Skip to content
Voltar aos resultados

Pesquisa Causal-Comparativa — Desenho de Comparação de Grupos Retrospectivos

Proposto por
Fred N. Kerlinger
Ano
1964
Tipo
Non-experimental quantitative research design
Família
Survey / observational design

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

A pesquisa causal-comparativa é um desenho quantitativo não experimental no qual o pesquisador compara dois ou mais grupos que já diferem em uma variável independente — uma que não foi manipulada — para investigar possíveis causas ou consequências dessa diferença.

Como a filiação ao grupo é pré-existente em vez de atribuída aleatoriamente, o desenho pode sugerir relações causais, mas não estabelecê-las com a certeza de um experimento verdadeiro. É amplamente utilizada em educação, psicologia e ciências sociais quando a manipulação experimental é impraticável ou antiética.

A intuição por trás do método

Suponha que você queira saber se o tabagismo dos pais afeta a capacidade pulmonar das crianças. Você não pode atribuir aleatoriamente crianças a lares com fumantes ou não fumantes, então, em vez disso, identifica grupos de crianças cujos pais já fumam ou não fumam e compara sua função pulmonar. Essa é a lógica da pesquisa causal-comparativa: a 'causa' já ocorreu no mundo real, e você está olhando para trás para ver se ela está associada a uma diferença nos resultados. O desenho se assemelha a um experimento em estrutura — grupos, um resultado medido, uma comparação — mas carece da atribuição aleatória que tornaria a causalidade definitiva.

História

A lógica da pesquisa causal-comparativa foi formalizada na metodologia das ciências sociais por Fred N. Kerlinger em seu texto marco de 1964, Foundations of Behavioral Research, onde ele descreveu a pesquisa 'ex post facto' como a investigação sistemática de eventos já ocorridos para identificar causas prováveis. O desenho teve raízes anteriores em estudos agrícolas e epidemiológicos comparando grupos pré-formados. Pelas décadas de 1970-1980, tornou-se um componente padrão de livros didáticos de métodos de pesquisa educacional, notavelmente Gay (1976) e mais tarde Fraenkel e Wallen, cimentando seu papel como o desenho não experimental preferido quando a manipulação é impossível.

Quando usar

Use pesquisa causal-comparativa quando quiser investigar possíveis causas ou efeitos de uma variável que não pode ser manipulada ética ou praticamente — como gênero, status de deficiência, histórico socioeconômico ou exposição a um evento passado. É apropriada quando os grupos são naturalmente ocorrentes e os dados podem ser coletados em uma variável dependente significativa. Adapta-se a objetivos de pesquisa descritivos a explicativos em educação, saúde e ciências sociais. NÃO a use quando puder realizar um experimento verdadeiro com atribuição aleatória — experimentos fornecem evidências causais mais fortes. Evite-a quando os grupos não puderem ser significativamente igualados em confundidores importantes, quando a filiação ao grupo for ambígua ou quando a pergunta de pesquisa exigir acompanhamento prospectivo de mudanças ao longo do tempo (use pesquisa longitudinal em vez disso).

Limitações e considerações

  • Não pode estabelecer causalidade definitivamente porque os grupos não são atribuídos aleatoriamente — viés de seleção e variáveis de confusão permanecem explicações alternativas.
  • A direção da causalidade é ambígua: a causa e o efeito presumidos podem estar invertidos, ou uma terceira variável pode causar ambos.
  • Os grupos podem diferir em variáveis não medidas que explicam a diferença observada, tornando o controle estatístico incompleto.
  • A natureza retrospectiva significa que o pesquisador não tem controle sobre como a variável independente foi experimentada ou medida no passado.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Permite a investigação de hipóteses causais quando a manipulação experimental é antiética ou impossível.
  • Mais eficiente e menos custosa que experimentos longitudinais; os dados muitas vezes já existem.
  • Produz comparações quantitativas e estatisticamente testáveis entre grupos naturalmente ocorrentes.
  • Produz tamanhos de efeito que informam a significância prática juntamente com a significância estatística.
  • Útil como um desenho preliminar para justificar a necessidade de um experimento subsequente.

Aplicações

  • Comparar o desempenho acadêmico entre alunos que frequentaram a pré-escola e aqueles que não frequentaram.
  • Examinar diferenças em resultados de saúde entre fumantes e não fumantes sem atribuição experimental.
  • Investigar se existem diferenças de gênero na autoeficácia em matemática entre alunos do ensino secundário.
  • Comparar níveis de satisfação no trabalho entre funcionários com diferentes qualificações educacionais.
  • Avaliar se crianças criadas em lares bilíngues diferem em flexibilidade cognitiva de colegas monolíngues.
  • Explorar se a localização escolar urbana versus rural está associada a diferenças nas taxas de retenção de professores.

Como funciona

Como funciona

1

O pesquisador identifica a variável independente — uma característica pré-existente como gênero, status socioeconômico, nível educacional ou um evento de vida — e define pelo menos dois grupos que diferem nessa variável. A variável de comparação deve ter ocorrido naturalmente; ela nunca é manipulada pelo pesquisador.

2

Participantes são selecionados de cada grupo pré-formado, idealmente por amostragem probabilística para apoiar a generalização. Os grupos devem ser o mais semelhantes possível em todas as características, exceto na variável independente, de modo que o pesquisador controle ou iguale prováveis confundidores (por exemplo, idade, desempenho anterior, nível de renda) durante a fase de desenho.

3

Dados sobre a(s) variável(is) dependente(s) são coletados de todos os grupos usando os mesmos instrumentos e procedimentos. Fontes de dados comuns incluem pontuações de testes padronizados, respostas de pesquisas, registros administrativos ou medições físicas. Como a causa já ocorreu, a coleta de dados é retrospectiva ou concorrente — não prospectiva.

4

As médias dos grupos (ou proporções, postos) na variável dependente são comparadas usando estatísticas inferenciais apropriadas — tipicamente testes t de amostras independentes, ANOVA one-way, ANCOVA (para controlar covariáveis) ou testes qui-quadrado, dependendo da escala de medição. Tamanhos de efeito (d de Cohen, eta-quadrado) devem acompanhar os testes de significância.

5

Diferenças estatisticamente significativas entre grupos são interpretadas com cautela. O pesquisador considera explicações alternativas — particularmente viés de seleção e confundidores não medidos — antes de atribuir a diferença à variável independente. A linguagem causal é atenuada ('pode sugerir', 'é consistente com') a menos que o desenho inclua controles adicionais que fortaleçam a inferência causal.

Erros comuns

  • Tratar uma diferença significativa entre grupos como prova de causalidade — sempre reconheça a natureza não experimental e as explicações alternativas explicitamente.
  • Ignorar a não equivalência dos grupos — quando os grupos de comparação diferem em múltiplas variáveis de fundo, a diferença alvo é confundida; use igualação ou ANCOVA para abordar covariáveis importantes.
  • Inverter causa e efeito — em alguns desenhos é plausível que o resultado presumido influencie de fato a variável de agrupamento; raciocine cuidadosamente sobre a sequência temporal.
  • Usar o desenho quando os grupos não são significativamente distintos — limites de grupo imprecisos (por exemplo, 'renda alta' vs 'baixa' vagamente definida) inflacionam a variância do erro e enfraquecem a inferência.
  • Relatar apenas valores p sem tamanhos de efeito — uma diferença estatisticamente significativa entre grupos grandes pode ser praticamente trivial; sempre relate e interprete a magnitude do efeito.

Perguntas frequentes

Qual é a diferença entre pesquisa causal-comparativa e pesquisa correlacional?

Ambas são não experimentais, mas diferem em estrutura e propósito. A pesquisa correlacional examina a força e a direção de uma relação entre variáveis contínuas dentro de um único grupo, usando coeficientes como r de Pearson. A pesquisa causal-comparativa compara grupos discretos e pré-formados em uma variável dependente e usa estatísticas de diferença de grupo (teste t, ANOVA). Desenhos causais-comparativos são explicitamente enquadrados em torno de uma relação causal presumida entre a filiação ao grupo e um resultado, enquanto desenhos correlacionais descrevem a associação sem implicar uma direção de causa e efeito.

Como a pesquisa causal-comparativa difere do desenho ex post facto?

Os termos são frequentemente usados de forma intercambiável, e em muitos livros didáticos 'desenho ex post facto' é o rótulo mais antigo para exatamente a mesma abordagem. Kerlinger originalmente usou 'ex post facto' (latim para 'depois do fato') para enfatizar que a variável independente já ocorreu. Metodologistas posteriores, particularmente em educação, preferiram 'causal-comparativo' para destacar a lógica de comparação de grupos. Funcionalmente, os dois rótulos referem-se à mesma família de desenhos.

A pesquisa causal-comparativa pode estabelecer causalidade?

Não — não com a mesma confiança de um experimento verdadeiro. Como os participantes não são atribuídos aleatoriamente aos grupos, diferenças pré-existentes entre os grupos (viés de seleção) e terceiras variáveis não medidas são sempre explicações alternativas plausíveis. O desenho pode fornecer evidências sugestivas e geradoras de hipóteses de uma relação causal, particularmente quando múltiplos estudos replicam consistentemente o padrão, mas um experimento controlado é necessário para confirmar a alegação causal.

Quais testes estatísticos são apropriados?

A escolha depende do número de grupos e da escala de medição. Para dois grupos com um resultado contínuo, use um teste t de amostras independentes; para três ou mais grupos, ANOVA one-way. Ao controlar covariáveis, use ANCOVA. Para resultados categóricos, use testes qui-quadrado. Em todos os casos, complemente o teste de significância com um índice de tamanho de efeito (d de Cohen para testes t, eta-quadrado ou omega-quadrado para ANOVA) para transmitir a importância prática.

Como controlar variáveis de confusão em um desenho causal-comparativo?

Várias estratégias estão disponíveis na fase de desenho ou análise. Na fase de desenho, você pode igualar participantes entre os grupos em confundidores importantes (por exemplo, parear cada participante do grupo de tratamento com um participante do grupo de controle de idade e desempenho anterior semelhantes). Na fase de análise, você pode incluir confundidores como covariáveis em ANCOVA, que ajusta estatisticamente as médias dos grupos. Nenhuma abordagem elimina todos os confundidores, mas ambas fortalecem substancialmente a validade interna da comparação.

Métodos relacionados

Fontes

  1. Kerlinger, F. N. (1964). Foundations of Behavioral Research. Holt, Rinehart and Winston.

    Abrir referência da publicação
    Copiado.
  2. Fraenkel, J. R., Wallen, N. E., & Hyun, H. H. (2012). How to Design and Evaluate Research in Education (8th ed.). McGraw-Hill.

    ISBN: 978-0078097850
    Copiado.