Un cuasi-experimento es un estudio intervencionista empírico utilizado para estimar el impacto causal de una intervención en la población objetivo sin asignación aleatoria . La investigación cuasi-experimental 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 cuasi-experimentales generalmente permiten al investigador controlar la asignación a la condición de tratamiento, pero utilizando algún criterio distinto a la asignación aleatoria (por ejemplo, una nota de corte de elegibilidad). [1]
Los cuasi-experimentos están sujetos a preocupaciones en cuanto 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 de tratamiento y los resultados observados. Esto es particularmente cierto si hay variables de confusión que no se pueden controlar o tener en cuenta. [2]
Con la asignación aleatoria, los participantes del estudio tienen la misma probabilidad 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, en lugar de a un factor sistemático relacionado con el tratamiento (por ejemplo, la gravedad de la enfermedad). La aleatorización en sí no garantiza que los grupos sean equivalentes al inicio. Es probable que cualquier cambio en las características posteriores a la intervención sea atribuible a la intervención.
La primera parte de la creación de un diseño cuasi-experimental 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 agrupamiento con diferentes niveles. Agrupamiento significa dos o más grupos, como dos grupos que reciben tratamientos alternativos, o un grupo de tratamiento y un grupo sin tratamiento (al que se le puede administrar un placebo ; los placebos se usan con más 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. Por lo general, se incluyen una o más covariables en los análisis, idealmente variables que predicen tanto el grupo de tratamiento como el resultado. Estas son variables adicionales que a menudo se utilizan para abordar la confusión , por ejemplo, a través del ajuste estadístico o el emparejamiento. Una vez que se han identificado y definido las variables, se debe implementar un procedimiento y se deben examinar las diferencias entre los grupos. [3]
En un experimento con asignación aleatoria, las unidades de estudio tienen la misma probabilidad de ser asignadas a una condición de tratamiento dada. Como tal, la asignación aleatoria asegura que tanto el grupo experimental como el de control sean equivalentes. En un diseño cuasi-experimental, la asignación a una condición de tratamiento dada se basa en algo más que la asignación aleatoria. Dependiendo del tipo de diseño cuasi-experimental, el investigador puede tener control sobre la asignación a la condición de tratamiento pero usar algún criterio diferente a la asignación aleatoria (por ejemplo, una puntuación de corte) para determinar qué participantes reciben el tratamiento, o el investigador puede no tener control sobre la asignación a la condición de tratamiento y los criterios utilizados para la asignación pueden ser desconocidos. Factores como el costo, la viabilidad, las preocupaciones políticas o la conveniencia pueden influir en cómo o si los participantes son asignados a una condición de tratamiento dada y, como tal, los cuasi-experimentos están sujetos a preocupaciones con respecto a la validez interna (es decir, ¿pueden usarse los resultados del experimento para hacer una inferencia causal?).
Los cuasi-experimentos también son eficaces porque utilizan el "test pre-post", es decir, se realizan pruebas antes de recopilar datos para ver si hay factores de confusión en las personas o si los participantes tienen ciertas tendencias. Luego se realiza el experimento real y se registran los resultados del test posterior. Estos datos se pueden comparar como parte del estudio o los datos del pre-test 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 los ojos. Estas variables pueden ser continuas (edad) o categóricas (sexo). En resumen, en los cuasi-experimentos se miden variables que ocurren naturalmente. [4]
Existen varios tipos de diseños cuasiexperimentales, cada uno con diferentes ventajas, desventajas 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 imparcial 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 producir el mismo poder que un diseño experimental tradicional.
Aunque los cuasi-experimentos a veces son rechazados por aquellos que se consideran puristas experimentales (lo que llevó a Donald T. Campbell a acuñar el término "experimentos que dan asco" para ellos), [6] son excepcionalmente útiles en áreas donde no es factible o deseable realizar un experimento o un ensayo de control aleatorio. Tales casos incluyen la evaluación del impacto de los cambios de política pública, intervenciones educativas o intervenciones de salud a gran escala. El principal inconveniente de los diseños cuasi-experimentales es que no pueden eliminar la posibilidad de sesgo de confusión, que puede obstaculizar la capacidad de uno para extraer inferencias causales. Este inconveniente se utiliza a menudo como excusa para descartar los resultados cuasi-experimentales. Sin embargo, dicho sesgo se puede controlar mediante el uso de varias técnicas estadísticas como la regresión múltiple, si uno puede identificar y medir la variable o variables de confusión. Dichas técnicas se pueden utilizar para modelar y eliminar parcialmente los efectos de las técnicas de variables de confusión, mejorando así la precisión de los resultados obtenidos a partir de cuasi-experimentos. Además, el uso cada vez más extendido de la técnica de emparejamiento por puntuación de propensión para emparejar a los participantes en variables importantes para el proceso de selección del tratamiento también puede mejorar la precisión de los resultados cuasiexperimentales. De hecho, se ha demostrado que los datos derivados de los 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 con 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 real , por ejemplo, asignaría aleatoriamente a los niños a una beca, con el fin de controlar todas las demás variables. Los cuasi-experimentos se utilizan comúnmente en las ciencias sociales , la salud pública , la educación y el análisis de políticas , especialmente cuando no es práctico o razonable asignar aleatoriamente a los participantes del estudio a la condición de tratamiento.
Por ejemplo, supongamos que dividimos los hogares en dos categorías: hogares en los que los padres pegan a sus hijos y hogares en los que los padres no pegan a sus hijos. Podemos realizar 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 a los padres al azar a las categorías de azotes o no azotes puede no ser práctico ni ético, porque algunos padres pueden creer que es moralmente incorrecto pegar 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 que no es obra de los experimentadores ni para el experimento. Un cuasi-experimento generalmente no implica una aleatorización real. [1]
Los cuasi-experimentos tienen medidas de resultados, tratamientos y unidades experimentales, pero no utilizan asignación aleatoria . Los cuasi-experimentos suelen ser el diseño que la mayoría de las personas eligen en lugar de los experimentos verdaderos. Por lo general, se llevan a cabo fácilmente en comparación con los experimentos verdaderos, porque incorporan características tanto de los diseños experimentales como de los no experimentales. Se pueden incorporar variables medidas, así como variables manipuladas. Por lo general, los experimentadores eligen los cuasi-experimentos porque maximizan la validez interna y externa. [8]
Dado que los diseños cuasiexperimentales se utilizan cuando la aleatorización es poco práctica y/o poco ética, suelen ser más fáciles de establecer que los diseños experimentales verdaderos, que requieren [9] la asignación aleatoria de sujetos. Además, el uso 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 en uno pueden aplicarse a otros sujetos y entornos, lo que permite realizar algunas generalizaciones sobre la población . Además, este método de experimentación es eficiente en la investigación longitudinal que involucra períodos de tiempo más largos que pueden seguirse en diferentes entornos.
Otra ventaja de los experimentos cuasi experimentales es la posibilidad de realizar cualquier manipulación que el investigador desee. En los experimentos naturales, los investigadores tienen que dejar que las manipulaciones se produzcan por sí solas y no tienen ningún control sobre ellas. Además, el uso de grupos autoseleccionados en los experimentos cuasi experimentales también elimina la posibilidad de que surjan problemas éticos, condicionales, etc. durante la realización del estudio. [8]
Las estimaciones cuasi-experimentales del impacto están sujetas a la contaminación por variables de confusión . [1] En el ejemplo anterior, una variación en la respuesta de los niños a los azotes está plausiblemente influenciada por factores que no se pueden medir y controlar fácilmente, por ejemplo, el salvajismo intrínseco del niño o la irritabilidad de los padres. La falta de asignación aleatoria en el método de diseño cuasi-experimental 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 hay aleatorización, se puede aproximar algún conocimiento sobre los datos, pero las conclusiones de las relaciones causales son difíciles de determinar debido a una variedad de variables extrañas y de confusión que existen en un entorno social. Además, incluso si se evalúan estas amenazas a la validez interna, la causalidad aún no se puede establecer 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 lo tanto, proporciona una mejor representación de la población en su conjunto. El uso de grupos desiguales también puede ser una amenaza para la validez interna. Si los grupos no son iguales, lo que a veces sucede en los experimentos cuasi, entonces el experimentador podría no estar seguro de determinar las causas de los resultados. [4]
La validez interna es la verdad aproximada acerca de las inferencias sobre las relaciones causa-efecto o causales. Por eso la validez es importante para los experimentos cuasi experimentales, ya que se basan en relaciones causales. Se produce 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 conviene plantearse al intentar mantener alta la validez interna es: "¿Existen otras posibles razones para el resultado además de la razón por la que quiero que sea?". Si es así, la validez interna podría no ser tan sólida. [8]
La validez externa es el grado en el que los resultados obtenidos de una muestra de estudio pueden generalizarse "a" alguna población de interés bien especificada, y "a través" de subpoblaciones de personas, tiempos, 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 "a través" de subpoblaciones que varían en factores de fondo que podrían no ser relevantes para el investigador. La validez externa depende de si los estudios de tratamientos tienen efectos homogéneos en diferentes subconjuntos de personas, tiempos, contextos y métodos de estudio o si el signo y la magnitud de cualquier efecto del tratamiento cambia en los subconjuntos de formas que pueden no ser reconocidas o entendidas por los investigadores. [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 de "persona por tratamiento" son el tipo más común de diseño cuasi experimental. En este diseño, el experimentador mide al menos una variable independiente. Además de medir una variable, el experimentador también manipulará otra variable independiente. Debido a que se manipulan y miden diferentes variables independientes, la investigación se realiza principalmente en laboratorios. Un factor importante al abordar los diseños de persona por tratamiento es que se necesitará utilizar una asignación aleatoria para asegurarse de que el experimentador tenga control total sobre las manipulaciones que se realizan en el estudio. [18]
Un ejemplo de este tipo de diseño se llevó a cabo en la Universidad de Notre Dame. El estudio se llevó a cabo para ver si recibir un mentor 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 un mentor también tenían un alto número de empleados satisfechos. Seibert concluyó que, aunque los trabajadores que tenían mentores estaban contentos, no podía asumir que la razón fuera los propios mentores debido al alto número de empleados que no tenían mentores que dijeron estar satisfechos. Por eso, la preselección es muy importante para poder minimizar cualquier falla en el estudio antes de que se detecte. [19]
Los "experimentos naturales" son un tipo diferente de diseño cuasi experimental utilizado por los investigadores. Se diferencia del diseño 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 ahí proviene el nombre de experimento " natural ". Las manipulaciones ocurren naturalmente y, aunque puede 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 en personas que han sufrido un accidente de tráfico y en personas que no. Los accidentes de tráfico 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]