¿Qué es diseñar una investigación?

Un diseño de investigación conecta:

• una pregunta
• una teoría
• conceptos y variables
• casos y evidencia
• una estrategia de comparación o análisis

Investigar no es solo recolectar datos

Muchas investigaciones fallan porque:

• tienen datos pero no pregunta clara
• tienen pregunta pero no estrategia empírica
• usan conceptos ambiguos
• confunden correlación con causalidad
• eligen casos sin justificación

La lógica general

El diseño de investigación permite que cada decisión tenga sentido dentro de una misma estrategia.

Preguntas descriptivas y explicativas

Pregunta descriptiva

Busca identificar cómo es un fenómeno.

¿Qué tan polarizado está el sistema de partidos mexicano?

Pregunta explicativa

Busca explicar por qué ocurre algo.

¿La polarización reduce la capacidad de aprobar reformas legislativas?

Dos formas de pensar la explicación causal

Goertz y Mahoney (A Tale of Two Cultures) sostienen que en ciencias sociales conviven dos grandes tradiciones de investigación.

Cultura cuantitativa

Busca explicar relaciones entre variables.

Pregunta típica:

¿Cuál es el efecto promedio de \(X\) sobre \(Y\)?

Ejemplo:

¿La educación incrementa la participación política?

Cultura cualitativa

Busca explicar configuraciones causales.

Pregunta típica:

¿Qué combinaciones de condiciones producen Y?

Ejemplo:

¿Bajo qué condiciones emerge una democracia estable?

Dos lógicas de investigación

El diseño depende de la pregunta

Distintas preguntas requieren distintas estrategias.

Si queremos estimar efectos promedio

Pregunta:

¿La desigualdad incrementa la protesta social?

Diseños frecuentes:

• encuestas
• regresión
• experimentos
• large-N

Si queremos identificar condiciones causales

Pregunta:

¿Qué condiciones producen una transición democrática?

Diseños frecuentes:

• comparación de casos
• QCA
• estudios small-N

Los conceptos importan

• Los conceptos son contenedores de datos.
• Dependiendo de la definición tenemos diferentes referentes empíricos.
• En ciencias sociales los conceptos suelen ser disputados.

Conceptos disputados

¿Qué significa exactamente representación?

• ¿Presencia descriptiva?
• ¿Defensa de intereses?
• ¿Respuesta a preferencias ciudadanas?
• ¿Identificación simbólica?

La definición elegida cambia lo que observamos.

Elementos de un concepto

Un concepto puede pensarse a partir de cuatro componentes:

• Término: la etiqueta o palabra
• Atributos: características que lo definen
• Indicadores: cómo lo observamos
• Referentes: casos que pertenecen al concepto

Ejemplo: democracia

• Término: democracia
• Atributos: elecciones competidas, derechos políticos, libertades civiles
• Indicadores: existencia de elecciones libres, alternancia, competencia partidista
• Referentes: países que cumplen esas condiciones

Intensión y extensión

La intensión se refiere a los atributos del concepto.

La extensión se refiere al conjunto de casos incluidos.

Escala de abstracción

Un concepto puede formularse en distintos niveles.

Mientras más específico es el concepto, menos casos suele incluir.

De conceptos a variables

Un concepto abstracto debe transformarse en algo observable.

Operacionalización

Operacionalizar significa traducir un concepto en indicadores observables.

Validez de medición

Una medición es válida si realmente captura el concepto que dice medir.

Ejemplo:

¿El número de iniciativas presentadas mide influencia legislativa?

Tal vez mide productividad, pero no necesariamente influencia.

Confiabilidad

Una medición es confiable si produce resultados consistentes.

Ejemplo:

Si dos personas codifican el mismo discurso legislativo, deberían clasificarlo de manera similar.

Actividad rápida

¿Cómo medirías los siguientes conceptos?

• confianza en el gobierno
• corrupción
• calidad democrática
• representación sustantiva
• polarización política

¿Qué es una hipótesis?

Una hipótesis es una expectativa teórica sobre la relación entre variables.

Tiene la forma:

Si X cambia, entonces Y debería cambiar.

Ejemplo:

A mayor experiencia legislativa, mayor probabilidad de aprobar iniciativas.

Componentes de una hipótesis

Toda hipótesis debe identificar:

• variable independiente
• variable dependiente
• dirección esperada de la relación
• población o casos donde se espera observar la relación

Variable dependiente

Es aquello que queremos explicar.

Ejemplos:

• participación electoral
• aprobación de iniciativas
• confianza institucional
• protesta social
• estabilidad democrática

Variable independiente

Es aquello que creemos que explica el resultado.

Ejemplos:

• educación
• experiencia política
• desigualdad
• polarización
• capacidad estatal

Variables de control

Son factores adicionales que pueden influir en la variable dependiente e independiente.

Ejemplo:

Si queremos saber si la experiencia legislativa aumenta la aprobación de iniciativas, también podríamos controlar por:

• partido
• género
• tipo de elección
• presidencia de comisión
• pertenencia al partido en el gobierno

Correlación no implica causalidad

Dos variables pueden moverse juntas sin que una cause la otra.

Ejemplo:

• Pedimos consejos de gente exitosa
• Identifican decisiones que consideran importantes
• Pero no sabemos si otras personas, sin éxito, también las tomaron

¿Qué implica causalidad?

Para sostener una explicación causal necesitamos:

1. asociación entre X y Y
2. precedencia temporal de X sobre Y
3. descartar explicaciones alternativas

Causalidad inversa

Ocurre cuando confundimos la dirección de la relación.

Ejemplo:

¿La confianza institucional aumenta la participación electoral?

¿O participar en elecciones aumenta la confianza institucional?

Variables omitidas

Una variable omitida puede explicar tanto \(X\) como \(Y\).

Ejemplo:

Educación → ingreso

Pero quizá:

Origen socioeconómico → educación e ingreso

Mercurio y sifilis

• Se creía que el mercurio curaba la sifilis
• Después del tratamiento desaparicían los síntomas
• Pero los síntomas de la sifilis desaparecen por sí mismos (más no la enfermedad)

Problema fundamental de la causalidad

• Para estimar el efecto causal necesitamos observar al sujeto \(i\) con y sin tratamiento
• Esto no es posible porque si toma tratamiento ya no observamos que sucedería sin tratamiento
• A esa situación hipotética le llamamos contrafactual

Estudios universiatarios e ingreso

• El efecto causal requeriría comparar:
  • El ingreso habiendo ido a la univerdad
  • Menos el ingreso sin haber acudido a la universidad
  • Uno de los dos no es observable

¿Entonces cómo saber el efecto causal?

• No podemos observar al individuo con y sin tratamiento
• Pero podemos comparar grupos de individuos tratados y no tratados
• Lo que estimamos es el efecto medio del tratamiento

Dos maneras de pensar causalidad

Enfoque cuantitativo

La causalidad suele entenderse como:

el cambio promedio en Y atribuible a X

Ejemplo:

A mayor educación, mayor participación.

Enfoque cualitativo

La causalidad suele entenderse como:

condiciones necesarias o suficientes

Ejemplo:

Sin capacidad estatal, no hay implementación efectiva.

Unidad de análisis

La unidad de análisis es aquello sobre lo que hacemos observaciones.

Puede ser:

• individuos
• municipios
• estados
• países
• partidos
• legisladores
• iniciativas de ley
• elecciones

¿Por qué importa la unidad de análisis?

Porque define:

• qué datos necesitamos
• qué inferencias podemos hacer
• qué tipo de comparación es posible

Error ecológico

Consiste en inferir comportamientos individuales a partir de datos agregados.

Ejemplo:

Los estados con mayor pobreza votan más por cierto partido.

Conclusión incorrecta:

Las personas pobres votan más por ese partido.

Falacia individualista

Consiste en inferir características agregadas a partir de casos individuales.

Ejemplo:

Algunos ciudadanos confían en las instituciones.

Conclusión incorrecta:

El país tiene alta legitimidad institucional.

Selección de casos

La selección de casos debe responder a la pregunta de investigación.

No debe justificarse solo por:

• conveniencia
• disponibilidad de datos
• familiaridad personal

¿Cuántos casos?

Dependiendo del tipo de pregunta puede ser

• Estudios de N grande
• Estudios de N pequeña
• Estudios de caso

Tipos de casos

• caso típico
• caso extremo
• caso desviado
• casos comparados

Diseños experimentales

Un experimento busca identificar causalidad mediante:

• tratamiento
• grupo de control
• asignación aleatoria

Ejemplo:

Kalla y Brookman (2016) solicitaron audiencias con legisladores estadounidenses. Algunos revelaron haber contribuido a su campaña y otros no.

Ventajas del experimento

• alta validez interna
• control de variables externas
• comparación clara entre grupos
• mejor identificación causal

Límites del experimento

• problemas éticos
• costos
• baja validez externa
• no todo puede manipularse

Diseños observacionales

Se usan cuando no podemos manipular las variables.

Ejemplos:

• encuestas
• censos
• bases administrativas
• estudios legislativos
• datos electorales
• archivos históricos

Diseños transversales

Observan muchos casos en un solo momento.

Ejemplo:

Se analiza el nivel de democracia de todos los países en el mundo.

Ventaja:

• permite comparar muchos casos

Limitación:

• dificulta establecer temporalidad

Diseños longitudinales

Observan casos a lo largo del tiempo.

Ejemplos:

• panel de individuos
• municipios en varios años
• países durante varias décadas
• legisladores durante varias legislaturas

Diseños comparados

Comparan casos para identificar patrones.

Pueden comparar:

• países
• estados
• municipios
• partidos
• legislaturas

Most Similar Systems Design

Compara casos muy parecidos, pero que difieren en la variable explicativa clave.

Pregunta típica:

Si los casos son similares en casi todo, ¿qué diferencia explica el resultado?

Most Different Systems Design

Compara casos muy diferentes que comparten un mismo resultado.

Pregunta típica:

Si los casos son tan distintos, ¿qué factor común puede explicar el resultado?

Small-N y Large-N

Small-N

• pocos casos
• profundidad contextual
• análisis de mecanismos

Large-N

• muchos casos
• inferencia estadística
• mayor generalización

Validez interna

Pregunta central:

¿El diseño permite sostener que \(X\) causa \(Y\)?

Amenazas frecuentes:

• variables omitidas
• selección
• causalidad inversa
• medición deficiente

Validez externa

Pregunta central:

¿Los hallazgos pueden generalizarse a otros contextos?

Ejemplo:

Un experimento con estudiantes universitarios puede no generalizar a toda la ciudadanía.

Validez conceptual

Pregunta central:

¿Los indicadores representan correctamente los conceptos?

Ejemplo:

¿Votos en el Congreso miden ideología?

Tal vez sí, pero también pueden reflejar disciplina partidista.

Amenazas frecuentes al diseño

Pregunta

¿Por qué algunos legisladores son más efectivos que otros?

Conceptos

• efectividad legislativa
• experiencia política
• posición institucional
• pertenencia partidista

Variables

Hipótesis

Los legisladores con experiencia legislativa previa tienen mayor probabilidad de aprobar iniciativas que los legisladores sin experiencia previa.

Diseño posible

• Diseño observacional
• Unidad de análisis: legislador
• Datos por legislatura
• Comparación entre legisladores con y sin experiencia
• Controles por partido, género, tipo de elección y comisión

Plantilla de trabajo

Cierre