Diseño Cuasi Experimental

Al igual que un experimento verdadero, un Diseño Cuasi Experimental pretende establecer una relación causa-efecto entre una variable independiente y otra dependiente. Sin embargo, a diferencia de un experimento verdadero, un cuasi-experimento no se basa en una asignación aleatoria. En su lugar, los sujetos se asignan a los grupos basándose en criterios no aleatorios.

El diseño cuasi-experimental es una herramienta útil en situaciones en las que los experimentos reales no pueden utilizarse por razones éticas o prácticas.

¿Qué es la Investigación Cuasi Experimental?

El prefijo quasi significa “parecido”. Por lo tanto, la investigación cuasi-experimental es una investigación que se asemeja a la investigación experimental pero no es una verdadera investigación experimental. Aunque la variable independiente se manipula, los participantes no se asignan al azar a las condiciones o a los órdenes de condiciones.

Como la variable independiente se manipula antes de medir la variable dependiente, la investigación cuasi experimental elimina el problema de la direccionalidad. Pero como los participantes no son asignados al azar -lo que hace probable que haya otras diferencias entre las condiciones- la investigación cuasi experimental no elimina el problema de las variables de confusión. Por lo tanto, en términos de validez interna, los cuasi-experimentos suelen estar a medio camino entre los estudios correlacionales y los verdaderos experimentos.

Los cuasi-experimentos suelen realizarse en entornos de campo en los que la asignación aleatoria es difícil o imposible. A menudo se llevan a cabo para evaluar la eficacia de un tratamiento, tal vez un tipo de psicoterapia o una intervención educativa. Hay muchos tipos diferentes de cuasi-experimentos, pero aquí discutiremos sólo algunos de los más comunes.

Ejemplo de un experimento verdadero frente a un cuasi-experimento

Supongamos que está interesado en el impacto de una nueva terapia psicológica en pacientes con depresión.

Ejemplo: Diseño experimental verdadero

Para realizar un experimento verdadero, se asigna al azar a la mitad de los pacientes de una clínica de salud mental para que reciban el nuevo tratamiento. La otra mitad, el grupo de control, recibe el tratamiento estándar para la depresión.

Cada pocos meses, los pacientes rellenan una hoja describiendo sus síntomas para ver si el nuevo tratamiento produce efectos significativamente mejores (o peores) que el estándar.

Sin embargo, por razones éticas, es posible que los directores de la clínica de salud mental no le den permiso para asignar aleatoriamente a sus pacientes a los tratamientos. En este caso, no puede realizar un verdadero experimento.

En su lugar, puede utilizar un diseño cuasi-experimental.

Ejemplo: Diseño Cuasi Experimental

Descubre que algunos de los psicoterapeutas de la clínica han decidido probar la nueva terapia, mientras que otros que tratan a pacientes similares han optado por seguir con el protocolo normal.

Puede utilizar estos grupos preexistentes para estudiar la evolución de los síntomas de los pacientes tratados con la nueva terapia frente a los que reciben el tratamiento estándar.

Aunque los grupos no fueron asignados al azar, si se tiene en cuenta adecuadamente cualquier diferencia sistemática entre ellos, se puede estar razonablemente seguro de que cualquier diferencia debe surgir del tratamiento y no de otras variables de confusión.

Tipos de diseños Cuasi Experimentales

Existen muchos tipos de diseños cuasi experimentales. Aquí explicamos tres de los tipos más comunes: el diseño de grupos no equivalentes, la regresión discontinua y los experimentos naturales.

Diseño de grupos no equivalentes

Recordemos que cuando los participantes de un experimento entre sujetos se asignan aleatoriamente a las condiciones, es probable que los grupos resultantes sean bastante similares. De hecho, los investigadores los consideran equivalentes. Sin embargo, cuando los participantes no se asignan aleatoriamente a las condiciones, es probable que los grupos resultantes sean diferentes en algunos aspectos. Por este motivo, los investigadores los consideran no equivalentes. Un diseño de grupos no equivalentes, por tanto, es un diseño entre sujetos en el que los participantes no han sido asignados aleatoriamente a las condiciones.

Imagínese, por ejemplo, un investigador que quiere evaluar un nuevo método de enseñanza de fracciones a alumnos de tercer grado. Una forma sería realizar un estudio con un grupo de tratamiento formado por una clase de alumnos de tercer grado y un grupo de control formado por otra clase de alumnos de tercer grado. Este diseño sería un diseño de grupos no equivalentes porque los estudiantes no son asignados al azar a las clases por el investigador, lo que significa que podría haber diferencias importantes entre ellos.

Por ejemplo, los padres de los alumnos con mayor rendimiento o más motivados podrían haber solicitado con mayor frecuencia que sus hijos fueran asignados a la clase de la Sra. Williams. O el director podría haber asignado a los “problemáticos” a la clase del Sr. Jones porque es más disciplinario. Por supuesto, los estilos de los profesores, e incluso los entornos de las aulas, podrían ser muy diferentes y provocar distintos niveles de rendimiento o motivación entre los alumnos. Si al final del estudio había una diferencia en el conocimiento de las fracciones de las dos clases, podría haber sido causada por la diferencia entre los métodos de enseñanza, pero podría haber sido causada por cualquiera de estas variables de confusión.

Medidas a Considerar en el Diseño de Grupos no Equivalentes

Por supuesto, los investigadores que utilizan un diseño de grupos no equivalentes pueden tomar medidas para garantizar que sus grupos sean lo más similares posible. En el presente ejemplo, el investigador podría tratar de seleccionar dos clases en la misma escuela, donde los estudiantes en las dos clases tienen resultados similares en una prueba estandarizada de matemáticas y los profesores son del mismo sexo, son cercanos en edad y tienen estilos de enseñanza similares. Tomar estas medidas aumentaría la validez interna del estudio porque eliminaría algunas de las variables de confusión más importantes. Pero sin una verdadera asignación aleatoria de los alumnos a las condiciones, sigue existiendo la posibilidad de otras variables de confusión importantes que el investigador no pudo controlar.

En el diseño de grupos no equivalentes, el investigador elige grupos existentes que parecen similares, pero en los que sólo uno de los grupos experimenta el tratamiento.

En un experimento real con asignación aleatoria, los grupos de control y de tratamiento se consideran equivalentes en todos los aspectos, excepto en el tratamiento. Pero en un cuasi-experimento en el que los grupos no son aleatorios, pueden diferir en otros aspectos: son grupos no equivalentes.

Cuando se utiliza este tipo de diseño, los investigadores intentan tener en cuenta las variables de confusión controlándolas en su análisis o eligiendo grupos que sean lo más similares posible.

Este es el tipo más común de diseño cuasi-experimental.

Ejemplo: Diseño de grupos no equivalentes

Se plantea la hipótesis de que un nuevo programa extraescolar dará lugar a mejores calificaciones. Se eligen dos grupos similares de niños que asisten a diferentes colegios, uno de los cuales aplica el nuevo programa y el otro no.

Comparando los niños que asisten al programa con los que no lo hacen, puede averiguar si tiene un impacto en las calificaciones.

Discontinuidad de la regresión

Muchos tratamientos potenciales que los investigadores desean estudiar se diseñan en torno a un umbral esencialmente arbitrario, en el que los que están por encima del umbral reciben el tratamiento y los que están por debajo no.

Cerca de este umbral, las diferencias entre los dos grupos suelen ser tan mínimas que casi no existen. Por lo tanto, los investigadores pueden utilizar a los individuos que están justo por debajo del umbral como grupo de control y a los que están justo por encima como grupo de tratamiento.

Ejemplo: Discontinuidad de la regresión

Algunos institutos de Estados Unidos se reservan para estudiantes de alto rendimiento, que deben superar una determinada puntuación en un examen para poder asistir. Lo más probable es que los que superan este examen se diferencien sistemáticamente de los que no lo hacen.

Sin embargo, dado que la puntuación límite exacta es arbitraria, los estudiantes que se encuentran cerca del umbral -los que apenas superan el examen y los que lo suspenden por un margen muy pequeño- suelen ser muy similares, y las pequeñas diferencias en sus puntuaciones se deben principalmente al azar. Por lo tanto, se puede concluir que cualquier diferencia en los resultados debe provenir de la escuela a la que asistieron.

Para comprobar el impacto de la asistencia a un colegio selectivo, se pueden estudiar los resultados a largo plazo de estos dos grupos de estudiantes (los que apenas aprobaron y los que apenas suspendieron).

Experimentos naturales

Tanto en los experimentos de laboratorio como en los de campo, los investigadores suelen controlar a qué grupo se asignan los sujetos. En un experimento natural, un acontecimiento o una situación externa (“la naturaleza”) da lugar a la asignación aleatoria o de tipo aleatorio de los sujetos al grupo de tratamiento.

Aunque algunos utilizan asignaciones aleatorias, los experimentos naturales no se consideran verdaderos experimentos porque son de naturaleza observacional.

Aunque los investigadores no tienen control sobre la variable independiente, pueden explotar este acontecimiento a posteriori para estudiar el efecto del tratamiento.

Ejemplo: Experimento natural

El Estudio de Salud de Oregón es uno de los experimentos naturales más famosos. En 2008, el estado de Oregón decidió ampliar la inscripción en Medicaid, el programa de seguro médico público de bajos ingresos de Estados Unidos, a más adultos con bajos ingresos.

Sin embargo, como no podían permitirse cubrir a todas las personas que consideraban elegibles para el programa, en su lugar asignaron plazas en el programa basándose en un sorteo aleatorio.

Los investigadores pudieron estudiar el impacto del programa utilizando a las personas inscritas como grupo de tratamiento asignado aleatoriamente, y a las demás personas que cumplían los requisitos pero que no habían obtenido la lotería como grupo de control.

Diseño preprueba-postprueba

En un diseño pretest-postest, la variable dependiente se mide una vez antes de aplicar el tratamiento y una vez después de aplicarlo. Imagínese, por ejemplo, un investigador interesado en la eficacia de un programa de educación antidroga en las actitudes de los alumnos de primaria hacia las drogas ilegales. El investigador podría medir las actitudes de los alumnos de una escuela primaria concreta durante una semana, aplicar el programa antidroga durante la semana siguiente y, por último, volver a medir sus actitudes la semana siguiente.

El diseño preprueba-postprueba se parece mucho a un experimento intra-sujeto en el que cada participante es evaluado primero bajo la condición de control y luego bajo la condición de tratamiento. Sin embargo, se diferencia de un experimento intra-sujeto en que el orden de las condiciones no está contrabalanceado porque normalmente no es posible que un participante sea evaluado primero en la condición de tratamiento y luego en una condición de control “sin tratamiento”.

Medidas a Considerar en el Diseño Preprueba – Postprueba

Si la puntuación media después de la prueba es mejor que la puntuación media antes de la prueba, entonces tiene sentido concluir que el tratamiento podría ser responsable de la mejora. Desgraciadamente, a menudo no se puede concluir esto con un alto grado de certeza porque puede haber otras explicaciones de por qué las puntuaciones posteriores a la prueba son mejores. Una categoría de explicaciones alternativas recibe el nombre de historia.

Pueden haber ocurrido otras cosas entre la prueba previa y la posterior. Tal vez se emitió un programa antidroga en la televisión y muchos de los alumnos lo vieron, o tal vez una celebridad murió de una sobredosis de drogas y muchos de los alumnos se enteraron de ello. Otra categoría de explicaciones alternativas se denomina maduración. Es posible que los participantes hayan cambiado entre la prueba previa y la posterior de una manera que iban a hacer de todos modos porque están creciendo y aprendiendo. Si se trata de un programa de un año de duración, los participantes podrían volverse menos impulsivos o razonar mejor y esto podría ser responsable del cambio.

Otra explicación alternativa para un cambio en la variable dependiente en un diseño pretest-postest es la regresión a la media. Esto se refiere al hecho estadístico de que un individuo que obtiene una puntuación extrema en una variable en una ocasión tenderá a obtener una puntuación menos extrema en la siguiente ocasión. Por ejemplo, un jugador de bolos con una media a largo plazo de 150 que de repente juega a los bolos con 220, es casi seguro que obtendrá una puntuación más baja en el siguiente partido. Su puntuación “retrocederá” hacia su puntuación media de 150.

Regeresión a la Media

La regresión a la media puede ser un problema cuando los participantes son seleccionados para un estudio posterior debido a sus puntuaciones extremas. Imagínese, por ejemplo, que sólo los estudiantes que obtuvieron una puntuación especialmente baja en un examen de fracciones reciben un programa especial de entrenamiento y luego se les vuelve a examinar. La regresión a la media prácticamente garantiza que sus puntuaciones serán más altas aunque el programa de formación no tenga ningún efecto. Un concepto estrechamente relacionado -y extremadamente importante en la investigación psicológica- es la remisión espontánea. Se trata de la tendencia de muchos problemas médicos y psicológicos a mejorar con el tiempo sin ningún tipo de tratamiento.

El resfriado común es un buen ejemplo. Si se midiera hoy la gravedad de los síntomas de 100 personas que padecen un resfriado común, se les diera un plato de sopa de pollo todos los días y se volviera a medir la gravedad de los síntomas dentro de una semana, probablemente mejorarían mucho. Sin embargo, esto no significa que la sopa de pollo sea la responsable de la mejora, ya que habrían mejorado mucho sin ningún tipo de tratamiento. Lo mismo ocurre con muchos problemas psicológicos.

Es probable que un grupo de personas gravemente deprimidas hoy en día esté menos deprimido de media en 6 meses. Al revisar los resultados de varios estudios sobre tratamientos para la depresión, los investigadores Michael Posternak e Ivan Miller descubrieron que los participantes en condiciones de control de lista de espera mejoraron una media del 10 al 15% antes de recibir cualquier tratamiento (Posternak & Miller, 2001)[2]. Por lo tanto, en general, hay que ser muy cauteloso a la hora de inferir la causalidad de los diseños pretest-postest.

Diseño de series temporales interrumpidas

Una variante del diseño pretest-postest es el diseño de series temporales interrumpidas. Una serie temporal es un conjunto de mediciones realizadas a intervalos durante un periodo de tiempo. Por ejemplo, una empresa de fabricación puede medir la productividad de sus trabajadores cada semana durante un año. En un diseño de series temporales interrumpidas, una serie temporal como ésta es “interrumpida” por un tratamiento.

En un ejemplo clásico, el tratamiento fue la reducción de los turnos de trabajo en una fábrica de 10 a 8 horas. Dado que la productividad aumentó con bastante rapidez tras la reducción de los turnos de trabajo, y porque siguió siendo elevada durante muchos meses después, el investigador concluyó que la reducción de los turnos causó el aumento de la productividad. Obsérvese que el diseño de series temporales interrumpidas es como un diseño pretest-postest en el sentido de que incluye mediciones de la variable dependiente tanto antes como después del tratamiento. Sin embargo, se diferencia del diseño pretest-postest en que incluye múltiples mediciones pretest y postest.

Cuándo utilizar un diseño Cuasi Experimental

Aunque los verdaderos experimentos tienen una mayor validez interna, puede optar por utilizar un diseño cuasi-experimental por razones éticas o prácticas.

Ética

A veces no sería ético proporcionar o retener un tratamiento de forma aleatoria, por lo que un experimento verdadero no es factible. En este caso, un cuasi-experimento puede permitirle estudiar la misma relación causal sin los problemas éticos.

El Estudio de Salud de Oregón es un buen ejemplo. No sería ético proporcionar aleatoriamente un seguro médico a algunas personas, pero impedir a propósito que otras lo reciban únicamente con fines de investigación.

Sin embargo, dado que el gobierno de Oregón se enfrentó a limitaciones financieras y decidió proporcionar un seguro médico mediante una lotería, estudiar este hecho a posteriori es un enfoque mucho más ético para estudiar el mismo problema.

Práctica

Un verdadero diseño experimental puede ser inviable de aplicar o simplemente demasiado caro, sobre todo para los investigadores que no tienen acceso a grandes flujos de financiación.

En otras ocasiones, el reclutamiento y el diseño adecuado de una intervención experimental para un número adecuado de sujetos requiere demasiado trabajo para justificar un verdadero experimento.

En cualquiera de los casos, los diseños cuasi experimentales permiten estudiar la cuestión aprovechando los datos que previamente han sido pagados o recogidos por otros (a menudo el gobierno).

Ventajas y desventajas

Los diseños cuasi-experimentales tienen varias ventajas y desventajas en comparación con otros tipos de estudios.

Mayor validez externa que la mayoría de los experimentos verdaderos. A menudo implican intervenciones en el mundo real en lugar de entornos artificiales de laboratorio.

Mayor validez interna que otros tipos de investigación no experimentales. Permiten controlar mejor las variables de confusión que otros tipos de estudios.

Menor validez interna que los verdaderos experimentos. Sin la aleatorización, puede ser difícil verificar que se han tenido en cuenta todas las variables de confusión.

El uso de datos retrospectivos que ya se han recogido para otros fines puede ser inexacto, incompleto o de difícil acceso.

Nuestros especialistas esperan por ti para que los contactes a través del formulario de cotización o del chat directo. También contamos con canales de comunicación confidenciales como WhatsApp y Messenger. Y si quieres estar al tanto de nuestros novedosos servicios y las diferentes ventajas de contratarnos, síguenos en Facebook, Instagram o Twitter.

Si este artículo fue de tu agrado, no olvides compartirlo por tus redes sociales.

También te puede interesar: Plan de Tabulación

Referencias Bibliográficas

Cook, T. D., & Campbell, D. T. (1979). Quasi-experimentation: Design & analysis issues in field settings. Boston, MA: Houghton Mifflin.

Cook, T. D., & Campbell, D. T. (1979). Quasi-experimentation: Design & analysis issues in field settings. Boston, MA: Houghton Mifflin.