domingo, 19 de noviembre de 2017

Validez de una Investigación


La validez de un diseño de investigación o tesis se compone de dos conceptos: la validez en la interpretación de los resultados y la generalización de los resultados a otros grupos de personas. La primera se denomina validez interna y la segunda, validez externa.


La validez interna de los resultados del estudio de investigación o tesis son producto de las variables manipuladas o medidas por el investigador; no se incluye el efecto de otras variables que no haya sido tratada sistemáticamente.

La validez externa de un estudio de investigación o tesis se refiere que los resultados obtenidos pueden generalizarse a otros grupos, diferentes de las observadas en el estudio; y, si los resultados obtenidos en el experimento, pueden extenderse al mundo real.

En general existe una situación complicada en optimizar la validez interna y externa. Cuando el investigador selecciona un diseño fuerte para controlar la validez interna, su trabajo lo desarrolla en situaciones que no están presentes en la realidad natural y por tanto los resultados producto de las variables que manipula no se pueden generalizar a otras poblaciones. Buscando aumentar la validez externa, el investigador trabaja en el mundo real y no en situaciones altamente controladas como el laboratorio; en consecuencia las conclusiones se ven afectadas por la validez interna.

La polémica de los investigadores se centra en cómo obtener un equilibrio, aumentar la validez interna sin disminuir la externa. Este equilibrio va depender en gran medida del conocimiento y experiencia del investigador y de su capacidad para encontrar el diseño apropiado de la investigación que realiza. Algunos estudios de laboratorio se pueden realizar en condiciones del mundo real como sucede en los estudios de campo, los cuales facilitan un control parcial de las variables qué afectan la validez interna del diseño.

La evaluación de toda investigación, además de la validez interna y externa, exige analizar la validez de construcción, para esto, se determina:
a.    la correcta representación de las definiciones operacionales;
b.    en qué medida el diseño permite alcanzar conclusiones de causalidad entre las variables independientes y dependientes, o sea, el análisis de la validez interna que ofrece el diseño;
c.    la extensión con que la muestra del estudio permite generalizar los resultados a otras poblaciones y situaciones, es decir, la validez externa.

lunes, 13 de noviembre de 2017

Al redactar el informe de tesis

El informe de tesis es el documento donde se presentan los resultados alcanzados por el tesista en su trabajo de investigación. Se debe presentar de forma sistematizada, lógica y objetiva, en correspondencia con el proyecto presentado, discutido y aprobado para la búsqueda de soluciones al problema planteado. En muchas ocasiones a pesar de tener resultados relevantes, la forma en que se presentan no los hace comprensibles y se pierda la calidad de la investigación; por tanto, el informe de la tesis debe tener en cuenta dos tipos de requisitos: de fondo y de forma.
En los requisitos de fondo, el informe de tesis debe contener unidad, demostración, profundidad y originalidad.

Unidad, es la armonía de las partes con el todo. Las ideas, tanto principales como secundarias deben estar en armonía. Aunque existan varias ideas, hay una que es la idea fundamental, la base de la investigación y el objeto final de la misma. Las otras ideas son secundarias con respecto a ella.

Demostración, la tesis debe ser demostrada mediante el razonamiento lógico de los resultados a través de los procesos análisis y discusión que debe llevar a conclusiones.

Profundidad, la tesis debe enfocarse en la esencia del problema, no debe limitarse a sus cualidades fenomenológicas.

Originalidad, la tesis tiene por objeto una materia que demostrable, y esto se logra mediante el análisis de los intentos realizados anteriormente por otros investigadores, o por el propio investigador, de resolver el problema.

En los requisitos de forma, se debe tener en cuenta el lenguaje, la organización del texto y la redacción del informe.

El lenguaje de la tesis debe ser adecuado al objeto de estudio y a la ciencia donde se desenvuelve la investigación. El tesista debe mostrar dominio de los términos empleados en la tesis, así como del área de investigación donde se desarrolla. La claridad es vital, la escritura debe ser accesible, explicar con pocas palabras y describir los conceptos difíciles de comprender. La sintaxis debe ser adecuada y el vocabulario al alcance de los lectores, no se deben usar palabras ambiguas o vagas. Se debe escribir en un estilo sobrio y mesurado.

La organización del texto, la redacción debe escribirse en forma impersonal, es decir, en tercera persona del singular. Escribir con mayúscula cuando sea necesario, sin abusar de su uso. Se debe revisar la versión impresa con el fin de constatar un correcto paginado, si las citas están entrecomilladas y referidas, si se corresponde el mero de las notas con la referencia y se aprecia correctamente en el texto; si la bibliografía está ordenada de acuerdo a la norma Vancouver o APA, y si cuenta con todos los datos necesarios, ya sea libro o artículo de revista.

La redacción del informe debe estar en tiempo pasado. La introducción, fundamentación y marco teórico se redacta en presente, ya que son aspectos válidos hasta el momento y que mantienen su vigencia. La metodología y los procedimientos se escriben en pasado, pues representan acciones ya realizadas. Los resultados se escriben en pasado, pues fueron encontrados antes de escribir la tesis. En la discusión al debatir y opinar sobre contenidos de otros autores se escribe  en  presente,  pues  son  conocimientos  actuales  que  se  usan  como referencia;  cuando  se  comentan  los  resultados  obtenidos, se  escriben  en pasado.

Es importante que el tesista sepa que debe utilizar todo lo mencionado en este post como modelo y no interpretarlas como documento normativo. Un trabajo de tesis, no debe juzgarse sólo por su forma sino principalmente por la calidad de su contenido. La  amplitud de temas en que podría desarrollarse una tesis de maestría o doctorado, para cualquier carrera, hace infructuoso cualquier esfuerzo por diseñar un patrón para el informe de la tesis.

lunes, 6 de noviembre de 2017

Criterio 6: El Comportamiento de los Datos

El sexto y último criterio para elegir un procedimiento estadístico para el análisis de datos es el comportamiento de los datos. Este criterio es el más desconocido de todos, la bibliografía habla muy poco, pero es un criterio real a tomar en cuenta. Pensemos en la prueba Chi cuadrado, que tiene una corrección que se llama la corrección de Yates, y se aplica cuando una de las casillas esperadas en la tabla de contingencia está por debajo de un valor esperado, sucede cuando se tiene muy pocos datos y la muestra es pequeña; entonces se hace una corrección, ya que no se sabía que esto iba a ocurrir desde el momento en que se planeó el estudio, en lugar de aplicar Chi Cuadrado, se aplica la corrección de Yates.

Otro ejemplo, cuando se comparar dos grupos y la variable aleatoria a comparar es numérica. Una variable aleatoria es aquella que cuando se realiza un estudio,  recién te enteras de su valor cuando la mides. Entonces en una comparación de dos grupos, se tiene dos variables, la variable de conformación de grupo (es fija) y la variable aleatoria que se va a medir, se aplica entonces t de Student para muestras independientes. Pero si la variable aleatoria no tiene distribución normal, entonces se decide aplicar la U de Mann-Whitney, que es su equivalente no paramétrico. A pesar de que el tipo, el nivel y diseño de investigación es el mismo, es la misma variable, el mismo atributo de la variable y el mismo objetivo del estudio; pero no cumple el criterio del comportamiento de los datos, ya que la variable aleatoria no presenta distribución de normalidad, se debe cambiar de prueba estadística, de la t de Student a la U de Mann-Whitney.

Las variables numéricas son continuas y discretas. El problema de la normalidad es para las variables continuas, ya que cuando se usa una variable continúa, se parte de la premisa de que tiene distribución normal.

Pero cuando se trabaja con variables discretas no se parte de esa premisa, porque la variable discreta es conteo, es número entero; por ejemplo, número de pacientes que llegan, número de clientes que se atiende, número de alumnos en un salón, el número de hijos en una familia.

Las variables discretas tienen distribución binomial o distribución Poisson, ¿Cuál es la diferencia?, la distribución binomial tiene un límite, mientras que la distribución de Poisson no tiene límite.

Entonces los procedimientos analíticos que se desarrollan para la distribución normal,  la distribución binomial y la distribución Poisson son distintos, muchas veces nos enfocados nada más en la distribución normal, pero la distribución normal es para las variables continuas y cuando de variables numéricas se trata, se tiene variables continuas y variables discretas y la diferencia entre las variables numéricas está precisamente ahí, no está en las escalas de medición: escala de intervalo y escala de razón, desde el punto de vista aleatorio se comportan de la misma manera.

En las variables categóricas, nos enfocamos en las escalas de medición nominal y ordinal porque los procedimientos estadísticos para una y otra escala, sí son distintos. Cuando se tiene una variable, no se conoce su distribución, hasta que no se realice una prueba de contraste, es decir la prueba de Kolmogórov-Smirnov, que pone a prueba o somete a contraste la distribución de una variable respecto de la distribución normal, pero Z de Kolmogórov-Smirnov es mucho más que eso; se puede someter a contraste la distribución de una variable a cualquier otra distribución y Kolmogórov-Smirnov es versátil frente a esa situación. Aspecto que no lo hace Shapiro-Wilks, ni Anderson-Darling, por eso es que esta prueba estadística es más difundida, porque es más versátil que los otros procedimientos, para demostrar no tanto la normalidad, sino el contraste con otros tipos de distribución.

Para estar seguros frente a qué distribución nos encontramos, se tiene que hacer una prueba de hipótesis, hacer un contraste, un procedimiento analítico; porque de eso va a depender el análisis estadístico más adelante.

lunes, 30 de octubre de 2017

Criterio 5: El Objetivo de Investigación

El quinto criterio para elegir un procedimiento estadístico para el análisis de datos es el objetivo de investigación. El objetivo de investigación es la traducción operativa del propósito del estudio. El propósito es la intención del investigador, es lo que el investigador desea conocer. Pero cómo se traduce a términos operativos, cómo se va trabajar.
En el nivel exploratorio no se utiliza estadística. Existen diferentes métodos cualitativos para desarrollar el objetivo del estudio. Objetivos que buscan determinar o diagnosticar, no está apoyado en métodos estadísticos.

En el nivel descriptivo aparece la estadística, por eso todos los niveles de investigación desde el descriptivo hacia arriba se denominan cuantitativos. Los objetivos a partir del descriptivo son objetivos estadísticos, porque requieren de herramientas estadísticas para poder ser alcanzado.

Los objetivos de nivel descriptivo son describir y estimar, estos objetivos son univariados, solamente participa una variable en el análisis estadístico.

Los objetivos del nivel relacional, son asociar, correlacionar y comparar, y participan dos variables.

Los objetivos del nivel explicativo son evidenciar, demostrar y comprobar, están enfocados en la relación causa-efecto.

En el nivel predictivo los objetivos son predecir, pronosticar y prever; son objetivos netamente relacionados a nivel predictivo.

En el nivel aplicativo los objetivos son monitorizar o supervisar, que es lo mismo que controlar y calibrar.

Entonces el objetivo va a hacer que el procedimiento sea distinto en cada caso. Pensemos en el objetivo asociar y comparar, y vamos a utilizar la prueba Chi Cuadrado. Existen dos variantes de Chi Cuadrado, se tiene Chi Cuadrado de homogeneidad y Chi Cuadrado de Independencia. ¿Qué diferencia hay entre estas dos pruebas?

El Chi cuadrado de homogeneidad compara dos grupos, por ejemplo dos salones de clases para comparar el rendimiento académico o para ver cuántos aprobados hay en el salón A y cuántos aprobados hay en el salón B, lo comparamos con el Chi Cuadrado de homogeneidad.

En el Chi cuadrado de homogeneidad, hay dos variables participantes hay una variable fija y una variable aleatoria, cuáles son esas variables, el rendimiento académico o el número de aprobados en cada salón, estas variables son de resultado; la conocemos después de que se realiza la recolección de datos; es una variable aleatoria. Pero la variable salón de clases, cuyas categorías son salón A y B, se conoce desde antes.

Si se supone que hay 40 alumnos en cada salón, eso se conoce desde antes, se termina la investigación y sigue los 40 alumnos en cada salón, eso no cambia, porque es una variable fija. Entonces en la comparación con Chi cuadrado de homogeneidad hay una variable fija y una variable aleatoria.

El Chi Cuadrado de independencia es distinto, el Chi Cuadrado de Independencia tiene dos variables aleatorias, entonces esto es como asociar el hábito de fumar con el consumo de alcohol, no se sabe si de 200 personas que voy a visitar, no se sabe cuántas fuman, recién se va a conocer cuando sean visitadas. No se sabe cuántas consumen alcohol, se va a conocer cuando las visite. Entonces las dos variables son aleatorias, porque todavía no se conoce el resultado de ninguna de estas dos mediciones que recién se van hacer, en cambio en la comparación de aprobados en los dos salones de clases se sabía que habían 40 alumnos en cada salón, desde antes de ejecutar la investigación. El porcentaje de aprobados eso no se sabe, es una variable aleatoria.

El algoritmo de Chi cuadrado de homogeneidad y el Chi cuadrado de Independencia, es el mismo; los objetivos de las investigaciones son distintos y las interpretaciones son distintas, el nivel de investigación es el mismo, es la relación entre variables. Se habla de dependencia probabilística entre dos variables pero la interpretación ciertamente va a ser distinta, porque por el objetivo estadístico de la investigación no es lo mismo, comparar y asociar.

lunes, 23 de octubre de 2017

Criterio 4: Los Atributos de la Variable de Investigación

El cuarto criterio para elegir un procedimiento estadístico para el análisis de datos son los atributos de la variable de estudio. Las propiedades que tienen los valores finales de una variable, son el orden, la distancia y el origen. Estas propiedades hace que se generen cuatro escalas de medición: nominal, ordinal, intervalo y razón.
La escala nominal, no tiene ningún atributo; no existe un orden en las categorías: masculino o femenino; sano o enfermo; soltero, casado, divorciado, viudo o conviviente.

La escala ordinal tiene la propiedad del orden, leve, moderado y severo; son niveles de jerarquía y orden. Eso es lo que lo diferencia de la variable nominal, el orden; por eso se llama ordinal, por el atributo orden que poseen los valores finales.

La escala de intervalo es característica de una variable numérica que tiene la propiedad de orden y distancia; la propiedad de distancia de una medición permite hacer métricas, razones y proporciones. Un billete de $100, se puede cambiar por dos de $50, es el equivalente. Esa propiedad no existe en la variable ordinal, no se puedo cambiar un profesional con grado de doctor por dos magísteres.

La escala de razón tiene orden, distancia y la última de las propiedades, el origen, el origen le da a esta variable un punto de partida. Las variables en escala de razón que tienen el cero, no existen. Por ejemplo, no existe un padre de familia que tenga 0 hijos. No existe persona que pese 0 kilogramos, porque no existe. Si no se acepta el cero, menos se va a aceptar el signo negativo. Esta propiedad no la tiene la variable en escala de intervalo, por ejemplo el saldo bancario puede ser negativo; la temperatura puede estar a menos 5 grados centígrados.

Estas escalas de medición tienen que ver con los procedimientos analíticos, desde un punto de vista amplio, se tiene pruebas estadísticas para datos numéricos y para datos no numéricos. Cuando se tiene datos numéricos, se piensa en procedimientos estadísticos paramétricos, las variables numéricas son más ricas en información que las variables categóricas, las variables numéricas son las escalas de intervalo y razón, las escalas categóricas son las escalas nominal y ordinal.

Las variables numéricas son más ricas en información que las variables categóricas, por los atributos que poseen sus valores finales, por eso hay más información en una variable numérica que en una variable categórica. Por eso es mejor que las variables numéricas no se categoricen para el análisis estadístico, ya que se pierde información.

Si se va realizar un procedimiento analítico con variable numérica, también se requiere que tenga distribución normal como primer requisito y luego dependiendo del procedimiento estadístico, se va a requerir otras características; por ejemplo, si se va a comparar dos grupos, se requiere homogeneidad de varianzas y si se van a tomar  medidas repetidas, se va a requerir esfericidad y si se va a hacer una regresión lineal van a aparecer cinco requisitos o supuestos que debe de cumplir una regresión lineal.

Entonces, si no se puede realizar un procedimiento paramétrico, existen procedimientos no paramétricos, estos procedimientos son ad-hoc para variables categóricas o para variables numéricas que no cumplen los requisitos que tenían que cumplir. Todos los procedimientos para variables categóricas son no paramétricos, la prueba Chi cuadrado es un procedimiento no paramétrico, pero nadie le llama así, porque Chi-cuadrado se usa cuando se tiene variables categóricas, no cuando se tiene una variable numérica sin distribución normal. Entonces si se tiene una variable numérica sin distribución normal, entonces se debe utilizar la U de Mann-Whitney o Chi cuadrado, esto es porque hay orden y jerarquía.

Si se tiene una variable numérica, se piensa en un procedimiento paramétrico, pero si la variable aleatoria no tiene distribución normal, no se debe bajar hasta una escala nominal, sino hasta una escala ordinal, se puede perdería un poco de información. Por eso a U de Mann-Whitney, Wilcoxon, el análisis de la varianza no paramétrico se utiliza nada más cuando no hay distribución normal en las variables numéricas o cuando nativamente tus variables son ordinales.

El cuarto criterio de la elección de un procedimiento estadístico es precisamente los atributos o la naturaleza de la variables, hay pruebas estadísticas para variables categóricas y hay pruebas estadísticas para variables numéricas ejemplo es Chi cuadrado y t de Student, ambos procedimientos responden a la misma intención; comparar. Por ejemplo, si se quiere comparar el rendimiento académico de dos salones de clases salón A y  B, se usa t de Student; si se compara el número de aprobados en cada salón se usa Chi cuadrado de homogeneidad; si se compara el promedio de notas en cada salón se usa t de Student para muestras independientes. Sin embargo la intención desde el punto de vista de la investigación es la misma.

¿Cuál de estos dos salones tiene mejor rendimiento académico?, se puede responder esta interrogante, con Chi cuadrado o con t de Student, se eligió t de Student porque se tiene datos numéricos, que tienen más atributos en sus valores finales, si se categoriza la variable, se está perdiendo información. Si se va a categorizar, no se debe llegar a lo dicotómico, se puede dejar en lo ordinal y eso va hacer que las conclusiones tengan mayor capacidad predictiva.

Por otro lado, las pruebas estadísticas dependen no tanto de la naturaleza de la variable, sino del comportamiento aleatorio; las variables en escala de intervalo y en escala de razón a pesar de esta diferencia de que las variables en escala de razón tienen un atributo denominado origen y las de intervalo no, el comportamiento aleatorio de estas dos variables es similar. Por eso las pruebas estadísticas para las escalas de intervalo y razón son las mismas, en cambio las pruebas estadísticas para variables nominales y ordinales, son distintas por el tipo de distribución. Entonces interesa el tipo de distribución, recordando que dentro de las variables numéricas, se tiene a las variables continuas y discretas; las variables continuas provienen de medir y las variables discretas provienen de contar. Las variables continuas son peso, talla, temperatura; las variables discretas son el número de hijos, de clientes, de pacientes y se trata de números enteros. La distribución de una variable discreta es distinta a la distribución de una variable continua. Las distribuciones más frecuentes en estadística son la distribución normal, distribución Z y la distribución t en cambio las variables discretas son la distribución Binomial y la distribución Poisson.

lunes, 16 de octubre de 2017

Criterio 3: El Diseño de Investigación

El tercer criterio para elegir un procedimiento estadístico para el análisis de datos es el diseño de investigación. Un diseño de investigación requiere un plan, este plan debe ser específico y sólo sirve para la investigación que se estudia. Por tanto habrá tantos diseños como estudios de investigación se realicen. Sin embargo, hay esquemas y formatos que se pueden adaptar realizando ajustes convenientes.
Si se quiere utilizar el diseño de casos y controles, pero no como está descrito en un libro, se realiza los ajustes necesarios para cumplir con el propósito del estudio que se realiza. Al aplicar un diseño de cohortes o un diseño de Focus Group, cualquiera que sea el diseño que se elija, se tienen que hacer ajustes, porque cada diseño responde a una idea específica. En realidad diseñar significa elaborar un plan para una idea de investigación, los diseños de investigación no se eligen, se crean; casi siempre se parte de esquemas que ya existen.

Los diseños en investigación más conocidos que existen dependen de su origen, tenemos a los diseños epidemiológicos, comunitarios o ecológicos, los diseños experimentales y los diseños de validación instrumentos.

Los diseños epidemiológicos se originaron en las ciencias de la salud, pero no son exclusivos para el uso en el campo de la Salud, si un diseño epidemiológico se acomoda a una idea de investigación, se puede utilizar, aunque no estemos investigando en el campo de la salud.

En los diseños epidemiológicos se tienen los estudios descriptivos de prevalencia e incidencia, estos son términos epidemiológicos, pero aplicables a otros campos de las ciencias. Investigar la prevalencia de una enfermedad implica diseñar un estudio de manera observacional, retrospectiva, transversal y descriptivo; se puede hacer uso de los diseños de acuerdo al propósito del estudio. El diseño de incidencia es un estudio observacional, prospectivo, longitudinal y descriptivo.

El diseño epidemiológico de casos y controles es observacional, retrospectivo, transversal y analítico. El diseño de cohortes es muy similar, pero es transversal y prospectivo. Lo que tienen en común es que son estudios analíticos y observacionales, no se realiza experimento.

En los casos mencionados, cómo interviene el análisis estadístico? El riesgo relativo se calcula para el diseño de cohortes y el odds-ratio para el diseño de casos y controles, ya que para estudiar a los factores de riesgo se debe hacer un diseño de cohortes. Pero si no se puede hacer un estudio prospectivo, se puede hacer un estudio retrospectivo de casos y controles, los resultados que se van a encontrar serán muy similares al diseño de cohortes.

Dentro de los diseños epidemiológicos, también se tiene a los estudios experimentales, que en salud se le denomina el ensayo clínico, el ensayo clínico es un conjunto de diseños que tiene cuatro fases: la primera y la segunda pertenecen al nivel explicativo, la tercera al nivel predictivo y la cuarta pertenece al nivel aplicativo. El ensayo clínico es en cierta manera un diseño complejo.

Los diseños comunitarios o ecológicos surgen en el campo de las ciencias sociales, ya que en las ciencias sociales se investiga y analiza el conjunto o la comunidad. En las ciencias sociales se habla de sociología y de antropología, la sociología estudia la comunidad y la antropología estudia el individuo.

En los diseños comunitarios o ecológicos, se tiene la experiencia de estudios y conocimiento sobre investigación cualitativa de nivel exploratorio, cuando se realiza estudios de esa naturaleza, los procedimientos analíticos empiezan a cambiar de una y otra forma.

Por ejemplo, si se realiza el estudio acerca del nivel de conocimientos que tiene una población sobre la prevención de una enfermedad, entonces se toma una muestra de 80 personas, se les aplica una evaluación pretest, luego se desarrolla una campaña sobre la población para educarlos acerca de la prevención de la enfermedad. Luego se vuelve a tomar una muestra de esa población de 80 personas, y se realiza una medición posterior.

En la situación descrita, cuál es la procedimiento estadístico que se debe desarrollar, teniendo en cuenta que la variable evaluada es categórica? Se piensa que el procedimiento es la prueba de Mc Nemar, es el antes y después. Si la variable fuera numérica, se aplica t de Student, para muestras relacionadas, pero sólo funciona cuando la unidad de estudio es el individuo. La prueba Mc Nemar y t de Student para muestras relacionadas, mide la variación del mismo individuo; en cambio cuando se estudia toda la población, se toma una muestra de esta población, se hace una intervención, se vuelve a tomar una muestra de la misma población, pero no son los mismos individuos; entonces, no se puede aplicar Mc Nemar, ni tampoco t Student para muestras relacionadas. Se tendría que aplicar una comparación con Chi cuadrado de homogeneidad o la t de Student para muestras independientes y se asume que la diferencia se debe a la intervención, ya que la unidad de estudio es todo el conjunto de la población.

Los procedimientos analíticos de Mc Nemar y t de Student para muestras relacionadas, se aplican única y exclusivamente cuando la unidad de estudio es un individuo y aquí debemos remarcar que todos los diseños experimentales son estudios a nivel individual.

Los diseños experimentales se caracterizan por la intervención y el control. El análisis estadístico tiene lugar sí se tiene dos controles, es decir el grupo de casos (grupo experimental) y el grupo Control; o si se tiene dos mediciones, la medición antes y la medición después. Si se tiene ambas situaciones se está frente a un experimento verdadero.

Si no se tiene el grupo Control, entonces se está frente a un cuasi experimento y si no se tiene la medición antes, se está frente a un pre-experimento. Estas situaciones hacen que el análisis estadístico sea ciertamente distinto en cada caso. Porque si se tiene un grupo experimental, se tiene un grupo blanco o grupo control y luego se realiza una medida basal y luego se realiza una medida después de la intervención; entonces el análisis estadístico consiste en hacer una diferencia entre la medida final y la medida inicial en cada grupo y comparar esas diferencias con t de Student para muestras independientes.

Pero si se elimina un grupo y solamente se tiene el grupo experimental, es cuasi experimento, entonces se aplicará t de Student para medidas (o muestras) relacionadas, o medidas repetidas. Qué pasa si se tiene los dos grupos, el grupo experimental y el grupo blanco, pero no se tiene la medida previa, sólo se tiene una medida, el experimento es transversal; entonces sólo queda comparar estos dos grupos, con t de Student para muestras independientes.

Pero qué sucede si se tiene tres grupos, dos grupos experimentales y un control o un grupo experimental y dos controles, entonces se aplica el análisis de la varianza, si sólo se tuviera un factor, análisis de la varianza unifactorial. Todos estos procedimientos corresponden a los diseños experimentales.

Se puede utilizar estos procedimientos analíticos en datos que no corresponda a un experimento, por supuesto que sí. Estas herramientas surgieron en el campo de las ciencias experimentales, pero no son de uso exclusivo. Se puede realizar el análisis factorial univariante, multivariante, el análisis de la covarianza, el análisis en bloques; todos estos procedimientos, en un estudio que no sea experimental, si se hace los ajustes convenientes

Utilizar un diseño experimental no significa que el estudio es experimental, se puede hacer un estudio observacional y se puede aplicar este esquema del análisis de la varianza con un factor o factorial, si se acomoda a lo datos y al propósito del estudio que no es experimental. Un estudio experimental y un diseño experimental no es lo mismo, no son sinónimos. Los diseños experimentales son esquemas metodológicos y analíticos que se pueden utilizar donde se requiera, ya que son esquemas metodológicos y analíticos.

El diseño de validación de instrumentos estudia la creación y validación de un instrumento de medición documental. Cuando se elabora un instrumento, se estudia el instrumento no a los individuos se toma a los individuos nada más para evaluar las propiedades métricas del instrumento, lo que se valida es el constructo, el concepto, el contenido, no el individuo, usuario o cliente. Por eso, cuando se hace la prueba piloto, el muestreo es según criterio, muestreo no probabilístico. Igual, cuando se busca jueces para juicio de expertos, se elige el número de jueces que se crea conveniente.

Entonces en la validación de instrumentos tiene que ver más con el concepto que se está tratando de evaluar, no es lo mismo evaluar la depresión que el estrés laboral, la felicidad o el rendimiento académico, son las variables subjetivas que se estudian con la validación de instrumentos.

Los instrumentos en investigación científica son de dos tipos de instrumentos: mecánicos y documentales los instrumentos mecánicos sirven para medir variables objetivas, como peso, talla, longitud, masa tiempo, es decir dimensiones físicas y los instrumentos documentales están destinados a medir magnitudes lógicas de las unidades de estudio, que se supone que las poseen, como rendimiento académico, estrés laboral, calidad. No se miden con un aparato, se debe construir un instrumento, este instrumento se construye y queda un documento o instrumento y luego este instrumento se valida, evaluando sus propiedades métricas.

Entonces para medir una variable subjetiva a lo largo de nuestra línea de investigación, se debe crear un instrumento y validarlo; de eso trata el diseño de la validación de instrumentos. Por eso para validar los instrumentos, se toma una muestra no probabilística, y todos los procedimientos analíticos necesarios son distintos.