Un cuasiexperimento es un estudio de intervención empírico que se utiliza para estimar el impacto causal de una intervención en la población objetivo sin asignación aleatoria . La investigación cuasiexperimental comparte similitudes con el diseño experimental tradicional o el ensayo controlado aleatorio , pero carece específicamente del elemento de asignación aleatoria al tratamiento o al control. En cambio, los diseños cuasiexperimentales normalmente permiten al investigador controlar la asignación a la condición de tratamiento, pero utilizando algún criterio diferente a la asignación aleatoria (por ejemplo, una marca de corte de elegibilidad). [1]
Los cuasiexperimentos están sujetos a preocupaciones con respecto a la validez interna , porque los grupos de tratamiento y control pueden no ser comparables al inicio del estudio. En otras palabras, puede que no sea posible demostrar de manera convincente un vínculo causal entre la condición del tratamiento y los resultados observados. Esto es particularmente cierto si existen variables de confusión que no se pueden controlar o tomar en cuenta. [2]
Con la asignación aleatoria, los participantes del estudio tienen las mismas posibilidades de ser asignados al grupo de intervención o al grupo de comparación. Como resultado, las diferencias entre los grupos en las características observadas y no observadas se deberían al azar, más que a un factor sistemático relacionado con el tratamiento (por ejemplo, la gravedad de la enfermedad). La aleatorización en sí misma no garantiza que los grupos sean equivalentes al inicio del estudio. Es probable que cualquier cambio en las características después de la intervención sea atribuible a la intervención.
Diseño
La primera parte de la creación de un diseño cuasi-experimental es identificar las variables. La variable cuasi independiente será la variable x, la variable que se manipula para afectar una variable dependiente. "X" es generalmente una variable de agrupación con diferentes niveles. Agrupación significa dos o más grupos, como dos grupos que reciben tratamientos alternativos, o un grupo de tratamiento y un grupo sin tratamiento (que puede recibir un placebo ; los placebos se usan con más frecuencia en experimentos médicos o fisiológicos). El resultado previsto es la variable dependiente , que es la variable y. En un análisis de series de tiempo, la variable dependiente se observa a lo largo del tiempo para detectar cualquier cambio que pueda tener lugar. Una vez identificadas y definidas las variables, se debe implementar un procedimiento y examinar las diferencias de grupo. [3]
En un experimento con asignación aleatoria, las unidades de estudio tienen la misma probabilidad de ser asignadas a una condición de tratamiento determinada. Como tal, la asignación aleatoria asegura que tanto el grupo experimental como el de control sean equivalentes. En un diseño cuasi-experimental, la asignación a una condición de tratamiento dada se basa en algo más que una asignación aleatoria. Dependiendo del tipo de diseño cuasiexperimental, el investigador puede tener control sobre la asignación a la condición de tratamiento pero usar algunos criterios distintos a la asignación aleatoria (por ejemplo, una puntuación de corte) para determinar qué participantes reciben el tratamiento, o el investigador puede no tener el control sobre la asignación de la condición de tratamiento y los criterios utilizados para la asignación pueden ser desconocidos. Factores como el costo, la viabilidad, las preocupaciones políticas o la conveniencia pueden influir en cómo o si los participantes son asignados a determinadas condiciones de tratamiento y, como tales, los cuasiexperimentos están sujetos a preocupaciones con respecto a la validez interna (es decir, ¿pueden los resultados del experimento ser utilizado para hacer una inferencia causal?).
Los cuasiexperimentos también son eficaces porque utilizan las "pruebas previas y posteriores". Esto significa que se realizan pruebas antes de recopilar datos para ver si hay alguna persona que confunda o si alguno de los participantes tiene ciertas tendencias. Luego, el experimento real se realiza con los resultados posteriores a la prueba registrados. Estos datos se pueden comparar como parte del estudio o los datos previos a la prueba se pueden incluir en una explicación de los datos experimentales reales. Los cuasi experimentos tienen variables independientes que ya existen, como la edad, el sexo, el color de ojos. Estas variables pueden ser continuas (edad) o categóricas (género). En resumen, las variables que ocurren naturalmente se miden dentro de cuasi experimentos. [4]
Hay varios tipos de diseños cuasi-experimentales, cada uno con diferentes fortalezas, debilidades y aplicaciones. Estos diseños incluyen (pero no se limitan a): [5]
- Diferencia en diferencias (pre-post con-sin comparación)
- Diseño de grupos de control no equivalentes
- diseños de grupos de control sin tratamiento
- diseños de variables dependientes no equivalentes
- diseños de grupos de tratamiento eliminados
- diseños de tratamiento repetidos
- diseños de grupos de control no equivalentes de tratamiento inverso
- diseños de cohorte
- diseños solo posteriores a la prueba
- diseños de continuidad de regresión
- Diseño de regresión discontinua
- Diseño de casos y controles
- diseños de series de tiempo
- diseño de múltiples series de tiempo
- diseño de series de tiempo interrumpido
- coincidencia de puntuación de propensión
- variables instrumentales
- Análisis de panel
De todos estos diseños, el diseño de regresión discontinua es el que más se acerca al diseño experimental, ya que el experimentador mantiene el control de la asignación del tratamiento y se sabe que "produce una estimación no sesgada de los efectos del tratamiento". [5] : 242 Sin embargo, requiere un gran número de participantes en el estudio y un modelo preciso de la forma funcional entre la asignación y la variable de resultado, a fin de producir el mismo poder que un diseño experimental tradicional.
Aunque los cuasi-experimentos a veces son rechazados por aquellos que se consideran puristas experimentales (lo que llevó a Donald T. Campbell a acuñar el término "experimentos mareados" para ellos), [6] son excepcionalmente útiles en áreas donde no es factible o deseable. para realizar un experimento o ensayo de control aleatorio. Tales instancias incluyen la evaluación del impacto de cambios en las políticas públicas, intervenciones educativas o intervenciones de salud a gran escala. El principal inconveniente de los diseños cuasiexperimentales es que no pueden eliminar la posibilidad de sesgo de confusión, que puede obstaculizar la capacidad de uno para extraer inferencias causales. Este inconveniente se utiliza a menudo para descartar resultados cuasiexperimentales. Sin embargo, dicho sesgo se puede controlar mediante el uso de diversas técnicas estadísticas, como la regresión múltiple, si se pueden identificar y medir las variables de confusión. Estas técnicas se pueden utilizar para modelar y parcializar los efectos de las técnicas de variables de confusión, mejorando así la precisión de los resultados obtenidos de los cuasi-experimentos. Además, el uso creciente de la correspondencia de puntajes de propensión para emparejar a los participantes en variables importantes para el proceso de selección del tratamiento también puede mejorar la precisión de los resultados cuasiexperimentales. De hecho, se ha demostrado que los datos derivados de análisis cuasiexperimentales coinciden estrechamente con los datos experimentales en ciertos casos, incluso cuando se utilizaron diferentes criterios. [7] En resumen, los cuasi-experimentos son una herramienta valiosa, especialmente para el investigador aplicado. Por sí mismos, los diseños cuasi-experimentales no permiten hacer inferencias causales definitivas; sin embargo, brindan información necesaria y valiosa que no se puede obtener únicamente con métodos experimentales. Los investigadores, especialmente aquellos interesados en investigar cuestiones de investigación aplicada, deben ir más allá del diseño experimental tradicional y aprovechar las posibilidades inherentes a los diseños cuasi-experimentales. [5]
Ética
Un verdadero experimento , por ejemplo, asignaría aleatoriamente a niños a una beca, con el fin de controlar todas las demás variables. Los cuasiexperimentos se utilizan comúnmente en ciencias sociales , salud pública , educación y análisis de políticas , especialmente cuando no es práctico o razonable asignar al azar a los participantes del estudio a la condición de tratamiento.
Como ejemplo, supongamos que dividimos los hogares en dos categorías: hogares en los que los padres azotan a sus hijos y hogares en los que los padres no azotan a sus hijos. Podemos ejecutar una regresión lineal para determinar si existe una correlación positiva entre las nalgadas de los padres y el comportamiento agresivo de sus hijos. Sin embargo, simplemente aleatorizar a los padres para que azoten o no azoten a sus hijos puede no ser práctico o ético, porque algunos padres pueden creer que es moralmente incorrecto azotar a sus hijos y negarse a participar.
Algunos autores distinguen entre un experimento natural y un "cuasi-experimento". [1] [5] La diferencia es que en un cuasi-experimento el criterio de asignación es seleccionado por el investigador, mientras que en un experimento natural la asignación ocurre "naturalmente", sin la intervención del investigador.
Los cuasiexperimentos tienen medidas de resultado, tratamientos y unidades experimentales, pero no utilizan la asignación aleatoria . Los cuasiexperimentos son a menudo el diseño que la mayoría de la gente elige sobre los experimentos verdaderos. Por lo general, se lleva a cabo fácilmente en lugar de los experimentos verdaderos, porque incorporan características de diseños tanto experimentales como no experimentales. Se pueden incorporar variables medidas, así como variables manipuladas. Por lo general, los experimentadores eligen los cuasiexperimentos porque maximizan la validez interna y externa. [8]
Ventajas
Dado que los diseños cuasiexperimentales se utilizan cuando la aleatorización es poco práctica y / o poco ética, suelen ser más fáciles de configurar que los diseños experimentales verdaderos, que requieren [9] la asignación aleatoria de sujetos. Además, la utilización de diseños cuasiexperimentales minimiza las amenazas a la validez ecológica, ya que los entornos naturales no sufren los mismos problemas de artificialidad en comparación con un entorno de laboratorio bien controlado. [10] Dado que los cuasi-experimentos son experimentos naturales, los hallazgos de uno pueden aplicarse a otros sujetos y entornos, lo que permite hacer algunas generalizaciones sobre la población . Además, este método de experimentación es eficaz en investigaciones longitudinales que implican periodos de tiempo más prolongados que pueden seguirse en diferentes entornos.
Otras ventajas de los cuasiexperimentos incluyen la idea de tener cualquier manipulación que elija el experimentador. En los experimentos naturales, los investigadores tienen que dejar que las manipulaciones ocurran por sí solas y no tener ningún control sobre ellas. Además, el uso de grupos autoseleccionados en cuasi experimentos también elimina la posibilidad de que surjan preocupaciones éticas, condicionales, etc. mientras se realiza el estudio. [8]
Desventajas
Las estimaciones cuasiexperimentales de impacto están sujetas a contaminación por variables de confusión . [1] En el ejemplo anterior, una variación en la respuesta de los niños a las nalgadas está plausiblemente influenciada por factores que no pueden medirse y controlarse fácilmente, por ejemplo, el desenfreno intrínseco del niño o la irritabilidad de los padres. La falta de asignación aleatoria en el método de diseño cuasi-experimental puede permitir que los estudios sean más factibles, pero esto también plantea muchos desafíos para el investigador en términos de validez interna. Esta deficiencia en la aleatorización dificulta descartar variables de confusión e introduce nuevas amenazas a la validez interna . [11] Debido a que no existe aleatorización, se puede aproximar cierto conocimiento sobre los datos, pero las conclusiones de las relaciones causales son difíciles de determinar debido a una variedad de variables extrañas y confusas que existen en un entorno social. Además, incluso si se evalúan estas amenazas a la validez interna, la causalidad aún no se puede establecer por completo porque el experimentador no tiene un control total sobre las variables extrañas . [12]
Las desventajas también incluyen que los grupos de estudio pueden proporcionar evidencia más débil debido a la falta de aleatoriedad. La aleatoriedad aporta mucha información útil a un estudio porque amplía los resultados y, por lo tanto, ofrece una mejor representación de la población en su conjunto. El uso de grupos desiguales también puede ser una amenaza para la validez interna. Si los grupos no son iguales, lo que a veces ocurre en los cuasi experimentos, entonces el experimentador podría no estar seguro de cuáles son las causas de los resultados. [4]
Validez interna
La validez interna es la verdad aproximada sobre las inferencias sobre las relaciones de causa-efecto o causales. Ésta es la razón por la que la validez es importante para los cuasiexperimentos porque se tratan de relaciones causales. Ocurre cuando el experimentador intenta controlar todas las variables que podrían afectar los resultados del experimento. La regresión estadística, la historia y los participantes son posibles amenazas a la validez interna. La pregunta que le gustaría hacer mientras intenta mantener alta la validez interna es "¿Hay otras posibles razones para el resultado además de la razón por la que quiero que sea?" Si es así, es posible que la validez interna no sea tan fuerte. [8]
Validez externa
La validez externa es la medida en que los resultados obtenidos de una muestra de estudio se pueden generalizar "a" una población de interés bien especificada y "entre" subpoblaciones de personas, épocas, contextos y métodos de estudio. [13] Lynch ha argumentado que generalizar "a" una población casi nunca es posible porque las poblaciones a las que nos gustaría proyectar son medidas de comportamiento futuro, que por definición no pueden ser muestreadas. [14] Por lo tanto, la pregunta más relevante es si los efectos del tratamiento se generalizan "entre" subpoblaciones que varían en factores de fondo que podrían no ser relevantes para el investigador. La validez externa depende de si los estudios de tratamientos tienen efectos homogéneos en diferentes subconjuntos de personas, tiempos, contextos y métodos de estudio o si el signo y la magnitud de los efectos del tratamiento cambian entre subconjuntos de formas que los investigadores pueden no reconocer o comprender. . [15] Athey e Imbens y Athey y Wager han sido pioneros en técnicas de aprendizaje automático para la comprensión inductiva de los efectos heterogéneos del tratamiento. [16] [17]
Tipos de diseño
Los diseños " persona por tratamiento " son el tipo más común de diseño de cuasi experimento. En este diseño, el experimentador mide al menos una variable independiente. Además de medir una variable, el experimentador también manipulará una variable independiente diferente. Debido a que se manipulan y miden diferentes variables independientes, la investigación se realiza principalmente en laboratorios. Un factor importante al tratar con diseños de persona por tratamiento es que será necesario utilizar la asignación aleatoria para asegurarse de que el experimentador tenga un control completo sobre las manipulaciones que se están realizando en el estudio. [18]
Un ejemplo de este tipo de diseño se realizó en la Universidad de Notre Dame. El estudio se llevó a cabo para ver si ser mentor para su trabajo conducía a una mayor satisfacción laboral. Los resultados mostraron que muchas personas que tenían un mentor mostraban una satisfacción laboral muy alta. Sin embargo, el estudio también mostró que aquellos que no recibieron el mentor también tenían un alto número de empleados satisfechos. Seibert concluyó que, aunque los trabajadores que tenían mentores estaban contentos, no podía asumir que la razón eran los propios mentores debido a la gran cantidad de empleados sin mentores que dijeron estar satisfechos. Esta es la razón por la que la preselección es muy importante para que pueda minimizar cualquier defecto en el estudio antes de que se detecten. [19]
Los "experimentos naturales" son un tipo diferente de diseño de cuasi-experimento utilizado por los investigadores. Se diferencia de persona por tratamiento en que no hay una variable que esté siendo manipulada por el experimentador. En lugar de controlar al menos una variable como el diseño de persona por tratamiento, los experimentadores no utilizan la asignación aleatoria y dejan el control experimental al azar. De aquí proviene el nombre de experimento " natural ". Las manipulaciones ocurren de forma natural, y aunque esto puede parecer una técnica inexacta, en realidad ha demostrado ser útil en muchos casos. Estos son los estudios realizados a personas a las que les sucedió algo repentino. Esto podría significar bueno o malo, traumático o eufórico. Un ejemplo de esto podrían ser los estudios realizados en aquellos que han sufrido un accidente automovilístico y los que no. Los accidentes automovilísticos ocurren de forma natural, por lo que no sería ético organizar experimentos para traumatizar a los sujetos del estudio. Estos eventos que ocurren naturalmente han demostrado ser útiles para estudiar los casos de trastornos por estrés postraumático . [18]
Referencias
- ↑ a b c Dinardo, J. (2008). "experimentos naturales y experimentos cuasi-naturales". El Diccionario de Economía New Palgrave . págs. 856–859. doi : 10.1057 / 9780230226203.1162 . ISBN 978-0-333-78676-5.
- ^ Rossi, Peter Henry; Mark W. Lipsey; Howard E. Freeman (2004). Evaluación: un enfoque sistemático (7ª ed.). SABIO. pag. 237. ISBN 978-0-7619-0894-4.
- ^ Gribbons, Barry; Herman, Joan (1997). "Diseños verdaderos y cuasi-experimentales" . Evaluación práctica, investigación y evaluación . 5 (14). Archivado desde el original el 2 de mayo de 2013.
- ^ a b Morgan, GA (2000). "Diseños cuasi-experimentales". Revista de la Academia Estadounidense de Psiquiatría Infantil y Adolescente . 39 (6): 794–796. doi : 10.1097 / 00004583-200006000-00020 . PMID 10846316 .
- ^ a b c d Shadish; Cocinero; Cambell (2002). Diseños experimentales y cuasi-experimentales para la inferencia causal generalizada . Boston: Houghton Mifflin. ISBN 0-395-61556-9.
- ^ Campbell, DT (1988). Metodología y epistemología para las ciencias sociales: artículos seleccionados . Prensa de la Universidad de Chicago. ISBN 0-226-09248-8.
- ^ Armstrong, J. Scott; Patnaik, Sandeep (1 de junio de 2009). "Uso de datos cuasi-experimentales para desarrollar generalizaciones empíricas para publicidad persuasiva" (PDF) . Revista de Investigación Publicitaria . 49 (2): 170-175. doi : 10.2501 / s0021849909090230 . ISSN 0021-8499 . S2CID 14166537 . Archivado (PDF) desde el original el 17 de agosto de 2017.
- ^ a b c DeRue, Scott (septiembre de 2012). "Un estudio cuasi experimental de revisiones posteriores al evento" . Revista de Psicología Aplicada . 97 (5): 997–1015. doi : 10.1037 / a0028244 . hdl : 1813/71444 . PMID 22506721 .
- ^ Experimentos controlados por CHARM Archivado el 22 de julio de 2012 en la Wayback Machine.
- ^ http://www.osulb.edu/~msaintg/ppa696/696quasi.htm [ enlace muerto permanente ]
- ^ Lynda S. Robson, Harry S. Shannon, Linda M. Goldenhar, Andrew R. Hale (2001) Diseños cuasi-experimentales y experimentales: diseños de evaluación más potentes Archivado el 16 de septiembre de 2012 en Wayback Machine , Capítulo 4 de la Guía para Evaluación de la eficacia de las estrategias para prevenir lesiones laborales: cómo demostrar si una intervención de seguridad realmente funciona Archivado el 28 de marzo de 2012 en Wayback Machine , Instituto de Trabajo y Salud, Canadá
- ^ Métodos de investigación: Planificación: Quasi-Exper. Diseños archivados el 18 de marzo de 2013 en la Wayback Machine.
- ^ Cook, Thomas D. y Donald T. Campbell (1979), Cuasi-experimentación: cuestiones de diseño y análisis para entornos de campo. Boston: Houghton-Mifflin
- ^ Lynch, John G., Jr. (1982), "Sobre la validez externa de los experimentos en la investigación del consumidor", Journal of Consumer Research , 9 (diciembre), 225-239.
- ^ Cronbach, Lee J. (1975), "Más allá de las dos disciplinas de la psicología científica" Psicólogo estadounidense 30 (2), 116.
- ^ Athey, Susan y Guido Imbens (2016), "Partición recursiva para efectos causales heterogéneos". Actas de la Academia Nacional de Ciencias 113, (27), 7353–7360.
- ^ Wager, Stefan y Susan Athey (2018), "Estimación e inferencia de efectos de tratamiento heterogéneos utilizando bosques aleatorios". Revista de la Asociación Estadounidense de Estadística 113 (523), 1228-1242.
- ^ a b Meyer, Bruce (abril de 1995). "Experimentos cuasi y naturales en economía" (PDF) . Revista de Estadísticas Económicas y Empresariales . 13 (2): 151-161. doi : 10.1080 / 07350015.1995.10524589 . S2CID 56341672 .
- ^ Seibert, Scott (1999). "La eficacia de la tutoría facilitada un cuasi experimento longitudinal". Revista de comportamiento vocacional . 54 (3): 483–502. doi : 10.1006 / jvbe.1998.1676 .
enlaces externos
- Diseño cuasi-experimental en la base de conocimientos de métodos de investigación