Un cuasiexperimento es un estudio de intervención empírico que se utiliza para estimar el impacto causal de una intervención en la población objetivo sin asignación aleatoria . La investigación cuasiexperimental comparte similitudes con el diseño experimental tradicional o el ensayo controlado aleatorio , pero carece específicamente del elemento de asignación aleatoria al tratamiento o control. En cambio, los diseños cuasiexperimentales generalmente permiten al investigador controlar la asignación a la condición de tratamiento, pero utilizando algún criterio distinto de la asignación aleatoria (por ejemplo, una marca de corte de elegibilidad). [1]
Los cuasiexperimentos están sujetos a preocupaciones con respecto a la validez interna , porque los grupos de tratamiento y control pueden no ser comparables al inicio. En otras palabras, puede que no sea posible demostrar de manera convincente un vínculo causal entre la condición del tratamiento y los resultados observados. Esto es particularmente cierto si hay variables de confusión que no se pueden controlar ni contabilizar. [2]
Con la asignación aleatoria, los participantes del estudio tienen las mismas posibilidades de ser asignados al grupo de intervención o al grupo de comparación. Como resultado, las diferencias entre los grupos en las características observadas y no observadas se deberían al azar, más que a un factor sistemático relacionado con el tratamiento (p. ej., gravedad de la enfermedad). La aleatorización en sí no garantiza que los grupos sean equivalentes al inicio. Cualquier cambio en las características posteriores a la intervención probablemente sea atribuible a la intervención.
La primera parte de la creación de un diseño cuasiexperimental es identificar las variables. La variable cuasi independiente es la variable que se manipula para afectar a una variable dependiente. Generalmente es una variable de agrupación con diferentes niveles. Agrupar significa dos o más grupos, como dos grupos que reciben tratamientos alternativos, o un grupo de tratamiento y un grupo sin tratamiento (a los que se les puede administrar un placebo ; los placebos se utilizan con mayor frecuencia en experimentos médicos o fisiológicos). El resultado previsto es la variable dependiente . En un análisis de series de tiempo, la variable dependiente se observa a lo largo del tiempo para detectar cualquier cambio que pueda tener lugar. Generalmente se incluyen una o más covariables en los análisis, idealmente variables que predicen tanto el grupo de tratamiento como el resultado. Éstas son variables adicionales que a menudo se utilizan para abordar los factores de confusión , por ejemplo, mediante ajuste estadístico o emparejamiento. Una vez que se han identificado y definido las variables, se debe implementar un procedimiento y se deben examinar las diferencias grupales. [3]
En un experimento con asignación aleatoria, las unidades de estudio tienen las mismas posibilidades de ser asignadas a una condición de tratamiento determinada. Como tal, la asignación aleatoria garantiza que tanto el grupo experimental como el de control sean equivalentes. En un diseño cuasiexperimental, la asignación a una determinada condición de tratamiento se basa en algo distinto de la asignación aleatoria. Dependiendo del tipo de diseño cuasiexperimental, el investigador podría tener control sobre la asignación a la condición de tratamiento pero utilizar algunos criterios distintos de la asignación aleatoria (por ejemplo, una puntuación límite) para determinar qué participantes reciben el tratamiento, o el investigador puede no tener control sobre la asignación a la condición de tratamiento. Es posible que se desconozca el control sobre la asignación de la condición de tratamiento y los criterios utilizados para la asignación. Factores como el costo, la viabilidad, las preocupaciones políticas o la conveniencia pueden influir en cómo o si se asigna a los participantes a determinadas condiciones de tratamiento y, como tales, los cuasiexperimentos están sujetos a preocupaciones con respecto a la validez interna (es decir, ¿pueden los resultados del experimento ser utilizado para hacer una inferencia causal?).
Los cuasiexperimentos también son eficaces porque utilizan las "pruebas previas y posteriores". Esto significa que se realizan pruebas antes de recopilar datos para ver si hay alguna confusión personal o si algún participante tiene ciertas tendencias. Luego se realiza el experimento real y se registran los resultados de la prueba posterior. Estos datos se pueden comparar como parte del estudio o los datos previos a la prueba se pueden incluir en una explicación de los datos experimentales reales. Los cuasi experimentos tienen variables independientes que ya existen, como la edad, el sexo y el color de ojos. Estas variables pueden ser continuas (edad) o categóricas (género). En resumen, las variables que ocurren naturalmente se miden dentro de cuasi experimentos. [4]
Existen varios tipos de diseños cuasiexperimentales, cada uno con diferentes fortalezas, debilidades y aplicaciones. Estos diseños incluyen (pero no se limitan a): [5]
De todos estos diseños, el diseño de regresión discontinua es el que más se acerca al diseño experimental, ya que el experimentador mantiene el control de la asignación del tratamiento y se sabe que "produce una estimación insesgada de los efectos del tratamiento". [5] : 242 Sin embargo, requiere un gran número de participantes en el estudio y un modelado preciso de la forma funcional entre la asignación y la variable de resultado, para obtener el mismo poder que un diseño experimental tradicional.
Aunque a veces los cuasiexperimentos son rechazados por quienes se consideran puristas experimentales (lo que llevó a Donald T. Campbell a acuñar el término “experimentos mareados” para ellos), [6] son excepcionalmente útiles en áreas donde no es factible o deseable para realizar un experimento o ensayo de control aleatorio. Tales casos incluyen la evaluación del impacto de cambios en las políticas públicas, intervenciones educativas o intervenciones de salud a gran escala. El principal inconveniente de los diseños cuasiexperimentales es que no pueden eliminar la posibilidad de sesgos de confusión, que pueden obstaculizar la capacidad de sacar inferencias causales. Este inconveniente se utiliza a menudo como excusa para descartar resultados cuasiexperimentales. Sin embargo, dicho sesgo puede controlarse mediante el uso de diversas técnicas estadísticas, como la regresión múltiple, si se pueden identificar y medir las variables de confusión. Estas técnicas se pueden utilizar para modelar y parcializar los efectos de las técnicas de variables de confusión, mejorando así la precisión de los resultados obtenidos de los cuasiexperimentos. Además, el uso cada vez mayor del emparejamiento por puntaje de propensión para emparejar a los participantes en variables importantes para el proceso de selección de tratamiento también puede mejorar la precisión de los resultados cuasiexperimentales. De hecho, se ha demostrado que los datos derivados de análisis cuasiexperimentales coinciden estrechamente con los datos experimentales en ciertos casos, incluso cuando se utilizaron criterios diferentes. [7] En resumen, los cuasiexperimentos son una herramienta valiosa, especialmente para el investigador aplicado. Por sí solos, los diseños cuasiexperimentales no permiten hacer inferencias causales definitivas; sin embargo, proporcionan información necesaria y valiosa que no se puede obtener únicamente mediante métodos experimentales. Los investigadores, especialmente aquellos interesados en investigar cuestiones de investigación aplicada, deben ir más allá del diseño experimental tradicional y aprovechar las posibilidades inherentes a los diseños cuasiexperimentales. [5]
Un experimento verdadero , por ejemplo, asignaría aleatoriamente a los niños a una beca para controlar todas las demás variables. Los cuasiexperimentos se utilizan comúnmente en ciencias sociales , salud pública , educación y análisis de políticas , especialmente cuando no es práctico o razonable asignar al azar a los participantes del estudio a la condición de tratamiento.
Como ejemplo, supongamos que dividimos los hogares en dos categorías: hogares en los que los padres golpean a sus hijos y hogares en los que los padres no golpean a sus hijos. Podemos ejecutar una regresión lineal para determinar si existe una correlación positiva entre los azotes de los padres y el comportamiento agresivo de sus hijos. Sin embargo, simplemente asignar aleatoriamente a los padres a categorías de azotes o no azotes puede no ser práctico o ético, porque algunos padres pueden creer que es moralmente incorrecto azotar a sus hijos y negarse a participar.
Algunos autores distinguen entre un experimento natural y un "cuasi-experimento". [5] Un experimento natural puede aproximarse a una asignación aleatoria o implicar una aleatorización real no realizada por los experimentadores ni para el experimento. Un cuasiexperimento generalmente no implica una aleatorización real. [1]
Los cuasiexperimentos tienen medidas de resultados, tratamientos y unidades experimentales, pero no utilizan asignación aleatoria . Los cuasiexperimentos suelen ser el diseño que la mayoría de la gente elige en lugar de los verdaderos experimentos. Por lo general, se realiza fácilmente a diferencia de los experimentos verdaderos, porque incorporan características de diseños tanto experimentales como no experimentales. Se pueden incorporar variables medidas y variables manipuladas. Por lo general, los experimentadores eligen los cuasiexperimentos porque maximizan la validez interna y externa. [8]
Dado que los diseños cuasiexperimentales se utilizan cuando la aleatorización no es práctica y/o poco ética, normalmente son más fáciles de configurar que los diseños experimentales verdaderos, que requieren [9] asignación aleatoria de sujetos. Además, la utilización de diseños cuasiexperimentales minimiza las amenazas a la validez ecológica, ya que los entornos naturales no sufren los mismos problemas de artificialidad en comparación con un entorno de laboratorio bien controlado. [10] Dado que los cuasiexperimentos son experimentos naturales, los hallazgos de uno pueden aplicarse a otros sujetos y entornos, lo que permite hacer algunas generalizaciones sobre la población . Además, este método de experimentación es eficiente en investigaciones longitudinales que involucran períodos de tiempo más largos que pueden ser seguidos en diferentes entornos.
Otras ventajas de los cuasi experimentos incluyen la idea de que el experimentador pueda realizar cualquier manipulación que desee. En los experimentos naturales, los investigadores deben dejar que las manipulaciones se produzcan por sí solas y no tener ningún control sobre ellas. Además, el uso de grupos autoseleccionados en cuasi experimentos también elimina la posibilidad de preocupaciones éticas, condicionales, etc. al realizar el estudio. [8]
Las estimaciones cuasiexperimentales del impacto están sujetas a contaminación por variables de confusión . [1] En el ejemplo anterior, una variación en la respuesta de los niños a los azotes está posiblemente influenciada por factores que no se pueden medir y controlar fácilmente, por ejemplo, el desenfreno intrínseco del niño o la irritabilidad de los padres. La falta de asignación aleatoria en el método de diseño cuasiexperimental puede permitir que los estudios sean más factibles, pero esto también plantea muchos desafíos para el investigador en términos de validez interna. Esta deficiencia en la aleatorización hace que sea más difícil descartar variables de confusión e introduce nuevas amenazas a la validez interna . [11] Debido a que no existe aleatorización, se puede aproximar cierto conocimiento sobre los datos, pero las conclusiones sobre las relaciones causales son difíciles de determinar debido a una variedad de variables extrañas y confusas que existen en un entorno social. Además, incluso si se evalúan estas amenazas a la validez interna, la causalidad aún no puede establecerse completamente porque el experimentador no tiene control total sobre las variables extrañas . [12]
Las desventajas también incluyen que los grupos de estudio pueden proporcionar evidencia más débil debido a la falta de aleatoriedad. La aleatoriedad aporta mucha información útil a un estudio porque amplía los resultados y, por tanto, ofrece una mejor representación de la población en su conjunto. El uso de grupos desiguales también puede ser una amenaza a la validez interna. Si los grupos no son iguales, como ocurre a veces en los cuasi experimentos, entonces el experimentador podría no estar seguro de determinar las causas de los resultados. [4]
La validez interna es la verdad aproximada sobre las inferencias sobre causa-efecto o relaciones causales. Por eso la validez es importante para los cuasi experimentos, porque todos ellos tratan de relaciones causales. Ocurre cuando el experimentador intenta controlar todas las variables que podrían afectar los resultados del experimento. La regresión estadística, la historia y los participantes son posibles amenazas a la validez interna. La pregunta que usted querrá hacerse mientras intenta mantener alta la validez interna es "¿Existen otras razones posibles para el resultado además de la razón por la que quiero que sea así?" Si es así, entonces la validez interna podría no ser tan fuerte. [8]
La validez externa es el grado en que los resultados obtenidos de una muestra de estudio pueden generalizarse "a" alguna población de interés bien especificada y "entre" subpoblaciones de personas, épocas, contextos y métodos de estudio. [13] Lynch ha argumentado que generalizar "a" una población casi nunca es posible porque las poblaciones a las que nos gustaría proyectar son medidas de comportamiento futuro, que por definición no pueden muestrearse. [14] Por lo tanto, la pregunta más relevante es si los efectos del tratamiento se generalizan "entre" subpoblaciones que varían según factores de fondo que podrían no ser destacados para el investigador. La validez externa depende de si los estudios de tratamientos tienen efectos homogéneos en diferentes subconjuntos de personas, momentos, contextos y métodos de estudio o si el signo y la magnitud de cualquier efecto del tratamiento cambian entre los subconjuntos de maneras que los investigadores no pueden reconocer o comprender. . [15] Athey e Imbens y Athey y Wager han sido pioneros en técnicas de aprendizaje automático para la comprensión inductiva de efectos de tratamiento heterogéneos. [16] [17]
Los diseños "persona por tratamiento" son el tipo más común de diseño de cuasi experimento. En este diseño, el experimentador mide al menos una variable independiente. Además de medir una variable, el experimentador también manipulará una variable independiente diferente. Debido a que se manipulan y miden diferentes variables independientes, la investigación se realiza principalmente en laboratorios. Un factor importante al tratar con diseños de persona por tratamiento es que será necesario utilizar la asignación aleatoria para garantizar que el experimentador tenga control total sobre las manipulaciones que se realizan en el estudio. [18]
Un ejemplo de este tipo de diseño se realizó en la Universidad de Notre Dame. El estudio se llevó a cabo para ver si recibir tutoría para el trabajo conducía a una mayor satisfacción laboral. Los resultados mostraron que muchas personas que tenían un mentor mostraban una satisfacción laboral muy alta. Sin embargo, el estudio también mostró que aquellos que no recibieron el mentor también tenían un gran número de empleados satisfechos. Seibert concluyó que aunque los trabajadores que tenían mentores estaban contentos, no podía asumir que la razón fueran los propios mentores debido a la gran cantidad de empleados no mentorizados que decían estar satisfechos. Por este motivo, la evaluación previa es muy importante para poder minimizar cualquier defecto en el estudio antes de que se detecte. [19]
Los "experimentos naturales" son un tipo diferente de diseño de cuasiexperimento utilizado por los investigadores. Se diferencia de persona por tratamiento en que no hay una variable que esté siendo manipulada por el experimentador. En lugar de controlar al menos una variable como en el diseño persona por tratamiento, los experimentadores no utilizan la asignación aleatoria y dejan el control experimental al azar. De aquí proviene el nombre de experimento " natural ". Las manipulaciones se producen de forma natural y, aunque pueda parecer una técnica inexacta, en realidad ha demostrado ser útil en muchos casos. Estos son los estudios realizados a personas a las que les sucedió algo repentino. Esto podría significar bueno o malo, traumático o eufórico. Un ejemplo de esto podrían ser los estudios realizados sobre quienes han tenido un accidente automovilístico y quienes no. Los accidentes automovilísticos ocurren de forma natural, por lo que no sería ético realizar experimentos para traumatizar a los sujetos del estudio. Estos eventos que ocurren naturalmente han demostrado ser útiles para estudiar casos de trastorno de estrés postraumático . [18]