Los problemas de la generalización

y la toma de decisiones en la investigación

Resumen
●La investigación psicológica es un proceso complejo de toma de decisiones que no
se puede reducir a una fórmula simplista o a una regla general.
●Hay una serie de factores que influyen especialmente a la hora de establecer los límites de la
generalizabilidad de cualquier dato. Los procedimientos de muestreo utilizados y la
importancia estadística de los resultados son especialmente importantes. Al mismo tiempo,
los psicólogos generalizan porque la psicología tiene una tendencia al universalismo, que
supone que lo que es cierto para un grupo de personas es cierto para todas las
personas.
●La investigación psicológica (a diferencia de la práctica psicológica) suele centrarse en
muestras de personas más que en individuos concretos. Esto permite considerar las
tendencias generales a costa de descuidar los aspectos idiosincrásicos de los
individuos.
●Gran parte de la investigación psicológica depende de muestras seleccionadas
principalmente porque son convenientes para el investigador. Generalmente se
describen como muestras de conveniencia. La alternativa sería el muestreo aleatorio de
una población claramente especificada, que es mucho más costoso en tiempo y otros
recursos.
●Por lo general, una gran parte de la investigación psicológica consiste en estudiar
principios del comportamiento humano que se supone que se aplican de forma general.
Como se supone que las generalizaciones que se prueban son ciertas para las
personas en general, la necesidad de garantizar que la muestra sea representativa se
minimiza y, por tanto, se ignora.
●El análisis estadístico suele responder a la pregunta básica de hasta qué punto es
seguro generalizar a partir de un estudio o una muestra de datos concretos. El modelo
habitual de prueba estadística en psicología se basa en postular lo que sucedería si
la hipótesis nula fuera cierta y luego compararla con lo que se obtuvo realmente en la
investigación. Esto se conoce como prueba de hipótesis nula.
●La probabilidad de aceptar que los resultados de un estudio no se deban al
muestreo por azar si la hipótesis nula fuera cierta suele fijarse en el nivel del 0,05 o del
5%. Esto significa que la probabilidad de que el hallazgo se deba al azar cuando la
hipótesis nula es de hecho cierta es cinco veces de cada 100, o menos. Los
resultados que cumplen este criterio se denominan estadísticamente significativos, de lo
contrario son estadísticamente no significativos.
●Cuanto mayor sea la muestra, más probable será que los resultados sean
estadísticamente significativos, en igualdad de condiciones. Por lo tanto, hay que
tener en cuenta tanto el tamaño del resultado como su significación estadística a la
hora de evaluar su importancia.
●La investigación no debe utilizar más recursos de los necesarios para responder a las
 preguntas de la investigación. Por ello, es cada vez más frecuente que los investigadores
calculen el tamaño de la muestra más pequeña necesaria para que los resultados de la
investigación demuestren una relación cuando ésta existe. Asimismo, es importante no
malgastar recursos empleando una muestra tan pequeña que no permita detectar una
tendencia importante en los datos

Introducción

Las limitaciones de la generalización de cualquier investigación es un paso

crucial para cualquier investigación. También hay que decir mucho sobre el
análisis cualitativo y la generalización en este contexto, y esto recibirá una
atención considerable. Al menos tres cuestiones importantes merecen ser
consideradas:
A) La falta de limitaciones impuestas a la generalización por el
universalismo de la teoría psicológica

B) Las limitaciones impuestas a la generalización por los métodos de muestreo

utilizados

C) Las limitaciones impuestas a la generalización por las restricciones de las pruebas

de significación estadística.

La investigación no es simplemente una cuestión de decidir si una hipótesis está

respaldada por los datos propios o no. Sus puntos claves son:

 Sobre la base de los resultados de la investigación, ¿es deseable desarrollar otras

preguntas para futuras investigaciones relacionadas en el área?
 ¿Es el siguiente paso más importante establecer si los resultados se aplican en
circunstancias muy diferentes o con grupos de participantes muy distintos o
utilizando métodos muy diferentes?
 ¿Hasta qué punto se debe confiar en los resultados de la investigación?
 La conveniencia de abandonar esta línea de investigación en particular

I. Universalismo
Se trata del supuesto fundamental de que los principios de la psicología no varían.
Cuando los psicólogos proponen una hipótesis, hay una suposición implícita de que es
cierta para todas las personas. En otras palabras, en la práctica los psicólogos parecen
estar interesados en hacer generalizaciones sobre el comportamiento que se aplican sin
restricciones por el contexto y las circunstancias. Aunque el universalismo es
característico de gran parte del pensamiento psicológico, rara vez, o nunca, se afirma
como tal en la psicología moderna. El universalismo define la investigación cuantitativa en
psicología mucho más que la investigación cualitativa.

II. Muestreo y generalización

-Críticas: la psicología es la psicología de los estudiantes de psicología (Esta crítica sólo

tiene sentido si se cuestiona la idea del universalismo en los resultados de la investigación
psicológica).
No todas las investigaciones tienen o necesitan una muestra de participantes. Un estudio
experimental de caso único en la investigación cuantitativa implica la aplicación de la
variable independiente en diferentes momentos aleatorios.

III. Muestras representativas y muestras de conveniencia

El número medio de participantes por estudio en los artículos publicados en 1988 en el

Journal of Personality and Social Psychology era de unos 200. Se trata de un número
medio de participantes bastante considerable. Por lo tanto:

 ¿Qué tamaño debe tener la muestra para que podamos afirmar que nuestras
conclusiones son de aplicación general?
 ¿Cómo deben seleccionarse las muestras para maximizar la capacidad de
generalización de nuestros resultados?

La forma de seleccionar la muestra no influiría en el resultado de la investigación, porque

no hay variabilidad. Sólo necesitamos diseños de muestreo y estadísticas, por lo tanto,
debido a esta variabilidad.

El tamaño necesario de las muestras utilizadas en la investigación debe reflejar

parcialmente las consecuencias de los resultados de la investigación. generalmente se
emplean muestras más grandes cuando se trata de estimar la frecuencia, o el valor típico,
de un comportamiento o característica particular en la población.

Por supuesto, cuanto más representativa podamos suponer que es nuestra muestra, más
confianza podremos tener en nuestras generalizaciones basadas en esa muestra

Muestras de conveniencia: de grupos de personas que son relativamente fáciles de

conseguir para que el investigador participe en su estudio.
El uso de los estudiantes como grupo primario de estudio tiene sus ventajas en el
contexto de su educación y formación, ya que lleva mucho tiempo contactar con otros
grupos; por otro lado, tiene graves dificultades para prácticamente cualquier otro
propósito.

Muestra aleatoria: cuando se utiliza la aleatorización es en forma de asignación aleatoria

a las condiciones de un experimento o a la secuencia de participación en las condiciones

Las tasas de participación se refieren a la proporción de personas que participan en la

investigación en comparación con el número de personas a las que se les pide que
participen en la investigación, es decir, la proporción que proporciona datos utilizables.

IV. Estadística y Generalización

 Las pruebas de significación son sólo un aspecto de la investigación, pero son

cruciales para que un investigador esté dispuesto a generalizar las tendencias
encontradas en sus datos.
 La otra es el tamaño de la tendencia, la diferencia, el efecto o la relación
encontrados en la investigación. Cuanto más grande sea, más importante es la
relación.

a) Resultados casuales y significación estadística: se decide cuál será el tamaño

adecuado de la muestra basándose en gran medida en el tamaño del efecto o la
asociación esperada. El nivel de significación convencionalmente aceptado es el
del 5% o el 0,05. Esto significa que se puede esperar que un hallazgo tan grande
como el nuestro se produzca por casualidad en cinco o menos ocasiones si
probamos ese hallazgo en 100 ocasiones

La prueba de significación estadística: se refiere simplemente a la cuestión de si la

tendencia es lo suficientemente grande en los datos como para que sea improbable que
pueda ser el resultado de factores de azar debido a la variabilidad inherente al muestreo,
es decir, que hay pocas posibilidades de que la hipótesis nula de ausencia de tendencia o
diferencia sea correcta.

V. Hipótesis direccionales y no direccionales de nuevo

Cuando se elaboran hipótesis, los investigadores suelen tener una idea de la dirección de
la tendencia, la correlación o la diferencia que esperan. Los investigadores suelen tener
expectativas sobre el resultado probable de su investigación. La investigación funciona
mejor cuando el investigador articula motivos coherentes, basados en hechos y
convincentes para sus expectativas.
Las hipótesis de investigación suelen expresarse de forma direccional. Requisitos: son
que haya razones empíricas o teóricas muy sólidas para esperar que la relación vaya en
una dirección determinada y que los investigadores desconozcan sus datos antes de
hacer la predicción.

La razón por la que las hipótesis estadísticas direccionales tienen unos requisitos tan
exigentes es que, convencionalmente, el nivel de significación se ajusta para la hipótesis
direccional. Las pruebas de hipótesis direccionales se denominan pruebas de significación
de una cola. Las pruebas de hipótesis no direccionales se denominan pruebas de
significación de dos colas. Una hipótesis direccional se apoya en datos más débiles que
los que requeriría la hipótesis no direccional.

- Nivel de significación de una o dos colas: La división del 5% o 0,05 de probabilidad o

nivel de significación entre los dos posibles resultados se conoce normalmente como nivel
de significación de dos colas, porque se están considerando dos resultados (direcciones de
la tendencia o efecto) en dirección positiva y negativa. Limitar el resultado a una de las dos
posibilidades se conoce como nivel de significación de una cola porque sólo se predice un
resultado.

VI. Más sobre la similitud entres las medidas de efecto (diferencia) y asociación

A menudo, las medidas del efecto (o la diferencia) en los diseños experimentales se

consideran distintas de las medidas de asociación. La prueba t se basa en la comparación
de las medias (normalmente) de dos muestras y examina esencialmente el tamaño de la
diferencia entre las dos medias en relación con la variabilidad de los datos

t= media de un grupo media de otro grupo error/ estándar de la media

El error estándar de la media es una medida de la probabilidad de que las medias de la

muestra difieran. Un valor t estadísticamente significativo será ligeramente inferior a 2,00
para muestras más grandes.

La correlación de Pearson muestra la magnitud de una asociación entre dos variables

cuantitativas. Varía de -1 a 0 hasta 1:
● Un valor negativo o correlación significa que los valores más bajos de una variable van
acompañados de valores más altos de la otra.
● Un valor positivo o correlación significa que los valores más altos de una variable van
acompañados de valores más altos de la otra.
● Un valor de cero o cercano a cero significa que no hay relación o no hay relación lineal
entre los dos grupos y la medida de resultado
VII. Tamaño de la muestra y tamaño

Cuanto mayor sea la correlación, menor puede ser la muestra para que esa correlación
sea estadísticamente significativa
- El tamaño de una asociación y su significado: El tamaño de una correlación suele
describirse tanto con palabras como con números. Se suele hablar de
correlaciones de 0,80 o superiores como "grandes", "fuertes" o "altas". El tamaño
de una correlación suele describirse tanto con palabras como con números. Se
suele hablar de correlaciones de 0,80 o superiores como "grandes", "fuertes" o
"altas". Una correlación de 1,00 da un coeficiente de determinación de 1,00, lo que
significa que las dos variables están perfectamente relacionadas. Una correlación
de cero produce un coeficiente de determinación de cero, lo que indica que las
variables están totalmente separadas o no tienen una relación rectilínea. A medida
que el tamaño de una correlación se duplica, el tamaño correspondiente del
porcentaje de varianza compartida se cuadruplica.

¿Cómo podemos saber el tamaño del efecto o la asociación que podemos esperar si
acabamos de empezar a investigar?

● Los psicólogos suelen trabajar en áreas en las que ya se ha investigado mucho. Aunque
lo que se proponen hacer puede que no se haya hecho nunca antes, puede haber
investigaciones similares. A partir de estas investigaciones, debería ser posible estimar o
adivinar la magnitud del efecto.
● Se puede considerar la posibilidad de recoger datos en una muestra pequeña para ver
qué tamaño de relación se puede esperar y, a continuación, recoger una muestra del
tamaño adecuado para garantizar que se alcance la significación estadística si la
tendencia en el estudio principal es igual a la encontrada en el estudio piloto. Así, si el
estudio piloto muestra una correlación de 0,40 entre las dos variables que nos interesan,
entonces necesitaríamos un mínimo de unos 24 casos en nuestro estudio principal. Esto
se debe a que al comprobar las tablas de significación del coeficiente de correlación,
encontramos que 0,40 es estadísticamente significativo al nivel del 5% (prueba de dos
colas) con un tamaño de muestra de 24 (o más). Estas tablas se encuentran en muchos
libros de texto de estadística; nuestro texto de estadística complementario, Introducción a
la estadística en psicología (Howitt y Cramer, 2014a), tiene todo lo que necesita.
● Otro enfoque consiste en decidir qué tamaño de relación o efecto es lo suficientemente
grande como para ser de interés. Recuerde que las relaciones y efectos muy pequeños
son significativos con muestras muy grandes. Si no se está interesado en las pequeñas
tendencias de los datos, no tiene sentido agotar los recursos recogiendo datos de
muestras muy grandes. La dificultad estriba en decidir qué tamaño de relación o efecto es
suficiente para sus fines. Dado que estos objetivos varían mucho, no se puede ofrecer
una receta sencilla. En parte, se trata de evaluar el valor de la relación o el efecto que se
está considerando. Luego hay que evaluar las consecuencias de equivocarse. (El riesgo
de equivocarse es mayor con las relaciones o efectos más pequeños, en igualdad de
condiciones). Es importante no operar simplemente como si la significación estadística
fuera la única base para sacar conclusiones de la investigación.