Control de Variables Extrañas Mediante Diseños Experimentales (Alternativas al Análisis de Covarianza)

Según Morales (op. cit.), el análisis de covarianza no debe considerarse un método infalible de control de variables ni el mejor procedimiento. De hecho, se dispone de diseños sencillos en los que se neutralizan las covariables, por ejemplo, el pre-test o cualquier otra variable (p. 6).

A continuación, se presentan las alternativas al análisis de covarianza según el diseño experimental:

a) Sujetos Igualados con Dos o Más Muestras

Se pueden igualar pares (o tríos, o series mayores) de sujetos en las covariables que se desea neutralizar y asignar aleatoriamente uno de cada par, o de cada serie, a una condición distinta.

En este sentido, Gras (op. cit.) menciona:

La aleatorización, si ha sido llevada a cabo de una forma efectiva, nos ofrece una garantía de la total neutralización de cualquier tipo de variable que puede llegar a afectar sistemáticamente los resultados. Con ello poseemos una base razonable para concluir que cualquier variación que no sea efecto del azar, deberá ser atribuida a la presencia de la variable independiente (p. 30).

Asimismo, mediante el procedimiento de muestreo al azar, se tiene la garantía de que ambos grupos (el experimental y el control) son equivalentes antes de la aplicación del tratamiento. Cabe destacar que este tipo de diseños ha sido muy eficaz en psicología, ya que, desde un punto metodológico, ofrece un procedimiento idóneo para la inferencia de la hipótesis, y a su vez, un control de todo posible efecto de las medidas «antes» sobre las medidas «después» (Gras, op. cit., p. 20).

b) Sujetos Agrupados en Bloques (De Dos o Más Muestras)

Se pueden agrupar a sujetos muy semejantes en función de la covariable en bloques, por ejemplo, bloques altos, medios y bajos en la variable controlada, y asignar después aleatoriamente a los sujetos de cada bloque a las distintas condiciones (Morales, op. cit., p. 6).

En este sentido, se pueden formar bloques de sujetos que presenten características psicológicas similares. De esta forma, se verá reducida en gran parte la variabilidad dentro del bloque, y se logrará una mayor eficacia al probar los tratamientos. Así, al agruparse los bloques, se formarán tantos grupos (al azar) como tratamientos. De esta forma, se puede asegurar el control de otras posibles fuentes de error existentes dentro del bloque (Gras, op. cit., p. 32).

Este procedimiento consiste en eliminar, mediante el bloque, una o más fuentes de variación. De esta manera, se aumenta la posibilidad de poder probar la hipótesis experimental. Asimismo, se logra homogeneizar los grupos de sujetos en relación a una o dos categorías, lo cual supone una gran reducción de la varianza del error, puesto que en el análisis de los resultados la variación debida al sistema de bloques queda aislada de la variación del error (Gras, op. cit., p. 36).

Análisis Estadísticos Apropiados

Por otra parte, según Morales (op. cit.), los análisis estadísticos apropiados en estos diseños son los siguientes:

• Cuando se tienen sujetos igualados:
  • Dos muestras: t de Student para muestras relacionadas.
  • Más de dos muestras: Análisis de varianza factorial para muestras relacionadas o repetidas.
• Cuando se tienen sujetos agrupados en bloques (Dos o más muestras): Análisis de varianza factorial.

Asimismo, se requieren otros análisis complementarios como el tamaño del efecto, contrastes posteriores (cuando hay más de dos muestras) y coeficientes de asociación para que el proceso sea más eficaz (p. 6).

Ventajas del Control Mediante Diseños

Las ventajas del control mediante diseños, según Morales (op. cit., p. 7), son las siguientes:

Preferencias Metodológicas

Algunos autores prefieren el control de variables mediante un diseño apropiado porque se trata de controles más directamente observables sin tener que recurrir a procedimientos estadísticos que pueden quedar más invisibles. Otros autores también consideran preferibles utilizar la covariable para establecer los niveles de uno de los factores en un análisis de varianza factorial (Glass y Stanley, 1974: 499; Huitema, 1980: 125).

Claridad y Justificación

• Los controles presentes en el mismo diseño de la investigación son más fáciles de entender y justificar que los puramente estadísticos, los cuales pueden resultar confusos al investigador o al lector de una investigación si no se entienden bien.

Análisis de Interacción

Otra ventaja del control experimental, concretamente en el diseño factorial, es la posibilidad de analizar la interacción entre la variable dependiente y la variable controlada.

Menos Restricciones Estadísticas

No es necesario que la covariable tenga una relación lineal con la variable dependiente, como sí lo es en el análisis de covarianza. En general, en los diseños experimentales y en el análisis de varianza, las condiciones son menos restrictivas que en el análisis de covarianza (Wildt y Ahtola, 1978: 16).

De esta forma, siempre que sea factible, parece preferible controlar variables mediante el diseño apropiado (control experimental) en vez de utilizar el control meramente estadístico propio del análisis de covarianza (Escotet, 1980: 253; citado por Morales, 2013; p. 7).