Cuasiexperimento

Un cuasiexperimento es un diseño de investigación utilizado para estimar el impacto causal de una intervención. Este diseño de investigación tiene como objetivo evaluar la diferencia entre los resultados (por ejemplo, conocimientos de lectura, síntomas depresivos) en un grupo que experimentó una intervención y un grupo que no. La intervención se interpreta de forma amplia, de modo que puede ser diseñada por investigadores (por ejemplo, un programa de lectura) o puede ser un evento que afecta a un grupo de personas, como un desastre (por ejemplo, un terremoto). Los cuasiexperimentos comparten similitudes con los experimentos y los ensayos controlados aleatorios , pero carecen específicamente de asignación aleatoria a las condiciones de intervención y control. En cambio, los diseños cuasiexperimentales suelen comparar grupos preexistentes (por ejemplo, si alguien estuvo expuesto a la COVID-19 ) o grupos creados sin asignación aleatoria (por ejemplo, estudiantes que asisten a escuelas con diferentes programas de lectura). ^{[ 1 ]}

El análisis causal de los cuasiexperimentos depende de supuestos que hacen irrelevante la no aleatoriedad, por ejemplo, el supuesto de tendencias paralelas para el método de diferencias en diferencias (DiD). Los cuasiexperimentos están sujetos a preocupaciones sobre la validez interna . En otras palabras, puede ser difícil demostrar de manera convincente un vínculo causal entre las condiciones de tratamiento y control en los resultados observados en diseños cuasiexperimentales. Esto es particularmente cierto si hay variables de confusión que no se pueden controlar o tener en cuenta. ^{[ 2 ]} Un impedimento importante para extraer conclusiones causales en los cuasiexperimentos es la posibilidad de que variables no medidas puedan haber contribuido a las diferencias entre el grupo de tratamiento y el grupo de control en los resultados, lo cual es un problema menor en los experimentos verdaderos porque la aleatorización en gran medida iguala los grupos de intervención y control tanto en factores de fondo medidos como no medidos, particularmente cuando hay un gran número de unidades experimentales para aleatorizar. Las unidades experimentales más comúnmente utilizadas en la investigación cuasiexperimental son los seres humanos, aunque a veces se emplean unidades organizativas como escuelas ^{[ 3 ]} y divisiones en una organización ^{[ 4 ] .}

La primera parte de la creación de un diseño cuasiexperimental consiste en identificar las variables. La variable cuasi-independiente es aquella que se manipula para afectar a una variable dependiente. En un análisis de series temporales, la variable dependiente se observa a lo largo del tiempo para detectar cualquier cambio que pueda producirse. Generalmente, se incluyen una o más covariables en los análisis, idealmente variables que predicen tanto la pertenencia al grupo como el resultado. Estas son variables adicionales que se utilizan a menudo para abordar la confusión , por ejemplo, mediante el ajuste estadístico o el emparejamiento en función de una covariable influyente. Una vez identificadas y definidas las variables, se deben implementar los procedimientos de tratamiento experimental y de control (siempre que los investigadores no estudien eventos no manipulables como desastres naturales) y se deben evaluar las diferencias entre grupos. ^{[ 5 ]}

En un experimento con asignación aleatoria, las unidades de estudio tendrían aproximadamente la misma probabilidad de ser asignadas a las condiciones de tratamiento y control. Por lo tanto, uno de los objetivos de la asignación aleatoria es lograr que los grupos experimental y de control sean lo más equivalentes posible, distribuyendo uniformemente las variables de confusión conocidas y desconocidas entre los tratamientos. En cambio, en un diseño cuasiexperimental, la asignación a una condición de tratamiento determinada se basa en algo distinto a la asignación aleatoria. Dependiendo del tipo de diseño cuasiexperimental, el investigador podría tener control sobre la asignación a la condición de tratamiento, pero utilizar algún criterio distinto a la asignación aleatoria (por ejemplo, una puntuación de corte en una prueba de lectura) para determinar qué participantes se ubican en las condiciones de tratamiento y control. Factores como el costo, la viabilidad, las consideraciones políticas o la conveniencia pueden influir en cómo o si los participantes son asignados a una condición de tratamiento determinada. En consecuencia, los cuasiexperimentos, en comparación con los experimentos verdaderos, están sujetos a mayores preocupaciones con respecto a la validez interna.

Muchos cuasiexperimentos utilizan la metodología de "pruebas pre y post". Esto significa que los participantes son evaluados antes de ser expuestos a las condiciones de tratamiento y control, y se les vuelve a evaluar después de que dichas condiciones se hayan implementado. Las pruebas previas ayudan a los investigadores a identificar factores de confusión, como que los miembros de un grupo tengan mayor peso que los de otro en un estudio sobre dietas. Si existen diferencias entre grupos en una covariable importante medida (por ejemplo, peso, IMC) en la etapa de la prueba previa, el investigador puede controlar estadísticamente dicha covariable una vez recopilados los datos de la prueba posterior. ^{[ 6 ]}

Existen varios tipos de diseños cuasiexperimentales, cada uno con diferentes fortalezas, debilidades y aplicaciones. Estos diseños incluyen (pero no se limitan a): ^{[ 7 ]}

• Diferencia en diferencias (comparación pre-post con-sin)
  • Estudio de eventos
• Diseño de grupos de control no equivalentes
  • diseños de grupo de control sin tratamiento
  • diseños de variables dependientes no equivalentes
  • diseños de grupos de tratamiento eliminados
  • diseños de tratamiento repetido
  • diseños de grupos de control no equivalentes con tratamiento invertido
  • diseños de cohortes
  • diseños posteriores a la prueba únicamente
  • diseños de continuidad de regresión
• Diseño de discontinuidad de regresión
• Diseño de casos y controles
  • diseños de series temporales
  • diseño de series temporales múltiples
  • diseño de series temporales interrumpidas
  • variables instrumentales
• Análisis de panel

De todos estos diseños, el diseño de discontinuidad de regresión es el que más se asemeja 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". ^{[ 7 ] : 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 la misma potencia que un diseño experimental tradicional.

Though quasi-experiments are sometimes shunned by those who consider themselves to be experimental purists (leading Donald T. Campbell to coin the term "queasy experiments" for them),^[8] they can be useful in areas where it is not feasible or desirable to conduct an experiment or randomized control trial. Such instances include evaluating the impact of public policy changes, educational interventions or large scale health interventions. The primary drawback of quasi-experimental designs is that they cannot eliminate the possibility of confounding bias, which can hinder one's ability to draw causal inferences. This drawback is often used as an excuse to discount quasi-experimental results. However, such bias can be controlled for by using various statistical techniques such as multiple regression, if one can identify and measure the confounding variable(s). Such techniques can be used to model and partial out the effects of confounding variables techniques, thereby improving the accuracy of the results obtained from quasi-experiments. Moreover, the developing use of propensity score matching to match participants on variables important to the treatment selection process can also improve the accuracy of quasi-experimental results. In fact, data derived from quasi-experimental analyses has been shown to closely match experimental data in certain cases, even when different criteria were used.^[9] In sum, quasi-experiments are a valuable tool, especially for the applied researcher. On their own, quasi-experimental designs do not allow one to make definitive causal inferences; however, they provide necessary and valuable information that cannot be obtained by experimental methods alone. Shadish et al. (2002) suggested that researchers, especially those interested in investigating applied research questions, move beyond the traditional experimental design and avail themselves of the possibilities inherent in quasi-experimental designs.^[7]

A true experiment would, for example, randomly assign children to a scholarship, in order to control for all other variables. Quasi-experiments are commonly used in social sciences, public health, education, and policy analysis, especially when it is not practical or reasonable to randomize study participants to the treatment condition.

Por ejemplo, supongamos que dividimos los hogares en dos categorías: hogares donde los padres castigan físicamente a sus hijos y hogares donde no lo hacen. Podemos realizar una regresión lineal para determinar si existe una correlación positiva entre el castigo físico de los padres y el comportamiento agresivo de sus hijos. Sin embargo, asignar aleatoriamente a los padres a las categorías de castigo físico o no castigo físico podría no ser práctico ni ético, ya que algunos padres podrían considerar moralmente incorrecto castigar físicamente a sus hijos y negarse a participar.

Algunos autores distinguen entre un experimento natural y un "cuasi-experimento". ^{[ 7 ]} Un experimento natural puede aproximarse a la asignación aleatoria o implicar una aleatorización real no realizada por los experimentadores ni para el experimento. Un cuasi-experimento generalmente no implica una aleatorización real. ^{[ 1 ]}

Los cuasiexperimentos tienen medidas de resultado, tratamientos y unidades experimentales, pero no utilizan asignación aleatoria . Los cuasiexperimentos suelen ser el diseño preferido por la mayoría de las personas en comparación con los experimentos verdaderos. Generalmente son más fáciles de realizar que los experimentos verdaderos, ya que incorporan características tanto de diseños experimentales como no experimentales. Se pueden incluir variables medidas y variables manipuladas. Por lo general, los experimentadores eligen los cuasiexperimentos porque maximizan la validez interna y externa. ^{[ 10 ]}

Dado que los diseños cuasiexperimentales se utilizan cuando la aleatorización es impracticable o poco ética, suelen ser más fáciles de establecer que los diseños experimentales verdaderos, que requieren ^{[ 11 ]} la 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 que un entorno de laboratorio bien controlado. ^{[ 12 ]} Dado que los cuasiexperimentos son experimentos naturales, los hallazgos en uno pueden aplicarse a otros sujetos y entornos, lo que permite hacer algunas generalizaciones sobre la población . Asimismo, este método de experimentación es eficiente en la investigación longitudinal que implica períodos de tiempo más largos que pueden ser seguidos en diferentes entornos.

Otras ventajas de los cuasiexperimentos incluyen la posibilidad de realizar cualquier manipulación que el experimentador elija. En los experimentos naturales, los investigadores deben dejar que las manipulaciones ocurran por sí solas y no tienen ningún control sobre ellas. Además, el uso de grupos autoseleccionados en los cuasiexperimentos elimina la posibilidad de problemas éticos, condicionales, etc., durante la realización del estudio. ^{[ 10 ]}

Las estimaciones cuasiexperimentales 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 las nalgadas puede verse influenciada por factores que no se pueden medir ni controlar fácilmente, como la naturaleza intrínseca del niño o la irritabilidad de los padres. La falta de asignación aleatoria en el diseño cuasiexperimental puede facilitar la realización de estudios, pero también plantea numerosos desafíos para el investigador en términos de validez interna. Esta deficiencia en la aleatorización dificulta la exclusión de variables de confusión e introduce nuevas amenazas a la validez interna . ^{[ 13 ]} Debido a la ausencia de aleatorización, se puede obtener cierto conocimiento sobre los datos, pero resulta difícil determinar conclusiones sobre relaciones causales debido a la variedad de variables extrañas y de confusión presentes en un entorno social. Además, incluso si se evalúan estas amenazas a la validez interna, la causalidad no puede establecerse completamente, ya que el experimentador no tiene control total sobre las variables extrañas . ^{[ 14 ]}

Entre las desventajas también se incluye 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, ofrece 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 cual a veces ocurre en los cuasiexperimentos, el experimentador podría no estar seguro de determinar las causas de los resultados. ^{[ 6 ]}

La validez interna es la verdad aproximada sobre las inferencias relativas a las relaciones de causa y efecto o causales. Por ello, la validez es importante en los cuasiexperimentos, ya que se centran en las relaciones causales. Se produce cuando el experimentador intenta controlar todas las variables que podrían afectar a los resultados del experimento. La regresión estadística, la historia y los participantes son posibles amenazas a la validez interna. La pregunta que conviene plantearse para mantener una alta validez interna es: "¿Existen otras posibles razones para el resultado, además de la que yo deseo?". Si existen, la validez interna podría no ser tan sólida. ^{[ 10 ]}

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 "a través" de subpoblaciones de personas, tiempos, contextos y métodos de estudio. ^{[ 15 ]} Lynch ha argumentado que generalizar "a" una población es casi nunca posible porque las poblaciones a las que nos gustaría proyectar son medidas de comportamiento futuro, que por definición no pueden ser muestreadas. ^{[ 16 ]} 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 cambian en los subconjuntos de maneras que pueden no ser reconocidas o comprendidas por los investigadores. ^{[ 17 ]} Athey e Imbens y Athey y Wager han sido pioneros en técnicas de aprendizaje automático para la comprensión inductiva de efectos de tratamiento heterogéneos. ^{[ 18 ] [ 19 ]}

Los diseños de " persona por tratamiento " son el tipo más común de diseño cuasiexperimental. En este diseño, el experimentador mide al menos una variable independiente. Además de medir una variable, también manipula otra variable independiente. Debido a la manipulación y medición de diferentes variables independientes, la investigación se realiza principalmente en laboratorios. Un factor importante en los diseños de persona por tratamiento es la asignación aleatoria, que garantiza que el experimentador tenga control total sobre las manipulaciones realizadas en el estudio. ^{[ 20 ]}

Un ejemplo de este tipo de diseño se realizó en la Universidad de Notre Dame. El estudio se llevó a cabo para determinar si la mentoría laboral conducía a una mayor satisfacción en el trabajo. Los resultados mostraron que muchas personas que contaban con un mentor presentaban una alta satisfacción laboral. Sin embargo, el estudio también reveló que quienes no recibieron mentoría también tenían un alto índice de empleados satisfechos. Seibert concluyó que, si bien los trabajadores con mentores estaban satisfechos, no podía asumir que la razón de ello fueran los propios mentores, debido al elevado número de empleados sin mentoría que manifestaron estar satisfechos. Por ello, la preselección es fundamental para minimizar cualquier posible error en el estudio antes de que se manifieste. ^{[ 21 ]}

Los experimentos naturales constituyen un tipo diferente de diseño cuasiexperimental. Este diseño difiere del cuasiexperimento estándar, en el que el equipo de investigación asigna grupos preexistentes de individuos no aleatorizados a condiciones de intervención/tratamiento y control. Sin aleatorización, la confianza en que los grupos sean equivalentes en todos los factores de base relevantes es, en el mejor de los casos, muy débil. El experimento natural imita la aleatorización presente en los experimentos verdaderos, y los sucesos estudiados ocurren de forma natural. Aprovechar los eventos naturales, por ejemplo, puede ser útil para estudiar el impacto de los eventos traumáticos en los individuos. ^{[ 20 ]}

• Diseño cuasiexperimental en la base de conocimientos de métodos de investigación.