La relación entre variables

En la relación entre las variables, por lo menos se debe contar con dos de ellas, para realizar un estudio analítico.

De acuerdo a los niveles de la investigación, en el nivel descriptivo, se realiza un análisis estadístico univariado, en el nivel investigativo relacional un análisis bivariado, es decir, de dos variables y en el nivel investigativo explicativo se realiza el análisis multivariado o más de dos variables, es aquí donde surge la necesidad de clasificar a las variables según su relación; recordando que dentro del nivel explicativo se puede realizar estudios observacionales y experimentales. La estadística cumplirá el papel de realizar el control estadístico, agregando al control metodológico los criterios de causalidad.

Las variables según su relación son la variable independiente, la variable dependiente, la variable de confusión, la variable intermedia, la variable control, estas tres últimas son consideradas como variables intervinientes.

La variable independiente, representa los factores que constituirían la causa, debido a que previamente se ha demostrado ser factores de riesgo para el problema que se está estudiando en el nivel investigativo relacional. En los estudios observacionales se plantea solamente una variable independiente como estrategia para demostrar la relación de causalidad.

La variable dependiente, representa a la variable de estudio, mide o describe el problema que se está estudiando, para su existencia y desenvolvimiento depende de otra u otras variables independientes, pero su variabilidad está condicionada no solamente por la variable independiente, sino por el resto de las variables intervinientes.

La variable dependiente es la variable más importante del estudio, porque determina la línea de investigación.

La variable de confusión, aparece en los estudios observacionales, su aparición puede intensificar o antagonizar la relación aparente entre el problema y una posible causa, es decir, entre la variable independiente y la variable dependiente. Su influencia se percibe tanto sobre la variable independiente como en la variable dependiente, el control que debemos realizar en este caso es el análisis estadístico estratificado.

La variable intermedia, aparece de manera inesperada y por tanto es metodológicamente incontrolable entre el factor causal y el efecto, su naturaleza es aleatoria, es imposible conocer su distribución antes de ejecutar la recolección de datos, en los estudios observacionales se neutraliza su participación mediante el análisis multivariado y en los estudios experimentales mediante el análisis de la covarianza. En la mayoría de los casos la variable intermedia suele ser numérica.

La variable de control, posee fuerte influencia sobre la variable dependiente y ningún efecto reconocido sobre la variable independiente, se la identifica en el momento de la planeación. En los estudios observacionales su control se realiza mediante los criterios de elegibilidad, es decir, criterios de inclusión y criterios de exclusión. En los estudios experimentales el control se realiza mediante la construcción de bloques, es decir, se le Integra al análisis estadístico, pero en ningún caso se busca su interacción con la variable independiente, y aunque tiene influencia sobre la variable dependiente no se le estudia como factor causal.

Selecciona las Unidades o Grupo de Estudio

La población de estudio es la razón de ser de la línea de investigación, cada uno de los pasos que se avanza en la línea de investigación se busca beneficiar y mejorar las condiciones de la población de estudio, pero a lo largo del desarrollo de la línea de investigación no siempre será posible estudiar a toda la población, en ese caso se tendrá que recurrir a una muestra.

Existen tres casos específicos en los que no es posible o necesario estudiar a toda la población y en esta situación se debe realizar el estudio a través de una muestra:

1. La población es de gran tamaño, cuando la población es inalcanzable en tamaño, es decir si está compuesta de muchas unidades, significa que se tendría que realizar esa cantidad de medidas, lo cual implicaría un alto costo, y aunque se dispusiera del presupuesto necesario, se requeriría de mucho tiempo.
2. La población es desconocida, cuando no se sabe cuál es el tamaño de la población porque no existe un listado, un registro, un padrón, una nómina o una base de datos, no existe un marco muestral.
3. No es necesario medir toda la población, por ejemplo si se quiere medir la hemoglobina en la sangre de una persona, se obtiene cinco centímetros cúbicos de sangre y es suficiente, no es necesario extraerle toda la sangre (población), o si para inspeccionar un producto implica su destrucción, si se requiere estudiar toda la población, se tendría que destruir todo el lote, en este caso es mejor obtener una muestra.

Una muestra debe ser representativa de la población de dónde fue extraída, de tal modo que las conclusiones que se obtengan puedan ser extrapoladas hacia la población. Para que una muestra sea representativa se deben considerar dos aspectos: primero, el cálculo del tamaño de la muestra y segundo, una técnica de muestreo.

El cálculo del tamaño de la muestra, parte del principio que el investigador acepta que sus conclusiones no serán precisas, que estarán afectadas por el error aleatorio, pero que este error aleatorio está reconocido y su magnitud servirá para calcular el número de unidades que conformarán la muestra.

Utilizar una muestra en lugar de la población, implica aceptar la presencia del error aleatorio en las conclusiones que se refieran a la población de estudio. Pero el error aleatorio no es la única amenaza de la validez de las conclusiones, también está el error sistemático, que se puede controlar mediante una técnica de muestreo.

Las técnicas de muestreo se utilizan para la selección de las unidades muestrales y sirven para controlar el error sistemático (error del investigador, error de los procedimientos) que afectan la exactitud de las conclusiones del estudio.

Las técnicas que permiten obtener una muestra representativa son las técnicas aleatorias o probabilísticas. La técnica de selección ideal es aquella donde todos los elementos que conforman la población tienen la misma probabilidad de participar en la muestra, lo contrario a este principio, se denomina sesgo de admisión, en referencia a las situaciones donde algunos elementos de la población no tienen posibilidad de conformar la muestra. Las técnicas aleatorias o probabilísticas más usadas y conocidas son:

El Muestreo Aleatorio Simple (MAS) tiene por finalidad eliminar el sesgo de admisión mediante la asignación a cada una de las unidades de muestreo, la misma probabilidad de participar en la muestra, pero es necesario la existencia de un marco muestral, un padrón o una base de datos y no siempre es posible contar con este marco muestral.

El Muestreo Aleatorio Sistemático (MASI) resuelve el problema de no contar con un marco muestral, por ejemplo para encuestar a los estudiantes de una universidad nos ubicamos en la entrada y se construye la muestra con los estudiantes que ingresan en una hora, después de un periodo de tiempo se tiene un grupo de estudiante y no se  requeriría conocer el número total de estudiantes de la universidad, y se resuelve la falta del marco muestral.  Pero no se resuelve el sesgo del voluntariado, es decir que los encuestados no pueden ser voluntarios y viceversa los elegidos para conformar la muestra no pueden negarse a participar en la encuesta. Un muestreo cien por ciento aleatorio consigue por ejemplo mitad varones y mitad mujeres en la encuesta de los estudiantes, pero el voluntariado y la negativa a participar de algunos alumnos hará que estas proporciones se alteren.

El Muestreo Aleatorio Estratificado (MAE) obliga a conservar las proporciones identificadas preliminarmente en la población, adicionalmente los criterios de inclusión y exclusión se utilizan para eliminar el sesgo de elegibilidad. Los criterios de elegibilidad tienen por finalidad definir con precisión quienes conformaron la población y quienes no la conforman aunque esta tarea realmente debía hacerse desde el principio.

El Muestreo Aleatorio por Conglomerados (MAC), cuando en la población de estudio es posible detectar la existencia de grupos que por sí mismos representan adecuadamente a la población, en relación a la característica que se desea estudiar, se les denomina conglomerados, entonces podemos seleccionar únicamente algunos de estos conjuntos para realizar el estudio. Mientras que en los tres primeros muestreos probabilísticos las unidades de muestreo coinciden con las unidades de estudio, en el muestreo por conglomerados las unidades de muestreo son los conglomerados esto puede resultar muy beneficioso para reducir los costos relacionados con la recolección de datos.

Las técnicas de muestreo no probabilísticas más usadas y conocidas son:

El Muestreo por Cuotas es muy similar al muestreo estratificado, en el ejemplo de la encuesta a los estudiantes de la universidad, se asegura que en la muestra este conformada tanto por hombres como mujeres, esto significa cumplir la cuota, pero luego la elección de los estudiantes de cada género, ya no es aleatorio, aun así los resultados son cuasi probabilísticos.

El Muestreo en Bola de Nieve es una alternativa no aleatoria para los casos en que no se cuenta con un marco muestral y las unidades de estudio se encuentran muy dispersas, pero conectadas entre sí (poblaciones marginadas, inmigrantes, mujeres maltratadas, etc.).

El Muestreo según Criterio aprovecha la experiencia del investigador y del conocimiento de la línea de investigación, este criterio puede ser cualitativo como ocurre en la selección de los jueces en el proceso de la validación de instrumentos, también puede responder a una necesidad del análisis estadístico como ocurre en los diseños experimentales.

El Muestreo por Conveniencia es la opción que obtiene una muestra menos representativa de todas, se trata de un muestreo errático, por comodidad, sin procedimientos específicos. Muy utilizado en los estudios exploratorios.

Es pertinente citar a Deming, que dice:” … el muestreo no es una simple sustitución de una cobertura total por una parcial. El muestreo es la ciencia y arte de controlar y medir la confiabilidad de la información estadística útil a través de la teoría de la probabilidad”.

Matriz de Operacionalización de Variables

La matriz de operacionalización de variables es un mapa de las variables que intervienen en un estudio, son características, propiedades y atributos observables en las unidades de estudio, precisamente las unidades de estudio se diferencian entre sí por sus atributos o propiedades denominadas variables.

Un matriz de operacionalización de variables consta de cuatro columnas y tantas filas como variables participen en el estudio. Los títulos de estas columnas serán: Variables, Indicadores, Valores Finales y Tipo de Variable.

La primera columna es la lista de todas las variables que se presume pueden ser parte del estudio, mientras más extenso sea la lista, es mejor. Las variables que se deben incluir y las que no se deben incluir es decisión del investigador, ya que es el experto de la línea de investigación que se estudia.

La segunda columna la conforman los indicadores de las variables, entendiendo como indicador a la forma en que se mide una variable, es la manera en que se obtiene el valor final de su medición, algunas variables tendrán solamente un indicador y se les conoce como unidimensionales, otras tendrán más de un indicador y se les denomina variables multidimensionales.

La tercera columna se identifica los valores finales, un valor final es el resultado de la medición de una variable. Por ejemplo si la variable a medir es el GRADO ACADÉMICO, y si la unidad de estudio cuenta con el grado Magister, Magister es el valor final. Si la variable a medir es la TALLA y mide 1m 70cm, ese es el valor final. El valor final es el resultado de la medición de la variable.

La cuarta columna presenta el tipo de variable, que está en función del valor final de su medición. Cuando se trata de una variable categórica es importante distinguir a las variables nominales y las ordinales; y cuando se trata de una variable numérica se debe distinguir a las variables continuas y las discretas.

Una variable es una característica, propiedad o atributo observable en las unidades de estudio, la matriz de operacionalización de variables es un mapa que permitirá alcanzar el propósito del estudio; la definición de cada una de las variables, así como de sus indicadores, no se consignan en la matriz sino en el marco conceptual.

Las VARIABLES se listan en la primera columna de la matriz de operacionalización de variables, en ese listado existe una variable que es la más importante en el estudio, que se le denomina VARIABLE DE ESTUDIO, es la que caracteriza a la línea de investigación, su rol es distinto en cada nivel de investigación.

En el nivel descriptivo, la variable de estudio recibe el nombre de variable de interés, por ejemplo en el estudio de la prevalencia de diabetes, la variable de interés es la diabetes, pero también habrá que caracterizar a la población de estudio, estas características reciben el nombre de variables de caracterización.

En el nivel relacional, la variable de estudio recibe el nombre de variable de supervisión, por ejemplo en el estudio de los factores de riesgo para el Bullying la variable de supervisión es el Bullying, la cual tendremos que relacionar con un conjunto de características que pueden incrementar la probabilidad de Bullying, a estas características se les llama variables asociadas.

En el nivel explicativo, la variable de estudio recibe el nombre de variable dependiente, por ejemplo en el estudio de las causas del estrés laboral, la variable dependiente es el estrés laboral, la cual tendrá que ser demostrada como una consecuencia de un conjunto de determinantes, a los determinantes se les denomina variables independientes.

En el nivel predictivo, la variable de estudio recibe el nombre de variable endógena, por ejemplo en el estudio del pronóstico de la deserción escolar, la variable endógena es la deserción escolar, una consecuencia que se puede anticipar a partir de un conjunto de predictores, a estos predictores se les conoce como variables exógenas.

Los INDICADORES, responden a la pregunta: ¿cómo se va a medir la variable?, esto tiene que ver con la dimensión de las variables. Las variables objetivas tienen dimensiones físicas y las variables subjetivas tienen dimensiones lógicas.

Las variables objetivas como el peso o la talla poseen dimensiones físicas, el peso es masa y la talla es longitud y se miden con instrumentos mecánicos como la balanza y el tallimetro, se miden de manera directa, lo cual equivale a tener solamente un indicador, por eso se les denomina unidimensionales. También existen las variables objetivas multidimensionales, estas resultan de la combinación de dos o más medidas preliminares, por ejemplo el IMC (índice de masa corporal), cuyos componentes son el peso y la talla, entonces el peso y la talla son sus indicadores y señalarán los instrumentos a utilizar.

Las variables subjetivas como la depresión, el estrés laboral o el clima organizacional poseen dimensión lógica, se miden con instrumentos documentales, como los cuestionarios, las escalas o los inventarios, pueden ser unidimensionales como es el caso el miedo; la calidad de la atención es un ejemplo de variable subjetiva multidimensional, sus dimensiones según Parasuraman son los elementos tangibles, la capacidad de respuesta, la empatía y la seguridad, estas dimensiones corresponden a sus indicador y también a la estructura interna del instrumento que lo mide.

Los VALORES FINALES se registran en la tercera columna del matriz de operacionalización de variables y corresponden al resultado de la medición de las variables en función a sus respectivos indicadores.

Las variables categóricas tienen como valor final a sus categorías, por ejemplo para las variables categóricas como el sexo,  estado civil y nivel de educación, se tiene como valor final masculino y femenino para la categoría sexo; soltero, casado y conviviente para la categoría estado civil; y primaria, secundaria y superior para la categoría del nivel de educación.

En el caso de las variables numéricas se conoce como valor final a las unidades de su medición, cuando las variables numéricas aceptan valores negativos estamos frente a una escala de intervalo, pero si los valores finales no pueden ser negativos entonces estamos frente a un escala de razón, pero en un sentido operacional, estas dos escalas se manejan igual y es más importante diferenciar a una variable continua y una discreta,  porque su comportamiento aleatorio es distinto, las variables continuas provienen de medir y las variables discretas provienen de contar. Las variables continuas aceptan valores decimales, las variables discretas solamente números enteros.

El TIPO DE VARIABLE es registrado en la última columna de la matriz de operacionalización de variables; es importante recordar que la operacionalización es un proceso que permite precisar lo que se necesita para alcanzar el propósito del estudio, por eso el tipo de variable, no necesariamente corresponde a la escala de medición. El comportamiento aleatorio de las variables nominales es distinto al comportamiento aleatorio de las variables ordinales, por eso si se va a comparar dos grupos y la variable aleatoria es nominal se utiliza la prueba Chi Cuadrado de Pearson, pero si la variable aleatoria es ordinal se utilizará la U de Mann-Whitney.

Las variables son características, propiedades o atributos observables en las unidades de estudio, la operacionalización de variables es pieza clave para comenzar a desarrollar una estrategia que permita alcanzar el propósito del estudio.