Causa y medición Cap. 2 en Métodos de análisis causal. Por Juan Díez Medrano.

Presentación del tema: "Causa y medición Cap. 2 en Métodos de análisis causal. Por Juan Díez Medrano."— Transcripción de la presentación:

1 Causa y medición Cap. 2 en Métodos de análisis causal. Por Juan Díez Medrano

2 Sobre la noción de causa Hume: define tres criterios para establecer la causalidad. Contigüidad entre causa y efecto; Precedencia temporal de la causa; Conjunción constante entre ambas.

3 Sobre la noción de causa Mill: diferencia entre regularidades o correlaciones y relaciones causales, con el criterio de exclusión de todo mecanismo causal alternativo (a la relación causa-efecto postulada).

4 Sobre la noción de causa Russell: sostiene que el criterio de la conjunción constante (de Hume) es muy difícil de alcanzar, por eso propone hablar de relaciones funcionales, de las que puede especificarse su sentido y su magnitud para contextos determinados.

5 Validez Interna Es la capacidad de un diseño de investigación de eliminar causas alternativas.

6 Medición Consta de dos etapas principales: 1) Definición de lo que se medirá; 2) Operacionalización, en base a aquella.

7 ¿Qué es un concepto? Un concepto es una idea que une distintos fenómenos bajo una misma etiqueta.

8 Concepto: cuatro pasos para definirlo 1) dar un significado al concepto: definición teórica 2) identificar las dimensiones que lo representan 4) formalizar el error de medición 3) informar los indicadores: definición operacional

9 Sobre los indicadores... Un indicador es apropiado en tanto provee al investigador con una variable empírica que corresponda al significado asociado al concepto (depende pues de la definición teórica). Existen dos criterios principales para juzgar la bondad de un indicador...

10 Validez: ¿mide esta variable lo que debería medir? La validez de contenido (o validez teórica) implica que los indicadores de un concepto cubran todas sus dimensiones, por lo que depende también de la definición teórica. La validez empírica, por su lado, refiere a la validez de los diversos indicadores postulados.

11 (Con)fiabilidad ¿Cuán consistente es este indicador para medir un concepto? Solo puede medirse empíricamente.

12 Pero... errar es humano Toda medición conlleva cierto grado de error. A veces este es aleatorio; otras veces, sistemático.

13 Causalidad Para establecer una relación de causalidad, un diseño de investigación debe demostrar - además de que los indicadores propuestos son fiables para medir los conceptos en cuestión- que la relación entre dos variables X (causa postulada) e Y (efecto postulado) existe y que no se debe al efecto causal simultáneo de T (terceras variables), lo que resultaría en una relación espuria.

14 ¿Una relación qué? Espuria. Según la RAE: - espurio, ria. (Del lat. spurĭus). 1. adj. bastardo ( ‖ que degenera de su origen o naturaleza). 2. adj. falso ( ‖ engañoso).

15 En un modelo, sería:

16 Una vez descartada la posibilidad de que la relación entre ambas variables sea espuria, el investigador diseña su investigación para explicar tal relación mediante la intervención de terceras variables T, que puedan especificar mejor el carácter de la misma. También, muchas veces interesa analizar la relación causal entre dos variables, en contextos diferentes. El propósito último es maximizar la capacidad de predicción de la variable dependiente Y.

17 ¿Se acuerdan del experimento de Milgram?

18 Debido a obstáculos éticos, en general el diseño experimental (con muestreo aleatorio) no puede aplicarse en Ciencias Sociales. Por ende, debemos “conformarnos” con diseños no experimentales, que apuntan a eliminar hipótesis alternativas por todos los medios posibles.

19 Entonces, ¿cómo diseño una investigación? Descartado el modelo experimental, nos quedan dos grandes alternativas. Por un lado, como se dijo, se busca eliminar cuantas variables explicativas potenciales sea posible. Por el otro, se apunta a verificar el cumplimiento de nuestras predicciones sobre el comportamiento de las variables, en base al modelo explicativo postulado.

20 Sobre las variables de control T Entonces, las variables de control T cumplen varias funciones en los diseños no experimentales: - Mejorar la interpretación del fenómeno; - Descartar posibles relaciones espurias; - Determinar la capacidad explicativa relativa de las variables identificadas.

21 Sobre las variables de control T El rol que juegan estas variables T, en definitiva, es determinado por la teoría. El análisis estadístico, por su cuenta, solo puede hablar de la validez de nuestro modelo y de sus componentes.

22 Una advertencia final Una vez que nos echamos a volar sobre nuestro modelo teórico, aunque la tentación es fuerte, no debemos confundirlo con la realidad social. Esta, incansablemente, demuestra la futilidad o la evanescencia de todas nuestras predicciones.