Diseños Multivariados en la Investigación Experimental

Extensiones de los diseños experimentales. DISEÑOS MULTIVARIADOS

Se debe observar la conducta a través de distintas variables dependientes con el objeto de conseguir una mayor validez.

En situaciones de este tipo utilizaremos el diseño multivariado ya que:

• a) Favorecen el hecho de poder realizar estudios más adaptados a la complejidad del comportamiento.
• b) Son más potentes y válidos que los diseños univariados, al facilitar de forma intrínseca información acerca de las posibles covariaciones entre las variables medidas, lo que incrementa la sensibilidad para detectar la efectividad de los tratamientos. Los diseños intrasujeto pueden ser tratados analíticamente de forma multivariable.

Análisis multivariado

Las técnicas se clasifican en univariadas, bivariadas o multivariadas en función del número de variables dependientes que consideren.

• Las técnicas univariadas consideran solo una variable dependiente.
• Las técnicas bivariadas no implican distinción entre variables independientes y dependientes, porque están orientadas a resolver preguntas de naturaleza no causal, sino correlacional.
• Las técnicas multivariadas se aplican cuando se han medido varias variables dependientes simultáneamente y se desea analizarlas conjuntamente.

1.1 Investigación en contextos experimentales

Las técnicas multivariadas son útiles cuando hemos medido más de una variable dependiente y hay correlaciones entre las medidas. Las ventajas de las técnicas multivariadas residen en la posibilidad de mantener el error tipo I a un nivel aceptable, por ejemplo, igual o menor que 0,05, pero también en el hecho de que tienen en cuenta las correlaciones para construir supervariables. La aproximación a situaciones reales es también mayor desde una orientación multivariada. Las técnicas multivariadas son aplicables tanto en contextos experimentales como no experimentales siempre que: (1) tengamos más de una variable medida (dependiente, criterio, etc.); (2) haya correlación entre las medidas; y (3) deseemos evitar cometer una tasa de error tipo I global elevada.

Clasificación de las técnicas multivariadas

Se distinguen técnicas explicativas y técnicas descriptivas.

Las técnicas explicativas se emplean en contextos de investigación experimentales mientras que las descriptivas se usan en contextos no experimentales. Las primeras nos permiten contrastar hipótesis relativas a la influencia que nuestras manipulaciones, las variables independientes, tienen sobre las variables dependientes. Explicativas hacen referencia a que las variables independientes son consideradas las causas potenciales de los cambios observados en las variables dependientes. Por el contrario, las técnicas descriptivas se caracterizan porque nos permiten resumir el conjunto de datos de una forma adecuada a nuestros objetivos. Con estas técnicas no se pretende, ni se puede contrastar hipótesis sobre efectos de factores, sino obtener una descripción.

Técnicas explicativas

• Análisis de regresión múltiple: Cuando lo que se pretende es predecir el criterio desde el conjunto de predictores métricos (cuyos valores expresan magnitud de la variable y no simplemente orden o posesión de un atributo). La regresión múltiple es utilizable siempre que las variables estén medidas en una escala de intervalo o de razón.
• Análisis multivariado de varianza y covarianza: La extensión del análisis univariado de varianza (ANOVA) es el análisis multivariado de varianza (MANOVA). El objeto de MANOVA es determinar si una o más variables independientes producen efectos diferenciales sobre dos o más variables dependientes. El MANOVA es aplicable también cuando se ha medido la misma variable dependiente de forma reiterada en el tiempo a los mismos sujetos, esto es, en diseños de medidas repetidas.
• Análisis de regresión logística: Cuando las variables predictoras no son métricas, la técnica de elección es la regresión logística. Su objetivo es similar al del análisis discriminante: predecir el grupo al que pertenece un individuo. El procedimiento trata de mezclar las variables predictoras.
• Ecuaciones lineales estructurales: Nuestro interés se centra en relaciones secuenciales. El análisis se caracteriza por la construcción de un modelo estructural en el que se especifica cómo se supone que están relacionados las variables predictoras y los criterios.

Técnicas descriptivas

• Análisis de datos categóricos: Nuestro objetivo es determinar si hay relación entre las variables medidas. Para ello se construyen tablas de asociación. Los predictores son ahora los efectos de las variables y sus interacciones. En análisis progresa eliminando tantos predictores como es posible sin que se incremente la diferencia entre las frecuencias observadas y las predichas.
• Análisis de correlación canónica: Supongamos que medimos a un grupo de sujetos dos conjuntos de variables, estamos interesados en conocer si entre ambas existe un grado significativo de relación. Lo que correlaciona son combinaciones lineales de las variables de un conjunto de combinaciones lineales de las variables del otro conjunto.
• Análisis de cluster: Es una técnica cuyo objetivo es precisamente agrupar a individuos (o variables) en función de su semejanza.
• Análisis factorial y de componentes principales: El objetivo de reducir los datos a partir de las correlaciones para encontrar un número reducido de factores que los expliquen.
• Análisis de supervivencia: Nuestro interés recae en determinar cuánto tiempo es necesario que transcurra para que suceda algo. Se trata de describir la proporción de casos que en diferentes momentos del tiempo permanecen en el estudio. El análisis presenta las curvas de supervivencia para cada grupo, pero también es posible realizar pruebas estadísticas para comparar los grupos.