Anda di halaman 1dari 48

.; ..

en

ad

Pedro J. Amor Andrés


Ángeles Sánchez-Elvira Paniagua

te-
I. Introducción

las II. Objetivos

III. Contenidos específicos del tema


íte- 1. Aplicación del método científico al análisis de la variación individual
1.1. Fases en el método científico
el 1.2. La espiral de Cattell: el método «Inductivo-Hipotético-Deductivo»
2. Investigación en diferencias individuales
2.1. Las dos disciplinas de la Psicología Científica
ite-
2.2. Requisitos del método científico
2.3. Estudio de las diferencias individuales y validez científica
3. Diseños de investigación en el estudio de diferencias individuales
3.1. Manipulabilidad de los diseños
3.1.1. Diseños ex-post-facto
a) Diseños correlaciónales
b) Diseños propiamente comparativos
3.1.2. Diseños cuasi-experimentales
3.2. Temporalidad de los diseños
3.2.1. El diseño transversal
3.2.2. El diseño longitudinal

IV. Resumen

V. Preguntas de autoevaluación
146 INTRODUCCIÓN fll ESTUDIO D€ LOS DIFERENCIAS INDIVIDUALES

I. INTRODUCCIÓN

Desde los inicios de su actividad cognitiva un conocimiento sobre las relaciones funcio-
consciente y organizada el ser humano ha pre- nales existentes entre los fenómenos de interés.
tendido con mayor o menor fortuna acceder al Este objetivo se puede lograr siguiendo una
conocimiento y comprensión de su mundo. serie de procedimientos que constituyen lo
Siglos de pensamiento formal han posibilitado que, de una u otra forma, se llama "método"».
los avances en el conocimiento humano. A este En definitiva, el saber científico a diferencia del
camino recorrido para alcanzar el saber (que conocimiento ordinario, es decir, aquel deriva-
representa un modo ordenado y continuado de do del sentido común, presenta un control rigu-
proceder) se le denomina método. Enunciado de roso y un carácter sistemático y empírico
forma más pragmática, el método representa «la (Kerlinger, 1973).
acción encaminada a analizar y resolver un con- Por último, una buena manera de hacerse
junto de problemas relativos a nuestra experien- idea de cuáles son las perspectivas actuales en la
cia» (Delclaux, 1989; pág. 61). investigación de las diferencias individuales, y
Por otra parte, la aplicación del método de las estrategias metodológicas que habitual-
científico es la forma usual de trabajar que posi- mente se emplean, puede obtenerse revisando
bilita el «saber científico» en cualquier discipli- los resúmenes de las actas de los «Congresos»
na, incluyendo la psicología. Este modo de bús- específicos en el área de las diferencias indivi-
queda del conocimiento constituye la horma duales, y también consultando las investigacio-
necesaria para la elaboración de ese constructo nes empíricas más recientes publicadas en revis-
abstracto y complejo denominado «ciencia», ya tas científicas especializadas, tales como
que es entendida como un «conjunto organiza- «Personality and Individual Differences»,
do de conocimientos que han sido adquiridos «European Journal of Personality», «European
utilizando un método científico» (Zimmy, 1961; Journal of Cognitive Psychology» «Educational
cf. Pereda, 1987). and Psychological Measurement», «Intelligen-
Según Bermúdez (1985) «lo que se pre- ce», «Journal of Personality», «Psychological
tende en toda actividad científica es alcanzar Research», etc.
MÉTODOS D€ INVESTIGACIÓN EN €L ESTUDIO DE LRS DIFERENCIAS INDIVIDUALES 147

II. OBJETIVOS

OBJETIVO GENERAL OBJETIVOS ESPECÍFICOS

Ofrecer una perspectiva metodo- Familiarizar al lector con la aplicación del método científico
lógica general que permita com- en el estudio de las diferencias individuales.
prender mejor las investigaciones
que a lo largo del texto se explican Contextualizar la «Psicología de las Diferencias Individuales»
y que, al mismo tiempo, sirva de dentro de los diferentes paradigmas científicos existentes.
introducción al vasto «Corpus» teó-
Señalar las estrategias metodológicas científicas empleadas en
rico y empírico vinculado a esta
el estudio de las diferencias individuales, haciendo especial
disciplina.
hincapié en el análisis factorial como técnica de análisis de
datos más representativa de esta disciplina.

III. CONTENIDOS ESPECÍFICOS DEL TEMA


Los contenidos de este tema se agrupan en los siguientes apartados: en el primero se enuncia de
forma sucinta cuáles son las características definitorias del método científico y de su aplicación al estu-
dio psicológico de la variabilidad humana. En el segundo se comparan, por una parte, las dos discipli-
nas de la Psicología Científica y, por otra, se señalan los principales requisitos del método científico, en
general, y del estudio de las diferencias individuales, en particular. Y en el tercer bloque se analizan las
estrategias metodológicas que, siempre dentro del marco del método científico, permiten abordar aque-
llas cuestiones derivadas del objeto de esta disciplina: «la naturaleza, origen y entendimiento funcional
de las diferencias individuales»; en concreto, se describen y clasifican los diferentes diseños de inves-
tigación atendiendo a dos criterios fundamentales: la «manipulabilidad» y la «temporalidad» de los
mismos.

1. Aplicación del método científico al análisis de la variación individual

Desde figuras como Galileo, Bacon o Descartes, el desarrollo del método científico general, común
para todas las ciencias, estará asociado a un proceso estructurado conocido como Método Hipotético-
Deductivo (Sánchez-Elvira, 1996). Dicho método utiliza de forma combinada la inducción y la deducción,
ya que la ciencia en su búsqueda de conocimiento necesita tanto de los datos empíricos como de las teo-
rías (Fontes, García-Gallego, Garriga-Trillo, Pérez-Llantada y Sarria, 2001).
148 INTRODUCCIÓN ñl €STUDIO D€ LRS DIF€R€NCinS !NDlVIDUflL€S
u

1.1. Fases en el Método Científico

El método hipotético-deductivo se articula en diversas fases que pueden variar sensiblemente en


cuanto al número estimado por los distintos autores (Mayor, 1989), y que siempre hacen referencia a una
serie de pasos fundamentales (Figura 4.1):

1 °. Observación: recogida de datos a través de una observación empírica y objetiva, de carácter sis-
temático, acotando un área de interés. En este sentido, R.B. Cattell (1946) propuso diferentes
posibilidades de recogida de datos para estudiar las diferencias individuales. Para ello, se basó
en su «cubo de datos» o matriz básica de relaciones «entre datos» que representa las fres fuen-
tes de variación a considerar: las personas, las situaciones y las ocasiones. Según sea el objeto
de estudio (las diferencias interindividuales, las diferencias ¡ntraindividuales, el cambio intrain-
dividual, etc.) se empleará uno u otro tipo de método de recogida de datos de los seis propues-
tos (ver Cuadro 4.1).
2 o . Organización de datos: ordenamiento posterior de la información en agrupaciones significati-
vas o en categorías descriptivas relevantes.
o
3 . Inducción: planteamiento de hipótesis explicativas, de carácter tentativo, resultantes de la fase
previa.
4°. Deducción: derivación de consecuencias específicas en forma de predicciones contrastables, o
«enunciados empíricos» (Arnau, 1989), a partir de las hipótesis anteriormente planteadas.
o
5 . Contraste de las hipótesis: verificación empírica de las predicciones postuladas.

NIVEL EMPÍRICO NIVEL TEÓRICO


-

OBSERVACIÓN

INDUCCIÓN

ORGANIZACIÓN
DE DATOS
DEDUCCIÓN

VERIFICACIÓN
DE DATOS
ELABORACIÓN DE
LEYES Y TEORÍAS

Figura 4.1.

Fases en el método hipotético-deductivo.


MÉTODOS DE INVESTIGACIÓN €N Él ESTUDIO DE LOS DIFERENCIAS INDIVIDUALES 149

6 o . Elaboración de leyes y teorías: estadio último, en el que se requiere una reflexión teórico-con-
ceptual de los resultados obtenidos; es decir, una discusión y generalización de los mismos que
permita orientar hacia la explicación y predicción del objeto de estudio en el marco de unos
contenidos con significación teórica (Arnau, 1989).

Estas fases podrían organizarse en dos niveles superiores (siguiendo la propuesta de Mayor, 1989):
un nivel empírico, que daría cuenta de la observación, la organización de los datos, y la contrastación o
verificación empírica de hipótesis; y un nivel teórico, que haría referencia a la inducción y deducción de
hipótesis verificables, así como a la articulación final de leyes ya confirmadas y teorías con distintos nive-
les de generalidad.

CUADRO 4.1

EL «CUBO DE DATOS» DE R.B. CATTELL

El «cubo de datos» de Cattell o «la matriz básica de datos» representa los diferentes tipos de rela-
ciones bivariadas que pueden darse entre las variables objeto de estudio (Figura 4.2). En concreto, las
relaciones entre las variables pueden representarse mediante un cubo cuyas tres dimensiones se
corresponden con las tres fuentes de variación existentes: personas (o individuos), situaciones (tests)
y ocasiones (tiempo). Cada una de las caras del cubo representa un tipo de relación bivariada posible,
es decir, se ponen en relación dos de las tres variables (o dimensiones) y se mantiene constante la ter-
cera variable (o dimensión). Por lo tanto, existirían seis tipos diferentes de relaciones bidimensionales;
tres surgen de la matriz primaria, en donde se combinan las tres dimensiones para dar lugar a estas tres
relaciones bivariadas («personas x tests», «ocasiones x test», y «ocasiones x personas»); y las tres rela-
ciones bivariadas restantes provienen de la matriz transpuesta a la matriz primaria (ya que en este caso,
aunque se opera con las mismas variables, la matriz se invierte) (Andrés Pueyo, 1996).
En la Figura 4.2. se muestran los seis tipos de análisis bivariados existentes, su denominación y
las variables con las que opera. En este sentido, la «técnica R» (la que se emplea con más frecuen-
cia) y la «técnica Q», estudian en una sola ocasión (o momento temporal) «personas» y «tests» (situa-
ciones o variables). Sin embargo, la primera, correlaciona pares de variables (tests) en múltiples per-
sonas, y trata de hallar «factores» (o dimensiones generales que engloban múltiples variables) que
agrupen los diferentes test (o variables) administrados; y la segunda, correlaciona individuos a través
de múltiples tests o variables, con el fin de «formar grupos de individuos», o «tipos de personas» que
tengan en común cualidades, intereses, etc. El problema de estas técnicas es que no informan sobre
la variabilidad intraindividual.
Las técnicas «P» y «O» estudian en un único sujeto las relaciones entre «ocasiones» y «tests».
Más específicamente, el objetivo de la «técnica P» es estudiar el cambio intraindividual en la con-
150 INTRODUCCIÓN fll 6STUDIO D€ IflS DIF€R€NCIfiS INDIVIDUALES

ducta, es decir, estudia las correlaciones entre múltiples tests (o variables) a lo largo del tiempo. De
esta forma se puede estudiar los cambios que una persona tiene, por ejemplo, en su estado de ánimo
(tristeza, apatía, sentimientos de culpa, etc.,) o la evolución de sus capacidades intelectuales a lo
largo del tiempo. Es decir, en este caso, se observaría cómo van cambiando conjuntamente las varia-
bles que representan el estado de ánimo o la inteligencia a lo largo del tiempo. Por su parte, la «téc-
nica O» se centra en determinar qué grupo de situaciones afectan a una persona a lo largo del tiem-
po. Por ejemplo, se pueden estudiar el tipo de situaciones que son agradables para un individuo y que
van a contribuir a que esté más alegre.
Finalmente, las técnicas «S» y «T» estudian en una variable concreta (test o conducta) las rela-
ciones entre «ocasiones» y «personas». En concreto, la «técnica S» trata de determinar las semejan-
zas y diferencias que hay entre un grupo elevado de personas, a lo largo del tiempo, en función de
una conducta (situación) que es objeto de estudio. Por ejemplo se puede estudiar la frecuencia con
la que van al médico en la infancia, adolescencia, juventud, etc. Por contraposición, la «técnica T»
estudia las semejanzas y diferencias entre ocasiones de observación de esa particular variable en la
muestra de personas (Andrés Pueyo, 1996). Por ejemplo se podría estudiar el comportamiento altruis-
ta en diferentes individuos y momentos.

Matriz Matriz
Primaria Transpuesta
Tests Personas
:
Personas Tests

Q
Tests Ocasiones

Ocasiones Tests

Ocasiones

Ocasiones Personas
Tests

Figura 4.2.

Cubo de datos de R.B. Cattell.

Por último, no se puede pasar por alto el modelo de investigación científica propuesto por Arnau
(1989), ya que ayuda a establecer el marco metodológico en donde el estudio de las diferencias indivi-
duales se asienta. Más específicamente, los distintos niveles y estadios de investigación se agrupan en tres:
MÉTODOS D€ INV€STIGnCION €N €1 ESTUDIO D€ LAS DIF€R€NCinS INDIVIDUALES 151

1. Un primer nivel de índole «teórico-conceptual», en el que se delimitará el área de observación,


se elaborarán de forma inductiva las hipótesis relevantes que darán lugar a la deducción de
secuencias susceptibles de contrastación empírica, y en el que se integrará finalmente el último
eslabón, relativo a la discusión y generalización teórica de los resultados. Este nivel constituye el
principio y el fin de todo proceso de investigación científica (Fontes et al., 2001).
2. Un segundo nivel calificado de «técnico-metodológico», cuyo objetivo será aportar una serie de
argumentos empíricos que permitan sentar las bases objetivas de los estadios previos, o lo que
Amau denomina «anclaje empírico» de la actividad especulativa, destinado a validar los supues-
tos teóricos concretos a través de una «operacionalización de las hipótesis empíricas». En este nivel,
el plan de investigación vendrá configurado, en buena medida, en función del tipo de estrategia
desarrollada en la recogida de datos. Es decir, el científico deberá elegir el diseño de investigación
que mejor se ajuste a su objeto de estudio y decidir cómo va a ser el procedimiento a seguir en su
investigación (si va a manipular o no la variable independiente, qué sujetos va a estudiar, qué ins-
trumentos de evaluación va a emplear, etc.). En suma, esta toma de decisión será decisiva para
establecer un plan de ejecución concreto o, dicho en otras palabras, las estrategias de investiga-
ción a seguir. En este nivel los aspectos técnicos y metodológicos cobran una importancia especial.
3. Por último, un tercer nivel denominado estadístico-analítico. Este nivel se refiere a los análisis
estadísticos de los datos que se han obtenido en la investigación, y presenta tres fases: a) «ela-
boración y recogida de los datos» obtenidos; b) un «ajuste de modelos estadísticos» o «prueba
de hipótesis estadísticas» con respecto a los datos recogidos; y, finalmente, c) una «toma de deci-
siones sobre el resultado del análisis estadístico» en relación con las hipótesis planteadas.

Llegado a este punto, el proceso retorna al nivel teórico-conceptual, con la discusión y generaliza-
ción de los resultados. De esta forma se cierra un ciclo completo. De acuerdo con Pinillos (1962), lo pri-
mordialmente característico del método científico será, pues, la combinación de teoría y experimentación.
Esta combinación es de carácter dinámico y se traduce en ciclos sucesivos que el propio carácter tempo-
ral y «autocorrector» (Kerlinger, 1973; Pereda, 1987) de las leyes y teorías elaboradas, así como los logros
alcanzados, permiten. De este modo, se hace patente el desarrollo progresivo que acontece en el queha-
cer científico (Mayor, 1989).

1.2. La espiral de Cattell: el método «Inductivo-Hipotético-Deductivo»


R.B. Cattell (1966) propuso el método «Inductivo-Hipotético-Deductivo» (IHD) como modelo inte-
grador de las dos metodologías que imperaban hasta el momento: la «empírica», que aplica el método ana-
lítico-inductivo; y la «racional» basada en una metodología hipotético-deductiva. Este modelo mixto IHD
«permite que la investigación psicológica, de naturaleza racionalista, pueda incorporar el enfoque empi-
rista sin una ruptura metodológica» (Andrés Pueyo, 1996).

Según Cattell, el proceso de investigación más adecuado consta de una serie de fases secuencial-
mente ordenadas (Inductiva-Hipotético-Deductiva). En este sentido, el conocimiento científico, y en con-
152 INTRODUCCIÓN n i ESTUDIO D€ LRS DIF€R€NCIRS INDIVIDUALES

creto, el estudio de las diferencias individuales, avanza mediante la sucesión de diferentes «ciclos IHD»
(cada vez que finaliza una secuencia IHD debe comenzar otra), en donde el último ciclo es siempre más
evolucionado que los anteriores, ya que parte de la acumulación de conocimientos científicos obtenidos
a partir de los ciclos de investigación anteriores. Por ello, el proceso de investigación se representa sim-
bólicamente no como un proceso circular sino como una «espiral» que avanza al sucederse diferentes
I ciclos IHD».

Las tres fases necesarias en el proceso de investigación son las siguientes (Colom, 1995; Andrés
Pueyo, 1996):

a) fase inductiva, que consiste en determinar y descubrir regularidades en la manifestación de los


fenómenos observados y comprobarlos empíricamente. Es la primera fase en la investigación
científica, ya que la intuición del investigador es anterior a la elaboración de una hipótesis, y
representa la parte científica más creativa y exploratoria. En esta fase la técnica estadística más
relevante es el análisis factorial exploratorio, mediante el que se pueden descubrir rasgos de per-
sonalidad, la estructura de la inteligencia, etc.
b) fase hipotética, se construyen hipótesis acerca de los fenómenos observados o identificados. Es
decir, se abstraen, clasifican y/o categorizan las generalizaciones empíricas.
c) fase deductiva, se deducen consecuencias a partir del fenómeno estudiado. Por lo tanto se inter-
pretan los hechos mediante la formación de una teoría (o modelo teórico).

«La espiral Inductivo-Hipotético-Deductiva» (base y fundamento del estudio de las diferencias indi-
viduales) resaltará en mayor medida la fase de actividad inductiva de la investigación. En una primera
etapa, la estimación de regularidades en la manifestación de los fenómenos, tras una observación y cate-
gorización sistemática y objetiva de los mismos, o la reflexión acerca de los datos derivados de una fase
experimental previa, serán aspectos decisivos a los que prestar atención antes de pasar a la segunda fase
consistente en la elaboración o reformulación de hipótesis contrastables.

Este especial énfasis en los procesos inductivos presenta una mayor vinculación a lo que se deno-
mina la lógica del descubrimiento y acercamiento a los fenómenos (bajo una concepción multivariada de
la realidad) que a un proceso de justificación de los mismos (Royce y Powell, 1983). No obstante, la ver-
tiente explicativa y la elaboración teórica también forman parte del proceso como culminación de su
aproximación hipotético-deductiva. «La espiral ascendente implica un proceso sinfín de refinamiento
empírico inductivo-hipotético-deductivo» (Royce y Powell, 1983). En suma, la figura en espiral es repre-
sentativa del carácter cíclico y progresivo de los desarrollos científicos, en general, y de la «Psicología de
las Diferencias Individuales» en particular.

En este sentido, Arnau (1989) concluye que el constante ir y venir de los datos a las conjeturas y de
las conjeturas a los datos es lo que caracteriza al modelo global de la investigación y a su evolución gra-
dual en un proceso denominado por Box, Hunter y Hunter (1978) como de «aprendizaje guiado».
MÉTODOS D€ INVESTIGACIÓN €N €1 ESTUDIO D€ LOS DIF€R€NCIÑS INDIVIDUALES 1 53

2. Investigación en diferencias individuales


2.1. Las dos disciplinas de la Psicología Científica
Por su relevancia en el transcurso histórico del estudio de las diferencias individuales, es necesario
hacer referencia a los planteamientos que condujeron, en su momento, a establecer lo que Cronbach
(1957) habría de denominar «las dos disciplinas de la Psicología Científica» o, dicho en sus palabras, la
«Psicología Experimental y la Psicología Correlaciona!». Estas dos disciplinas tienen orígenes distintos y
metodologías claramente diferenciadas. Sin embargo, empleadas por las ciencias naturales, ambas disci-
plinas aportan mucho al avance en el conocimiento científico y, en un sentido amplio, pueden conside-
rarse complementarias, o, como Eysenck (1967) diría, las «dos caras de la Psicología». De hecho, tal y como
ya se ha expuesto, en el momento actual existe un acercamiento entre estas dos formas de investigar. A
pesar de estas consideraciones resulta oportuno indicar las principales diferencias que hay entre las dos dis-
ciplinas de la Psicología Científica (Tabla 4.1) y sus correspondientes paradigmas metodológicos:

a) La psicología experimental

La Psicología Experimental —cuyo origen está vinculado al asociacionismo Inglés—se encuentra


enraizada en las genuinas investigaciones de W. Wundt y de I. Pavlov. Ambos investigadores adaptaron la
metodología empleada por la fisiología experimental al estudio de las actividades psíquicas.

Por otra parte, el objetivo fundamental de esta corriente es comprender los fenómenos estudiados
basándose en la «causalidad» provocada experimentalmente bajo control del investigador (Andrés Pueyo,
1996). En este sentido, trata de encontrar «Leyes Generales» objetivas que expliquen la relación causal
entre variables. Más específicamente, se centra en los procesos y relaciones funcionales que existen entre las
variables estudiadas, desde una perspectiva generaíista. En última instancia, esta disciplina trata de poder
explicar, predecir y controlar el comportamiento humano.

La Psicología Experimental (que sigue el «principio de causalidad» y se enmarca dentro del para-
digma «Estímulo-Respuesta» (E-R) realiza un análisis sistemático de los efectos producidos sobre la deno-
minada variable dependiente (VD) a partir de la manipulación de la variable independiente (VI), mante-
niendo constante cualquier otro parámetro que pudiera incidir sobre la relación funcional objeto de estu-
dio y que pudiera contaminar los resultados obtenidos.

Desde esta perspectiva, se diseñan investigaciones, generalmente en contextos de laboratorio, que


posibiliten el control y la manipulación de las variables que se quieren analizar. Mediante el controlse trata
de garantizar, en la medida de lo posible, que todos los cambios de la VD se deban exclusivamente a la
manipulación de la VI (Ruiz, 1989); es decir, que el experimento tenga una elevada validez interna elimi-
nando la «varianza de error» que pudiera interferir en el experimento. Ya que el interés de la orientación
experimental es estudiar la «varianza entre tratamientos», se procura suprimir, en la medida de lo posible,
la influencia de las diferencias individuales («varianza entre individuos»), que en este ámbito representan
un tipo de «varianza de error a desestimar». En este sentido, se trata de reducir la varianza de error for-
1 54 INTRODUCCIÓN DI C-STUDIO D€ LfiS DIFERENCIAS INDIVIDUALES

mando grupos experimentales que sean homogéneos en las variables organísmicas (o de sujeto). Dicha
homogeneización se obtiene mediante la «asignación aleatoria» de cada sujeto a los distintos grupos expe-
rimentales sobre los que posteriormente se aplicará una condición de la VI. Esta aleatorización será una
condición indispensable para establecer una igualdad preexperimental entre los grupos que forman parte
de la investigación, anulando de esta forma el efecto de aquellas diferencias individuales previas que
pudieran existir entre los mismos. Es decir, la aleatorización no elimina la variabilidad debida a «variables
extrañas», sino que la distribuye equitativamente entre las diferentes condiciones experimentales
(Balluerka, 1999). Otro aspecto que contribuye a minimizar la influencia de la variabilidad individual es
contar con un número elevado de sujetos por cada grupo experimental.

Una vez que se garantiza la homogeneidad de los grupos, se debe realizar un riguroso controlmani-
pulativo sobre las variables situacionales, para poder evaluar con rigor las hipótesis de causalidad que se
plantearon. En resumen, el científico manipula las condiciones de la VI para observar sus consecuencias
en la VD. Asimismo las variables dependientes que investiga son variables exógenas, tales como el tiem-
po de reacción, la latencia de respuesta, etc.

El tipo de experimento que se realiza, bajo este paradigma, es «provocado» por el experimentador,
ya que crea artificialmente una situación controlada para detectar las relaciones causales existentes entre
las variables que estudia. De esta forma el investigador está preparado para la observación y análisis del
«fenómeno», ya que éste se produce cuando el experimentador lo decide.

Desde el punto de vista estadístico, el método experimental en sus comienzos descriptivos se basó
en la estimación de los parámetros de tendencia central o promedio. Posteriormente, al estudiar la influen-
cia causal que una VI tiene sobre una VD, desarrolló análisis uni- o bivariados, con un claro predominio
del «Análisis de Varianza» (AVAR).

Finalmente, algunas de las materias cuya investigación se asienta, fundamentalmente, en el para-


digma experimental son la «Psicología Experimental», la «Psicología Básica» (en su estudio de los proce-
sos psicológicos básicos tales como la atención, la memoria, la percepción, etc.), los «Fundamentos Bioló-
gicos de la Conducta» (psicofisiología) o la «Psicología del Aprendizaje», entre otras.

b) La psicología correlacional

Como ya conocemos, los grandes precursores de la Psicología Correlacional son F. Galton (influido
«de primera mano» por la «Teoría de la Evolución» planteada por su primo Darwin) y Ch. Spearman.
Ambos estaban interesados en la conducta de los individuos en tanto que organismos únicos y trataron de
inferir las dimensiones comunes que justificaban las diferencias individuales (Andrés Pueyo, 1996).

La Psicología Correlacional se basa en el «principio de correlación» y se enmarca dentro del paradig-


ma «Respuesta-Respuesta» (R-R); mediante las estrategias correlaciónales se intenta descubrir las posibles
relaciones de covariación (variación conjunta) existentes entre múltiples variables. La gestación y desarrollo
del «método correlacional» vino impulsado por las necesidades metodológicas derivadas de la consideración
MÉTODOS D€ INVESTIGACIÓN €N €1 ESTUDIO D€ LRS DIFCRCNCIAS 1NDIVIDURI€S 1 55

de las diferencias individuales como objeto de estudio científico en Psicología. En la actualidad estos proce-
dimientos no se circunscriben únicamente al ámbito de las diferencias individuales (Sánchez-Elvira, 1996).

En su afán investigador, los primeros autores de esta rama de la Psicología se vieron en la necesidad
de estudiar, desarrollar y utilizar técnicas multivariadas de análisis de datos, especialmente el «Análisis de
correlaciones». Recuérdese que mediante estas técnicas se pueden inferir las dimensiones comunes que
justifican las diferencias individuales en función del objeto de estudio. En esta disciplina no se habla en tér-
minos de causalidad (o el porqué de la conducta) sino en términos de covariación entre múltiples varia-
bles y de cómo se agrupan éstas entre sí.

Por lo tanto, el objetivo es describir, ordenar y clasificar los datos observados (no controlables expe-
rimentalmente) tal y como éstos se manifiestan en la naturaleza. Así, mediante la observación del organis-
mo se trata de inferir las dimensionesy estructuras de los fenómenos estudiados, analizando las relaciones
de interdependencia entre las variables observadas. Esta disciplina sigue una perspectiva que intenta esta-
blecer ciertos principios generales sobre las diferencias individuales, que permitan, en última instancia, el
conocimiento del individuo.

Desde esta orientación, se desarrollan investigaciones en donde las variables a estudiar se observan
en contextos naturales, y por consiguiente, en ausencia de manipulación experimental. De hecho, la psi-
cología de las diferencias individuales estudia variables endógenas que no se pueden manipular experi-
mentalmente, ya sea por razones externas a la variable (aspectos de carácter ético o histórico) o debido a
causas internas a la misma (naturaleza no modificable). Por ejemplo, se opera con variables de diferen-
ciación tales como el sexo, la edad, el color de los ojos, el nivel educativo o la clase social de los indivi-
duos, etc.; y también con constructos relativamente estables del ser humano como la inteligencia o la per-
sonalidad. En ambos casos se investigan cualidades o aspectos preexistentes en la persona en el momen-
to de iniciar cualquier investigación.

Según Cronbach (1957) el científico correlacional se interesa por la variación ya existente entre indi-
viduos, grupos sociales y especies, a diferencia del científico experimental, que se interesa únicamente en
la variación que él mismo crea. En este sentido, en palabras de Claude Bernard se habla de «experiencia
invocada» ya que el fenómeno a investigar es preexistente a la investigación y no se puede manipular expe-
rimentalmente. Estos aspectos hacen que la metodología correlacional se mantenga en estadios descripti-
vos relativos a las interdependencias existentes entre las variables consideradas, y que no pueda estable-
cer nexos causales o de dependencia entre las variables. Sin embargo, existe un gran acuerdo en la rele-
vancia de los conocimientos científicos que proporciona la aproximación correlacional en el estudio de las
diferencias individuales.

La Psicología correlacional, a diferencia de la experimental, se centra en el estudio de la «varianza


entre individuos» y concibe la «varianza del tratamiento» como «varianza de error a desestimar». De
hecho, las variables ambientales (varianza entre tratamientos) pueden afectar a la manifestación de las dife-
rencias naturales observadas entre las personas, atenuando o enmascarando la relevancia de las mismas.
Por lo tanto, el paradigma correlacional exige tratamientos uniformes (control de las variables ambientales

s
156 INTRODUCCIÓN ni 6STUDIO D€ IflS DIF€R€NCIflS INDIVIDUflieS

o situacionales) para garantizar, en mayor medida, la validez externa de las diferencias individuales obser-
vadas. A este respecto se transcribe un texto, perteneciente a la ya célebre conferencia de Cronbach de
1957 (trad. Alvira, Avia, Calvo y Morales, 1979, págs. 101 -102):
«Los psicólogos correlaciónales "están enamorados" precisamente de aquellas variables que el
experimentador intenta olvidar. Ellos consideran las variaciones del individuo y del grupo como efectos
importantes de causas biológicas y sociales. Todos los organismos se adaptan al medio, pero no igual-
mente bien».
Sólo mediante el paradigma correlaciona! se podrá conocer el alcance y las características de las dife-
rencias individuales existentes en una variable psicológica dada. Además, esta metodología posib.l.tará el
estudio posterior de las interdependencias (covariación) existentes entre aquellas variables ps,colo gl cas de
interés que permiten agrupar a las personas en categorías diferenciales (p. ej. el sexo, el nivel cultural, etc.).
En cuanto a las técnicas estadísticas, los psicólogos correlaciónales en sus comienzos se centraron
en parámetros de dispersión como la desviación típica y la varianza; más adelante, desarrollaron el .coe-
ficiente de correlación» para estudiar las semejanzas hereditarias, lo cual transformó la investigación dife-
rencial descriptiva en el estudio de la organización mental (Cronbach, 1957). Esta técnica represento el
punto de partida del «Análisis Factorial» (la técnica más utilizada en la Psicología de las diferencias indi-
viduales) y de otras técnicas multivariadas. Sin duda alguna, el bien más valioso que la metodología corre-
laciona! puede ofrecer a cambio, es su concepción multivariada del mundo (Cronbach, 1957), y una cier-
ta estructuración de la misma como vía de acercamiento al carácter plural y complejo de la realidad y al
conocimiento de ésta.

Por último, algunas de las materias que están muy relacionadas con el uso de la metodología corre-
laciona! son la «Psicología Diferencial», la «Psicometría», la «Psicología de la Personalidad, la «Psicología
Social», etc.
En conclusión, el cisma entre ambas «psicologías», convenientemente denunciado por Cronbach
(1957) ha respondido a un reflejo del enfrenamiento conceptual existente entre una psicología funda-
mentalmente centrada en un análisis funcional de los «procesos psicológicos básicos» desde una perspec-
tiva generalista, y una psicología motivada por el «estudio de las diferencias individuales» existentes en la
manifestación externa de dichos procesos.
En todo caso, la Psicología de las Diferencias Individuales no debe identificarse, en última instan-
cia ni con las estrategias correlaciónales ni con las experimentales (Colom, 1995). Es más, el proceso de
investigación en materia de diferencias individuales ya no se circunscribe exclusivamente a las denomi-
nadas técnicas correlaciónales, a las que la Psicología Diferencial de corte clásico parece haber estado
abonada La metodología en materia de diferencias individuales abarca otras alternativas posibles con un
grado creciente de aproximación a la esfera de la explicación, entendida ésta bajo una óptica amplia y fle-
xible Es importante recordar que el estudio psicológico de las diferencias individuales avanza mediante
una sucesión de diferentes «ciclos inductivo-hipotético-deductivos» en donde la metodología correlacio-
na! predomina en un primer estadio, y las aproximaciones experimentales en un segundo estadio.
MéTODOS D€ INVeSTIGflCIÓN €N €1 ESTUDIO D€ IflS DIF€R6NCIflS INDIVIDUflL€S 1 57

EXPERIMENTAL CORRELACIONA!. EXPERIMENTAL CORRELACIONAL

Antecedentes Tipo de experimento

W. Wundt / I. Pavlov F. Galton / C.H. Spearman Provocado Invocado


El fenómeno se produce El fenómeno a investigar
cuando el investigador es preexistente a la
R.S. Woodworth/E.C. Tolman R.B Cattell/H.J. Eysenck lo decide investigación

Origen Estudia

Asociacionismo Evolucionismo La varianza La varianza entre


entre tratamientos individuos

Paradigma Varianza de error a desestimar

E-R R-R Las diferencias La varianza


individuales entre tratamientos

Objeto de estudio Perspectiva

Procesos y relaciones Dimensiones y estructuras Nomotética Nomotético-ldiográfica


funcionales Estudio de las leyes Estudio de las diferencias
generales individuales

Variables que investiga Tipo de medidas

Exógenas (tiempo Endógenas (inteligencia, Dependencia Interdependencia


de reacción simple, extraversión, ...) (causalidad) (covariación)
tiempo de inspección...)
Variables organísmicas Técnicas de análisis estadístico

Homogeneizadas al azar n
Control por asignación uni- o bivariadas Multivariadas

Variables situacionales Procedimientos estadísticos predominantes

Riguroso control eo
Controladas por muestreo AVAR AF
manipulativo
Control Estadístico en el que se basan

Manipulativo No manipulativo Promedio Desviación típica


y varianza

Validez predominante Efectos buscados al estudiar las variables

Interna Externa (ecológica) Causación Covariación

Ámbito de investigación Materias afines

Laboratorio Contexto natural Psicología experimental, Psicometría,


(Medio externo / mundo básica, fisiología... Personalidad,
interno del sujeto) Psicología educativa.

Tabla 4.1.
Psicología experimental y correlacional: aspectos diferenciales.
158 INTRODUCCIÓN RL ESTUDIO D€ LñS DIFERENCIAS INDIVIDUALES

2.2. Requisitos del método científico

El principal requisito del método científico es la validez de los diseños de investigación, es decir, que
sea posible comprobar las hipótesis planteadas sin cometer errores. Si bien existen diferentes modelos que
clasifican los distintos tipos de validez existentes, el más utilizado ha sido el de Campbell y Stanley (1966)
que distingue dos tipos esenciales de validez: la interna y la externa. Posteriormente esta tipología fue
ampliada a cuatro (Cook y Campbell, 1986): a) validez interna; b) validez de conclusión estadística (rela-
cionada con la validez interna); c) validez externa; y d) validez de constructo (integrada dentro del concepto
de validez externa). A continuación se comentan brevemente cada uno de los cuatro tipos de validez.

a) Validez interna: «se refiere al grado de confianza con el que puede inferirse si una relación entre
dos (o más variables), una que actúa como supuesta causa (el tratamiento) y la otra como supuesto efecto
(el comportamiento observable), es Interpretable en el sentido propuesto por el investigador» (Balluerka,
1999). Es decir, cuando se conoce la existencia de covariación entre variables, ¿ésta es una relación de
causa-efecto, o puede haber covariación debido a otras variables que no sean la supuesta causa? Así, habrá
un control correcto del diseño experimental {validez interna) cuando se pueda concluir que el efecto y los
cambios producidos por la variable independiente sobre la variable dependiente sean inequívocos, y no
producto de hipótesis causales alternativas (Sánchez-Elvira, 1996). Para ello es necesario controlar (elimi-
nar) la influencia de variables extrañas que pudieran influir sobre la variable dependiente. A juicio de
Campbell y Stanley (1966) la validez interna es imprescindible para poder interpretar el modelo postulado.

b) Validez de conclusión estadística o inferencial: alude al grado de confianza con el que se puede
inferir o concluir que existe covariación entre las variables estudiadas en función de pruebas de significa-
ción estadísticas (Fontes et al., 2001). Antes de poder inferir si existen relaciones causales entre variables
es preciso conocer si existe covariación entre ellas. Este tipo de validez está relacionado con la capacidad
(magnitud de la precisión) que tiene el diseño para detectar los efectos de los tratamientos, si tales efectos
existen.

c) Validez externa: se refiere al grado de confianza con el que la supuesta relación causa-efecto
entre las variables estudiadas puede generalizarse a otras medidas alternativas de causa y efecto, y también
a diferentes tipos de personas, contextos y ocasiones. Según Amelang y Bartussek (1981) la validez exter-
na requiere el poder generalizar: 1) de los sujetos investigados a la población de referencia a la que perte-
necen; 2) de las condiciones específicas en las que la investigación se ha realizado y de las variables inde-
pendientes escogidas, a las condiciones y a los constructos que interesan; y 3) de la medida concreta
empleada para la variable dependiente al correspondiente constructo psicológico que se trata de apresar.
De esta forma, se podrá concluir convenientemente acerca del problema analizado y realizar prediccio-
nes, con un grado de precisión importante, en el mundo real en donde los fenómenos tienen lugar de forma
espontánea, y para el tipo de población objeto de estudio.

d) Validez de constructo de causas y efectos: se refiere al grado de confianza con que se pueden
establecer generalizaciones a constructos de orden superior. Este tipo de validez surge por la necesidad de
MÉTODOS D€ INVÉSTIGnOÓN €N €1 €STUDIO D€ IflS DIF€R€NCIflS INDIVIDUAS 1 59

determinar la probable relación causal entre las variables estudiadas, dentro de un contexto teórico. Esta
validez se inserta dentro de la validez externa, ya que se refiere a la generalización de las relaciones causa-
efecto encontradas, a constructos teóricos que probablemente representan.

En suma, es necesario que las investigaciones cumplan los requisitos de confro/(validez interna) y
representatividad(validez externa), dado que, por las exigencias que caracterizan a cada uno de ellos, un
control excesivo se traduce en una pérdida de representatividad y viceversa (cf. Alvira ef al., 1979; Morales,
1989). El lector interesado en ampliar la información sobre estos tipos de validez, sus amenazas y posibles
estrategias de control pueden encontrar una buena síntesis en Fontes ef al. (2001), y un desarrollo más
amplio en Balluerka (1999).

2.3. Estudio de las diferencias individuales y validez científica


a) Validez interna
Los diseños correlaciónales, de carácter más exploratorio que los diseños experimentales, no suelen
permitir una estimación de la validez interna en sentido estricto, dado que no están fundamentados en el
control o manipulación experimental de variables independientes, ni en el establecimiento de relaciones
de dependencia, sino en una observación sistemática de las mismas para deducir posibles relaciones de
interdependencia (covarianza) entre las variables consideradas (Alvira ef al., 1979).

No obstante, determinados diseños diferenciales sí permiten una cierta manipulación de las condi-
ciones, por lo que cabe hablar de las garantías científicas de los mismos en función del grado de validez
interna que presentan. Tal es el caso de los «diseños ATI» (Interacción Aptitud x Tratamiento) defendidos
por Cronbach (1957; 1975) en los que, bajo una perspectiva interactiva, se pretende analizar la inciden-
cia conjunta de ciertas manipulaciones situacionales, o tipos de tratamiento dispensados (ej. sistemas edu-
cativos), y ciertas fuentes de diferenciación individual relevantes (ej. niveles de una aptitud dada), sobre
determinadas variables dependientes de interés (ej. rendimiento). Otros diseños a mencionar en este apar-
tado son aquellos que postulan, en cierta medida, la existencia de relaciones de dependencia, como por
ejemplo los diseños longitudinales; éstos pretenden establecer la influencia de factores que anteceden en
el tiempo, y que, en ocasiones, pueden ser objeto de cierta manipulación y observación de efectos sobre
determinadas variables consecuentes.

Por otro lado, las estrategias de investigación en el estudio de diferencias individuales emplean pro-
cedimientos selectivos y estadísticos de control para eliminar los efectos no deseados de variables extra-
ñas, ya que no pueden recurrir al procedimiento más poderoso de control de estas variables, «la aleatoriza-
ción» (Burgaleta, Fernández, Sánchez y Quiroga, 1991). Los procedimientos selectivos se realizan a través
de uno de estos procedimientos: 1) la homogeneización de las muestras manteniendo constante aquellas
variables que se presupone puedan contaminar los resultados, a pesar de que este procedimiento suponga
una reducción de la validez externa o capacidad de generalización de los resultados; y 2) el emparejamiento
160 INTRODUCCIÓN fll ESTUDIO D€ LAS DIF€R€NCIflS INDIVIDUAOS

entre los sujetos del grupo control y el experimental en las variables extrañas, lo cual reduce la propia vali-
dez interna de los resultados. Por otra parte, los procedimientos estadísticos pretenden anular las influencias
no deseables «a posteriori», es decir, durante el proceso de análisis de datos. Para ello se utilizan estrategias
matemáticas adecuadas a este propósito (ej. la correlación parcial o el análisis de covarianza).

b) Validez externa

Los diseños utilizados en la Psicología de las diferencias individuales presentan, por lo general, una
validez externa superior a los diseños experimentales, sobre todo si los primeros utilizan técnicas de mues-
treo aleatorio. Es decir, los diseños experimentales adolecen a menudo de un nivel de representatividad
conveniente, dado el carácter restrictivo y artificial de las situaciones en que los experimentos suelen rea-
lizarse. La excepción la representan los «experimentos de campo» que logran un balance más adecuado
entre ambos tipos de validez.

Un requisito importante a conseguir será el logro de un grado de representatividad elevado, tanto de


la muestra de sujetos con respecto a la población a la cual se quieren extrapolar las conclusiones, como de
las variables objeto de estudio en cuanto al problema analizado (Amelang y Bartussek, 1981). Para ello, uno
de los procedimientos más usuales para evaluar la validez externa de los resultados consiste en replicar los
hallazgos a cargo de investigadores diversos, y en diferentes situaciones y poblaciones (Alvira et al., 1979).

Adicionalmente, cabe destacar que los diseños utilizados en el estudio de las diferencias individua-
les presentan mayores garantías de validez ecológica, es decir, de semejanza entre las condiciones de
investigación y las condiciones reales en las que suelen producirse los fenómenos (Burgaleta etal., 1991),
dado que exigen un número menor de condicionamientos y restricciones que la investigación experimen-
tal. Por último, para incrementar esta validez se aconseja, entre otras estrategias, una replicación sistemá-
tica basada en una comparación de los resultados obtenidos en situaciones que presentan modificaciones
sucesivas y graduales del experimento inicial (Sánchez-Elvira, 1996).

3. Diseños de investigación en el estudio de diferencias individuales


Las distintas estrategias «técnico-metodológicas» de investigación estarán vinculadas a una serie de
técnicas «estadístico-analíticas» que posibilitarán el logro de los objetivos propuestos. La elección de un
tipo u otro de estrategias estará en función del ajuste de cada uno de los distintos procedimientos a aspec-
tos tales como la naturaleza de las hipótesis planteadas, las características de las muestras, la operativiza-
ción de los constructos, el tipo de instrumentos de medida con los que se recogen los datos, etc.

A este respecto, si bien, como reconocen Burgaleta ef al. (1991), las hipótesis descriptivas y predic-
tivas han sido las habituales en una Psicología Diferencial de corte clásico, cada vez un número mayor de
investigaciones parte de hipótesis de carácter explicativo asociadas a modelos teóricos. En este sentido, la
investigación psicométrica está haciendo avances notables en el desarrollo de modelos matemáticos de
MÉTODOS D€ INVESTIGACIÓN €N €1 6STUDIO D€ LAS DIF€R€NCiflS INDIVIDUALES 161

CUADRO 4.2

CLARIFICACIÓN TERMINOLÓGICA

De acuerdo con Bunge (1967), el método al nivel «técnico-metodológico»: «métodos


científico representa el procedimiento aplicable especiales» o «técnicas especiales» (Bunge,
a todo el ciclo completo de investigación. No 1967), «técnicas metodológicas» (Mayor, 1989),
obstante, cabe distinguir dentro del mismo una «métodos de investigación» (Burgaleta y cois.,
serie de aproximaciones de carácter más especí- 1991) o «estrategias de investigación»
fico que responden a las cualidades inherentes y (Bermúdez, 1985; Campbell y Stanley, 1966;
a la pluralidad de los distintos objetos de estu- Kerlinger, 1973), entre otros.
dio. Si bien aquéllas suelen denominarse tam- En cualquier caso, el proceso básico de
bién, de forma genérica, «métodos», parece investigación, en lo que respecta a sus diseños,
necesario establecer una clarificación termino- puede traducirse operativamente en un conjun-
lógica para estas alternativas, propias todas ellas to de estrategias de investigación cuya selección
del método científico en general, pero clara- y utilización estará guiada por la respuesta a las
mente diferenciadas entre sí (Mayor, 1989). siguientes cuestiones:
A este respecto, el modelo propuesto por
1) nivel de desarrollo en que se encuentre
Arnau (1989), anteriormente descrito, deja
el área en la que se lleva a cabo la inves-
claro este aspecto cuando se refiere al concep-
tigación.
to de «diseño de investigación», entendido
2) fase del proceso global de investigación
como la configuración específica que deriva
en cada momento.
de la inclusión particular de los niveles técni-
3) naturaleza específica del objetivo de la
co-metodológico y el estadístico-analítico en
investigación.
un proceso de investigación concreto: «el dise-
4) naturaleza de las variables a considerar
ño de investigación se convierte en un proce-
(Bermúdez, 1985).
dimiento específico, a veces estereotipado, de
resolver problemas científicos. Constituye, por A su vez, cada estrategia de investigación
tanto, a nuestro entender, tan sólo una parte del estará asociada en mayor medida a una gama de
modelo general y, precisamente, aquella que se «técnicas estadístico-analíticas» concretas que
halla más directamente relacionada con la acti- posibilitarán el objetivo final del proceso (técni-
vidad empírica y matemática del sistema (Arnau, cas de recogida de datos, técnicas de muestreo,
1989; pág. 591). técnicas de análisis de datos, etc.).
Para estos diseños de investigación (enten- En definitiva, dentro del método científico
didos como «planes de acción estructurados», toda disciplina presenta un conjunto de diseños
Arnau, 1989) se han propuesto diversos nombres empíricos específicos que guían la recogida de
alternativos, especialmente en lo que se refiere datos y el análisis de los mismos. En este sentido,
162 INTRODUCCIÓN fil 6STUDIO D€ IflS DIF€R€NCIRS INDIVIDUALES

los problemas concretos a investigar habrán de ciones alcanzadas al establecer límites precisos
determinar la selección de estrategias de investi- y determinar, en cierto modo, la naturaleza de
gación; y, éstas, a su vez, influirán sobre las solu- los hallazgos (Alvira et al., 1979).

CUADRO 4.3

TÉCNICAS MULTIVARIADAS EN EL ESTUDIO DE LAS DIFERENCIAS


INDIVIDUALES

Las técnicas multivariadas son las herramientas estadísticas que más se utilizan en la Psicología
de las diferencias individuales. El progreso y la sofisticación de estas técnicas ha contribuido al avan-
ce en el conocimiento diferencialista, y viceversa. Más específicamente Galton, Spearman, Pearson,
R.B. Cattell, etc., favorecieron no sólo el progreso de la Psicología de las diferencias individuales sino
también de la estadística. Y como contrapartida, el refinamiento y perfeccionamiento de los análisis
multivariados, vinculado a la explosión informático-tecnológica, contribuyeron a la revitalización de
la Psicología, y representan la esencia de la Psicología diferencial moderna.
El concepto multivariado se refiere a un amplio rango de estrategias de investigación y de aná-
lisis de datos que operan con muchas variables simultáneamente. Estas estrategias que se desarrolla-
ron para cubrir tanto un objetivo descriptivo como inferencial en la estadística (Andrés Pueyo, 1996)
suponen, en muchos casos, una extensión de técnicas univariadas y bivariadas (correlación, regresión
simple, análisis de varianza, etc.).
En la Figura 4.3 se esquematizan los principales análisis multivariados relacionados con la
Psicología de las diferencias individuales. Estos análisis se dividen en técnicas o modelos de interde-
pendencia (que están vinculados al paradigma R-R, poseen un carácter descriptivo y se basan en la
covariación entre las variables estudiadas) y de dependencia (cuyo paradigma representativo es el E-
R, ya que se trata de predecir uno o más criterios, o variables dependientes, en función de una o más
variables predictoras o variables independientes.

a) Técnicas de interdependencia

Estudian la covariación entre múltiples variables, y posibilitan describir, clasificar y hallar estruc-
turas latentes (o constructos) de interés en los fenómenos estudiados. En otras palabras, los datos
observados (referidos a variables, observaciones u objetos definidos) se reducen a una serie de dimen-
siones con el fin de obtener una estructura que facilite describir los fenómenos estudiados. Estos aná-
lisis también proporcionan la base para posteriores análisis de las relaciones de dependencia (Hair,
M€TODOS D€ INVESTIGACIÓN €N €1 ESTUDIO D€ IOS DIF€R€NCIflS INDIVIDUAOS 163

MODELO DE
ECUACIONES
ESTRUCTURALES

Figura 4.3
Análisis multivariados.

Anderson, Tathan y Black, 1999). El modelo de interdependencia a utilizar dependerá de la estruc-


tura de las relaciones que se pretenda obtener en función del fenómeno observado y del carácter
métrico o no métrico de las variables a estudiar.

b) Técnicas de dependencia

Estudian una serie de variables independientes para predecir y explicar una o más variables
dependientes. Es decir, permiten valorar el grado de relación que hay entre variables dependientes e
independientes (Hair ef al., 1999). De esta forma, mediante estas técnicas se intenta conocer cómo
funciona la relación entre variables independientes y dependientes, a diferencia de las técnicas de
interdependencia que se centran en el estudio de la estructura de las relaciones entre múltiples varia-
bles. En este caso a las variables independientes se las denomina variables predictoras, ya que son las
medidas que se utilizan para realizar la predicción. Y las variables dependientes reciben el nombre
INTRODUCCIÓN (11 C-STUDIO D€ LFIS DIFERENCIAS INDIVIDUALES

de variables criterio, ya que son las variables empleadas para estudiar si la predicción que se realiza
es o no adecuada.
Además de este criterio clasificatorio, se ha considerado el tipo de escala de medida de las dife-
rentes variables estudiadas. En concreto, las variables pueden ser de dos tipos:

1) métricas (cuantitativas), ya que se puede medir la cantidad o magnitud que en esa variable
presenta cada sujeto, y además permite comparar en una escala graduada en unidades igua-
les la puntuación de cada sujeto con respecto a los demás, como por ejemplo la altura, el
peso, el tiempo de reacción, el grado de neuroticismo evaluado mediante un test, etc.; cabe
destacar que las variables métricas permiten realizar casi todas las operaciones matemáticas.
2) no métricas (cualitativas), es decir, aquellas que sólo designan una cualidad o atributo del
fenómeno a estudiar, pero no permiten una cuantificación; por ejemplo, se puede identificar
a una persona como hombre o mujer pero no se puede medir el grado de hombre que es una
persona (aunque popularmente se utilicen expresiones equivocadas tales como: ¡fulanito es
el doble de hombre que menganito!).

En resumen, la elección de un análisis multivariante concreto estará condicionado por el mode-


lo seguido (dependencia vs. interdependencia), por la escala de medida de cada variable (métrica vs.
no métrica), por el número de variables a estudiar y por el objeto de estudio propuesto.

gran complejidad y sofisticación, cuyos objetivos parecen alejarse progresivamente de la esfera descripti-
va para aproximarse a la explicativa. Según Burgaleta et al. (1991) tres serán las cuestiones a dilucidar: 1)
Identificar la función que cumplen las variables analizadas al operativizar las hipótesis; 2) identificar las
variables extrañas y moduladoras, a fin de establecer los procedimientos adecuados para su control, y 3)
elegir las técnicas de análisis de datos adecuadas a las hipótesis planteadas.

De acuerdo con Arnau (1989), los teóricos del método científico han distinguido tradicionalmente
tres tipos de estrategias de investigación: a) la descriptiva; b) la correlaciona! (método selectivo), y c) la mani-
pulativa. En este apartado se van a describir brevemente los diseños de investigación más utilizados en el
estudio de la variabilidad humana (Figura 4.4). Para ello, se van a diferenciar dos bloques: el primero, refe-
rido al grado de manipulabilidad, en donde se incluyen los diseños correlaciónales y los propiamente expe-
rimentales; aquí se sitúan las técnicas «ex-post-facto» (correlaciónales y comparativas) y la aproximación a
las técnicas «cuasiexperimentales» en el estudio de las diferencias individuales. El segundo bloque descri-
be los diseños de investigación que están vinculados a la variable tiempo, o momento(s) temporal(es) de
recogida de datos; esta categorización dará lugar a dos diseños clásicos: los diseños transversales y los lon-
gitudinales. Esta clasificación tiene como objetivo establecer un rango metodológico adecuado para el
estudio de las diferencias individuales, que responda a sus fines principales: descripción y organización en
primer término, y alcance explicativo en segundo término, incidiendo sobre la cuestión del análisis de hipó-
MÉTODOS DE INVESTIGACIÓN EN €1 ESTUDIO DE LRS DIFERENCIAS INDIVIDUALES 165

DISEÑOS CUAS! DISEÑOS DISEÑOS


EXPERIMENTALES TRANSVERSALES LONGITUDINALES
—^

TRANSECCIONALES J
TRANSVERSOS

Y TRANSNACIONAL
DESCRIPTIVOSS J DE POBLACIONES J

V TRANSCULTURALI
PREDICTIVOS5 J

EXPLICATIVOS

Figura 4.4

Diseños de investigación en la Psicología de las Diferencias Individuales.

tesis causales relativas a la variación individual. Por otra parte, en la Figura 4.5. se concretan las técnicas de
análisis de datos correspondientes a cada una de las estrategias de investigación propuestas.

3.1. Manipulabilidad de los diseños


3.1.1. Diseños «ex-post-facto»
Según Kerlinger (1973), «la investigación ex-post-facto es una búsqueda sistemática empírica, en la
cual el científico no tiene control directo sobre las variables independientes, porque ya acontecieron sus
manifestaciones o por ser intrínsecamente no manipulables. Se hacen inferencias sobre las relaciones
entre ellas, sin intervención directa, a partir de la variación concomitante de las variables independientes
y dependientes» (pág. 268).

Los diseños «ex-post-facto», término acuñado por Campbell y Stanley en 1966, se caracterizan por
lo siguiente:
166 INTRODUCCIÓN fll C-STUDIO D€ IFIS DIF€R€NCIRS INDIVIDUALES

a) El investigador no puede manipular ni tampoco modificar la variable independiente (VI), puesto


que ya viene dada (los sujetos que van a ser investigados ya presentan un valor específico en la
VI, como ocurre con la variable sexo).
b) El investigador, al no poder realizar una «asignación aleatoria» de los sujetos a las condiciones expe-
rimentales, lleva a cabo una selección de los sujetos en función de que posean o no determinadas
características relacionadas con la variable independiente. Por ejemplo, se puede estudiar si los indi-
viduos que tienen los ojos oscuros (marrones o negros) son más sensibles al alcohol que los que
tienen los ojos claros (azules, verdes y grises). Sin embargo, no se puede manipular (modificar) el
color heredado de los ojos para formar grupos experimentales y estudiar si el color de los ojos predis-
pone diferencialmente a un determinado grado de sensibilidad al alcohol. Obviamente, de poco
servirá repartir aleatoriamente lentillas de diferentes colores a los sujetos experimentales y vincular
esta manipulación con la posible predisposición genética que supone la sensibilidad al alcohol.

Estos diseños representan el experimento típico en una Psicología de las diferencias individuales en
donde se analizan las interdependencias entre las variables. A pesar de no basarse en análisis causales, sí
es frecuente distinguir entre variable dependiente y variable independiente, no definida esta última de
forma operacional sino en función de criterios teóricos previos. Es decir, «se concibe la variable depen-
diente como el constructo descriptivo que debe explicarse, y como variable independiente aquella que
tiene valor explicativo» (Amelangy Bartussek, 1981; pág. 123). Un criterio fundamental, en esta distinción,
será el orden de sucesión temporal de ambos constructos (la VI es anterior a la VD).

f ANÁLISIS FACTORIAL
REGRESIÓN SIMPLE
CORRELACIÓN I ANÁLISIS CLUSTER / (ECUACIONES f
[ ESCALAS REGRESIÓN MÚLTIPLE I [ESTRUCTURALESÍ
\MULTIDIMENSIONALES ANÁLISIS DISCRIMINANTE

Figura 4.5

Técnicas estadísticas predominantes según la estrategia de investigación empleada.


MÉTODOS D€ INV€ST!GfiCION €N €1 ESTUDIO D€ LAS D!F€R€NCIñS INDIVIDUALES 167

Sin olvidar sus limitaciones, este tipo de investigaciones son necesarias ya que existen buen núme-
ro de cuestiones que no pueden ser abordadas de forma experimental, aspecto especialmente evidente en
el caso de las variables objeto de interés al analizar las diferencias existentes entre las personas. En este sen-
tido, algunas de las variables independientes que se investigan desde esta perspectiva son el sexo, la edad,
la inteligencia, la personalidad, etc. Algunos objetos de estudio pueden ser, por ejemplo, las diferencias
existentes en el rasgo de introversión en función del sexo, las diferencias que hay en una determinada capa-
cidad intelectual en función de diferentes grupos de edad, etc.

De acuerdo con los aspectos anteriormente mencionados, se establecerán dos tipos de diseños en el
estudio de diferencias individuales, también denominados «métodos comparativos» (Burgaleta et al., 1991):

a) Diseños correlaciónales

Estos diseños engloban todos aquellos procedimientos destinados a explorary estructurar un campo
de observación dado, así como al estudio de hipótesis de naturaleza meramente relacional (estudiar las
posibles relaciones entre variables), si bien con grados diversos de complejidad y aproximación a niveles
inferenciales de orden explicativo. Seguidamente se analizan estos aspectos según los objetivos propues-
tos por el investigador, el tipo de relación inferido y las técnicas estadísticas a emplear (ver Figura 4.5):

a. 1.1. Objetivos descriptivos

Los «diseños correlaciónales de covariación» (o descriptivos) son de gran utilidad en campos poco
estudiados o demasiado complejos para establecer taxonomías o dimensiones básicas (Sánchez-Cánovas
y Sánchez, 1994). Asimismo, un buen estudio descriptivo facilitará el posterior enunciado de hipótesis
empíricas más elaboradas en función de las relaciones detectadas. Según los propósitos de la investigación,
se pueden distinguir los siguientes apartados:

• Análisis de relaciones: siempre que el objetivo básico de la investigación sea conocer las relaciones
entre variables de interés, las estrategias de investigación adecuadas serán de tipo correlaciona!. Las
técnicas estadísticas a emplear estarán condicionadas por el grado de ajuste, o no, a los parámetros
de la población de la que se ha obtenido la muestra. Específicamente, se empleará el índice de
correlación de Pearson para muestras paramétricas, y el índice de correlación de Spearman para
muestras no paramétricas con datos de carácter ordinal. Es importante señalar que el estudio de
las relaciones entre variables es de gran utilidad al explorar nuevas áreas de conocimiento.

• Análisis de estructuras: se refiere a la posibilidad de encontrar las estructuras subyacentes que


puedan inferirse de la realidad observada y de reducir un cúmulo de variables a un número res-
tringido y parsimonioso de agrupaciones significativas de carácter conceptual (hipotéticas). En
otras palabras, el análisis de estructuras posibilita ordenar, agrupar y clasificar la realidad obser-
vada mediante la extracción de los aspectos comunes que subyacen a las relaciones entre las dife-
rentes variables estudiadas.
168 INTRODUCCIÓN n i ESTUDIO D€ LOS DIF€R€NCIflS INDIVIDUALES

CUADRO 4.4

EL COEFICIENTE DE CORRELACIÓN DE PEARSON

Aplicable a las relaciones entre variables La correlación, además de ser la base de


cuantitativas discretas o continuas, permite cono- las técnicas de análisis de datos multivariados,
cer si existe una relación lineal entre dos varia- representa el fundamento de muchas de las
bles, y el grado en que las dos variables covarían investigaciones realizadas en el ámbito de la
(varían al unísono), es decir, si todo cambio que «Psicología de las Diferencias Individuales»,
se produc e en una de las variables repercute en la como más adelante se verá.
otra. Sin embargo no se puede inferir causalidad. La magnitud de la relación entre dos varia-
Es decir, podemos conocer si dos variables están bles se expresa mediante un coeficiente con valo-
co-relacionadas, pero no podemos asegurar si el res comprendidos entre +1 y - 1 , pasando por el
cambio en la variable X produce el cambio en la cero. Este valor, cuanto más se acerca a 1 (con
variable Y, o viceversa. Hablar en términos de independencia de si el signo de la relación es posi-
causalidad requiere otros requisitos (control expe- tivo o negativo) la correlación es mayor; y cuanto
rimental, manipulación experimental de la varia- más se aproxima a cero menor es la correlación. El
ble independiente, etc.) que no siempre se pue- signo (positivo o negativo) indica la dirección de la
den satisfacer en el contexto de la psicología, y, relación. Si es positivo, las variables están relacio-
aún menos, en el estudio de las diferencias indi- nadas directa o positivamente, ya que el incre-
viduales desde una perspectiva correlacional. mento en una variable se relaciona con el incre-

r=0,55

Satisfacción correlación
Afecto
vital posilivo

wmamm / ^ ^

* > r=0,55
Satisfacción Afecto
vital \ positivo
1

cattsa«i6n

r=0, 55^
Satisfaccjóff ^ATecio

Figura 4.6

Representación de la relación lineal entre dos variables.


MÉTODOS DÉ INVESTIGACIÓN EN €1 ESTUDIO D€ IflS DIFERENCIAS INDIVIDUALES 169

mentó en la otra, o el decremento de una variable una relación inversa (r = -0,44; p < 0,001) entre
se relaciona con el decremento en la otra). Y si es la satisfacción vital y el afecto negativo, y una
negativo, la relación es inversa o negativa puesto ausencia de relación significativa (r = -0,18; n.s.)
que el incremento en una variable se relaciona entre la satisfacción vital y la dificultad para des-
con el decremento en la otra, y viceversa). cribir sentimientos. Si tomamos como ejemplo la
Por ejemplo, en un estudio reciente primera correlación podremos decir que la satis-
(Palmer, Donaldson y Stough, 2002) en el que se facción vital y el afecto positivo son dos varia-
estudió la relación existente entre la «satisfacción bles relacionadas, pero no se podrán establecer
vital» y el constructo «inteligencia emocional» se «relaciones de causalidad» (no se sabe qué
halló una relación directa (r = 0,55; p < 0,001) variable es la causa y qué variable es el efecto).
entre la satisfacción vital y el «afecto positivo» (a En la Figura 4.7 se presenta una matriz de
mayor satisfacción vital mayor afecto positivo), correlaciones bivariadas (un coeficiente para la

REEXP. BDI HRS AE

Reexperimentación del Pearson 1.000 ,298** ,410** -097


Trastorno de Estrés Correlation
Postraumático Sig. (2-tailed) ,000 ,000 ,158
N 212 212 212 212

Inventario Pearson ,298** 1.000 ,791** -468**


de Beck (BDI) Correlation
Sig (2-tailed) ,000 ,000 ,000
N 212 212 212 212

Escala de valoración Pearson ,410** 791 ** 1.000 -387**


de la depresión Correlation
de Hamilton (HRS) Sig. (2-tailed) ,000 ,000 ,000
N 212 212 212 212

Pearson -097 -468** -387** 1,000


Autoestima (AE) Correlation
Sig (2-tailed) ,158 ,000 ,000
N 212 212 212 212

La correlación es significativa al nivel de, 0,01 (2-tailed

REEXPERIMENTACION Y AUTOESTIMA DEPRESIÓN (BDI) Y DEPRESIÓN (HRS)

,..,,... ...^ , ,;.-,.-';. +« +


/ylVV.'Ji.'.V. .••;«•'•;.','.: :•':*• ;'•";.'vi •'•'•*••.*.
s
-»"s % ' v - • V © B
' -'• a oooa-i.<iueú¿. <ii • -o' -'' X
— n
(A
ce
•:•*<#**•••-'•
a a i>¡]^.<•'•.,-'.V :••• ' '• .-
...- -.:':•••. ;•.• • . ,'.

+ +
Relación inversa No relación Relación positiva +
Figura 4.7

Matriz de correlaciones bivariadas y ejemplo de representación gráfica de las relaciones.


1 70 INTRODUCCIÓN RL 6STUDIO D€ IflS DIFERENCIAS INDIVIDUALES

relación de dos variables) y se ejemplifican algu- de la relación. De esta forma, cuando la nube de
nas de ellas. En la matriz de correlaciones se puntos, que aparece en el gráfico, crea una espe-
muestran las relaciones entre cuatro variables cie de circunferencia no existe relación entre las
estudiadas. Las cuatro variables corresponden a variables. En la Figura 4.7 el coeficiente de corre-
los resultados obtenidos por 212 mujeres mal- lación entre la intensidad de la reexperimenta-
tratadas en cuatro tests que evalúan malestar ción y el grado de autoestima es de -0,097, valor
emocional (dos pruebas evalúan síntomas de muy próximo a cero, y al no existir relación el
depresión, una el grado de autoestima, y otra signo «-» no tiene mucha relevancia. En cambio,
evalúa la gravedad de los síntomas de reexperi- cuando la nube de puntos tiene forma de elipse,
mentación que básicamente se refieren, en este indica que hay relación entre las dos variables.
caso, al malestar fisiológico y psicológico que Ahora bien, cuando la elipse está orientada hacia
surge al revivir, soñar o pensar con mucha fre- la izquierda, la correlación es negativa o inversa,
cuencia en el maltrato sufrido). La matriz de y cuando se orienta hacia la derecha la relación
correlaciones (o tabla resumen de las relaciones es directa o positiva. En este sentido, al relacionar
bivariadas) muestra los valores del coeficiente ios test que miden síntomas depresivos (BDI y
de correlación, la dirección de la relación (direc- HRS), se obtuvo un coeficiente de correlación de
ta o inversa cuando aparece el signo «-»), el 0,79; por ello, el incremento en la sintomatología
nivel de significación de la correlación (es decir, depresiva evaluada por el Inventario de
el grado en que la correlación es significativa o Depresión de Beck (BDI) coincide con un incre-
que no es debida al azar), y el número de suje- mento en la sintomatología depresiva evaluada
tos estudiados. Como se puede observar los dife- por la Escala de Valoración de la Depresión de
rentes coeficientes de correlación se repiten dos Hamilton (HRS). Por otra parte, al correlacionar
veces, ya que la matriz de correlaciones es simé- la sintomatología depresiva evaluada por el
trica, y además las celdillas que conforman la Inventario de Depresión de Beck (BDI) con el
diagonal no se deben tener en cuenta, ya que nivel de autoestima, se obtuvo un coeficiente de
presentan la autocorrelación de las variables, correlación de -0,468; mostrando una relación
que obviamente tiene el valor de 1. inversa entre sintomatología depresiva y autoesti-
Otra forma, complementaria a la anterior, ma (a mayor sintomatología depresiva menor
de analizar la magnitud de las relaciones bivaria- grado de autoestima). Sin embargo, ¿los síntomas
das es observar la representación gráfica de las depresivos son los que producen un nivel bajo de
variables puestas en relación. El diagrama de dis- autoestima o es la falta de autoestima la que pro-
persión, de las puntuaciones de cada sujeto en duce una elevada sintomatología depresiva? El
las dos variables, indica si las variables están o no coeficiente de correlación no puede responder a
relacionadas, y en caso afirmativo, la dirección este interrogante.
MÉTODOS D€ INVESTIGACIÓN €N €L ESTUDIO D€ LfiS DIFÉRCNCIAS INDIVIDUALES 171

Para lograr este objetivo se recurre a múltiples técnicas multivariadas de interdependencia (ver
Figura 4.3), tales como el «análisis de componentes principales», el «análisis factorial», el «análisis clus-
ter», el «análisis multidimensional (o las escalas multidimensionales)», etc. Entre estas técnicas destaca el
«análisis factorial»; esta técnica además de estudiar y obtener las intercorrelaciones entre una serie de
variables observadas, obtiene «la estructura que subyace a las relaciones entre dichas variables» o las
dimensiones que resumen las relaciones de interdependencia entre las variables observadas. En este sen-
tido, la estructura factorial extraída puede ser unidimensional (una sola dimensión o un «factor común»),
bidimensional (dos factores), tridimensional, etc. Por último, cabe señalar el estudio de las diferencias indi-
viduales, desde esta perspectiva estructural, ha contribuido de forma notable al avance de la «Psicología»
en general.

El análisis factorial clásico es conocido como «análisis factorial exploratorio». Este tipo de análi-
sis, si bien permite inferir la estructura de fenómenos estudiados tales como la inteligencia, la persona-
lidad, etc., ha sido tradicionalmente una técnica meramente exploratoria en la búsqueda de unidades psi-
cológicas significativas (factores), razón por la cual uno de sus problemas más serios radica en su mani-
fiesta dificultad a la hora de lograr la necesaria «invarianza factorial» (o solución estructural de carácter
estable a través de distintos estudios), que garantice las conclusiones obtenidas en un ámbito de investi-
gación determinado (Cattell, 1966; Royce, 1973). Ello no es óbice, sin embargo, para que los grandes
avances estadísticos experimentados en las últimas décadas estén contribuyendo a otorgar a esta técni-
ca de unas posibilidades muy superiores a las atribuidas clásicamente al denominado análisis factorial
exploratorio.

Ajuicio de Mulaik (1986), una toma de conciencia creciente respecto a la ambigüedad de los resul-
tados arrojados por el análisis factorial, al reconocer la existencia de un problema de «indeterminación fac-
torial», ha impulsado el desarrollo de técnicas estadísticas cada vez más potentes entre las que destaca el
«análisis factorial confirmatorio». La elaboración matemática del análisis factorial confirmatorio ha sido
posible gracias, fundamentalmente, a ios esfuerzos de K. Jóreskog (1969).

Así, mientras el análisis factorial exploratorio es muy útil en la elaboración de hipótesis relativas
a la organización del mundo que se observa {fase inductiva del proceso de investigación), el análisis fac-
torial confirmatorio (fase deductiva) pretende abordar la evaluación y el correcto ajuste de modelos teó-
ricos elaborados previamente a los resultados obtenidos (Mulaik, 1986). Es decir, su objetivo será, no ya
explorar la organización de un conjunto de datos, sino estimar si la estructura factorial que éstos confi-
guran se ajusta a un modelo teórico postulado a priori, como se verá en el apartado de los objetivos
explicativos.
1 72 INTRODUCCIÓN RL ESTUDIO D€ IHS DIF€R€NCIRS INDIVIDUALES

CUADRO 4.5

EL ANÁLISIS FACTORIAL

El «Análisis Factorial exploratorio» es una técnica multivariante de interdependencia que estu-


dia las interrelaciones entre un elevado número de variables observadas (también denominadas
manifiestas, iniciales o patentes). Su objetivo es extraer la información «que se oculta» en las varia-
bles observadas, obteniendo un conjunto más pequeño de variables latentes, denominadas factores
(dimensiones subyacentes, componentes, etc.). Es decir, pretende extraer la variación conjunta o la
variabilidad que tienen en común las variables observadas y con la mínima pérdida de información
relevante. Esta técnica es la más representativa de la Psicología de las diferencias individuales, debi-
do a su aplicabilidad en el estudio de la estructura de la inteligencia y de la personalidad.
El inventor del análisis factorial fue Ch. Spearman, que utilizó el método de las diferencias tetrá-
dicas para estudiar la estructura de la inteligencia. Dicho método (que era terriblemente agotador por-
que los cálculos en su época se debían hacer «a mano» ya que no existían las calculadoras electró-
nicas ni los ordenadores) permitía conocer si la varianza común de una matriz de correlaciones entre
múltiples pares de test, podía reducirse a un factor general único o sólo podía reducirse a varios fac-
tores de grupo (Andrés Pueyo, 1996; pág. 195). Spearman formaba grupos de cuatro medidas y cal-
culaba para cada uno de ellos un número que denominaba «diferencia tetrádica». Para ello aplica-
ba la siguiente fórmula: r13 x r24 - r23 x r14. Si el valor obtenido era cero quería decir que un único
factor general subyacía a las relaciones entre dichos test (o variables), en cambio si el valor era dife-
rente de cero (con signo positivo o negativo), significaba que había múltiples factores de grupo.
Posteriormente, otros autores, tales como Thurstone, que planteó el «principio de estructura simple»,
Hotelling, que propuso la extracción de factores mediante el método de componentes principales,
Kaiser, que aportó un tipo de rotación ortogonal denominada —varimax (máxima variabilidad) y en
la actualidad la más usada, etc., contribuyeron enormemente al desarrollo de esta técnica.
Para realizar un análisis factorial es preciso seguir las siguientes fases (Pelechano,1978; Andrés
Pueyo, 1996):

a) Seleccionar las variables a factorizar según el objeto de estudio. Las variables deben medir-
se en una escala métrica (es decir, deben ser cuantitativas continuas). En los estudios dife-
renciales estas variables suelen corresponder a los ítems de las pruebas o tests utilizados para
evaluar los constructos de interés.
b) Calcular la matriz de correlaciones entre las variables. Esta matriz muestra las correlaciones
existentes entre todas las variables iniciales. Cuando las variables a factorizar son muchas
(por ejemplo treinta o cuarenta, es metodológicamente inadecuado, y prácticamente impo-
sible «extraer a ojo» las dimensiones o factores que resumen las intercorrelaciones entre las
variables).
MÉTODOS D€ INVESTIGACIÓN €N €1 C-STUDIO D€ LfiS DIFERENCIAS INDIVIDUAOS 1 73

c) Extraer la matriz factorial básica. De esta forma se obtienen las dimensiones iniciales que
explican la mayor parte de la variabilidad común entre las variables iniciales. Esta fase repre-
senta una síntesis inicial de las relaciones entre las variables observadas.
d) Rotar la solución factorial siguiendo unos criterios determinados. El objetivo de este proce-
dimiento es facilitar la interpretación de las relaciones entre las variables. Existen dos tipos
de rotación diferenciados: oblicua y ortogonal (Figura 4.8), a los que a continuación se hace
referencia.
e) Interpretar conceptualmente la matriz factorial rotada. Es decir, el investigador debe inter-
pretar adecuadamente el resultado factorial obtenido según su objeto y ámbito de estudio.

Las principales controversias entorno a este análisis son las siguientes (Andrés Pueyo, 1996):

— La Interpretación de la solución factorial obtenida. Esta interpretación (a pesar de estar cen-


trada en unos resultados objetivamente visibles y claros) presenta un cierto grado de subjeti-
vidad, ya que dependerá de los conocimientos del investigador y del marco teórico en el que
se encuentre.
— El tipo de rotación factorial utilizado (Figura 4.8). Las primeras dimensiones obtenidas en
el análisis factorial se representan en una serie de ejes, cada uno de los cuales se corres-
ponde con una única dimensión. Estos ejes pueden ubicarse en un espacio factorial y
mediante la rotación de las dimensiones se trata de buscar la solución factorial más acerta-
da. Ahora bien, desde un punto de vista matemático, se pueden encontrar infinitas solucio-
nes equivalentes, dependiendo del punto donde finaliza la rotación. Por lo tanto,¿Cuá/ es la
solución factorial más adecuada? Desde un punto de vista matemático es más recomenda-
ble la ortogonal (técnicamente mejor) ya que se entiende que los factores representan
dimensiones independientes entre sí (o constructos diferenciados), y además la solución fac-
torial es más fácilmente interpretable; sin embargo, cuando se cree que los factores están
relacionados (como es habitual al investigar constructos psicológicos) es mejor utilizar la
rotación oblicua. Este tipo de rotación permite establecer estructuras factoriales de tipo
jerárquico basadas en la sucesiva factorización de los factores obtenidos en niveles previos
de carácter más específico.

En este sentido, uno de los debates más relevantes dentro del estudio psicométrico de las capa-
cidades mentales fue protagonizado por Spearman (inventor del análisis factorial) y Thurstone, que
propuso que se debía rotar las soluciones factoriales hasta hallar la solución que ofreciera una estruc-
tura simple, es decir, la más sencilla y de fácil interpretar. Ambos autores emplearon la misma técni-
ca (el análisis factorial) pero diferente tipo de rotación. Mientras Spearman encontró un solo factor
general de capacidad mental y diversos componentes específicos residuales, Thurstone postuló la
existencia de siete factores primarios independientes relacionados con las capacidades mentales.
1 74 INTRODUCCIÓN fll C-STUDIO D€ LHS DIF€R€NCIñS INDIVIDUDLeS

EN PSICOLOGÍA
BUENA LAS VARIABLES
TÉCNICAMENTE ESTÁN
RELACIONADAS

Figura 4.8

Tipos de rotación factorial.

Tal disparidad ha sido superada con los procedimientos de análisis factorial modernos (Andrés
Pueyo, 1996), y por una aproximación de posturas entre los psicólogos diferencialistas, que señalan
que la organización de la inteligencia, al igual que la personalidad, es «jerárquica». En este sentido,
se entiende que los factores que justifican las capacidades mentales y de personalidad se «organizan
jerárquicamente», es decir, presentan distintos niveles de abstracción. En concreto, en la base de la
jerarquía se situarían los test que evalúan diferentes capacidades específicas; a partir de la correlación
de estos test se obtienen los factores primarios (por ejemplo, la capacidad verbal, la capacidad espa-
cial, etc.). A su vez, estos factores presentan «varianza común» puesto que también están correlacio-
nados entre sí, de tal forma que, tras factorizarlos nuevamente se encuentran una serie de factores
secundarios, que son dimensiones más abstractas que los anteriores, tales como la «inteligencia flui-
da», «la inteligencia cristalizada», «la inteligencia viso-espacial», etc. Pues bien, si se factorizan
nuevamente estos factores secundarios se puede obtener un factor de inteligencia general «g», tal y
como postuló Spearman, que es la fuente única de varianza de todos los demás factores y de todos
los tests incluidos en esta jerarquía (Andrés Pueyo, 1996) y representa el mayor nivel de abstracción
o la cúspide de la estructura jerárquica de la inteligencia (Figura 4.9).
Del mismo modo, las dimensiones que justifican la personalidad se pueden organizar jerárqui-
camente. Es decir, en el primer nivel de la jerarquía se encuentran las conductas específicas de cada
sujeto; al correlacionar dichas respuestas se encuentran diferentes hábitos (o conductas habituales),
que al factorizarlos nuevamente se agrupan en rasgos primarios que presentan un nivel mayor de
MÉTODOS D€ INVESTIGACIÓN €N €1 ESTUDIO D€ LAS DIF€R€NCIHS INDIVIDUALES 175

generalidad que los niveles anteriores, y finalmente en la cúspide de la jerarquía, tras factorizar de
nuevo los rasgos primarios, hallaríamos los rasgos de personalidad más generales, también denomi-
nados tipos.

INTELIGENCIA PERSONALIDAD
l_
FACTOR GENERAL TIPO

FACTORES RASGO
SECUNDARIOS

FACTORES HABITO
PRIMARIOS

TESTS CONDUCTA
W ESPECÍFICA
Figura 4.9

Modelo general de la estructura jerárquica de la inteligencia y la personalidad.

Por ejemplo, Spearman en su afán de conocer sistemáticamente la inteligencia humana desarrolló


la técnica del «análisis factorial exploratorio», y encontró elevadas correlaciones entre múltiples test de
inteligencia. Tras sus investigaciones concluyó que todas las medidas posibles de la inteligencia, siempre
y cuando estuvieran bien realizadas, estaban relacionadas con un factor general o «g», y que existía otro
porcentaje de la varianza no explicado por «g» denominado «s» o «específico» y vinculado a la exigen-
cia particular de la tarea concreta (Andrés Pueyo, 1996). Por contraposición, si pretendemos comprobar
si la teoría de la inteligencia de Spearman es correcta se puede emplear el análisis factorial confirmato-
rio. Para ello, se parte «a priori» de su modelo teórico, y se trata de confirmar si la estructura factorial que
obtuvo está en la dirección de lo postulado por la teoría de Spearman. Este tipo de estrategias confirma-
torias, será, por tanto, una valiosa contribución para el estatus científico de la Psicología de las diferen-
cias individuales.
176 INTRODUCCIÓN fíl ESTUDIO D€ LAS DIF€R€NCinS INDIVIDUAOS

CUADRO 4.6

OTRAS TÉCNICAS MULTIVARIADAS CENTRADAS EN RELACIONES


DE ESTRUCTURAS

1) El análisis cluster dirección que lleva (asistida o no), los caballos


de potencia que tiene su motor, etc., y otra parte
También denominado «análisis de conglo-
«subjetiva», en donde los sujetos valoran la
merados», «técnica de agrupamientos», o «téc-
estética del coche, el confort, su seguridad, etc.
nica Q de factorización» se basa en una serie de
Así mediante el EMD, a partir de la percepción
algoritmos (operaciones matemáticas) que per-
subjetiva que tienen los individuos acerca de
miten buscar grupos similares de individuos
una serie de estímulos se pretende encontrar
(casos o encuestados) que se van agrupando en
qué dimensiones latentes justifican las diferen-
conglomerados. Mediante esta técnica se clasi-
cias y semejanzas que hay entre las personas, y
fican grupos de sujetos lo más homogéneos
lo hace midiendo directamente las diferencias
posibles en función de las variables iniciales. En
existentes. En definitiva, el objetivo de este aná-
definitiva, es una especie de análisis factorial
lisis es transformar los juicios de los individuos
invertido, ya que en vez de agrupar variables
de similitud o preferencia con respecto a una
agrupa personas. Asimismo, estos «conglome-
serie de objetos, en distancias representadas en
rados de sujetos» son mutuamente excluyentes
un espacio multidimensional denominado
(cada sujeto pertenece a un único grupo). En
«mapa perceptual o espacial (Hair eí ai, 1999).
resumen, el análisis cluster produce grupos de
En dicho mapa aparecen los diferentes objetos a
personas diferenciados según cuales sean sus
analizar y la distancia relativa que hay entre
relaciones en una serie de variables (Colom,
ellos en función de la percepción de los sujetos
1995).
evaluados.
A pesar de que esta técnica guarda simili-
2) Las escalas multidimensionales (EMD)
tudes con el análisis factorial, en cuanto a que
También denominado «análisis multidi- pretende hallar variables que subyacen a las
mensional», es una técnica multivariante que se relaciones entre variables, el EMD parte de las
basa en las comparaciones entre objetos (o estí- diferencias y semejanzas de una serie de obje-
mulos). Dichos objetos (fotografías, dibujos, tos, y no de la correlación entre variables como
sonidos, etc.) poseen una serie de dimensiones el análisis factorial (Andrés Pueyo, 1996).
o variables latentes tanto objetivas como subje- Llevado al contexto de las diferencias individua-
tivas (percibidas) por los sujetos que los valoran. les, mediante esta técnica se pueden descubrir
Por ejemplo, un vehículo tiene una parte «obje- estructuras y fenómenos psicológicos previa-
tiva» relativa al color de la carrocería, el tipo de mente desconocidos (Colom, 1995).
MÉTODOS D€ INVESTIGACIÓN €N €L €STUDIO D€ LRS DIF€R€NCIDS INDIVIDUAOS 177

a.1.2. Objetivos predictivos

Cuando el conocimiento de las variables que se van a estudiar permite establecer una división entre
posibles variables predictoras (variables independientes) y variables criterio (variables dependientes), téc-
nicas como el «análisis de regresión (simple o múltiple)», el «análisis discriminante», o la «correlación
canónica» permiten estimar la «potencia predictiva» del modelo previamente elaborado. La elección de un
tipo de análisis u otro estará en función de la naturaleza de las variables (métrica o no métrica) y del núme-
ro de variables predictivas y criterio.

En este sentido, los modelos de regresión permiten estimar, a partir del análisis de las relaciones
entre los datos recogidos, los valores o «magnitudes de cambio». En concreto, el análisis de regresión sim-
ple permite predecir un criterio (VD) a partir del control estadístico (que no manipulativo) de una variable
predictiva (VI), ya que ésta no se puede manipular experimentalmente. Paralelamente, los procedimientos
de regresión múltiple posibilitan una estimación del «potencial predictivo de una variable» manteniendo
un control estadístico sobre otras variables intervinientes. Es decir, el análisis de regresión múltiple permi-
te predecir un criterio a partir de dos o más variables predictivas. No obstante, los «coeficientes de regre-
sión» deben ser entendidos e interpretados en sus justos términos; ya que estos coeficientes representan
«valores de cambio» y no «valores causales», razón por la cual la cautela debe presidir las conclusiones
obtenidas en este tipo de estudios.

CUADRO 4.7

EL ANÁLISIS DE REGRESIÓN

El «análisis de regresión» permite predecir Existen dos tipos de análisis de regresión:


un criterio (variable que se quiere predecir,
como el rendimiento académico, el grado de a) regresión simple: trata de predecir una
ansiedad, etc.) en función de la combinación variable criterio en función de una
lineal de una o más variables predictoras (varia- única variable predictora, por ejemplo,
bles independientes). Esta técnica requiere dos se puede estudiar si la puntuación en
condiciones (Hair, et al., 1999): a) los datos un test de inteligencia predice la pun-
deben ser métricos o transformados apropiada- tuación en un examen de Psicología
mente en métricos (o sea, los datos no métricos Diferencial. El resultado vendría repre-
se convierten en variables métricas ficticias); b) sentado por una «ecuación de regre-
el investigador, antes de derivar la ecuación de sión» que indica el peso (o la capacidad
regresión, debe decidir qué variable va a ser predictiva) que tiene la puntuación en el
dependiente y cuál de las restantes será inde- test de inteligencia en la predicción de
pendiente. la nota del examen.
1 78 INTRODUCCIÓN fll ESTUDIO D€ IRS DIF€R€NCIRS INDIVIDUALES
h'

b) regresión múltiple: derivado del análisis talaciones deportivas (variable criterio).


de regresión simple, busca predecir los A su vez, dicho análisis posibilitaría pre-
cambios en la variable criterio en res- decir (en el caso de que estas variables
puesta a cambios en dos o más variables fueran «verdaderamente» predictoras) la
predictoras. Para ello, estima los coefi- puntuación que una persona obtendría
cientes correspondientes a la «ecuación en dicho concurso oposición, a partir de
lineal múltiple»; dicho de otra forma, las dos variables predictoras.
calcula los pesos que tienen en la ecua-
ción de regresión cada una de las varia- En conclusión, el análisis de regresión (sim-
bles predictoras. Por ejemplo, se puede ple y múltiple) deriva del análisis de correlación
investigar si la puntuación media en el de Pearson, ya que se estudia la relación lineal
expediente académico y la puntuación entre dos variables cuantitativas. Aun así el aná-
en un test de inteligencia general (varia- lisis de regresión está más perfeccionado esta-
bles predictoras), guardan relación con dísticamente, ya que el coeficiente de correla-
el grado de rendimiento en un concurso ción no distingue entre la variable predictiva y la
oposición para coordinador de unas ins- variable criterio.

CUADRO 4.8

OTROS ANÁLISIS PREDICTIVOS

1) El análisis de correlación canónica multivariante más apropiada y potente». En oca-


siones esta técnica se utiliza como último recur-
Supone una extensión lógica de la «técnica so de análisis cuando otras técnicas de mayor
de regresión múltiple». Permite predecir simul- nivel no han funcionado correctamente. Al igual
táneamente múltiples variables dependientes que en el análisis de regresión las variables
(criterio) a partir de un conjunto de múltiples deben ser métricas, aunque también se permiten
variables independientes (predictoras). El resul- datos no métricos debidamente transformados a
tado es una «medida de la validez de la rela- métricos.
ción» entre los dos conjuntos de múltiples varia-
bles (dependientes/independientes), representa-
2) El análisis discriminante
do mediante el coeficiente de correlación canó-
nica (Rc). Según Hair et al. (1999) «en situacio- Es una técnica estadística que basándose
nes con múltiples variables dependientes e inde- en una o más variables predictoras (o indepen-
pendientes, la correlación canónica es la técnica dientes) de tipo métrico, trata de clasificar a los
MÉTODOS D€ INVESTIGACIÓN €N €L ESTUDIO D€ LOS DIF€R€NCIRS INDIVIDUAOS 179

sujetos estudiados en una de las categorías de la aventura y riesgo, experiencias nuevas, desinhi-
variable criterio (o dependiente). Se denomina bición, etc.
discriminante porque trata de discriminar o dife- Existen dos tipos de «análisis discriminan-
renciar a un conjunto de sujetos según un crite- te»: a) simple, que trata de predecir una variable
rio de interés. Por ejemplo, se quiere «discrimi- criterio en función de una variable predictora (o
nar» o predecir qué alumnos aprobarán la asig- independiente); b) múltiple, que trata de prede-
natura de matemáticas (variable criterio) a partir cir una variable criterio en función de dos o más
de un test de razonamiento numérico y de la variables predictoras. En definitiva el producto
media en el expediente académico en el año final buscado mediante el análisis es que los
anterior (variables predictoras); si se logra detec- sujetos se puedan agrupar en uno de los grupos
tar a las personas que previsiblemente van a sus- posibles correspondientes a las distintas catego-
pender se les podría ayudar con unas clases par- rías de la variable criterio. Es decir, se pueden
ticulares, con un libro de ejercicios resueltos clasificar a los sujetos en alto o bajo grado de
paso a paso y perfectamente comprensibles, etc. búsqueda de sensaciones, en puntuación en
Imagínese que en un concurso de televisión los inteligencia alta, media o baja, etc. El análisis
participantes deberán superar pruebas del tipo genera una o más ecuaciones, similares a las del
«saltar en paracaídas», «practicar hidrospeed», análisis de regresión.
«comer una ración de gusanitos con sabor a A pesar de que el «análisis discriminante»
cacahuete», etc., sería muy recomendable que tiene la misma utilidad general que el «análisis
los organizadores de dicho concurso tuvieran en cluster», es decir, «clasificar individuos en cate-
cuenta múltiples variables, como por ejemplo la gorías», en el primero se conoce «a prior!» el
salud física, mediante un chequeo médico, y la grupo de pertenencia, mientras que en el «análi-
dimensión de personalidad denominada por sis cluster» los grupos homogéneos de sujetos se
Zuckerman «búsqueda de sensaciones». A partir conocen «a posterior!» (es decir, tras analizar los
de estas dos dimensiones se podría predecir qué datos). El análisis discriminante es de gran utili-
personas podrán realizar las pruebas sin correr dad, además de en el estudio de las diferencias
graves riesgos para su salud física, y cuáles «dis- individuales, en el ámbito clínico, ya que permi-
frutarán» realizando pruebas que conllevan te diferenciar sujetos enfermos y sanos.

a.1.3. Objetivos explicativos

A pesar de que la metodología correlacional (a diferencia de la experimental) ha sido escasamente


utilizada para comprobar hipótesis explicativas, los nuevos y pujantes avances estadísticos abren ciertas
posibilidades de aproximación a un análisis de relaciones causales o explicativas. Dicho en otras palabras,
los «diseños correlaciónales causales» (o explicativos) emplean diversos procedimientos que permiten
establecer ciertas inferencias causales (Sánchez-Cánovas y Sánchez, 1994). Según Hair et al. (1999) exis-
180 INTRODUCCIÓN fll ESTUDIO D€ IRS DIFERENCIAS INDIVIDUALES

ten cuatro criterios imprescindibles para realizar afirmaciones causales: a) asociaciones suficientes entre
dos variables; b) antecedentes temporales de la causa frente al efecto; c) falta de alternativas a las variables
causales; y d) una base teórica para la relación.

Guiado por este objetivo más ambicioso (inferir relaciones causales), el uso de los modelos estruc-
turales es cada vez más frecuente en las ciencias sociales «en un intento de desentrañar complejas rela-
ciones causa-efecto y de verificar el ajuste de un modelo postulado a los datos» (Apodaka y Páez, 1992,
pág. 249). Sus principales ventajas estriban, para el objeto y las características de la Psicología de las dife-
rencias individuales, en que permiten trabajar con variables latentes a los indicadores externos con los
que se trabaja, y, en segundo lugar, concluir acerca del ajuste de los datos desde un modelo estadístico
a un modelo teórico postulado «a priori». Esto posibilitará, igualmente, la obtención de indicadores exter-
nos adecuados para los propósitos de la investigación (Apodaka y Páez, 1992). Ahora bien, Apodaka y
Páez (1992) recomiendan el uso de este tipo de técnicas sólo cuando el conocimiento previo del fenó-
meno a estudiar sea lo suficientemente exhaustivo, y se encuentre en una fase de madurez adecuada para
la toma de decisiones acerca del mismo. De igual modo, los resultados obtenidos deben tomarse con
cautela.

CUADRO 4.9

MODELOS DE ECUACIONES ESTRUCTURALES

Los modelos de ecuaciones estructurales son una extensión de otras técnicas multivariantes
tales como la regresión múltiple y el análisis factorial exploratorio. Existen múltiples modelos de
ecuaciones estructurales, tales como el «análisis de la estructura de la covarianza», el «análisis de
estructura latente», el «análisis factorial confirmatorio» (también denominado LISREL), el «path analy-
sis» (análisis de vías o sendas), etc. Estos modelos se utilizan en múltiples áreas de estudio e investi-
gación («Psicología», «educación», «sociología», «industria», «genética», «biología», etc.).
La relevancia de estos modelos se debe a que proporcionan un método directo de tratar con
múltiples relaciones simultáneamente a la vez que se da eficacia estadística, y porque permite eva-
luar las relaciones exhaustivamente y proporcionar una transición desde el análisis exploratorio al
confirmatorio (Hair et al., 1999). Al aplicar un modelo causal o confirmatorio se deben concretar ini-
cia] mente las hipótesis de partida que suponen cómo interactuarán todas las variables predictoras
entre sí y con la variable criterio (Colom, 1995). O dicho en otras palabras se trata de establecer desde
el principio qué variables se consideran independientes y cuáles dependientes. El investigador reali-
za esta diferenciación basándose en la teoría, la experiencia previa y sus objetivos. Las principales
características de estos modelos son las siguientes (Burgaleta ef al., 1989; Guardia, 1986, cf. Apodaka
y Páez, 1992):
MÉTODOS D€ INVESTIGACIÓN EN EL ESTUDIO D€ LRS DIFERENCIAS INDIVIDUALES 181

• Las variables implicadas frecuentemente apelan a constructos hipotéticos conocidos como


variables latentes, es decir, no observables directamente como por ejemplo la autoestima, el
grado de neuroticismo, etc.
• Reflejan relaciones entre variables teóricamente fundamentadas.
• Facilitan la formalización matemática de aspectos teóricos.
• Maximizan el control estadístico, ya que se emplean procedimientos estadísticos que dismi-
nuyen el posible efecto de variables extrañas.
• Las técnicas responden a complejos sistemas de ecuaciones simultáneas.

No obstante, se sugiere igualmente prudencia en las conclusiones derivadas de su utilización


(Cliff, 1983; Dwyer, 1983), tal y como se desprende de los siguientes enunciados (Apodaka y Páez,
1992):

• Los resultados obtenidos a favor de un modelo dado implican, únicamente, que los datos
obtenidos «no permiten rechazar el modelo causal propuesto». Es decir, los modelos de
ecuaciones estructurales pueden confirmar que el modelo propuesto inicialmente es uno de los
varios modelos posibles aceptables, pero realmente no se ha «probado» el modelo propues-
to (Hair etal., 1999).
• La asimetría temporal (o precedencia temporal) de una variable sobre otra no garantiza una
relación causal. Sería preciso realizar una investigación experimental con un exhaustivo con-
trol manipulativo de las variables independientes.
• Es preciso probar distintos constructos (variables) subyacentes alternativos que puedan ser la
causa de los indicadores externos con los que se trabaja, con la finalidad de lograr un grado
de seguridad mayor respecto a las variables latentes propuestas.

El lector interesado en introducirse más en estos modelos puede consultar Hair et al., (1999),
Colom (1995), Ruiz (2000), etc. Debido a la importancia que tiene el «análisis factorial confirmato-
rio» en el contexto actual de la «Psicología de las Diferencias Individuales» se comentan brevemen-
te las fases que sigue (Hair et al., 1999):

a) Desarrollo de un modelo basado en la teoría. Es decir, se tienen en cuenta todas las varia-
bles que teóricamente se cree que explican el fenómeno objeto de estudio (por ejemplo el
«éxito académico») y se indica la relación existente entre las variables. Este «modelo de cau-
sación» (modelo de relaciones establecidas de partida), es el que se tratará de confirmar o
desconfirmar mediante los sucesivos pasos del análisis. En este sentido, se observa clara-
mente que el «análisis factorial confirmatorio» es deductivo, ya que a partir de una «hipóte-
sis fundamentada teóricamente», deduce lógicamente consecuencias observables que per-
miten apoyar o refutar la hipótesis inicial (Colom, 1995). Por contraposición, el «análisis fac-
torial exploratorio» sigue un procedimiento inductivo, ya que explora el fenómeno objeto de
182 INTRODUCCIÓN fll ESTUDIO D€ LRS DIF€R€NCIRS INDIVIDUAOS

estudio en busca de dimensiones o variables latentes que den cuenta de las relaciones entre
las variables observadas.
b) Construcción de un diagrama de relaciones causales. El investigador representa las relacio-
nes entre las variables en un «diagrama causal» (también denominado diagrama estructural
o secuencial), en el que se incluye las variables que miden cada constructo de interés. Estos
diagramas (similares a los diagramas de flujo) siguen unas reglas de construcción y un tipo
de símbolos particulares. En la Figura 4.10 se muestra un ejemplo de diagrama de secuen-
cias de las relaciones entre las actitudes de los empleados (Hair et al., 1999). Las flechas
directas representan la influencia de las variables independientes sobre las variables depen-
dientes (por ejemplo, la actitud de compañerismo influye sobre la satisfacción con el traba-
jo); y las flechas curvadas indican la correlación entre variables (la actitud de compañeris-
mo se relaciona con el entorno de trabajo). Específicamente, en este diagrama se muestran
tres variables independientes (actitud de compañerismo, entorno de trabajo y nivel de suel-
do) y las restantes son variables dependientes. Ahora bien, mediante la metodología de las
ecuaciones estructurales una variable dependiente en una ecuación puede ser una variable
independiente en otra ecuación, como en este caso ocurre con dos variables (satisfacción
con el trabajo y lealtad con la organización). En resumen, la probabilidad de movilidad del
empleado estará determinada por la satisfacción que el empleado tiene con el trabajo, que
a su vez, está influida por la actitud de compañerismo y el entorno de trabajo que existe, y
por la lealtad con la organización que está vinculada por el nivel de sueldo. La relevancia
de esta fase es tan importante que algunos programas estadísticos (como por ejemplo el
«AMOS») comienzan a operar obligando al investigador a dibujar el diagrama causal que
desea estimar, es decir, obliga a matizar con precisión la perspectiva teórica de la forma que
toma su teoría particular sobre los datos que se analizan (Ruiz, 2000).
c) Conversión de un diagrama de relaciones en un conjunto de modelos de ecuaciones estruc-
turales y de medida. En esta fase, el «modelo teórico» del que se parte (debidamente repre-
sentado gráficamente) se expresa en términos más formales, es decir, a través de una serie de
ecuaciones, con el fin de vincular «definiciones operacionales de los constructos» con la
«teoría», y así llegar al contraste empírico apropiado.
d) Elección del tipo de matriz de entrada y estimación del modelo propuesto. La matriz de
entrada se compone de los datos que posteriormente servirán para realizar el análisis facto-
rial confirmatorio. Ahora bien, aunque se pueden obtener dos tipos de matrices (de «varian-
za y covarianza» o de «correlación») entre las variables, para estimar el modelo propuesto
se prefiere emplear la matriz de correlaciones porque se estudia «la pauta de interrelaciones»
entre las variables.
e) Valoración de la identificación del modelo estructural. En esta fase el modelo propuesto
debe ser identificado, y para ello, el modelo debe ser capaz de generar estimaciones aisla-
MÉTODOS D€ INV€STIGHCIÓN €N €L €STUDIO D€ WS Dlf€R€NCIflS INDIVIDUAOS 183

das. Dicho en otras palabras, se debe obtener «una ecuación aislada y diferenciada» para
estimar cada coeficiente. Si esto no ocurre aparecerán resultados ilógicos o sin sentido que
indicarán que el modelo estructural propuesto no ha sido identificado.
f) Evaluación de los criterios de calidad del ajuste del modelo. Cuando el modelo está bien
establecido (correctamente especificado e identificado) se debe evaluar, en primer lugar, el
ajuste global del modelo para comprobar que dicho modelo representa adecuadamente el
conjunto completo de relaciones causales estudiadas; y en segundo lugar, los modelos
estructurales y de medida por separado.
g) Interpretación y modificación del modelo. Cuando se considera que el modelo es acepta-
ble deben examinarse los resultados y el grado de correspondencia con la teoría propuesta.
Es decir, se trata de comprobar si los resultados están en la dirección de las hipótesis plante-
adas de partida. En concreto, los objetivos del análisis factorial confirmatorio son verificar la
estructura factorial del modelo propuesto y considerar si es necesario realizar modificacio-
nes significativas hasta llegar al «modelo final».

Por último para analizar los modelos de ecuaciones estructurales se pueden utilizar diferentes
programas informáticos, como el AMOS (anteriormente mencionado) y el LISREL (nombre con el que
a veces se identifica al análisis factorial confirmatorio).

Figura 4.10.

Ejemplo de diagrama de secuencias de las relaciones entre las actitudes de los empleados (Hair ef al., 1999).
184 INTRODUCCIÓN RL ESTUDIO D€ LRS DIF€R€NCIRS INDIVIDURLCS

b) Diseños propiamente comparativos

Este tipo de diseños son calificados de «planes experimentales» que, a diferencia de los diseños
correlaciónales, no están fundamentados en la estimación de covariaciones sino en el análisis compara-
tivo de valores medios (Kerlinger, 1973). De esta forma, se pretende estudiar si existen diferencias esta-
dísticamente significativas al comparar las puntuaciones medias que obtienen diferentes grupos (dos o
más) en la variable dependiente de interés. Por ello, responderían a este apartado aquellas investigacio-
nes que analizan como efecto principal las diferencias existentes entre niveles representativos de una
variable independiente ligada a características personales no manipulables (en este caso no se incluyen
variables de tratamiento o variables situacionales). Dentro de estos diseños también se incluyen las dife-
rencias ¡ntergrupales. Por ejemplo, se pueden formar tres grupos según su grado de neuroticismo (alto,
medio o bajo), y después compararlos en el grado de rendimiento ante un test de inteligencia (variable
dependiente).

Estos diseños responden, por tanto, a la comparación entre grupos que, si bien siguen el esquema
experimental o cuas/'-experimental (grupo experimental-grupo de control), presentan importantes diferen-
cias con el experimento riguroso. En concreto, en los diseños comparativos no se pueden manipular la(s)
variable(s) independientes(s) para observar los cambios producidos en la(s) variable(s) dependiente(s) (p. ej.,
no se puede convertir a una persona muy tímida en persona muy extrovertida), y tampoco se pueden for-
mar los grupos mediante una aleatorización de los sujetos. Por ejemplo, si se pretende estudiar las dife-
rencias que hay en función del sexo (hombre/mujer) en el grado de extraversión (variable dependiente), no
se puede asignar a los sujetos de forma aleatoria a cada uno de los grupos comparativos (sexo masculino
vs. sexo femenino), ya que antes de comenzar la investigación cada persona tiene «a priori» un sexo deter-
minado; asimismo, el investigador, tampoco puede modificar (manipular) libremente el sexo de cada per-
sona para formar dos grupos experimentales en función de la variable independiente «sexo». Estas dificul-
tades básicas vinculadas a una limitación del control experimental estricto, incrementan el riesgo de rea-
lizar interpretaciones impropias al no poder descartar las llamadas «hipótesis alternativas», lo que se tra-
duce en serias restricciones al pretender establecer relaciones funcionales de tipo causal entre variables
independientes y dependientes (Kerlinger, 1973).

Los análisis estadísticos más utilizados para comparar los diferentes niveles de una variable inde-
pendiente son la prueba «t de Student» que permite comparar dos grupos en una variable dependiente
cuantitativa, el «Análisis de Varianza» {ANOVA), utilizado para comparar tres o más grupos, y el «Análisis
Multivariado de Varianza» (MANOVA) útil para comparar grupos en dos o más variables dependientes.

3.1.2. Diseños cuasi-experimentales

Según la clasificación de Campbell y Stanley (1966), este tipo de diseños hace referencia a aquellos
estudios en los que, si bien no puede establecerse una aleatorización de los sujetos (dado que éstos son
escogidos por su pertenencia a niveles significativos concretos de la variable independiente, p. ej., alto o
MÉTODOS D€ INVESTIGACIÓN €N €1 ESTUDIO D€ LRS DIFERENCIAS INDIVIDUAOS 185

bajo altruismo, hombre o mujer), sí pueden manipularse, de forma sistemática, las condiciones o trata-
mientos a los que estos sujetos experimentales son expuestos; es decir, pretenden analizar la interacción
existente entre fuentes de variación individual significativas y determinadas situaciones.

Por sus características son considerados por muchos autores como el auténtico puente entre dos
aproximaciones extremas, la experimental y la correlacional, al permitir un acercamiento mayor a los pro-
blemas reales que el existente en los diseños experimentales, manteniendo, al tiempo, el mayor control y
rigor posibles (Campbell y Stanley, 1966; McGuire, 1973; cf. Alvira ef al., 1979).

CUADRO 4.10

DISEÑOS COMPARATIVOS Y ANÁLISIS ESTADÍSTICOS

Tanto en los diseños comparativos, como más grupos). Tanto el ANOVA como el MANO-
en los diseños cuas/-experimentales, puede VA son muy útiles en la metodología comparati-
emplearse una gama amplia de técnicas estadís- va y cuas/-experimental empleada en el estudio
ticas, paramétricas y no paramétricas, para aná- de las diferencias individuales. Desde esta pers-
lisis univariados o multivariados, destinada a la pectiva se estudia, por ejemplo, «el tiempo de
comparación de medias entre grupos. Estos pro- reacción» de los sujetos experimentales ante
cedimientos suelen ser los mismos que los utili- ciertos estímulos (o tareas) controladas experi-
zados en los diseños experimentales, entre los mentalmente. Ahora bien, el ANOVA es consi-
cuales destacan las técnicas de ANOVA (análisis derado un análisis univariante, ya que valora las
de la varianza) y MANOVA (análisis multivarian- diferencias entre grupos utilizando una única
te de varianza) como dos de las más habituales. variable dependiente de tipo métrico; sin embar-
El «análisis multívaríante de varianza» (MA- go, el MANOVA es una técnica multívaríante
NOVA) se emplea para contrastar si las diferencias porque estudia las diferencias intergrupales por
entre distintos grupos son estadísticamente signifi- medio de múltiples variables dependientes
cativas. Opera con «dos o más variables depen- métricas de forma simultánea (Hair eí al., 1999).
dientes métricas» y «dos o más variables indepen- También existe otro análisis vinculado al
dientes no métricas» o categóricas (que son las MANOVA, que se denomina «análisis multiva-
que definen los diferentes grupos a comparar). riado de covarianza» (MANCOVA). Ambos aná-
Este análisis procede de las técnicas univa- lisis (MANOVA Y MANCOVA) empleados con-
riantes que se utilizan para valorar las diferen- juntamente permiten eliminar (después del expe-
cias entre las medias de los grupos, tales como la rimento) el efecto de cualquier variable inde-
f de Student (que compara dos grupos), o el aná- pendiente no controlada sobre las variables
lisis de varianza (ANOVA; que compara tres o dependientes mediante el control estadístico.

Hl
186 INTRODUCCIÓN Rl ESTUDIO D€ MS DIF€R€NCIflS INDIVIDUÓLES

En lo que al estudio de diferencias individuales se refiere, este tipo de estrategias representa una vía
de análisis que hace más factible el contraste de hipótesis relativas a los procesos subyacentes y al valor
funcional de las variables personales a través del estudio de la interacción con el contexto o, de una forma
más específica, mediante aquellas manipulaciones experimentales diseñadas al efecto. Por ello posibilitan
un acercamiento progresivo al estudio científico de las diferencias individuales dentro de un marco inter-
activo. En este contexto se realizan experimentos para investigar, por ejemplo, las diferentes estrategias cog-
nitivas que las personas pueden utilizar para resolver tareas indicadoras de conducta inteligente. Así,
mediante las estrategias de correlatos, se examina el rendimiento de los sujetos ante una serie de tareas
experimentales que miden las capacidades humanas básicas del procesamiento de la información; y desde
las estrategias componenciales se trata de analizar el rendimiento de los sujetos en una serie de tareas expe-
rimentales que suelen ser variaciones de los ítems incluidos en los test que evalúan capacidades mentales
(Colom, 1995).

3.2. Temporalidad de los diseños

La temporalidad de los diseños (o estrategias) de investigación se refiere ai (los) momento(s) tempo-


ral(es) de recogida de los datos. Históricamente se han diferenciado dos tipos de «diseños temporales» o
evolutivos: transversales)/ longitudinales. Ambos diseños (aunque claramente diferenciados entre sí) tienen
como objeto genérico de estudio los cambios vinculados a la edad cronológica (variable independiente)
en la(s) variable(s) dependiente(s) estudiada(s) (por ejemplo el nivel de inteligencia general, el grado de
introversión, la rapidez perceptiva, etc.).

La «edad cronológica» (entendida exclusivamente como un índice temporal que informa acerca de
la fecha de nacimiento de un individuo) es una variable de selección (no manipulable experimentalmen-
te) al igual que variables como el sexo (hombre o mujer), la etnia, el color de los ojos, el lugar de naci-
miento, etc. Por lo tanto, los estudios en los que está implicada la variable «edad» no son de naturaleza
experimental. Sin embargo la variable «edad» proporciona un mayor «juego metodológico» que el resto de
variables de selección, porque además de permitir realizar comparaciones intergrupales en función de la
edad, posibilita estudiar el cambio que se produce a lo largo del tiempo.

En otras palabras, la variable «edad» —al igual que el resto de variables de selección— no se
puede manipular experimentalmente, ya que no se puede convertir a una persona que tiene 80 años en
un adolescente de 13 años); pero sí es posible esperar que un adolescente de 13 años cumpla 1 5 años,
y después cumpla 1 7 años, etc. De esta forma se puede estudiar el cambio o las diferencias que se pro-
ducen en función de la edad. Por otra parte, el resto de variables de selección, como por ejemplo el
«lugar de nacimiento», no varían ni experimental ni evolutivamente (es decir, si una persona ha nacido
en Sevilla puede cambiar de lugar de residencia pero nunca de lugar de nacimiento). Por último, tal y
como señala Andrés Pueyo (1996), la edad no es la causante del cambio sino los procesos evolutivos
que actúan en función de la edad, tales como la maduración, el aprendizaje y la interacción entre
MÉTODOS D€ ¡NV€STIGnCIÓN €N €1 ESTUDIO D€ LRS DIF6R€NC¡fiS INDIVIDUAS 1 87

ambos. En la Tabla 4.2 se describen algunos de los criterios que diferencian los diseños tranversales de
los longitudinales 1 .

3 . 2 . 1 . El diseño transversal

El diseño transversal recoge los datos de forma sincrónica, ya que se estudia en «un mismo momen-
to temporal» una variable dependiente determinada en diferentes grupos de sujetos seleccionados según
la edad cronológica. Por ejemplo, comparar en el año 2002 las puntuaciones medias obtenidas en un test
que mida «inteligencia fluida» (variable dependiente) en sujetos de tres edades distintas (los nacidos en
1960, 1970 y 1980). El objeto de interés de este diseño es estudiar las diferencias entre edades, y por lo
tanto se emplea un diseño ¡ntersujeto o de medidas independientes (al comparar grupos de edad diferen-
tes en la variable dependiente de interés).

Diseños transversales Diseños longitudinales

Recogida de datos Sincrónica Diacrónica

Diseño Intersujeto (o de medidas Intrasujeto (o de medidas repetidas)


independientes)

Variable constante Un único momento temporal Una única muestra generacional

Objeto de estudio Las diferencias entre edades Cambios (variación) con la edad

Procedimiento llevado Comparar diferentes grupos Estudiar la evolución de cada sujeto a lo


a cabo de edad en la variable depen- largo del tiempo en la variable depen-
diente de interés diente de interés

Principales aspectos positivos • Mayor economía, facilidad • Mayor garantía explicativa


y rapidez
• Baja tasa de abandonos • Análisis real de los cambios observados
• Control de los efectos • Control de los efectos de cohorte
históricos

Principal sesgo metodológico Los efectos de cohorte o de Los efectos históricos o del aprendizaje
generación

Tabla 4.2.

Aspectos diferenciales de los diseños transversales y longitudinales.

1
Seguramente el alumno ya habrá advertido que estos diseños ya han sido abordados en varias asignaturas de
primer curso de la UNED: específicamente en «Psicología Evolutiva I» y en «Diseños de investigación en Psicología».
188 INTRODUCCIÓN RL ESTUDIO DE LRS DIFERENCIAS INDIVIDUALES

Los diseños transversales han sido y son profusamente utilizados en el ámbito de las diferencias indi-
viduales, fundamentalmente por la mayor economía, facilidad, y rapidez, tanto de aplicación como de
obtención de resultados, que presentan. Asimismo, muestran una baja tasa de abandonos, y además, per-
miten controlar «efectos históricos» debido a que los sujetos al haber sido evaluados en un momento tem-
poral concreto, comparten las mismas influencias históricas (culturales, sociales, biológicas, etc.), en mayor
medida que si la evaluación se realiza en momentos diferentes y separados mucho en el tiempo.

También merecen una mención especial las variantes destinadas al análisis de las diferencias inter-
grupales, tales como los diseños transculturales y los transnacionales (referentes a los estudios comparati-
vos entre distintas culturas y naciones, respectivamente), así como los transeccionales que corresponden a
secciones o segmentos de una misma población (Burgaleta ef al., 1991).

Por otra parte, las principales limitaciones de estos diseños son las siguientes (Fontes et al., 2001;
Andrés Pueyo, 1996):

a) El «efecto de cohorte»: representa un sesgo metodológico inevitable en los diseños transversales.


Una «cohorte de edad» (o generación) es un grupo de personas que han nacido en el mismo año,
y por lo tanto, han tenido las mismas influencias históricas (culturales, sociales, biológicas, etc.).
Por ello, cuando se encuentran diferencias al comparar diferentes cohortes de edad (o genera-
ciones) éstas no se pueden atribuir exclusivamente a la diferente edad cronológica de cada
grupo, sino también a todas las influencias culturales y ambientales que comparten cada gene-
ración y que se diferencian entre sí. En síntesis, en estos diseños los efectos de la edad se con-
funden con los efectos de cohorte.
b) Dificultad para establecer con propiedad relaciones causales, dado que la variable «edad» no se
puede manipular experimentalmente. Sin embargo, no se debe olvidar que existen procedi-
mientos de «control estadístico» apropiados que permiten, en buena medida, contrarrestar el
efecto de posibles fuentes de variación causal distintas a la postulada si éstas son conocidas de
antemano.
c) No se sabe hacia dónde se podría dirigir el cambio de cada generación (o grupo de edad con-
creto), o de cada individuo particular, ya que se evalúa en un único momento temporal.
d) Dentro de una generación evaluada se incluyen sujetos que tienen la misma edad cronológica
pero con diferentes niveles de maduración o procesos de cambio, tales como la edad mental
(desarrollo intelectual alcanzado por el sujeto), la edad biológica (proceso de cambio del orga-
nismo vinculado a la supervivencia), la edad social (cambios de adaptación del individuo pro-
vocados por el efecto de fenómenos relacionados con el rol social).

3.2.2. El diseño longitudinal

El diseño longitudinal obtiene los datos de forma diacrónica, ya que se estudia «en diferentes
momentos temporales» el cambio que se produce vinculado a la edad en la variable dependiente de inte-
M€TODOS D€ INVESTIGACIÓN €N €L ESTUDIO D€ LñS DIF€R€NC!flS INDIVIDUAOS 189

res. Por ejemplo, se puede estudiar en un grupo de personas nacidas en 1980, los cambios que se pro-
ducen en el grado de inteligencia fluida (variable dependiente), a lo largo de 20 años, realizando eva-
luaciones en diferentes momentos temporales (p.ej., cada dos años). Ya que el objeto de interés de esta
metodología es estudiar el cambio a lo largo del tiempo de los mismos sujetos o grupos, se emplea un
diseño ¡ntrasujeto o de medidas repetidas (se realizan repetidas mediciones de cada sujeto para compro-
bar el cambio en la variable dependiente). Por consiguiente, el diseño longitudinal representa una opción
alternativa al transversal, así como una aproximación importante a la «contrastación de hipótesis expli-
cativas», dado que introduce una dimensión temporal que permite estimar el «sentido del cambio»; es
decir, cada una de las variables es evaluada en diversos momentos temporales que, según decida el inves-
tigador, pueden variar en cuanto a su frecuencia y extensión (evaluar cada año, cada dos años, cada
cinco, etc.).

Los diseños longitudinales son extraordinariamente necesarios y útiles porque, además de estudiar el
desarrollo de los individuos durante un periodo prolongado de tiempo, controlan el «efecto de cohorte».
En este último caso, los sujetos pertenecientes a una cohorte de edad concreta o «generación» (por ejem-
plo, los sujetos nacidos en 1980) son más homogéneos entre sí, porque comparten un mismo contexto his-
tórico, y de ahí que se descarte la influencia del efecto de cohorte. De hecho, a los estudios longitudina-
les se les puede denominar también «diseños intracohorte». Asimismo, mediante estos diseños los cambios
observados en un mismo individuo se pueden generalizar a los cambios en los grupos de edad (Andrés
Pueyo, 1996). En cualquier caso, a pesar del avance que representan con respecto a los diseños transver-
sales, al posibilitar en mayor medida el rechazo y falsación de explicaciones alternativas, estas estrategias
no resuelven del todo el problema de la espuriedad, es decir, no se asegura que la relación encontrada
entre la variable dependiente e independiente se deba a la influencia causal de una tercera variable, de tal
forma que si ésta se neutralizara desaparecería la relación observada. A pesar de ello, el uso de modelos
estructurales (que tratan de desentrañar las «complejas relaciones causa-efecto») pueden también contri-
buir a una mayor consolidación de los datos obtenidos.

En suma, cabe precisar que el diseño longitudinal simple (o secuencia!), permite, a diferencia del
diseño transversal, estimar directamente los efectos ocasionados por la edad, deslindándolos de aquellos
que podrían explicarse en función de los distintos años de nacimiento (distintas generaciones) de perte-
nencia; es decir, el seguimiento de un grupo de sujetos a lo largo de los años posibilita un «análisis real»
de los cambios experimentados, frente a una mera comparación transversal de sujetos de distintas edades
cuyas diferencias pueden ser estrictamente generacionales. Por otro lado, la estrategia metodológica lon-
gitudinal, al igual que los diseños transversales, presenta diversas limitaciones, entre las que destacan las
siguientes (Fontes etal., 2001; Andrés Pueyo, 1996):

1. «Efectos históricos» o «efectos del aprendizaje»: se puede confundir el efecto de la edad con el
efecto asociado al momento en el que se realizó la prueba. Por ejemplo, podría ocurrir que en
una generación de niños, tras ser evaluados, en un primer momento, a los 15 años, y posterior-
mente, a los 17 años, se encontrara un aumento significativo en la puntuación media obtenida
INTRODUCCIÓN Rl ESTUDIO D€ IRS DIF€R€NCIRS INDIVIDUALES

en una prueba de rotación espacial de figuras; dicho incremento tan notable pudiera deberse a
otros factores asociados con el aprendizaje, tales como, la familiarización con las pruebas a lo
largo del tiempo por parte de los sujetos, modificaciones curriculares que hicieran un especial
hincapié en el dibujo de figuras geométricas, la aparición, difusión y aceptación por parte de los
adolescentes de videojuegos relacionados con esta capacidad, como por ejemplo el famoso
«tetris», etc.
2. Mayores costes de realización y organización que los diseños transversales. Es más, muchos de
estos estudios se comienzan pero no se acaban por falta de tiempo o de recursos económicos, y
en ocasiones, por el desaliento que le sobreviene al investigador tras años de interminable espe-
ra hasta lograr todos los datos que necesita para su estudio
3. Elevada tasa de abandonos (también denominada «mortandad experimental») de los sujetos
investigados, fruto de las circunstancias de vida de cada individuo (cambio de domicilio, enfer-
medad, etc.), del tiempo que transcurre entre las diferentes evaluaciones, etc.
4. Ausencia de equivalencia en los instrumentos de evaluación empleados para edades diferentes.
5. Ceñirse al estudio de una sola generación (p. ej. nacidos en 1985) limita la investigación a un
análisis de los efectos propios de dicha generación. Un estudio longitudinal simple responde,
únicamente, al estudio de las características de una sola generación.

Los investigadores motivados por algunas de estas limitaciones han sugerido algunas modificacio-
nes del diseño longitudinal clásico destinadas a clarificar sus conclusiones. Entre éstas se pueden destacar
las siguientes (Burgaleta ef al., 1989):

• Diseño longitudinal transverso: combina ambos diseños mediante un seguimiento longitudinal de


varios grupos generacionales y análisis de cortes transversales entre los mismos. Así, por ejemplo,
podríamos establecer un estudio longitudinal de las generaciones de los años 30, 40 y 50 y, al
tiempo, establecer comparaciones entre las distintas generaciones en unas edades determinadas,
por ejemplo, los 20, 30 y 40 años, con lo que podríamos apreciar cuáles son los efectos propios
de la edad y cuáles son producto de la generación de pertenencia.
• Diseño longitudinal de poblaciones: tomando una(s) población(es) como referencia (p. ej. edades
concretas), se analizan distintas muestras en períodos de interés determinados. Es decir, varían los
sujetos pero se mantiene la población (edad o edades) objeto de estudio. Este diseño permite esti-
mar cómo afectan los cambios sociales y culturales a la población.
MÉTODOS D€ INVESTIGACIÓN €N 61 ESTUDIO D€ LOS DIF€R€NCIf)S INDIVIDUfllC-S 191

IV. RESUMEN

En este capítulo se ha considerado el estudio de las diferencias individuales desde la perspecti-


va del método científico. Para ello, se han señalado algunas características generales del «Método
Científico», y su aplicabilidad al análisis de la variación individual. En definitiva, este capítulo repre-
senta el «esqueleto» metodológico que aglutina, y ayuda a entender, el ingente «corpus teórico» des-
arrollado dentro de esta disciplina.
El Método Científico sigue una serie de fases generales (observación, organización de datos,
inducción, deducción, verificación de hipótesis, y elaboración de leyes y teorías) que según Mayor
(1989) pueden organizarse en dos niveles superiores, como son el empírico y el teórico. A su vez,
Arnau (1989) establece tres niveles metodológicos en los que se asienta el estudio de las diferencias
individuales: a) «teórico conceptual» (referido a las fases generales que sigue el Método Científico); b)
«técnico-metodológico» (las estrategias de investigación que el científico va a seguir para comprobar
sus hipótesis); y c) «estadístico-analítico» (los análisis estadísticos de los datos recogidos). Por otra
parte, R.B. Cattell propone el «Método Inductivo-Hipotético-Deductivo» (IHD) para el estudio de las
diferencias individuales. A su vez, entiende que el conocimiento científico avanza en una sucesión de
diferentes ciclos IHD, y este avance lo representa mediante una «espiral». Este método (base y funda-
mento del estudio de las diferencias individuales) supone una integración de dos metodologías (la
empírica y la racional) que hasta ese momento estaban consideradas contrapuestas e irreconciliables.
Aún así, en la investigación de las diferencias individuales, es interesante conocer las «dos disci-
plinas de la Psicología Científica»: la Psicología Experimental y la Psicología Correlacional. Ambas
derivan de diferentes paradigmas, tienen orígenes y objetivos específicos distintos, además de emple-
ar cada una sus particulares estrategias de investigación; ahora bien, aunque la «Psicología Diferencial»
de corte clásico se ha identificado más con la Psicología correlacional, en la actualidad, el estudio de
las diferencias individuales requiere de la aportación de ambas disciplinas, que según Eysenck repre-
sentan «las dos caras de la Psicología». Asimismo, el Método Científico requiere unas garantías como
son la validez interna y la validez externa, cada una de ellas con sus matices específicos.
De acuerdo con Arnau (1989), los teóricos del método científico han distinguido tradicional-
mente tres tipos de estrategias de investigación: a) la descriptiva (diseños «ex-post-facto»); b) la
correlacional (no experimentales o «métodos de observación pasiva»); y c) la manipulativa (estrate-
gias experimentales). En este texto los diseños de investigación se han clasificado en función de dos
criterios: a) el grado de manipulabilidadde la variable independiente; y b) de la temporalidad de los
diseños, o momento(s) en que se recogen los datos, en donde se comentan exclusivamente los dise-
ños transversales y longitudinales. Finalmente, es interesante conocer los principales análisis estadís-
ticos que suelen están vinculados a cada diseño de investigación. Específicamente los análisis multi-
variados (mucho más complejos que los análisis uni o bivariados) son los más utilizados en el ámbi-
to de la Psicología de las diferencias individuales. Estas «herramientas» estadísticas multivariadas se
192 INTRODUCCIÓN ñl ESTUDIO D€ LAS D¡F€R€NCIRS INDIVIDUAOS

dividen en dos grandes grupos: a) técnicas de dependencia, que estudian una serie de variables inde-
pendientes para predecir y explicar una o más variables dependientes; y b) técnicas de interdepen-
dencia, que estudian la covariación entre múltiples variables con el fin de describir, clasificar y cono-
cer la estructura de las relaciones entre dichas variables. En definitiva, el investigador utilizará el aná-
lisis estadístico más apropiado en función de su diseño de investigación, del número y naturaleza de
las variables a estudiar, y de los objetivos propuestos.

V. PREGUNTAS DE AUTOEVALUACION

1. Describa las distintas fases en el método científico.

2. Defina con sus palabras qué se entiende por «la espiral de R.B.Cattell».

3. ¿Qué se entiende por validez externa?

4. Haga un esquema comparativo de las dos disciplinas de la Psicología científica.

5. ¿Cuáles son las fuentes de error o la varianza de error a desestimar dentro del paradigma expe-
rimental?

6. ¿Qué se entiende por experimento provocado, y cuál es la diferencia con el experimento invo-
cado7.

7. ¿Cuál es la técnica estadística que nos permite inferir la estructura de un fenómeno psicológico,
como por ejemplo la inteligencia?

8. Dentro del análisis factorial indique las diferencias que existen entre la rotación oblicua contra
ortogonal.

9. Diferencias más importantes entre el análisis factorial exploratorio y el análisis factorial confir-
matorio.

10. Si queremos comparar las medias de tres grupos en inteligencia a lo largo del tiempo, ¿qué tipo
de diseño emplearemos?