Saltar al contenido
Volver a los resultados

Investigación por contraste de hipótesis — Diseño cuantitativo confirmatorio

Propuesto por
Karl Pearson, Ronald A. Fisher, Jerzy Neyman, Egon Pearson
Año
Early 20th century (Fisher 1925; Neyman–Pearson 1933)
Tipo
Quantitative confirmatory 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 por contraste de hipótesis es un diseño cuantitativo en el que el investigador deriva una o más proposiciones explícitas y falsables de la teoría, las traduce en una hipótesis nula (H0) y una hipótesis alternativa (H1), recopila datos empíricos y luego aplica una prueba estadística inferencial para decidir si la evidencia es suficiente para rechazar H0.

Este enfoque es el paradigma dominante para la ciencia confirmatoria en las ciencias sociales, del comportamiento, de la salud y naturales.

La intuición detrás del método

Piense en una sala de tribunal: H0 es la presunción de inocencia, y la prueba estadística es el juicio. Usted reúne pruebas (datos), aplica una regla de decisión rigurosa (nivel de significación alfa) y, o bien rechaza la inocencia o no lo hace; nunca prueba la culpabilidad más allá de toda duda, solo más allá de un umbral de duda especificado. La belleza reside en la disciplina: al comprometerse tanto con la hipótesis como con la regla de decisión antes de ver los datos, se protege contra la tendencia humana muy común de encontrar patrones que en realidad nunca existieron.

Historia

El aparato formal de las pruebas de significación de hipótesis nulas surgió de dos tradiciones paralelas a principios del siglo XX. Ronald A. Fisher introdujo los valores p y las pruebas de significación en Statistical Methods for Research Workers (1925) como una herramienta para la inferencia inductiva a partir de datos. Jerzy Neyman y Egon Pearson (1933) propusieron el marco complementario de niveles alfa preestablecidos, dos hipótesis contrapuestas y el control de errores de Tipo I / Tipo II. Aunque los dos marcos son lógicamente distintos, un híbrido se convirtió en la práctica estándar en las ciencias del comportamiento a mediados de siglo, codificado por Kerlinger (1973, 1986) y reforzado por el trabajo de Cohen sobre potencia estadística (1969, 1988).

Cuándo usarlo

Utilice la investigación por contraste de hipótesis cuando tenga una predicción específica, derivada de la teoría, sobre una relación, diferencia o efecto, y necesite un procedimiento de decisión defendible y replicable. Es el diseño adecuado cuando las preguntas de investigación son confirmatorias ('¿Reduce la intervención X el resultado Y?') en lugar de exploratorias. Requiere datos numéricos y una muestra lo suficientemente grande como para lograr una potencia estadística adecuada (típicamente al menos 80%). NO la utilice cuando (a) no tenga teoría previa y el objetivo sea el descubrimiento — utilice diseños exploratorios o descriptivos en su lugar; (b) la muestra sea demasiado pequeña para detectar tamaños de efecto plausibles, produciendo pruebas infradotadas que son más ruido que señal; o (c) ajuste las hipótesis después de ver los datos (HARKing), lo que invalida por completo la lógica confirmatoria.

Limitaciones y consideraciones

  • La significación estadística (p < alfa) no equivale a significación práctica o clínica: un efecto trivial puede ser muy significativo con una muestra suficientemente grande.
  • La decisión binaria de rechazar/no rechazar descarta la evidencia continua; los resultados límite (p = 0.049 frente a p = 0.051) se tratan como categóricamente diferentes.
  • Los estudios infradotados producen altas tasas de errores de Tipo II (falsos negativos) y, paradójicamente, estimaciones infladas del tamaño del efecto cuando producen resultados significativos.
  • Las pruebas múltiples sin corrección inflan el error de Tipo I (falsos positivos); esto a menudo se pasa por alto en la práctica.
  • La lógica asume que las hipótesis se fijaron antes de la recopilación de datos: las violaciones (HARKing, p-hacking, detención opcional) son comunes e invalidan las conclusiones.

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

Fortalezas

  • Proporciona una regla de decisión transparente y preestablecida que protege contra la racionalización post-hoc de hallazgos casuales.
  • Prueba directamente las predicciones teóricas, lo que la convierte en la piedra angular de la ciencia acumulativa y replicable.
  • Cuantifica la incertidumbre a través de valores p, intervalos de confianza y tamaños del efecto, lo que facilita la comparación entre estudios.
  • Bien respaldada por la síntesis meta-analítica: los estudios de contraste de hipótesis pueden agruparse entre laboratorios y replicaciones.
  • Ampliamente comprendida y aceptada por revistas, financiadores y responsables políticos en prácticamente todas las disciplinas cuantitativas.

Aplicaciones

  • Evaluar si un nuevo método de instrucción mejora el rendimiento estudiantil en comparación con una condición de control en la investigación educativa.
  • Evaluar si una intervención clínica reduce significativamente la gravedad de los síntomas en relación con un grupo placebo.
  • Examinar si el género, el estatus socioeconómico u otras variables de grupo predicen diferencias en los resultados psicológicos.
  • Probar modelos de ecuaciones estructurales o coeficientes de regresión derivados de marcos teóricos en comportamiento organizacional.
  • Evaluar si un tratamiento de marketing (precio, encuadre del mensaje) cambia significativamente la elección del consumidor en economía experimental.
  • Comparar puntuaciones pre y post intervención en evaluaciones de programas longitudinales utilizando pruebas pareadas o de medidas repetidas.

Cómo funciona

Cómo funciona

1

El investigador deriva una o más hipótesis contrastables de la teoría existente o de hallazgos previos. Cada hipótesis se formula como una hipótesis nula (H0, la afirmación por defecto de 'sin efecto') y una hipótesis alternativa (H1, el efecto o relación predicho). Ambas deben enunciarse con precisión y antes de la recopilación de datos para preservar la lógica confirmatoria.

2

Se selecciona un diseño de estudio que pueda proporcionar evidencia válida a favor o en contra de H0: encuesta, experimento, cuasi-experimento u observacional. Fundamentalmente, el investigador realiza un análisis de potencia a priori (utilizando el tamaño del efecto, alfa y la potencia deseada) para determinar el tamaño de muestra mínimo necesario para detectar el efecto hipotetizado con una probabilidad adecuada.

3

Se recopilan datos de acuerdo con el diseño predeterminado. Los instrumentos de medición deben demostrar fiabilidad y validez. El muestreo debe ser aleatorio o suficientemente representativo para respaldar el salto inferencial de las estadísticas de la muestra a los parámetros de la población.

4

Se aplica una prueba inferencial apropiada (prueba t, ANOVA, chi-cuadrado, regresión, etc.) a los datos. La prueba produce un valor p, la probabilidad de observar resultados al menos tan extremos como los obtenidos, dado que H0 es verdadera. El nivel alfa preestablecido (comúnmente 0.05) sirve como umbral de decisión.

Fórmula
H_0: \mu_1 = \mu_2 \quad \text{vs} \quad H_1: \mu_1 \neq \mu_2
5

Si p < alfa, se rechaza H0 en favor de H1 y el hallazgo se declara estadísticamente significativo; también se informan el tamaño del efecto y los intervalos de confianza para transmitir la magnitud práctica. Si p >= alfa, el investigador no logra rechazar H0; esto no confirma H0, sino que la deja como la opción por defecto vigente. Los resultados se interpretan a la luz del marco teórico original.

Fórmula
p < \alpha \Rightarrow \text{reject } H_0

Errores comunes

  • HARKing (Hipotetizar Después de Conocer los Resultados): presentar una hipótesis post-hoc como si se hubiera declarado a priori convierte los hallazgos exploratorios en confirmaciones falsas. La preinscripción es el remedio estándar.
  • Ignorar la potencia: realizar un estudio sin un análisis de potencia e interpretar luego un resultado no significativo como 'sin efecto' es un error común y grave. Un valor p no significativo de un estudio infradotado no es informativo.
  • Confundir el valor p con el tamaño del efecto: informe siempre d de Cohen, eta-cuadrado, r o un equivalente junto con los valores p para que los lectores puedan juzgar la importancia práctica.
  • Pesca de alfa (p-hacking): probar múltiples resultados, subgrupos o especificaciones de modelos y reportar solo los significativos. Aplique Bonferroni, Benjamini–Hochberg o preinscriba todos los análisis.
  • Tratar el fallo en rechazar H0 como prueba de que H0 es verdadera: utilice pruebas de equivalencia (TOST) o métodos bayesianos si su objetivo es demostrar la ausencia de un efecto.

Preguntas frecuentes

¿Cuál es la diferencia entre la investigación por contraste de hipótesis y la investigación confirmatoria?

La investigación por contraste de hipótesis es el mecanismo específico — el procedimiento estadístico formal (H0 frente a H1, valor p, alfa). La investigación confirmatoria es la filosofía de diseño más amplia de que las predicciones derivadas de la teoría deben contrastarse con datos nuevos antes de ser aceptadas. Toda investigación por contraste de hipótesis es confirmatoria en espíritu, pero la investigación confirmatoria también puede implicar comparación de modelos o actualización bayesiana sin el marco clásico de NHST.

¿Cómo elijo el nivel de significación (alfa) correcto?

Alfa = 0.05 es la opción por defecto convencional en la mayoría de las ciencias sociales y del comportamiento, pero es una convención social, no una verdad universal. Utilice alfa = 0.01 cuando los falsos positivos sean especialmente costosos (por ejemplo, recomendar una intervención costosa). Utilice alfa = 0.10 en diseños exploratorios-confirmatorios donde los falsos negativos son la mayor preocupación. Justifique siempre su elección en la sección de métodos, y siempre informe los valores p exactos junto con la decisión umbral.

Mi resultado no es significativo. ¿Puedo concluir que no hay efecto?

No. Un resultado no significativo solo significa que los datos no proporcionan evidencia suficiente para rechazar H0 en el nivel alfa elegido; no confirma H0. Para hacer una afirmación afirmativa de 'ningún efecto significativo' necesita una prueba de equivalencia formal (por ejemplo, dos pruebas unilaterales, TOST) o un análisis bayesiano que cuantifique la evidencia a favor de H0 en relación con H1.

¿Qué es la preinscripción y por qué es importante?

La preinscripción significa registrar públicamente sus hipótesis, diseño, tamaño de muestra y plan de análisis antes de recopilar datos (a través de OSF, AsPredicted o un registro similar). Dibuja una línea clara entre los análisis confirmatorios y exploratorios, haciendo imposible presentar retroactivamente un hallazgo exploratorio como uno impulsado por hipótesis. Las revistas exigen o recompensan cada vez más la preinscripción como indicador de calidad.

¿Debo informar los tamaños del efecto junto con los valores p?

Sí, esto ahora se considera obligatorio según el Manual de Publicación de la APA (7ª edición) y la mayoría de las revistas importantes. La significación estadística le dice si un efecto es distinguible de cero dado su tamaño de muestra; el tamaño del efecto (d de Cohen, r, eta-cuadrado, odds ratio) le dice cuán grande o significativo es realmente el efecto. Un valor p significativo con un tamaño del efecto diminuto a menudo indica un impacto trivial en el mundo real.

Métodos relacionados

Fuentes

  1. Kerlinger, F. N., & Lee, H. B. (1986). Foundations of Behavioral Research (3rd ed.). Holt, Rinehart and Winston.

    ISBN: 978-0030417603
    Copiado.
  2. Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.

    ISBN: 978-0805802832
    Copiado.