Una introducción a los diseños cuasi-experimentales

Como un verdadero experimento, un diseño cuasi-experimental tiene como objetivo establecer una relación de causa y efecto entre una variable independiente y una dependiente.

Sin embargo, a diferencia de un verdadero experimento, un cuasi-experimento no se basa en una asignación aleatoria. En cambio, los sujetos se asignan a grupos en función de criterios no aleatorios.

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

Diferencias entre cuasiexperimentos y experimentos verdaderos

Existen varias diferencias comunes entre diseños verdaderos y cuasiexperimentales.

Diseño experimental verdadero Cuasi-experimental diseño
Asignación a tratamiento El El investigador asigna sujetos al azar a los grupos de control y tratamiento. Se utiliza algún otro método no aleatorio para asignar sujetos a los grupos.
Control sobre el tratamiento El investigador generalmente diseña el tratamiento y decide qué sujetos lo reciben. El investigador a menudo no tiene control sobre el tratamiento, sino que estudia grupos preexistentes que recibieron diferentes tratamientos después del hecho.
Uso de grupos de control Requiere el uso de control y tratamiento grupos. Los grupos de control no son necesarios (aunque se usan comúnmente).

Ejemplo de un verdadero experimento frente a un cuasiexperimento

Supongamos que está interesado en el impacto de una nueva terapia psicológica en pacientes con depresión .
Ejemplo: diseño experimental verdadero
Para ejecutar un experimento verdadero, asigna al azar a la mitad de los pacientes en una clínica de salud mental para recibir el nuevo tratamiento. La otra mitad, el grupo de control, recibe el tratamiento estándar para la depresión.

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

Sin embargo, por razones éticas, los directores de la clínica de salud mental pueden no darle permiso para asignar a sus pacientes al azar a tratamientos. En este caso, no puede ejecutar un experimento real.

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

Ejemplo: Diseño cuasiexperimental
Descubres 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 el protocolo normal.

Puedes usar estos grupos preexistentes para estudiar la progresión de los síntomas de los pacientes tratados con la nueva terapia frente a los que reciben el curso de tratamiento estándar.

Aunque los grupos no se asignaron al azar, si tiene en cuenta adecuadamente las diferencias sistemáticas entre ellos, 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: diseño de grupos no equivalentes, discontinuidad de regresión y experimentos naturales.

Diseño de grupos no equivalentes

En el diseño de grupos no equivalentes, el investigador elige los grupos existentes que aparecen similar, pero donde solo uno de los grupos experimenta el tratamiento.

En un verdadero experimento con asignación aleatoria, los grupos de control y tratamiento se consideran equivalentes en todos los aspectos que no sean el tratamiento. Pero en un cuasiexperimento en el que los grupos no son aleatorios, pueden diferir de otras formas: no son grupos equivalentes.

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

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

Ejemplo: diseño de grupos no equivalentes
Usted plantea la hipótesis de que un nuevo programa extracurricular conducirá a mejores calificaciones. Usted elige dos grupos similares de niños que asisten a escuelas diferentes, uno de los cuales implementa el nuevo programa y el otro no.

Al comparar los niños que asisten al programa con los que no, puede averiguar si tiene un impacto en las notas.

Discontinuidad de regresión

Muchos tratamientos potenciales que los investigadores desean estudiar están diseñados en torno a un límite esencialmente arbitrario, donde aquellos por encima del umbral reciben el tratamiento y los que están por debajo no lo hacen.

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

Ejemplo: discontinuidad de regresión
Algunas escuelas secundarias en los Estados Unidos están reservadas para estudiantes de alto rendimiento, quienes deben superar un cierto puntaje en una prueba para poder asistir. Es muy probable que quienes aprueben esta prueba difieran sistemáticamente de aquellos que no.

Sin embargo, dado que la puntuación de corte exacta es arbitraria, los estudiantes se acercan al umbral: los que apenas aprueban el examen y los que no lo aprueban por un margen muy pequeño – tienden a ser muy similares, y las pequeñas diferencias en sus puntuaciones se deben principalmente al azar. Por lo tanto, puede concluir que cualquier diferencia en los resultados debe provenir de la escuela a la que asistieron.

Para probar el impacto de asistir a una escuela selectiva, puede estudiar los resultados a largo plazo de estos dos grupos de estudiantes (aquellos que apenas pasaron y los que apenas fallaron).

Experimentos naturales

Tanto en los experimentos de laboratorio como en los de campo, los investigadores normalmente controlan qué grupo asignados a los sujetos. En un experimento natural, un evento o situación externa («naturaleza») resulta en la asignación aleatoria o similar de sujetos al grupo de tratamiento.

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

Aunque los investigadores no tienen control sobre la variable independiente, pueden explotar este evento después del hecho 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 expandir la inscripción en Medicaid, programa de seguro médico público de bajos ingresos, a más adultos de bajos ingresos.

Sin embargo, como no podían cubrir a todos los que consideraban elegibles para el programa, en su lugar asignaron lugares en el programa basándose en una lotería aleatoria.

Los investigadores pudieron estudiar el impacto del programa mediante el uso de las personas inscritas como un grupo de tratamiento asignado al azar, y las otras que fueron elegibles pero no tuvieron éxito en la lotería como grupo de control.

A continuación, se explica por qué a los estudiantes les encantan los servicios de corrección de pruebas de Scribbr

Descubra la corrección de pruebas & edición

Cuándo usar un diseño cuasi-experimental

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

Ético

A veces sería poco 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 Oregon es un buen ejemplo. No sería ético proporcionar al azar un seguro médico a algunas personas, pero evitar deliberadamente que otros lo reciban únicamente con fines de investigación.

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

Práctico

El verdadero diseño experimental puede ser inviable de implementar o simplemente demasiado costoso, particularmente para los investigadores sin acceso a grandes flujos de financiación.

En otras ocasiones, se requiere demasiado trabajo para contratar y diseñar adecuadamente una intervención experimental para una cantidad adecuada de sujetos para justificar un verdadero experimento.

En cualquier caso, los diseños cuasi-experimentales le permiten estudiar la pregunta aprovechando los datos que previamente han sido pagados o recopilados por otros (a menudo el gobierno).

Ventajas y desventajas

Diseño cuasi-experimental s tienen varios pros y contras en comparación con otros tipos de estudios.

  • Mayor validez externa que la mayoría de los experimentos verdaderos, porque a menudo involucran intervenciones del mundo real en lugar de entornos de laboratorio artificiales.
  • Mayor validez interna que otros tipos de investigación no experimentales, porque le permiten controlar mejor las variables de confusión que otros tipos de estudios.
  • Menor validez interna que los experimentos verdaderos; sin aleatorización, puede Será difícil verificar que se hayan tenido en cuenta todas las variables de confusión.
  • El uso de datos retrospectivos que ya se han recopilado para otros fines puede ser inexacto, incompleto o de difícil acceso.

Preguntas frecuentes sobre diseños cuasi-experimentales

¿Qué es un cuasi-experimento?

Un cuasi-experimento es un tipo de diseño de investigación que intenta establecer una relación de causa y efecto. La principal diferencia con un experimento verdadero es que los grupos no se asignan al azar.

¿Cuándo debo usar un diseño cuasi-experimental?

El diseño cuasi-experimental es más útil en situaciones en las que sería poco ético o poco práctico realizar un experimento verdadero.

Los cuasiexperimentos tienen una validez interna más baja que los experimentos verdaderos, pero a menudo mayor validez externa, ya que pueden utilizar intervenciones del mundo real en lugar de entornos de laboratorio artificiales.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *