MÉTODOS DE INVESTIGACIÓN EN EL ESTUDIO DE LAS DIFERENCIAS INDIVIDUALES

Presentación del tema: "MÉTODOS DE INVESTIGACIÓN EN EL ESTUDIO DE LAS DIFERENCIAS INDIVIDUALES"— Transcripción de la presentación:

1 MÉTODOS DE INVESTIGACIÓN EN EL ESTUDIO DE LAS DIFERENCIAS INDIVIDUALES
TEMA 4

2 CUBO DE DATOS DE CATTELL
Representa los diferentes tipos de relaciones bivariadas que pueden darse entre las variables objeto de estudio. Tres fuentes de variación: personas, situaciones y ocasiones

3 CUBO DE DATOS DE CATTELL
Un solo registro temporal: TÉCNICA R: la más habitual y frecuente. Supone correlacionar pares de variables o conductas (focos de variación) en múltiples personas. TÉCNICA Q: son los individuos los que correlacionan a través de las variables Finalidad-descripción de clusters de individuos que podrán identificarse o no como tipos. Se usa poco. (Ambas no ofrecen información sobre la variabilidad intraindividual, ni posibilitan la generalidad en el tiempo)

4 CUBO DE DATOS DE CATTELL
Un solo sujeto: TÉCNICA P: estudia las correlaciones entre múltiples tests o conductas a lo largo del tiempo y se usa para determinar patrones de cambio intraindividual en la conducta. Útil para identificar las oscilaciones emotivas del individuo con el paso del tiempo. TÉCNICA O: determina qué grupo de situaciones afectan a una persona a lo largo del tiempo. Estudia en qué situaciones se elabora un determinado patrón de conductas

5 CUBO DE DATOS DE CATTELL
Una sola variable o conducta registrada: TÉCNICA S: determinadas semejanzas y diferencias entre personas, con respecto a la conducta, a lo largo del tiempo. Determinar los tipos evolutivos de individuos con respecto a una variable concreta. TÉCNICA T: estudia las diferencias y semejanzas entre ocasiones de observación de esa particular conducta en la muestra de personas. Ej: el miedo en diferentes situaciones e individuos

6 LAS DOS DISCIPLINAS DE LA PSICOLOGÍA CIENTÍFICA
M. Experimental => Ppio de Causalidad (Tº E-R) M. Correlacionales (Tº R-R) Psi. Diferencial. Iniciado por Wundt y Paulov (Asociacionismo inglés) Galton y Sperman. (Evolucionismo) Provine de la aplicación de los métodos de la fisiología experimental al estudio de las actividades Ps. Imitación de las CC. Físicas que se plantearon como reacción positivista. Formados en la tradición naturalista y antropométrica, rápidamente usaron técnicas de medida para establecer empíricamente la magnitud de las diferencias. De naturaleza bivariada y manipulativa de las variables exógenas. De naturaleza NO manipulativa y multivariada. OBJETIVO: comprensión de los fenómenos estudiados y se basa en la causalidad provocada experimentalmente. OBJETIVO: Estudio de al covariación de las R para descubrir la estructura de al conducta. Variables que investiga: Exógenas (tiempo de inspección, TR…) Variables que investiga: Endógenas (Personalidad, inteligencia…) Validez predominante: Interna Validez predominante: Externa. Ámbito de investigación: Laboratorio Ámbito de investigación: Contexto natural La técnica por excelencia: Experimento . Aplicación de la estadística inferencial siguiendo el modelo AVAR. Técnicas multivariadas. AF gracias al cual se infieren las dimensiones comunes que justifican las diferencias individuales PARADIGMA: Estimulo-Respuesta PARADIGMA: Respuesta-Respuesta

7 DISEÑOS DE INVESTIGACIÓN EN EL ESTUDIO DE LAS DIFERENCIAS INDIVIDUALES
Las distintas estrategias técnico-metodológicas de investigación están vinculadas a unas técnicas estadístico-analíticas que posibilitan el logro de los objetivos propuestos. La elección de las estrategias depende de la naturaleza de las hipótesis planteadas, las características de las muestras, la operativización de los constructos, el tipo de instrumentos de medida con los que se recogen los datos, etc. Aunque las hipótesis descriptivas y predictivas han sido habituales en la Psicología Diferencial Clásica, cada vez más se parte de hipótesis de carácter explicativo asociadas a modelos teóricos.

8 TÉCNICAS MULTIVARIADAS EN EL ESTUDIO DE LAS DIFERENCIAS INDIVIDUALES
Multivariado: que operan con muchas variables simultáneamente. Estos análisis se dividen en técnicas interdependencia (vinculados al paradigma R-R, con carácter descriptivo y se basan en la covariación entre variables) y de dependencia (paradigma E-R, trata de predecir VD, en función de variables predictoras o VI). La variables pueden ser: Métricas (cuantitativa): altura, Tiempo de Reacción, grado de neuroticismo … No métricas (cualitativas). Hombre-mujer. Técnicas de interdependencia: RR, estudian la covariación entre múltiples variables, y posibilitan describir, clasificar y hallar estructura latentes. Técnicas de dependencia: ER, estudia una serie de VI o predictoras para predecir y explicar una o más VD o criterio. Permiten valorar el grado de relación que hay entre VD y VI.

9 DISEÑOS EX POST-FACTO El investigador no puede manipular ni modificar la VI, viene dada (el sexo). Al no poder hacer la asignación aleatoria de los sujetos a las condiciones experimentales, se lleva a cabo una selección de los sujetos en función de que posean unas u otras características. Se analizan interdependencias entre las variables. Se concibe VD como el constructo descriptivo que debe explicarse y VI aquella que tiene valor explicativo. El orden de sucesión temporal entre VI y VD es un criterio fundamental. La Variable Independiente siempre antes de la VD Ejemplo: estudio para contrastar la teoría de que la tensión emocional puede ser una causa del cáncer de mama. Mujeres que acudieron al hospital por tener bultos en el pecho, se analizó la existencia de episodios traumáticos en su historia vital

10 DISEÑOS CORRELACIONALES
OBJETIVOS DESCRIPTIVOS Los diseños correlacionales de covariación (o descriptivos) son muy útiles en campos poco estudiados o complejos para establecer taxonomías o dimensiones básicas. Se distinguen: Análisis de relaciones: Las técnicas estadísticas a emplear estarán condicionadas por el grado de ajuste a los parámetros de la población de la que se ha obtenido la muestra. Se usa el índice de correlación de Pearson para muestras numéricas y el de Spearman para muestras no paramétricas con datos de carácter ordinal. Análisis de estructuras: Para ordenar, agrupar y clasificar la realidad observada mediante la extracción de aspectos comunes que subyacen a las relaciones entre las diferentes variables estudiadas.

11 DISEÑOS CORRELACIONALES
OBJETIVOS DESCRIPTIVOS Se usan Técnicas multivariadas de interdependencia como el análisis de componentes principales, el Análisis Factorial, Análisis de cluster, etc. El Análisis Factorial además de estudiar y obtener las intercorrelaciones entre las variables observadas, obtiene la estructura que subyace a las relaciones entre dichas variables. El Análisis Factorial clásico se conoce como el Análisis Factorial Exploratorio (fase inductiva del proceso de investigación): útil en la elaboración de hipótesis. El Análisis Factorial Confirmatorio (fase deductiva): pretende abordar la evaluación y el correcto ajuste de modelos teóricos elaborados previamente a los resultados obtenidos.

12 ANÁLISIS FACTORIAL El Análisis Factorial Exploratorio es una técnica multivariante de interdependencia que estudia las interrelaciones entre un elevado número de variables observadas. Su objetivo es extraer la información que se oculta en las variables observadas, obteniendo un conjunto más pequeño de variables latentes, denominadas factores. Spearman, inventor del Análisis Factorial, usó el método de las diferencias tetrádicas para estudiar la estructura de la Inteligencia. Este método permitía conocer si la varianza común de una matriz de correlaciones entre múltiples pares de variables, podía reducirse a un factor general único o a varios factores de grupo. Si el valor de la diferencias tetrádica era cero quería decir que un único factor general subyacía a las relaciones. Si era distinto de cero significaba que había múltiples factores de grupo. Thurstone planteó el principio de estructura simple. Hotelling propuso la extracción de factores con: método de componentes principales. Kaiser aportó un tipo de rotación ortogonal denominada varimax (la más usada actualmente).

13 ANÁLISIS FACTORIAL FASES
Seleccionar las variables a factorizar. Las variables deben medirse en una escala métrica (deben ser cuantitativas continuas. Calcular la matriz de correlaciones, por ejemplo: Rxy V1 V2 V3 V4 V5 V6 1 0.93 0.85 0.78 0.10 0.45 0.02 0.34 0.22 0.67 0.01 0.84

14 ANÁLISIS FACTORIAL FASES
Extraer la matriz factorial básica: se obtienen las dimensiones iniciales que explican la mayor parte de la variabilidad común entre las variables iniciales MATRIZ DE CORRELACIONES MATRIZ DE FACTORES Test x Test A B Factor x I II h2 AA AB AF  AI AII h2A BA BB BI BII h2B % Var. % I % II

15 ANÁLISIS FACTORIAL FASES
Rotar la solución factorial para facilitar la interpretación de las relaciones entre las variables. Puede ser: Interpretar conceptualmente la matriz factorial rotada. ORTOGONAL OBLICUA FACTORES ADECUACIÓN TIPOS INDEPENDIENTES MATEMÁTICA VARIMAX DEPENDIENTES PSICOLÓGICA OBLIMIN

16 CONTROVERSIAS EN TORNO A ESTE ANÁLISIS FACTORIAL
La interpretación de la solución factorial obtenida con cierto grado de subjetividad, dependiendo del saber del investigador y su marco teórico. El tipo de rotación factorial. Se trata de buscar la solución factorial más acertada. Desde el punto de vista matemático se pueden encontrar infinitas soluciones equivalentes, dependiendo del punto donde se realiza la rotación. Se recomienda la ortogonal dado que los factores representan dimensiones independientes entre sí y la solución factorial es más fácilmente interpretable. Cuando se cree que los factores están relacionados se usa mejor la oblicua que permite establecer estructuras de tipo jerárquico basadas en la sucesiva factorización de los factores.

17 CONTROVERSIAS ENTORNO A ESTE ANÁLISIS FACTORIAL
Thurstone: rota las soluciones factoriales hasta hallar la estructura más simple y postuló la existencia de 7 factores primarios independientes relacionados con las capacidades mentales. Sin embargo, Spearman encontró un solo factor general y diversos componentes específicos. Cada autor utiliza un tipo de rotación encontrando controversia en las soluciones. Tal disparidad se ha superado con los procesos modernos de Análisis Factorial y por una aproximación de posturas entre los Psicólogos diferencialistas, que señalan que la organización de la inteligencia es jerárquica.

18 DISEÑOS CORRELACIONALES
OBJETIVOS PREDICTIVOS Si podemos dividir las posibles VI (predictora) y VD (criterio), las técnicas como el análisis de regresión, análisis discriminante o la correlación canónica permiten estimar la potencia predictiva. Los modelos de regresión permiten estimar los valores o magnitudes de cambio, representan valores de cambio (si cambia una variable como cambian las demás) y no valores causales: El análisis de regresión simple permite predecir un criterio (VD) a partir del control estadístico (que no manipulativo) de una variable predictiva (VI). Los procedimientos de regresión múltiple posibilitan una estimación del potencial predictivo de una variable manteniendo un control estadístico sobre otras variables intervinientes.

19 DISEÑOS CORRELACIONALES
OBJETIVOS EXPLICATIVOS Los diseños correlacionales causales emplean diversos procedimientos (nuevos avances estadísticos) que permiten establecer ciertas inferencias causales. Cuatro criterios imprescindibles para hacer inferencias causales: Asociaciones suficientes entre dos variables. Antecedentes temporales de la causa frente al efecto. Falta de alternativas a las variables causales. Una base teórica para la relación. Los modelos estructurales permiten trabajar con variables latentes a los indicadores externos con los que se trabaja y concluir acerca del ajuste de los datos desde un modelo estadístico a un modelo teórico postulado a priori.

20 DISEÑOS COMPARATIVOS Son calificados de planes experimentales que están fundamentados en el análisis comparativo de valores medios. Se pretende estudiar si existen diferencias estadísticamente significativas al comparar las puntuaciones medias de diferencia grupos en la VD. Analizan las diferencias existentes entre niveles representativos de una VI ligada a las características personales no manipulables. En estos diseños no se puede manipular las VI para observar los cambios en las VD y tampoco se pueden formar los grupos mediante una aleatorización de los sujetos.

21 DISEÑOS CUASI-XPERIMENTALES
Si bien no puede establecerse una aleatorización de los sujetos, si pueden manipularse, de forma sistemática, las condiciones o tratamientos a los que estos sujetos experimentales son expuestos. Puente entre lo experimental y los correlacional. Vía de análisis que hace más factible el contraste de hipótesis relativas a los procesos subyacentes y al valor funcional de las variables personales. Posibilitan un acercamiento progresivo al estudio científico de las diferencias individuales dentro de un marco interactivo. Por ejemplo se compara el rendimiento en una prueba lingüística de la primera promoción bilingüe en valenciano con la anterior en español

22 TEMPORALIDAD DE LOS DISEÑOS
Diseños temporales o evolutivos: transversales y longitudinales. Estudio de los cambios vinculados a la edad cronológica (VI) y la(s) VD. La edad cronológica es una variable de selección al igual que variables como el sexo. Los estudios en los que esta implicada la variable edad no son de naturaleza experimental. Permite realizar comparaciones intergrupales en función de la edad y estudiar el cambio que se produce a lo largo del tiempo. La edad no es la causante del cambio sino los procesos evolutivos que actúan en función de la edad, como la maduración, el aprendizaje y la interacción entre ambos.

23 DISEÑO TRASVERSAL Compara distintos sujetos con distintas edades en igual momento. Recoge los datos de forma sincrónica, en un mismo momento y estudia una VD en diferentes grupos de edad de sujetos. Aspectos positivos: Mayor economía, facilidad y rapidez. Baja tasa de abandonos. Control de los efectos históricos. Limitaciones: El efecto de cohorte o de generación. Dificultad para establecer con propiedad relaciones causales, dado que la edad no se puede manipular. No se sabe hacia dónde se podría dirigir el cambio de cada generación o de cada sujeto en particular. Se incluyen sujetos con igual edad pero distinto nivel de maduración o procesos de cambio.

24 DISEÑOS LONGITUDINALES
Compara iguales sujetos a lo largo del tiempo. Obtiene los datos de forma diacrónica, estudia en diferentes momentos temporales el cambio que se produce vinculado a la edad en la VD de interés, en los mismos sujetos. Permite estudiar el sentido del cambio. Aspectos positivos: Control del efecto de cohorte. Análisis real de los cambios observados. Mayor garantía explicativa: aunque no resuelve de todo el problema de espuriedad: no asegura que la relación encontrada entre la VD y VI se deba a la influencia causal de una tercera variable. Limitaciones: Efectos históricos o del aprendizaje (familiaridad con las pruebas). Mayores costes de realización y organización que los anteriores. Elevada tasa de abandonos. Ausencia de equivalencia en tests de evaluación usados para diferentes edades. Ceñirse al estudio de una sola generación limita a un análisis de los efectos propios de dicha generación.

25 MODIFICACIONES DEL DISEÑO LONGITUDINAL
Diseño longitudinal transverso: combina ambos diseños mediante un seguimiento longitudinal de varios grupos de generaciones y análisis de cortes trasversales entre los mismos. Por ejemplo generaciones de los años 70, 80 y 90 y establecer comparaciones entre las distintas generaciones en unas edades determinadas, por ejemplo a la edad de 20, 30 y 40 años. Diseño longitudinal de poblaciones: tomando una(s) población(es) como referencia se analizan distintas muestras en periodos de interés. Varían los sujetos pero se mantiene la población objeto de estudio. Estos permiten estimar cómo afectan los cambios sociales y culturales a la población.