operacionalizaciones, muestras y diseños. El marco de Popper sostiene que las teorías solo pueden ser corroboradas o falsadas, no probadas — el objetivo es la acumulación de evidencia replicable y falsable a lo largo del tiempo.

Métodos relacionados

Fuentes

  1. Popper, K. R. (1959). The Logic of Scientific Discovery. Hutchinson.

    ISBN: 978-0415278447
    Copiado.
  2. Kline, R. B. (2013). Beyond Significance Testing: Statistics Reform in the Behavioral Sciences (2nd ed.). American Psychological Association.

    ISBN: 978-1433812378
    Copiado.