Documente Academic
Documente Profesional
Documente Cultură
ISSN 1853-7863
VctorConchaR.,OmarA.BarrigayGuillermoHenrquezA.
Resumen
Desde su gnesis, las ciencias sociales han intentado legitimar sus criterios internos de
cientificidad,quegaranticenqueelconocimientogeneradoporlainvestigacinsocialsea
cientficamente vlido y confiable. Con este objetivo se han elaborado una serie de
tcnicas,normas,procesos,reglasyprocedimientosparalograrresultadosdeexcelenciay
calidad, que certifiquen que la investigacin social ha sido concebida y ejecutada con la
rigurosidad necesaria para definir sus resultados principales como ciencia. El concepto
fundamental para responder a la necesidad de criterios cientficos es la validez. El
presentetrabajobuscaexplorarlasprincipalesacepcionesquepresentaesteconceptoen
la literatura cientfica social. En un primer momento se busca identificar las diversas
adjetivaciones del concepto de validez en la bibliografa comnmente utilizada para
ensear metodologa en nuestras universidades (por ejemplo, validez predictiva, de
criterio,etc.).Enunsegundomomentoseexaminarnlasdefinicionesparacadaunode
losconceptosidentificados.Finalmente,enuntercermomento,sebuscarsintetizary/u
organizar estos diversos conceptos de una forma que sea lgica y pedaggicamente
coherente.
Palabrasclave:VALIDEZMETODOLOGAENSEANZA
UnaversinpreliminardeestetrabajofuepresentadoenelIEncuentroLatinoamericanodeMetodologa
delasCienciasSociales,UniversidadNacionaldeLaPlata,Argentina,1012dediciembrede2008.
MagsterenInvestigacinSocialyDesarrollo,UniversidaddeConcepcin,Chile
ProfesorAsociadoUniversidaddeConcepcin,Chile
ProfesorAsociadoUniversidaddeConcepcin,Chile
ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863
VctorConchaR.,OmarA.BarrigayGuillermoHenrquezA.
Abstract
Since its inception, the social sciences have tried to legitimate their scientific criteria so
thattheknowledgegeneratedbysocialresearchisdeemedvalidandreliable.Withthis
objective in mind, a series of techniques, norms, processes, rules and procedures have
been elaborated to achieve quality results that certify that social research has been
conceivedandexecutedwiththenecessaryrigortodefineitsprincipalfindingsasscience.
The basic concept needed to satisfy scientific criteria is validity. This paper seeks to
explore the principal meanings associated with the term validity in the social scientific
literature.Webeginbyidentifyingtheprincipaladjectivestiedinwiththetermvalidityin
thebibliographiescommonlyusedtoteachmethodologyinouruniversities(forexample
predictivevalidity,criterionvalidity,etc.).Wethenexaminethedefinitionsgivenforeach
of these identified terms. Finally, we attempt to synthesize and organize these diverse
conceptsinawaythatwefeelislogicallyandpedagogicallycoherent.
Keywords:VALIDITYMETHODOLOGYTEACHING
MagsterenInvestigacinSocialyDesarrollo,UniversidaddeConcepcin,Chile
ProfesorAsociadoUniversidaddeConcepcin,Chile
ProfesorAsociadoUniversidaddeConcepcin,Chile
ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863
1.Introduccin
Cuando nos iniciamos en la tarea del conocer, nunca partimos de cero. Existen
conocimientos preexistentes que delimitan el horizonte de nuestra bsqueda, lo que es
llamado conocimiento vulgar.1 Desde este punto de vista, todo conocimiento cientfico
naceapartirdelconocimientocomnovulgar,laevolucinqueseproducemediantela
reflexin que es generada desde este tipo de conocimiento original o primigenio, da el
punto de partida para elaborar un tipo de saber configurado mediante procedimientos
sistemticos, constantes y universales. En los trminos de Babbie (1996: 25) el
conocimientoesacumulativo,elmontantedeinformacinycomprensinqueheredamos
constituyen el punto de partida para el desarrollo de un mayor conocimiento. Si bien
descansamos sobre las espaldas de los cientficos que han sintetizado y validado ciertas
formas de conocimiento, al momento de enfrentarnos a una nueva forma de
entendimientosiempredebeexistirunprimermomentodedudafrentealoquenoses
dadocomoreal,verdicoocierto.
Sin este cuestionamiento previo podemos caer, ilusoriamente, en un estanco de
sabidura inexistente o en un saber del falso conocer. Frente a este problema Lamo de
Espinoza,GonzlezyTorres(1994:75)nosdicen:realesloquedoyporsupuestoyno
dudo: el conocimiento es algo ms, es una realidad por as decirlo, certificada, una
realidad analizada es necesario que esa realidad haya sido objeto de contraste y
verificacin....
En este sentido, para que el conocimiento haya sido certificado y analizado, es
absolutamente necesario su anterior contrastacin, esto entendido como un
procedimientodeliberadoporpartedelindividuocognoscentealmomentoderecibirun
nuevotipodeconocimiento.
1
Llmaseconocimientovulgarauntipodeconocimientoquenoessustentadomedianteunprocedimiento
lgicocientfico(metodolgico).
ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863
BarrigayHenrquez(2005),handefinidoelconocimientocientficoatravsdetres
criterios fundamentales; el primero es que todo conocimiento cientfico debe ser
generadomedianteobservacionesrigurosasysistemticas,yporendedebemaximizarlos
criteriosdefiabilidadyvalidez2delasobservacionesrealizadas.Elsegundocriteriorefiere
a transparentarlasaccionesprocedimentales llevadasacaboporlosinvestigadoresque
posibilitaron la generacin de dicho conocimiento; y tercero, el conocimiento cientfico
siempre debe ser considerado como tentativo. Por lo tanto, el conocimiento cientfico
nunca es absoluto, es slo una respuesta provisoria que est sujeta a frecuentes
reconsideraciones, ha de ser reformulado permanentemente y sujeto a correcciones
peridicas, que pueden transformarlo de forma relativa o pueden convertirlo en algo
completamentediferentealconocimientooriginaldesdeelcualfuegenerado.
Noexisteunaverdaddefinitiva,existensloverdadestemporales,queestnsujetas
a un reordenamiento o a una supresin definitiva de sus preceptos fundamentales. El
conocimiento cientfico se encuentra estructurado mediante la nocin de
espacio/tiempo/contexto,dondecadanuevoestancodeconocimientoestsujetoaun
lugar especfico, un tiempo determinado y un contexto establecido. La formulacin de
leyescientficasinmutableseinalterablesesunaideaanacrnicaqueinclusoseencuentra
desvirtuada en las ciencias duras o ciencias exactas, y en la construccin de un
conocimientocientficosocialesunaideafalaz,quenotienesustentacinepistemolgica,
emprica, terica, ni metodolgica, aun as se mantienen algunos reductos que intentan
sostenerladeformaartificial,comoundogmainalterable.
2.Validezencienciassociales
2
Estecriteriodecientificidadotorgarelsustentoprcticoytericodelpresentetrabajo.
ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863
cuantitativas, pero al ser un concepto que otorga la certificacin de confianza y calidad
dentro de la investigacin social emprica, no debiera ser tan complejo extrapolar la
operacionalizacindelosconceptosalainvestigacincualitativa.3
Una primera aproximacin del concepto, y de modo general, la encontramos en
SierraBravo(2003:126):
Validez,calidaddevlido;vlido,loquetienevalor,yvalor,sederivaetimolgicamentedel
verbolatinoValere,quesignificaestarsano,serfuerte,poder,prevalecer.Elvalorylavalidez
se refieren, pues, a la cualidad de algo de ser sano, fuerte,potente, y, por extensin, a la
bondad,labellezay,engeneral,atodacualidadpositiva.
En este sentido, si el conocimiento cientfico tiene como objetivo fundamental
representar la realidad fielmente, este retrato debera ser lo ms depurado posible, sin
contaminaciones que enturbien esa fortaleza que se encuentra basada en los
procedimientosrigurososquehanposibilitadolageneracindeeseretrato.
Samaja (1993: 220) nos entrega otra definicin general del concepto que puede
ayudarnos a formarnos una idea previa sin incluir operaciones tcnicas que definen los
procedimientosytcnicasquedefinirncadasubdimensindelconceptoquenosinteresa
develar,
eltrminovalidezesuntrminogenrico.Quierodecirquetieneunsignificadogeneralque
puedeseracomodadoadistintasespecies.Enefecto,eltrmino,seaplicagenricamenteaun
ciertohechoparasignificarquelescongruenteconlasnormasyfinalidadesdelsistemaenel
quepretendeestarincluido.Decirqueesteconceptoesvlidooestedatoesundatovlido
significa,entonces,queesposiblemostrarquepuedeformarpartedelsistemaconceptual(de
lateoracientfica)odelsistemaoperacional.
Estasnormasyfinalidadesdelossistemasalosquealudeelautor,eneltemaque
nosconvocaenelpresenteartculoseranlascienciassocialescontemporneas,dondelos
ejes delimitadores de un concepto vlido o de datos vlidos generados a partir de la
investigacinsocial,sonconcebidosdentrodelacomunidadcientficasocialquedaforma
aestndaresuniversalesdecalidadyexcelencia;esdecir,eselconsensointersubjetivoal
3
Los criterios evaluativos de calidad en los estudios cualitativos han sido extrados desde los criterios
generadosdesdelainvestigacincuantitativa,porejemploValles(1997)describeanalgicamenteelcriterio
de validez interna como credibilidad, la validez externa como transferibilidad y la fiabilidad como
dependibilidad,respectivamenteenlasmetodologascualitativas.
ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863
que han llegado los cientficos sociales para definir una investigacin como vlida y
confiable4.
Cules son los criterios de excelencia y calidad para certificar la validez de una
investigacin social? Cualesquiera sean las orientaciones tericas o metodolgicas que
tengamos,lasinvestigacionesgeneradasdesdelascienciassocialesdebencumplirconlos
criteriosquesehanconsensuadoparacertificarlavalidezdelosresultadosobtenidos.
4
Laconfiabilidadesunconceptofundamentaldentrodeloscriteriosdeexcelenciaycalidaddentro dela
investigacinsocial.Sudevelamientohasidoreservadoparaunfuturotrabajo.Laconfiabilidadserefiereal
hechoqueundeterminadoinstrumento,aplicadorepetidamenteaunmismofenmeno,arrojeresultados
similares.Generalmenteenlaliteraturadelainvestigacinsocialesunaspectotrabajadoenloscriteriosde
calidaddelosinstrumentos,denotamosqueenSamaja(1993)existeunalneaargumentativaqueubicaraa
laconfiabilidadcomounaspectodelavalidezexternadeldiseodeinvestigacin,porlantimarelacinque
tienelaestabilidaddelasmedidasconlosintentosdegeneralizacindelosresultadosdeunainvestigacin.
5
Delosmanualesquefueronconsultadosparaestetrabajo,encasilatotalidaddeellosexistenreferencias
acerca de la validez de los instrumentos de investigacin. Asimismo, slo en algunos de ellos existen
referenciasacercadelavalidezdeldiseodeinvestigacin.
ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863
Acontinuacinserealizarladefinicindeambostiposdevalidezyseefectuarla
estructuracin de cada una de las subdimensiones que tienen ambas definiciones que
tradicionalmentehansidoexpuestasdemaneradisgregada;nuestracontribucinhasido
agruparlasenunesquemaquepretendesimplificarlacomprensindeesteconceptopor
parte de los estudiantes que se inician en metodologa de investigacin social. La
organizacinlgicadeoperacionalizacindelconceptodevalidez,ysusmltiplesniveles
conceptuales,sepuedeestructurardelasiguienteforma:
Fuente:Elaboracinpropia
3.Validezdeldiseodeinvestigacin
ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863
diseoeselquemenosseutilizaenlainvestigacinsocialqueesrealizadaporlamayora
de nosotros, por las limitaciones procedimentales, metodolgicas6 y los consiguientes
problemasdegeneralizacin(quesernabordadosenelapartadosobrevalidezexterna).
Demanerageneralesnecesariodefinirqusonlosdiseosexperimentales,puesa
partir de ellos iremos desglosando las diversas acepciones que tiene la validez en este
aspectodelainvestigacin.
Laexperimentacinodiseoexperimentalesunmtododeinvestigacinsocialenelcualse
controla o manipula una o ms variables independientes para determinar el efecto que tal
manipulacinejercesobrelavariabledependiente(Vieytes,2004:352).
Enestesentido,lavariabledependienteeslaquesemide7,esesteelfenmeno,la
propiedad o la caracterstica que puede ser influido(a) (por esta razn es afectada) por
una o ms variables independientes (que sera(n) la(s) causa(s) de la variacin). La
manipulacindelasvariablesindependientestienediferentesintensidades,desdeelnivel
msbsicodeausencia/presencia,pasandoporvariosnivelesintermedios.8En1966,D.T.
Campbell y J. Stanley, en un memorable trabajo que se ha convertido en un clsico
respecto a la validez del diseo de investigacin, acuaron dos criterios valorativos
originales:elcriteriodevalidezinternayelcriteriodevalidezexterna.
3.1ValidezInterna
6
Eldiseoexperimentalestdelimitadoporantonomasiaalametodologacuantitativa,noobstanteenla
literaturaaparecenreferenciasdelautilizacindeexperimentosmixtos(cuantitativosycualitativos).
7
Dentrodeldiseoexperimentaleslamedicinquenecesitaservlida.
8
Losgradosdemanipulacindela(s)variable(s)independiente(s)dependerndelniveldeespecificidadque
logresuoperacionalizacindentrodeldiseoexperimental.
ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863
alternativaslavalidezinternaconstituyeelsinequanondecualquierindagacinemprica.
Siestecriterionosesatisface,losresultadosdelainvestigacinserancuestionables.9
Apartirdeestadefinicintomaespecialrelevancia,loquesepuedadeciracercadel
controldelasvariablesextraas10,externasoperturbadorasquepuedanestarinfluyendo
enlarelacincausalqueuninvestigadorpuedaestablecerentredosomsvariables,
Se dice que un diseo deinvestigacin tiene validez interna cuando todas las posibles
explicacionesalternativasquedancontroladasporeldiseo,detalmodoquelosresultadosde
lainvestigacincorrespondientetendrnunainterpretacininequvoca(Alvira,1992:88).
CampbellyStanley(1966)sealaronunaseriedefuentesdeinvalidacininterna.11
Nosotroshacemosunadivisinrespectoaestosfactores,porunladoubicamoselcontrol
delasvariablesyporotroladosituamoselcontroldelosprocedimientos,cualquiercosa
que afecte los controles de un diseo se convierte en un problema de validez interna
(Kerlinger,1998:341).
3.1.1Controldevariables
9
Vieytes (2004) reconoce tres criterios en un experimento para establecer causalidad: variacin
concomitante:queuncambioenlavariableindependiente(supuestacausa),setraduzcaenuncambioenla
variabledependiente(supuestoefecto);secuenciatemporal:quelavariableindependiente(supuestacausa)
ocurraanteseneltiempoquelavariabledependiente(supuestoefecto);ylaausenciadevariablesextraas:
quelavariacindelavariabledependientenoseaproductodeningnfactorextraodistintodelavariable
independiente.
10
Son variables que, aun quedando fuera del objeto de la investigacin, son o pueden constituir factores
susceptibles de influir en los resultados (Sierra Bravo, 2003:127). Vieytes reconoce una diferenciacin
dentro de las variables distintas a la independiente, que se tiene la sospecha que pueden afectar a la
variable dependiente, pero al ser reconocidas son puestas bajo control por el investigador, por ende la
autoralasdenominavariablescontroladas.
11
Noexistendiferenciassignificativasrespectoaltextoespecficoqueutilicemosparadefinirlasfuentesde
invalidacininterna,lamayoradeellossebasanenCampbellyStanley(1966)Diseosexperimentalesy
cuasiexperimentales en la investigacinsocial,la nica diferencia son lasediciones de estemismotexto
quecitanlosdiversosautores.
ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863
culesfactorespodranincidirsobreelfenmenobajoestudio.Estosfactoressepueden
dividirendosgrandesgrupos,aquellosfactoresquesondenuestroconocimientoprevioy
aquellos factores que no son previamente conocidos. Esta distincin conceptual
normalmente genera las denominaciones de variables de control y variables extraas.
Respectoalasvariablesquepodemoscontrolar,stasestnclaramentedelimitadaspor
nuestro marco referencial que debera otorgarnos las directrices necesarias para definir
quvariablesdeberansercontroladaspornuestrodiseoyculesno.Porotrolado,las
variables extraas, que si bien no tenemos la certeza de cules son, sabemos que se
pueden tomar en cuenta al aplicar procesos de aleatorizacin en la asignacin
experimental.
Tomandoencuentaelcontroldelasvariables,Alvira(1992)nosplantealasiguiente
interroganteysuinmediatarespuesta:Cmolograrunmayorgradodevalidezinterna?
La respuesta es aparentemente sencilla: controlando todas las hiptesis alternativas
exceptoaquellaquenosintereseanosotrosporconstituirelobjetivodelainvestigacin
(p.91). A su vez Alvira coincide conCea D`Ancona en queel control de las explicaciones
alternativas puede efectuarse a priori o a posteriori dentro del diseo de investigacin.
Esta ltima autora va ms all y otorga a cada uno de los controles, diseos distintos;
cuando las explicaciones o hiptesis alternativas se controlan a priori, esto ocurrira
fundamentalmente en una estrategia de diseo experimental, y cuando el control se
realiza a posteriori durante el proceso de anlisis de la informacin, esto sera ms
habitual en diseos no experimentales y sera ms frecuente en la prctica de la
investigacin social. Su consecucin se logra mediante la aplicacin de tcnicas de
anlisisbivariableymultivariable,quepermitenlaformacindegruposdesujetosiguales
enfuncindelosvaloresdelavariablequesecontrole(CeaD`Ancona,1998:118).
3.1.2ControldeProcedimientos
ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863
aspectos importantes que deberan ser controlados en los diseos experimentales para
garantizarlavalidezinternadelosexperimentosrealizados,sialgunadeestassituaciones
noestomadaenconsideracin,disminuyelavalidezinternadelexperimento,alpuntode
hacer peligrar la validez de las conclusiones que se logren a partir de la situacin
experimental.
3.2ValidezExterna
Se dice que un diseo tiene validez externa cuando los resultados obtenidos pueden ser
generalizados a otras unidades de anlisis, otras situaciones/contextos y otros momentos
distintosdeaqulenqueserealizlainvestigacin(Alvira,1992:91).
Sibieneldiseoexperimentaltienecomofortalezalavalidezinterna,asuveztiene
comograndebilidadlavalidezexterna.Hastaqupuntosonextensivaslasconclusiones
de un experimento a situaciones no experimentales y a otros sujetos o poblaciones? En
CienciasSociales,remitindonosexclusivamenteaMtodosCuantitativos,aexcepcinde
los Censos de poblacin, generalmente se trabaja en relacin a muestras que se espera
sean representativas de un universo terico anteriormente definido, obviamente esto
circunscritoadiseosnoexperimentales.Enlosdiseosexperimentalestambinsebusca
establecer relaciones entre diversos aspectos o variables que deberan reflejar una
relacin anloga en el mundo real, si no el objetivo de realizar experimentos en la
investigacinsocialnotendraningnsentido.
ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863
3.2.1ValidezEcolgica
Eslapropiedadquepuedenteneronolosresultadosdeunestudiodesergeneralizadosaun
ambientediferenteasuambientedeorigen,elegidoytratadoporelinvestigadorencuantoa
suscondicionesycontrolesexperimentales(Briones,1989:22).
Esunproblemainsalvableendiseosexperimentales,dondeelambientecreadoes
comnmenteartificialyporendeesbastantecomplejoextrapolarlosresultadosaotros
contextos o situaciones diferentes, a lo acontecido circunscritamente en la situacin
experimental.LenyMontero(1999:124)adviertenelproblemadelavalidezecolgica
en los diseos experimentales, pues la conducta de los sujetos en un tratamiento
experimental es tan controlada que puede llegar a no tener nada que ver con lo que
sucedeenloscontextosnaturales,apesardequeenlamentedelinvestigadorexistaun
isomorfismoestructuralolgicoentrelastareasdellaboratorioylascotidianas.
Enlosdiseosnoexperimentalesexisteunamayorposibilidaddesalvaguardareste
tipo de validez, considerando que los ambientes en los cules se pretende generalizar
presentencondicionessimilaresalambienteenelculfuerealizadalainvestigacin.
3.2.2Validezpoblacional
Eslapropiedadquepuedeteneronounamuestradequelosresultadosencontradosenella
puedan ser generalizados a un grupo mayor. Se distinguen dos clases de esta validez. La
primera clase consiste en la posibilidad de generalizar de una muestra a su poblacin o
universodelacualfueseleccionada(Briones,1989:21).
ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863
Eslatpicapreguntarespectoalavalidezendiseosnoexperimentales,respectoa
los resultados de un estudio realizado en una realidad geogrfica regional o nacional
determinada,ymscomplicadoaneslautilizacinvlidadelosresultadosgeneradosen
un experimento circunscrito a una situacin creada artificialmente. La otra clase de
validez de la poblacin refiere a los efectos diferentes que un cierto tratamiento puede
teneren unapoblacinogrupodiferente delque seusoriginalmente(Briones,1989:
21).Losmismostratamientospuedencausarefectosdistintosengruposespecficos,para
esto es necesario conocer las caractersticas arquetpicas de la unidad de anlisis de
nuestroproblemadeinvestigacin,silosresultadosresultancoherentes,lageneralizacin
serverificadayporendetendrmayorvalidezpoblacionalrespectoaluniversodelcual
fueextradalamuestraoelexperimentoqueseestllevandoacabo.12Tantoeldiseode
investigacin,comolametodologa13utilizadadebenserunadecisinquetengaestricta
coherencia con el objeto de estudio y los objetivos que se requiera resolver en cada
proyecto de investigacin. Esta decisin debiera ser tomada con el mximo de seriedad
por parte de los investigadores sociales, todo investigador que se precie de tal, tendra
quemanejarlainformacinnecesariaparatomarunadecisinrespectoaloscriteriosde
validezalaquedeberespondertododiseodeinvestigacinescogido.
4.Digresinsobrelavalidezdelosinstrumentosdemedicin
12
Enestesentidotienequeverconlareplicacindelainvestigacinengruposdistintos.
13
Ciertamente este trabajo refiere a la validez dentro de la metodologa cuantitativa, pero igualmente se
debenresguardarloscriteriosdevalidezdentrodelametodologacualitativa.
ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863
porlapregunta:Seestmidiendoloquesepiensaqueseestmidiendo?Elnfasisde
estapreguntasedaenloqueseestmidiendo(Kerlinger,1989:471).
Respuestastpicasaestapreguntaaparecenenlosmanualesdemetodologadela
investigacin, donde una prueba para medir aptitudes, competencias, habilidades, debe
en la prctica medir lo que declara medir y no medir propiedades que no estn
especificadasenelmarcoreferencialquesustentaatodainvestigacinsocial.
5.ValidezdeConstructo
14
StandardsforEducationalandPsychologicalTests.Washington,D.C.:AmericanPsychologicalAssociation,
1974.CitadoenKerlinger,1988:472.
ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863
unainvestigacinseencuentren reflejadosenlosinstrumentosutilizadosparamedirlos.
Lavalidezdeconstructoestbasadaenlasrelacioneslgicasentrelasvariables(Babbie,
1996: 173). En este sentido la validez de constructo se encuentra estrictamente
relacionadaconlateoraquefundamentalainvestigacin,larigurosaoperacionalizacin
de los conceptosfundamentales y que las hiptesis planteadas puedan ser verificadas o
rechazadas vlidamente con la teora. El aspecto significativo acerca de la validez de
constructoquelasegregadeotrostiposdevalidezessupreocupacinporlateora,los
constructos tericos y la investigacin cientfica emprica que implica la prueba de
relacioneshipotetizadas(Kerlinger,1998:476).
Loquesebuscaesunarelacinlgicaycoherenteentrelasvariablesdefinidasylos
instrumentos creados para medirlas. Muchas de las variables utilizadas en Ciencias
Socialessonconstruccionesoperacionalesquenohansidomedidasconanterioridad,en
este tipo de variables es bastante complejo validar instrumentos con variables que no
tienen un correlato emprico anterior, la teora slo indica la medicin de conceptos
adyacentes que indican una tendencia, pero no dan seguridad para validar la nueva
medicin.Laoperacionalizacindeconstructosyconceptosnosonnicas;deaquque
convengainterrogarsesobreelefectoquepudieratenerunadiferenteoperacionalizacin
enlosresultadosdelainvestigacin(Alvira,1992:93).Apartirdelavalidezdeconstructo
sebifurcantodasnuestrasdefinicionesdevalidezdelinstrumento.
5.1ValidezdeTraduccin
5.1.1ValidezAparente
ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863
mediciones empricas pueden concordar o no con nuestros consensos y nuestras
imgenes mentales respecto a un concepto. En este sentido no es muy difcil definir la
validez para medir la variable sexo, pensando que es una variable dicotmica con dos
categorasuniversales,quedicenrelacinalsexomasculinoyfemeninorespectivamente,
pero cuando son variables ms complejas y abstractas, el concepto terico puede no
resultar tan evidente a simple vista, y las imgenes mentales que podemos tener, no
concuerdan con la medicin emprica que necesitamos hacer de este concepto en una
investigacindeterminada,comopodraserelcasodelconceptodegnero.15Peak(1953)
en Los problemas de la observacin objetiva, define la validez aparente para las
observacionesdelasiguientemanera:
cualquierprocesoounidadfuncionalobservadopuededefinirseointerpretarseatenindose
simplemente a las similitudes manifiestas que se han descubierto en las situaciones o
respuestascuyarelacinfuncionalsehayapodidodemostrar(FestingeryKatz(comp.),1953:
273).
Enestesentido,elautordefinequelavalidezesaparentecuandolascaractersticas
delosfenmenostienenuncorrelatoempricoquelogradiferenciarlagraduacinenlas
categorasqueantesyahansidodemostradas,oquedentrodelosmismosfenmenosse
pueden descubrir nuevas relaciones funcionales que determinen la validez de un
dispositivo de indagacin emprica. La debilidad de este tipo de validez es que muchas
veces no existen estos correlatos empricos que puedan verificar si efectivamente el
instrumentoestmidiendoloquedeclaramedir;enestecasonosencontramosenserias
dificultadesparadeterminarlavalidezaparentedeunconstructotericotraducidoenun
indicadoremprico.
5.1.2ValidezdeContenido
15
Existeunagrandiscusintericarespectoalgnero,quenocorrespondeincluirenelpresentetrabajo.
ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863
Consiste en el grado en que una prueba representa el universo de reactivos del cual se
extrajo(serainabordablerecreartodoslosreactivosposibles),yporlotanto,elgradoenque
unapruebarepresentaeluniversodecontenidosquepretendemedir(Vieytes,2004:448).
Una ejemplificacin de esto es el examen realizado para obtener la licencia de
conducirenChile.Ensteseutilizaunapruebafsica,dondesemidelavisin,audiciny
reflejos,entreotrascaractersticas;porotrolado,serealizaunapruebaprcticadondelos
postulantesdebenconducir,ylaotraparteesunexamentericosobreelconocimiento
de la reglamentacindel trnsito, y preguntas sobre elfuncionamiento mecnico de los
automviles. La falta de validez de contenido sera por ejemplo, que se dejara de lado
algunas de estas dimensiones (fsica, prctica o terica); o siendo ms especfico an
dentrodelapruebaterica,sedejaradeladoelaspectomecnicoysloseconsideraran
laspreguntassobrelareglamentacinrespectoaltrnsito.Enestesentidolapruebapara
obtenerlalicencianoestaramidiendontegramentelacapacidadquetieneunpostulante
paradesenvolverseadecuadamenteenlaconduccindeunautomvil.
Samaja (1993: 169) describe que todo dato cientfico vincula un concepto con un
estado de cosas de un mundo externo, mediante la ejecucin de un procedimiento
aplicado a una o ms dimensiones consideradas dentro del concepto terico que se ha
determinado medir; Esta definicin incluye como ingredientes esenciales del indicador
dos elementos: la dimensin (considerada como observable), y el procedimiento para
ejecutar la observacin. Es decir, se aplica un procedimiento especfico a la dimensin
quelaconvierteenunelementoobservableyparaquepuedaconvertirseenunindicador
vlido, esto mediante ndices, escalas, test, reactivos, etc. La validacin de contenido,
entonces,esbsicamenteunacuestindejuicio(Kerlinger,1988:473).
5.2ValidezdeCriterio
ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863
lasvariablesqueseestnmidiendosecomportendeformasimilaracomolohanhecho
enelpasado,esdecir,quelosresultadosobtenidosconelnuevocriterioutilizadoresulten
coherentes con el criterio utilizado en otros estudios cientficos ya realizados. Selltiz y
otros(1965:182)llamanaestetipodevalidezpragmticayladefinendelasiguiente
manera: En el intento pragmtico de la validez, el inters se centra en la utilidad del
instrumento de medida como indicativo o previsor de alguna otra conducta o
caractersticadelapersona.Elcriterioutilizadodebemedirefectivamenteloquedeclara
medir, y debe servir para discriminar las diferencias empricas reales entre las
dimensionesqueseintentandevelar,enconsiguienteysiguiendoaGaltung(1966:356)
Lavalidezeslapropiedadquetieneunindicadordeindicarloquedicequeindica;esun
problema de correlacin con un criterio. En otros trminos, es la medida en que el
indicador(quepuedeserunndice)redescubrealgoyaconocido.Esteautorotorgauna
centralidad preponderante al indicador como fuente de validacin de criterio. En la
literaturasereconocendosformasdevalidezdecriterio,porunladosedefinelavalidez
predictivayporotroladosedefinelavalidezconcurrente.
5.2.1ValidezPredictiva
16
Claramente, existen variables extraas que pueden estar influyendo en esta relacin, como la forma de
aplicacin de las pruebas en diferentes distribuciones territoriales, la forma de fiscalizacin de las
infracciones,causasdelosaccidentes,etc.
ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863
5.2.2ValidezConcurrente
6.Consideracionesfinales
17
Indudablementeactitudoconocimientonoimplicanunacorrelacinperfectaconaccin,perodetodas
formasseesperaraunacorrelacinpositivaaltaentreestasdosvariables.
ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863
dentrodelasCienciasSociales.Silogramosunificarundiscernimientouniversaldentrode
nuestrasdisciplinasparaelconceptodevalidez,nosencontraremosenunamejorposicin
para replicar esto en nuestras aulas y construir una nueva forma de enseanza de los
conceptos elementales para realizar investigacin social de calidad. Cada investigador
debe sopesar qu tipos de validez va a privilegiar en sus estudios, esto en ningn caso
pretende ser un dogma inalterable, o mucho menos determinar una serie de
procedimientoslinealesquedebenserseguidosalpiedelaletra,peroconsideramosque
los investigadores sociales en formacin deben comprender efectivamente qu se
entiende por criterios de validez tanto de los diseos como de los instrumentos que
componenlainvestigacinsocial.
Referenciasbibliogrficas
Alvira,F.(1992).Diseosdeinvestigacinsocial:criteriosoperativos.EnGarcaFerrando,
M.; Ibez, J., y Alvira, F. El anlisis de la realidad social mtodos y tcnicas de
investigacin.Madrid:Alianza.
Babbie, E. (1996). Manual para la prctica de la investigacin social. Bilbao: Descle De
Brouwer.
Barriga, O. y Henrquez G. (2005). Repensando el conocimiento y la ciencia para la
investigacin social del Siglo XXI: algunas reflexiones preliminares. En Cuadernos de
TrabajoSocial,N1(pp.4854).Concepcin,Chile:UniversidadSanSebastin,Chile.
Briones, G. (1989). Mtodos y tcnicas avanzadas de investigacin aplicadas a la
educacinylascienciassociales.Santiago:Programainterdisciplinariodeinvestigaciones
eneducacincursodeeducacinadistancia.
Cea D`Ancona, M. (1998). Metodologa cuantitativa: estrategias y tcnicas de
investigacinsocial.Madrid:Sntesis.
Galtung,J.(1966).Teoraymtodosdeinvestigacinsocial.BuenosAires:EUDEBA.
Kerlinger, F. (1988). Investigacin del comportamiento. Mxico: McGrawHill
InteramericanaEditores.
ReLMeCS, vol. 1, n 2, segundo semestre de 2011. ISSN 1853-7863
Lamo de Espinoza, E., Gonzlez Garca, J. y Torres Albero, C. (1994). La Sociologa del
ConocimientoydelaCiencia.Madrid:Alianza.
Len O., y Montero I. (1997). Diseo de investigaciones. Madrid: McGrawHill
InteramericanaEditores.
Peak, H.(1953) Los problemas de la observacin objetiva. En Festinger, L. y Katz, D.
(comps.) En Los Mtodos de Investigacin en las Ciencias Sociales (pp.235285).Buenos
Aires:Paids.
Ruiz Olabunaga, J. (1996). Metodologa de la investigacin cualitativa. Bilbao:
UniversidaddeDeusto.
Samaja, J. (1993) Epistemologa y metodologa elementos para una teora de la
investigacincientfica.BuenosAires:EUDEBA.
Selltiz, C., Jahoda, M., Deutsch, M., Cook, S. (1965). Mtodos de investigacin en las
relacionessociales.Madrid:RIALP.
Sierra Bravo, R. (2003) Tcnicas de investigacin social: teora y ejercicios. Espaa:
ThompsonEditores.
Valles, M. (1997). Tcnicas cualitativas de investigacin social: Reflexin metodolgica y
prcticaprofesional.Madrid:Sntesis.
Vieytes,R.(2004).Metodologadelainvestigacinenorganizaciones,mercadoysociedad:
Epistemologaytcnicas.BuenosAires:EditorialdelasCiencias.
METODOLOGA DE LA INVESTIGACIN II
CATEDRA: MORENO (Ex Cohen)
www.catedras.fsoc.uba.ar/metcohen
2 cuatrimestre 2017
GUA DE TRABAJOS PRCTICOS N 4 Tcnicas cualitativas, la entrevista
1 El rea Metropolitana de Buenos Aires (AMBA) est compuesta por localidades y barrios de la Ciudad de
Buenos Aires y los 24 partidos del Gran Buenos Aires (INDEC, 2003)
2. c) Recuerde que la entrevista debe contener todos los apartados establecidos
en la gua de pautas, el orden lo establecen el entrevistado la entrevistada.
Las preguntas dentro de esta gua tienen como objeto aspectos que se deben
indagar por ello es que no requiere de la realizacin de cada una de ellas,
pero si deben estar presentes todos los temas requeridos.
2. d) Presentacin del informe escrito, conteniendo:
- Da y hora de la entrevista.
- Duracin de la misma.
- Lugar de realizacin.
- Fundamento de la seleccin del/ la entrevistado/a.
- Gnero, edad y barrio/municipio del/la entrevistado/a.
- Modo de acceso al entrevistado/a.
- Las notas de campo del/la entrevistador/a una vez finalizada la entrevista.
- Evaluacin de la situacin de entrevista, el rol del/la entrevistador/a,
para ello considere: criterio de eleccin del/la entrevistado/a, el sitio en
que se realiz la entrevista; el clima generado durante la entrevista; la
utilizacin de gua de pautas; los silencios en la entrevista; las situaciones
embarazosas; los modos de indagar; etc.
- Desgrabacin de la entrevista en su totalidad.
1 Meccia, Ernesto (s/f) Ms que un juego de preguntas y respuestas. Una propuesta para el anlisis sistemtico de
entrevistas en profundidad. Material de Ctedra. Metodologa y Tcnicas de la Investigacin social, Carrera de Ciencias
de la Comunicacin, Facultad de Ciencias Sociales, Universidad de Buenos Aires. Disponible online en:
http://www.catedras.fsoc.uba.ar/salvia/comunicacion/teoricos/meccia_mas_que.zip
Gua de Pautas de entrevista
Para quienes trabajan por un ingreso o fuera del hogar: A los mayores de 14 aos
Resumen.
El artculo reflexiona sobre un recurso muy particular empleado por la sociologa como
es la tipologa. Ella se ha utilizado para interpretar y comprender un fenmeno de la
realidad, para caracterizar, identificar, cuestiones sociales, para producir datos o, en
otras palabras, ser puente, conexin, entre la teora, los conceptos, y los datos. Pero,
tambin, las tipologas tuvieron y mantienen vigencia independientemente de los
datos producidos, son un recurso muy til como ordenador de un proceso terico
especulativo de caractersticas ms abstractas que sin referenciarse con la realidad,
sin apelar a la contrastacin emprica, intenta dar cuenta de ella. Asimismo se
presentan dos ejemplos de tipologas elaboradas por dos investigadores relevantes de
la sociologa contempornea, como cierre a dicha reflexin.
Palabras Claves: medicin, datos, concepto, mtodo, tipologas.
Abstract.
This article reflects on a very particular resource used by the Sociology, called typology.
It has been used to interpret and understand a phenomenon of reality, to characterize,
identify, social issues, to produce data, in other words, be a bridge, connection,
between theory, concepts an data. But also, the typologies were and are still valid
regardless of the data produced, they are a valuable resource as authorizing a
theoretical and speculative process with abstract characteristics, which without
referring to reality, without resorting to empirical, tries to account it. The article also
presents two examples of typologies developed by two relevant researchers of
contemporary sociology, as a finale to this reflection.
Keywords: measurement, data, concept, method, typologies.
[36]
Las tipologas y sus aportes a las teoras y...
Introduccin
Las tipologas forman parte de esos viejos, pero vigentes y muy utilizados recursos de la
Sociologa en particular y de las Ciencias Sociales en general, para interpretar y comprender un
fenmeno de la realidad, para caracterizar, identificar cuestiones sociales, para producir datos o, en
otras palabras, ser puente, conexin, entre la teora, los conceptos, y los datos. Pero, tambin, las
tipologas tuvieron y mantienen vigencia independientemente de los datos producidos, son un
recurso muy til como ordenador de un proceso terico especulativo, de caractersticas ms
abstractas que sin referenciarse con la realidad, sin apelar a la contrastacin emprica, intenta dar
cuenta de ella. A la vez que ordena el corpus terico, otorga coherencia analtica a la compleja y a
veces catica realidad con la que trabaja el cientfico social. No hay duda alguna que han sido y son
herramientas tiles para el trabajo cotidiano del investigador. Pretendemos, simplemente,
reflexionar en torno a su utilidad y vigencia a partir de las dos grandes formas de trabajarlas, los
tipos construidos y los tipos ideales, e interpretarlas dentro de un marco ms complejo, atravesado
por diferentes campos de la ciencia y la epistemologa, que es la medicin como cuestin que
merece ser debatida.
El artculo consta de dos partes directamente relacionadas entre s. La primera dedicada a
reflexionar en torno a algunas cuestiones vinculadas con el modo de concebir la medicin en
sociologa y la segunda incursiona en diferentes alternativas metodolgicas, que permiten
materializar lo que entendemos es la medicin o ms precisamente el acto de medir.
A lo largo del texto recurrimos a ejemplos resultantes de la produccin de otros autores.
Desde una perspectiva constructivista de la medicin, concibiendo que la teora no es un modelo
estructurado ni definitivo cuyo nico destino es ser sometido a contrastacin ni tampoco resulta del
dilogo que el investigador pueda establecer con los datos, sino que la concebimos en un vnculo
dialctico con la base emprica, abordamos diferentes alternativas del pasaje del concepto al dato.
Recorreremos aquellas estrategias con las que solemos trabajar en la investigacin sociolgica,
comparndolas y evalundolas desde lo eficaces que resultan cuando incursionan en la cosa
oculta, en la dimensin latente del fenmeno estudiado.
1Es interesante observar en un campo como el de la Sociologa proclive al debate, al permanente cuestionamiento, la
medicin es, en las ltimas dcadas, una cuestin que suele ser tratada como un postulado matemtico, haciendo
afirmaciones cuya verdad no es sometida a prueba alguna y sirviendo para posteriores razonamientos.
[37]
Nstor Cohen y Gabriela Gmez Rojas
comprensin existente en torno a este concepto, no hay un acuerdo tcito ni mucho menos
consenso. En este sentido, est vigente an, y en una magnitud nada despreciable, una concepcin
estrictamente cuantitativa de la medicin. Aquella clsica definicin de Campbell (1919) que
concibe la medicin como el proceso por el cual se representan cualidades mediante nmeros y
en la misma lnea argumental, el planteo de Stevens (1951) para quien medir es asignar
numerales a objetos o acontecimientos de acuerdo a ciertas reglas, gozan de muy buena salud
entre cierto grupo de investigadores sociales muy proclives al uso de los recursos cuantitativos.
Entre quienes reniegan de este tipo de recurso para el tratamiento de la realidad social, no conciben
la medicin como una cuestin metodolgica que merezca ser tratada porque, tambin, la asocian a
la idea de cantidad o magnitud, muy lejana a sus intereses acadmicos. Sea por adhesin o por
rechazo a los enfoques cuantitativos, concebir la medicin como un proceso plenamente
identificado con la magnitud sigue siendo aceptado en diferentes mbitos de la academia.
Recientemente, y mediante una definicin que pone condiciones acerca del carcter
inclusivo de este concepto, Marradi (2007: 140) considera un verdadero abuso terminolgico usar
el trmino medicin para la clasificacin y el ordenamiento. En otras palabras, no solo adhiere al
sentido que Campbell y Stevens han dado en sus definiciones, sino que lo profundiza aceptando al
nmero en tanto expresin de una magnitud o cantidad. Si bien sospechamos que en Campbell y
Stevens la apelacin al nmero es en su carcter cuantificador, como magnitud, y no slo como
ordenador, estableciendo jerarquas, en Marradi no queda duda alguna que lo homologa a la
cantidad. Ahora bien, considerar que clasificar y ordenar es abusivo como acto de medicin no
considera que toda medicin basada en la magnitud conlleva, inexcusablemente, la clasificacin y el
ordenamiento del fenmeno medido. Medir la diferencia de magnitud entre dos sujetos u objetos
implica clasificarlos y ordenarlos. Qu hace la medicin cuantificada sino expresar la
identificacin/nominacin/clasificacin de cada sujeto u objeto, el orden y la distancia cuantitativa
de uno respecto al otro? Quiz lo que se pretende cuestionar no es la clasificacin y ordenamiento,
sino la posibilidad de clasificar y ordenar sin apelar a la magnitud. Volvemos, entonces, al principio,
hay una concepcin acerca de la medicin que postula que sin apelar a la cantidad no es posible
medir.
Esta concepcin estrictamente cuantitativa constituye el ncleo en torno al cual se
concentra la versin que goza de mayor aceptacin y acerca de la cual no suelen proponerse ni en
calidad de hiptesis versiones diferentes, alternativas y, mucho menos, antagnicas. Esta mirada
limita un abordaje ms rico, ms complejo, es una concepcin simplificadora que asigna al lenguaje
numrico la exclusiva potestad de la medicin.
Ahora bien, para que podamos asignarle nmeros a ciertas cualidades de los fenmenos
que estudiamos, es necesario asumir que la distancia que hay entre un nmero y otro en la
variable o concepto que utilizamos, equivale a la distancia que hay entre un sujeto, objeto o
acontecimiento y otro. Nos encontramos, entonces, ante dos cuestiones que merecen ser atendidas.
En primer lugar, la distancia entre un nmero y otro son distancias convencionales establecidas,
segn ciertas reglas, al interior de una escala la cual forma parte de una variable, expresin formal
de una definicin terica. Sin embargo, las distancias entre los objetos, sujetos y/o acontecimientos,
son distancias que no dependen de convenciones y, menos an, de definiciones tericas, sino que
dependen de las propiedades condiciones materiales que hacen a la constitucin de aquellos.
Por lo tanto, la variable, en tanto construccin terica, reproduce con mayor o menor fiabilidad la
distancia real del campo emprico, de esto se desprende que toda modificacin en la definicin
terica producir cambios en la escala inherente a la variable. Ms an, habr tantas escalas como
definiciones tericas existan referidas a una misma propiedad del fenmeno en cuestin. Si bien se
dispone de recursos metodolgicos y tcnicos que evalan la confiabilidad y validez del instrumento
construido, no siempre estos recursos son exitosos. Significa esto arbitrariedad? No, simplemente,
expresa un modo de construir conocimiento que consiste en aceptar, o reconocer, que en el campo
de las Ciencias Sociales resulta dificultoso y, a veces, imposible garantizar una relacin isomrfica
(de equivalencia) entre la escala numrica empleada y el conjunto de propiedades del fenmeno
que se pretende medir. Por lo tanto, apelar a variables con magnitudes no garantiza una mayor
fiabilidad de la medicin, aunque potencia la posibilidad de realizar mejores ajustes en la instancia
del clculo y anlisis.
[38]
Las tipologas y sus aportes a las teoras y...
[39]
Nstor Cohen y Gabriela Gmez Rojas
[40]
Las tipologas y sus aportes a las teoras y...
[41]
Nstor Cohen y Gabriela Gmez Rojas
Relacin c/la
Propietarios .................... No propietarios ....................
autoridad
Contrata obreros Directivos Directivos Directivos No
Burguesa Directivos
y no trabaja expertos calificados calificados
Contrata obreros Pequeos Supervisores Supervisores Supervisores
Supervisores
y trabaja empleadores expertos calificados No calificados
No contrata Pequea Obreros Obreros No
Expertos No directivos
obreros y trabaja burguesa calificados calificados
Bienes de
Expertos Calificados No calificados
cualificacin
[42]
Las tipologas y sus aportes a las teoras y...
[43]
Nstor Cohen y Gabriela Gmez Rojas
Conclusiones
Dos son las cuestiones que nos interesan destacar en estas pginas: una referida a una
concepcin ms inclusiva del acto de medir en las Ciencias Sociales en general y en la Sociologa en
particular. En este sentido, acordamos con quienes entienden la medicin como la cualificacin o
cuantificacin de una variable, en tanto parte de la produccin de datos. La otra cuestin est
referida a destacar cmo se intersecan lo conceptual, lo metodolgico y lo emprico en el pasaje del
concepto al dato. Consideramos que no es pertinente hablar de el mtodo para dar cuenta de un
fenmeno, sino ms bien debemos recurrir al mtodo que mejor adecue los conceptos a la base
emprica. Esta bsqueda de adecuacin es la que lleva a intersecar estas tres instancias inevitables
en todo proceso de medicin.
Hemos elegido, en Wright y Bauman, a dos referentes de la sociologa contempornea,
diferentes pero confluyentes, que muestran sendos tratamientos cualitativos en cuanto a medir las
[44]
Las tipologas y sus aportes a las teoras y...
clases sociales uno y el consumismo el otro y destacando su preocupacin por el vnculo entre
concepto y mtodo o como dice Casas Aznar (1989: 91) atendiendo uno de los problemas cruciales
de la epistemologa de la ciencia: la relacin metacientfica del trpode realidad-dato-conceptos.
Con Wright y sus tipos construidos y con Bauman y sus tipos ideales pudimos ver, adems,
cun eficaces resultaron cuando incursionaron en la cosa oculta, en la dimensin latente del
fenmeno estudiado. Si bien sta ha sido nuestra eleccin, es importante sealar que otros autores
han recurrido al uso de las tipologas desde perspectivas metodolgicas y tcnicas distintas, por
ejemplo han apelado al recurso del anlisis de clusters o del anlisis factorial entre otras
alternativas. Estos recursos abren caminos muy interesantes para seguir explorando en el abordaje
de lo latente, abordaje que siempre ha sido el gran desafo o el gran obstculo terico y
metodolgico, de toda produccin de datos en las Ciencias Sociales.
[45]
Nstor Cohen y Gabriela Gmez Rojas
REFERENCIAS BIBLIOGRFICAS.
BAUMAN, Zygmunt (2007). Vida de consumo.FCE. Buenos Aires.
CAMPBELL, Norman (1919). Physics: The Elements. Ed. Dover. Nueva York
CASAS AZNAR, Ferrn (1989). Tcnicas de investigacin social: los indicadores sociales y
psicosociales. Promociones y Publicaciones Universitarias. Barcelona.
COHEN, Nstor y Gabriela GMEZ ROJAS (1996). Un enfoque metodolgico para el abordaje de
escalas aditivas. Of. de publicaciones del CBC-UBA. Buenos Aires.
DURKHEIM, Emile, (1985). La divisin del trabajo social. Ed. Planeta-Agostini. Barcelona.
MARRADI, Alberto, N. ARCHENTI y J. I. PIOVANI (2007). Metodologa de las ciencias sociales. Emec.
Buenos Aires.
MCKINNEY, John, (1968). Tipologa constructiva y teora social. Amorrortu editores. Buenos Aires.
Autores.
Nstor Cohen.
Grupo de Estudio en Metodologa de la Investigacin Social (GEMIS)/ Instituto de Investigacin Gino
Germani. Facultad de Ciencias Sociales. Universidad de Buenos Aires. Argentina.
Magister en Metodologa de la investigacin. Licenciado en Sociologa. UBA.
E-mail: nrcohen@fibertel.com.ar
Citado.
COHEN, Nstor y Gabriela GMEZ ROJAS (2011). "Las tipologas y sus aportes a las teorasy la
produccin de datos". Revista Latinoamericana de Metodologa de la Investigacin -ReLMIS. N1.
Ao 1. Abril - Sept. de 2011. Argentina. Estudios Sociolgicos Editora. ISSN 1853-6190. Pp. 36 - 46.
Disponible en:http://www.relmis.com.ar/ojs/index.php/relmis/article/view/9/12
Plazos.
[46]
:~J.;; :/ x~~;r;: ~:
.(J/ '.;;,:: :1 .~1. ~IZ/l
r 11;{t(\;~~J
f"
' ..]) . . i'i!
;!'.' ! -:L., ~, .. !!/U~:' ' J ''f
rf~il*E};
; 1 ' 1 : .
'. , tra debe en general satisfacer dos condiciones: 1) En ella debe se; posible
poner a prueba hiptesis sus,tantivas, esto es, proposidones acerca de. rda-
dones entre variables, y 2) Debe ser pasible poner a prueba hiptesi~ de
;; generalizacin --de la mue~tta al universo-:- sobre. las proposidoneS estable
pdas en la muestra. \: , ,; \ ,. ;; .
! La primera de las condi~ones hace .referencia al hecho que la muestra ,sea
1 Galtung, J.: Teor(a y l\Iltodos d la Jnuestigacicln Social; EUDl!BA, nuchos Aires:' 1956.
63 i '
,
i1l lJESTREO
tidumbre conocido. !'ara esto es necesario que las' muestras st:nn prob:ibil5 :1
dcas, ya que l:.!. det<::i m i!1an dei gr<1do de incertidumbre o de "Cuii:wza"
que pueda atribuirse a las. infr:.rencbs depende eu sus cmputos ele la rcora.
de las probabil1dad.r::;.
' Si bien las muesrr:s aleatorias 0 probabilsticas (cuando son de t<in:a.o
grande) tienden a i:11!1l?iir con las dos condiciones, existen casos t:n los ,:.:uales . 1
el iiivestigador pu."'Jc r.star ms interesado en la teora sustanriva que crf ia
genepi.Iizadn. Dediclmos la ltima seccin a los procedimientos para selec '!
i
cin 'd.e muestra en u;: tipo de situacioneS.
'
Sigl.tiendo los propsitos de este manual. vamos a concentramos ms en '!
aspec~os operaciona1es que en aspectos "tericos" .o "sustantivos"; es decir
que 'no
vamos a profundizar en la teora estadstica del muestreo ni tampot:o
en los problemns especificas que surgen en las investigaciones concretas y que :
tienen que v<::r con b relacin entre la muestra y el tipo de !1iptcsis q":e el I
investigador quiere probzir; Hay que sel!-lar solam~nte que en alb11ma.~ oca-
siones la fuestra eu :;j puede "dc:svnuar" la investigacin en tJ sei;Lido que
los procedimientos r~!l!:'.:s~rales pueden conducir a una desestntcturacin dd
univ~o; por ejemplo. cuando las unidades estn conectadas por rekciones.
espedficas de domin.~!ci0n, de interaccin, de comunicacin, etc. Nosotros va
: mos'a tomar estos c.;sos como un tipo especial de muestras predisptu.:str.s es .j
,j
' decir: muestras en d.:1d:! la co~probacin o rdura.cin de la. hiptesis p:i.~a 1 1
... :~
1 '
. fJb'"TINTOS TIPOS DE 1.HJESTRAS
l ;,
''
'
/El problem;i del 'mnestr!".o surge cuando la pobkcin a estudiar es demasiado 1 -;
, ~umerosa como para' implicar costos en energa y dinero insuperables. Se
trata'.entonces de se!ecciqriar a un subconjunto que minimice esos custo:i al
mismo ti.empo que no se pro<lzca prdida de precisin. ! :
' La teora del muesr''~ e-.;tablece las condiciones mediante las cua1es Lrn
:,
B. ;Laierwit.:z: "Sampf1g Tlieory ar.d Proccdurc:s"; en H. Blalock y A. Blalod: (E.):
Molhodolo;y in Social Ro.wfrch; McGHIlill. Nueva York, 1968. W. Cochran: Samf>ling
. Tcclm_iquc.s; J. 'Wiley & S11>. Nueva York, 1953. F. Yate-s: Sampling Md/w<L< far l'Mrn.St> ,.,
and Survey.r; Criffin, Londres, 1953. : .: A(~:.
;'.L': _.,.... t.
MUESTREO : ; : ,'.'_ d:i~r) ::
portamiento poltico de la poblacin total de votantes, utilizamos s0ameite' ,:
individuos o dementes que a partir de su pertenencia a un grupo especmO:J,
presentan peculiaridades que no son tpicas de la poblacin en su 'conjunt?.' . \
, Mueslra.s no predispuestas. Son aqullas cuya probabilidad de extraccipn '.)
es conocida. Hay dos muestras. de este tipo: muestras cuya probabiidad 1 ,~e
ser extradas es cero o uno (finalistas); o muestras cuya probabilidad de ser
extradas es diferente de cero o de uno (probabi.llsticas). ; : J.
El Cuadro 1 sintetiza los tipos de muestra que vamos a exponer en este
i. capitulo, los procedimientos bsicos para su obtencin y sus ventajas y des-
ventajas. Las muestras que vamos considerar son: : :l; ,
A) Miie:stras probabilsticas: 1) Muestra simple al azar. 2) Muestra siste-
mtica. 3) Muestra probabilstica (proporcional y no-proporcional). 4) Mues-
tra por conglomerados.
B) Muestras no-probabilsticas: 1) :Muestra casual. 2) Muestra intencional.
3) l'duestra por cuotas.
C) MtLestras para probar hiptesis sustantivas,
A) 'MUESTRAS PROBAnILSTICAS
~ 1'
' i
En este tipo de 'muestra todos los elementos que componen el conjunto tot.-11
o universo, tienen una probabilidad conocida de ser incluidos en la muestra.
Describiremos 4 tipos de muestras probabilsticas: 1) Muestreo simple al
. azar; 2) Muestreo sistemtico; 3) Muestreo estratificado; 4) Muestreo por con-
, glomerados. 3
1) El muestreo simple al az:ar
En el muestreo simple al azar, to<las las muestras y todos los elementos tienen
la .misma probabilidad de ser seleccionados. Adems, como mencionamos an
teriormente, esa probabilidad es conocida y diferenle de cero y de uno. 1
.La probabilidad para 1rn individuo o elemento de ser extrado en la mues-
tra resulta de la siguiente relacin:
1 '
P=-
N
'1'
.
Donde:
1::
N = tamao de la poblacin
I . i!lj
Por ejemplo: en el sistema de lotera en Mxico, la probabilidad de' cu'al.' .
quier nmero para ser extrado con el premio mayor es igual a: -. ! ::.1 ! 1 :
~ " ' 't l~~~~;J
Algunos autores, como Gallung, no incluycri este tipo de muestra entre las probabllfs-::;
ticas, en razn que los procedimientos de muestreo rompen el pncipio de aleatoriedad.:\
'". :' Este mismo problema surge en el caso de las muestras sistemticas, en Ja medida que i.ina;.H
vez seleccionada la primera urdad, la probabilidad de las unidades siguientes es cero o ,f(
uno, es decir que luego de seleccionada la primera unidad la muestra es finalista!,'.' 'i\%:,!
., \: <!;;:r;:
./39"'' jdt;:,
.t;
:.'
'.:
l\lUESTREO 67
.;
bihd':d de error es mayor; entonces, las decisiones en la determinacii~n del
tam~no ~e .1.a mnestra se plantean de la siguiente manera: compatibilizar 1
... .
la d1spomb1hdacl l!cre~ursos (que normalmente son escasos) con la precisin .
s1
l .
p =- tenemos que:
1, 1; '"
1i ., . .~ ~ ~i;
deseada Cll las est1mac10nes. 1 En otros tnninos seleccionar una mw:stra de >!
-v
1\ ':; ..I.
1 l. _._i,,. ': ., .,
BB 69 54 19 94 37 54 8'/ 30 43 80 95 10 04 06 96 3S 27 07 74 ;i
1a ecuai:in g'.eneralizada cuando p = q es: 20 15 12 33 87 25 01 62 52 98 94 62 46 11 61 79 75 24 91 40
, . .l1 : ', L ;:
[J- ./ 71 85 22 95
l.
71 96 12 82 96 69 86 lO 25 91 39 00 38 75 95 79
1~'
,. \ W:'
t .
~ 1
,.
: \
l. !
\ :. :.,~ ( . ~ !. i ...... 1
' \
, f"' ,i :''
:i: ;.
m's cinco columnas. Seleccionamos cualesquiera de las columnas (supngase, i
:: .. que partimos de la columna tres). Tendramos entonces los nmeros OS62'!;.' ~ ''
. ,. :1-l
'.: . "'
''lrt..:i:v.
: . : :"' ! . ~. l
~ Extralda tic Illalock, H.: Social Slati.<tics; Jnternational Stuclent Edition, McGrnw-Hill: r :;:
o 'TalJJa cxlralda' de Gallung: op. cit., p. GG. 7
. Kogal:.usha, Tokio, 1972, p. 555. i,\'. :
.,.
1!!''
-, //,.~ti~=!:
........
,... ,, if;J
"''1 .. 't ',j!
i.: . p 1,.~n~
MUESTREO "MUESTREO 71
70
82645; 24028; 40-144:; 99908; etc. Esto significa que el individuo 0Sfi2l es Ja vau1eme ;simple determinar la precisin de las esLimado1~es que. se hai:n ~
primera observacin muestra!; puesto 11ue el nmero 82lH5 no aparece en parlir de:'.ys ol.J::.e;:va~on~s muestrales p~r~~e los err~t~es estndar d7 los. est.L
la lista lo saltamos. La segunda observacin muestra! ser el suj<:to 11i'.1mr:ro madores sguen d1smbuc1ones de probab1l!dad conoc1das. p:sta veutap resulta
24028, y as sucesvamente hasta agotar la cantidad de casos necesarios para del hecho de que la teora del muestreo aleatorio simple eml. ms, desarrollada.
. el tamao de la rnuesna n. Si algn sujero aparece repetido, tarnl.iin se lo que ning'una otrn. e) Tiende a rcllejar todas las caracterI.slicas del universo,
remplaza con otra observacin muestra!. Una vez que se llega al final de esto es cl.tano el tamao de la muestra crece, sta' se hace cada. vez ms re-
una pgina sin que se haya terminado de completar los casos necesarios para presen;atva del universo o p~l>lacin. . : ; ... " . ..: -.. ..
la muestra es posible pasar a otra pgina, o simplemenre volver al comienzo, Desventajas. a) .Supone un ll$taclo completo Je rodas las;umdades que c~m
empezando ahora con otra columna, diferente de la inicialmente seleccionada. ponen la poblacin. ObviamenLe, en muchos c~sos. no se cuenta con una. hs_'.-a
Como se vi!, este tipo de procedimiento muestra! implica un<t cautiad c.:Olll[)lt!tu. y actualizada <le la poblacin, lo que i:np1t!e el, empleo de. est~ diseno
respetable de trabajo, sobre todo cuando fa poblacin es grande. muestra!. b) Aun cuando se cu~nte con este llstado, s~ numeracin de:n~n
Una salida aiiernativa que conduce a ahorro de dempo consiste en enu- da mucho tiempo y trabajo que puetl:_n ser ahorrado~ s1 s~ cmple_a un ~IS:no
merar tanto las pginas del listado de la poblacin, como a los individuos . muescral distinto. e) Supone un rnmano de muest~a mayor que otros d1senos
incluidos en cada una de las pginas. En el ejemplo seleccionacfo por nos '~'. 1 para obrnner un mismo nivel de con[iabilidad! Esto signifi~a que para un mis
orros, supongamos que tenemos 46 pginas (15 de ellas on l 000 sujetus cada mo tamao de muestra, las eslirnaciones he.chas a partir "de UnJ muestra estra
una y 1 pgina con 671), en las cuales los sujetos aparecen eHumerados tWcada s.on ms precisas que las mismas esLimaciones ~1e~has 'a partir 1de. um~
desde el 001 al 999 en cada pgina (obviamente en la ltima pgina los sujetos muestra aleatoria simple. d) Es pr9bnble que. l~s unidades ~uestrea_das (s1
estarn numerado;; del 001 al 671 ). ; son i11dividuos que viven en una c~udad, por e1emp~o) qu~d:n. muy d1stant~s
Procedemos c11tonces a trabajar tambin ahora con 5 columnas, t'micamentc unas de ceras, con lo cual el costo para obtener la mfor~ac1n de e~~as um
que ahora las <los primeras columnas nos indicarn el nmero de la p;igina, dades ere.ce con la dispersin espacial de las mismaS. Otro~ dise!ios ?n.~est1:ales
y las tres siguientes el nmero de los sujetos; por ejemplo, si huLiscmos permiten reducir al mnimo.esta. dispersin .. : 1 '. ':A:V:;\j.J "1\.1::-~: :;. ;
comenzado con h columna seis ele nuestra tabla, tendramos los siguientes
numeras 24.826; '152'10; 28404; 44999; 08896, etc. es decir, c1l1e seleccionarnos
1
, ,, :_,,:_ :: .;:1'. t_ rJ /.;Ht ,,; ..
.
Ejemplo de una m11estra aleatoria simple.,
. ': ' i -,.
:,>;;,.",i!! !"':
1
.' .
el sujeto 826 en b ,gina 2-1; el 2-10 en la pgina 45; el 'iDl en la pgina 28; el 1
999 en la pgin<i H y as sucesivamente. Lo mismo que ~n tl procedimiento A comiu'uacin se ilustra con 1.111 ejemplo las etapas ya sealadas en la' ex-
anterior saltamos los nmeros que no correspondan a ninguna pgina, as traccin de una muestra aleatoria simple. La poblaci~ est. ;cbr~stituidi(por
corno tambin acuellos que aparezcan repelidos~ La ventaja dt este sistema es , 5 015 individuos que compon.en las 1 003 me:as (ele ci?c.o; :voc~lcs c~~a,:~na}
que se reconoce mud10 ms rpidamente qu 'sujetos aparecen repetidos. correspondientes a las doce comunas Je San ttag~ el:
Clul~. ;EI} ~ada \,un~ de
Hay otros pror.edimientos de seleccin aparte de tahh~ de nt'1merus alea- estas comunas hay un conjunto ele mesas conslltu1das po~. mu3e~es, Y: otro
constirni<Jo por varones, adem:ls de las .mesas formadas p~r extrnr:1eros:
1
torios, tales como los que se utilizan para la selecin <le los nmeros a ser ,
premiados en las. loteras (en donde existen dos series independientes de A partir de esta poblacin se extrajeron dos muestras aleatorias s1mpl:s
seleccin: una par; los nmeros y otra para los premios) pero en este caso de 200 irJ.dividuos cada una. La primera de estas muest~as (200 a) se extrajO
hay que recordar que es necesario reponer los nmeros nuevamenre al boli- directameme, vale decir, sin emplear el mtodo de enumeracin de pginas
llero, de manera tal que la probabilidad para cualquier bolilla sigue siendo descri~o ~n la pgina 90. L'l segunda se ~xtrajo despus de haber enump,:ado
la misma. Esto no se realiza por ejemplo en la lotera, es decir, una vez que las pligiaas r.Jel listado de la poblacin (200 b). En este cas, se forq1ai:on _seis
un nmero ha sido ext.rado no es repuesto. p~iginns i;on alrededor de 8'10 individuos cada una. '! ~ ' ' . 1 '
l'or medio de las dos muestras se estimaron dos parmetros: la proporcin
de varones en la poblacin (ji) y el promedio aritmtico () de los pup.tajes
Ventajas y dc1vf:11tajas del muestreo aleato1 io simple
. correspondientes a un~ variable cuyo rec_orrido era ~, !:)~1.:.,,~r..,Es;,.:i--se~liizo
Ventajas. a) No supone el conocimiento previo d: ningu11a de las caracters- con el objeto de comparar !ns _cstiinac1ones obtenmas, a pa~:tir de los, dos
ticas de la po!Jlnd<'J!l de la cual se va a extraer la muestra. Esto es, a dife- mtodos he extr~ccin de las oLst::rvaciones. La : 11formacin conte.~idn en cacl~ .
rencia del muc~;r reo estratificado, por ejemplo, no es necesario conocer la un~ ele l~slmuestras fue ~a siguicme: ; :.:r
! ... ' . .' .. :: '. ):(; :, ""
1
frecuencia relativa con que se dan las caractersticas poblacionalcs en cada , . : . ' ; . 'L! ;. " : . >;'.' J !i ~
uno de los esfratos. Esto significa que una muestra aleatoria simple st<t '1: 1} : . . . ; <-
libre de los sesgos que se pueden introducir por el uso de; ponclcrncioncs in 1 . ,!j: i
correctas en Ja5 unidades muesrrales (ver mnestreo estratHicado). b) Es rclari- .( "'' .:.~;~: 1
; MUESTREO . . i :; 73r:.
mis~as se~~ci~L A
MUESTREO
~
ciado el muestr.eo. las probabilidades son las para la primera
1 ; ' .'
;~
' ; ~ :
.-es decir estrictamente para los n sujetos que estn incluidos en el nmerof1
1 .
;, J.,.
f.~:
.l\fueJtra
200 a
Muestra
200 b fijo-, una vez eleg~d.o este ni'.tmero,_ la muestra pasa a s~ finalista ~en ~uestro .,,
~;
i: f
'; ,. ejemplo, la probab1hd~d ~e los suje~os. 65, 115,. 165, etc., es l, mientras q~e, .
1
:i:,,:I ., Nmero' d{hoi:nbres
:
en fa muestra
'
. 95 98 , la probabilidad de cu~lqmer otrq ~u jeto en el hstado es Oh b) .La desv:rltaJa
. ~ "" Propo1'cin de hombres en la muestra 0.475 0.490 ' ins sobresaliente es la que puede resultar de los sesgos propios del listado
: i :' Error estndar' cfo proporcin muestral 0.0354 0.0361
5.20
que est~mos utilizand. El_ directorio de t~lfonos, por ejemplo, dispon: d:
, :1 ,.".Media. aritmtica de los puntajes en la nuestra 5.12
. '': : :'. Error estndar de la media aritmtica ... 0.200 0.195 espacios mayores para el hstado de c~merc1os, empresa_s, etc., que pa.ra indi-
~ t '
,. viduos particulares. De manera que s1 no tomamos en cuenta esto, introdu-
". . . .: . ,; .~ :. ~ t. ' ti' .: . ' .. ' cimos en nuestra muestra el sesgo del listado. :; '
:Los .intervafos de confianza de 9! % para (jJ) y () fueron los siguientes: :....
..,., : : .: ~ ' . ~:" 1: . .
,, ~ :q. ~1' "di :: . !Huestra 200 a Muestra 200 3) Muestreo estratificado
~::
~ :1.: .. : ':? :. . (
/
~ ., ; r, : ~;
r ,,
l;
1, ;I
:.!UB:iTRl::O !l!UESTREO 75
r , " !
; " 50 runos provienen de clase alta; 300 nios provienen de clase media; y Una vez. decidida la canridacl total de la muestra y la cantidad ,de casos
150 nios provienen de clase baja. 'en ca:da estrqto, procedo a seleccionarlos segn los mismqs procedimientos
Supongamos que el tamao de muestra a seleccionar fuera del 10 % del indicados paila i:l muestreo aleatorio simple, tomando 25 casos de cada lis~a
universo, esto es 50 casos. Si estuviramos uLilizan<lo muesrreo aleatorio sim (11, 1J y (:). Qbtengo entonces el Cuadro 3. ; :'. "i : . , :
ple, la probabilidad de que la muestra resultanLe contenga exactamente u"n ' Esta tabla es importante para los propsitos de generalizacin a la pob~a
10 % de cada emaco (30 nios de clase media; 15 de clase baja y 5 de dase cin, .ya que ~hora tengo que ponderat las diferentes fracciones de mues~eo.
a:lta) es muy baja. Nosotros queremos garantizar que vamos a obtener exacta Para ello, en el caso de la media aritmtica, por ejemplo, hay que operar
mente esa cantidad. Entonces, en este caso vamos a trabajar con un mt1e>treo .de la, siguie~te fo1ma: a) Calcular la media aritmLica para cada estrato;
aleatorio proporcional, es decir, la fraccin de mues~reo para cada estrato ,b) Po"nderarlas scg1"m,el tamao rdaiivo tlel estrato.
ser exactamente la misma: 10 3. El mtodo <le seleccin emonces es el si-
guiente:
a) EsLratifico a la poblacin en tres clases; nios de clase media, alta y CUADRO 4
,: ..
baja, respectivamtute.
b) Confecciono un listado independiente para cada estrato, emm1erando
. Estratos
,;.
:,
. ~
"
a mi~ sujetos (en :a lista A -<le clase media- unos nios estarn enumera
dos del 001 al 300; en la lista B, de clase baja, estarn enumerados del 001
Alto M~dio ":nao,; : . Tolal
al 150; en la lista C, estarn enumf.rados" del 01 al 50). Tamao ~el estrato 50 300 150 l 500
e) Procedo a la seleccin, por los mtodos indicados <:n c:l muestreo alea- >J Peso(Pi) 0.10 0.60 0.30 ,.1
1.00
torio simple, dt: 30 casos en la lista A, 15 casos en la lista B, y 5 casos en la Tamao 4e la muestra 25 25 ~!
!isca C. Con ello logTo que la muestra ele 50 casos sea una rplica propor 17 ;~
l\o!cdia aritmtica (:tlfi) 24 20 '
cional exacta del ni verso, en lo que a clase social se refiere. Para los pro:i- :(,:
Dc.sviacin estndar (ai) 5 4 "7! ' "!'
sitos de generalizacin las muestras" estratificadas proporcionales no ofn!cen
complicaciones en d clculo. h~f':.; .: ,:;J !~:
El clcujo de Ja media muestra! ser realizado <le acuerdq a J~' ~iguicnte
Ejeml1lo 2: Muestra estratificada no -proporcional frmula: " i
Estamos en la misma escuela del Ejemplo l. Estamos interesados en com
~i :f !
. i ~f ;;!; ~I
parar los rendimientoii de las distintas clases. Ocurre que con la mutstra que
obtuvimos mediante el muestreo aleatoi"io estratificado proporcional, no con- Donde: M, =media aritmtica de cada estrato il ~: r
." ;
i
: ! ~ :i
P, =peso de cada estrato ' ,: ! ,'...:i
tamos con suficieures casos de .nios de extraccin de clase alta, ya que lene
mos solamente 5.
En' nuestro caso:
Decido entonces que para los propsitt.:is de mi anlisis, voy a necesitar
25 casos en cada e:;trato, es decir que mi muestra va a ten un toral de 75 ...
casos. Tendr entonces un muestreo estratificado 110 proporcional, ya que no l'-1 1, = (20 X 0.60) + (17 X 0.30) + (2'1X0.10) = 19.5
~ "'. ~ :p ' ~ d ... ~.
voy a respetar la :roporcin original en el universo.
En el caso del error estndar: . ; ''~' :: ) ;:: r,
1 1 : ~i J
CUADRO 3 aT :::l. ( ! X 0.60)
1
+(7 X 0.30) + (5 X 0.10) =5.0 "I. : i'"
': 1 1 i ' ' ; 1 1 i"
1i f ;~ ; i 1!.'. :~,, 1;
1
1 1
U11it1CT"SO Muestra
,vent;1:asr 1
cf,esventa1as . . . . ; ,, '.'' .;
1. : -
tear una muestra aleatoria simple o aun una muestra estrat1hca a, 1mp 11ca a _1
11
'. dos .stos; to~amos tod?-r las unidades al interior de cada conglomerado se- fue dividida en cuartele; (12 en total). "
A los .fines del. muestreo por Conglomerado, cada cuartel de la pr;mera
. leccwnaqo. s:~. es la diferencia entre una muestra por conglomerados y una
divisin censal l (ciudad de Mxico) ser tratado como un conglomerado
:nues~ra ;strat1ucada. En la muestra estratificada, una vez determinados Jos
aparte. En este caso habrla que subdividir mapa e~. 24 .conglomer~~s . ..j; l:. 1
;1
estratos,' s.el;c~iof!bamos los casos al interior de cada estrnto (proporcional o
v) Seleccionaremos nuevamente por el 515tema de agups de reloj:~. a .~\.0t\,\'i
no proporc1o~almente).
,un, ejFplq: nos~ ayudar mejor . seguir con mayor detalle el mtodo para B Uno puede tomar olro criterio por supuesto para de[inir Jos conglomerados: regifI, :tJ.!
la: seleccin. dr
um~lades en este tipo ele m'uestreo por conglornerados. y va- geogr[ica, cantidad de ha~i1antcs, ele. Hay que trat~~ que ~to~ sea~ lo ms horoogn.~~..'.ii~!l'
que sea posible. En los ltimos cscalon's yamos a ut1!11:ar cntenos diferentes qu~ l.as d!7~1:1!1iJ
!IlS a elegir ;un ejemplo particularmente extenso para hacer ms clara ]~ . ![ ' . ,1 ' t1 ~.
exposicin. : !: s10nes po t1cas. , , \ ,. ;;fq
~
~ '. :.n.: il!ij(ai
'
'!
..:
1
.-1~s~1:: 1 \i1 1~11w1
, \;,,, 'H~ ~~:tr~
MUESTREO MUESTREO 19
i
. _F~
d.e ral. Divisin ':
'! r ,
,. "
Di~tnto
1.
n1c1p1
y 12 cuac.
1
' '1
central en 13 mu 970) 0 El mun1c1.
tele1 .ce1!10 de d~ M~ico) incluye
1 (C..1udad
Eosio cor glornerndos
del l ul 12.
:
1
i '
'
i1
1
!:
,.
;:
' ;
,,
''
: :
'
i
Iiaitantes
2 902 969
:t 534 554
339 446
. 36 200
1 186 107
477 331 '.
522 095
: : ; ~ 75 429
33 694
456 709
! . 62 419
~: 130 719
116 493
: 1
6 874 165
''
i\1UE~TlUiO 81 '
l
tinuacin en el J\fapa 3, no tienen que ver con los 5 mil habitantes, sino .
que se hace con el propsito de ilustracin simplemente. 1 :! '. J ' !
vi) Procedo nuevamente a seleccionar por los mismos mtodos .sealados
en cada escaln anterior, digamos ahora a la cuarta parte <le las subzonas o
conglomerados de tercer nivel. Las reas sombreadas corresponden a los con- ..
glomerados seleccionados. Procedo en forma idntica con el rest de las" 7 .:
zonas seleccionadas en el segundo nivel. Si el investigador decide :deteqerse'
en este escaln, debera tomar en'tonces a todos los casos dentro de cada zona. '
Pero nosotros vamos a proceder ms adelante. : :, ;, . , i .
vii) Tomamos para ejemplificar, el conglomerado n'mero 32.! Vo,y a selec-
donar ahora manzanas dentro del conglomerado. Para ello las enumero: y
procedo en forma idntica que en los casos nteriores. El critetio para selec-' ;
donar la~ manzanas no seguir el sistem~ de agujas de reloj 1 l sino: selec~io-' .
aremos al rll:ar al 20 % de ellas. Nuevamc;nte de detenerme aqu censara':
a todos los habitantes dentro de las manzanas seleccionadas. Podra segir
ms adelante y seleccionar ahora edificios y, una vez seleccionados stos, cen
sar a todos. El Mapa 4 sefiala las manzanas seleccionadas en el ct.iarto escaln.,'.
Como el lector podr anticipar, el sistema de .clculo para las estimaciones ; .
de parmetros es complicado, ya que hay que tomar en cuenti.:- los .factores de ..
roporcionalidad en cada escaln. ; , ,i : :: .. 11
, ,!"
t:.' "
"I :,'
::
MAPA. 4-. Ejemplo del 4Q escaln. Corresponde al conglomerad :"3~ d~'{c~~~td 2;,
de la ciudad de l'vfxico. El sombreado corresponde a las manzanas seleccionadas.
1 (
! . ',i i,if. : . :.' 1.
',La mi:.te~trn
por; ~ongloinerailos si bien tiene algunas limitaciones en tr
1ih (ver diagrama en. el Capitulo I, "La organizacin de un suruey"). 1
m1~?s d; mf<;renc1a, representa muchas veces la nica salida cuando los re ';:.
~i
!1
cur~os d1spom?les no son suCicientes para plantear cualquiera de las dos pri 'i( 3) Las muestras por cuotas
meras alternativas.
: '' L1 niJest1:a sis_t~mtica debe ser utilizada nicamente en aquellos casos e, : Son en alg<ma medida una especie de muestra estratificada y son muy uti
que_resulte 1mpos1ble o demasiado costoso aplicar una muestra aleaLoria sim. !izadas pot algunas agendas de investigacin de mercado. A una serie de en-
ple, o c?1:1 una etapa secundaria de un muestreo complejo. '" trevistadores (profesionales o no) le es fijada una cuota de individuos a en-
trevistar, especificndoles sus caractersticas (por ejemplo: varones, casados,
. Dcsmbimos ,ahora nipi?a~ente algunos tipos de muestras no prohabills-
t1cns, concentrandonos principalmente en las "muestras'' a b propietarios de autom6vil, no mayores de 50 aos ni menores de 25). Cada
t 1 , P ra pro ar hip entrevistador selecciona por su cuenta y entrevista a los sujetos segn un
e.~ ~-; su~t1anuvas (ver Galtung), 0 pi- su inters para la investigacin.
cuestionario, hasta completar su cuota, Como debe ser evidente a estas altu-
,i
ras, el sesgo del entrevistador es una de las desventajas potenciales ms m
;, . , . portantes que tiene este tip~ de muestreo. ,, ,
B) MuF.STRAs
1.: i No PRODABnJri1cAs
que desea utilizar por variable?, y c) Dadas las tcnica~ analticas a utilizar, CuA.OllO 7. llfotriz. de datos resultante para la combinacin :de las variables.
cul es el valor mnimo por celda que nece:;i.ta? Sexo (masculino/ emenino ); Et1Hcaci11: (alta-media-baja); Religiosidad: (ali a
Es decir que por medio de h:. respuesta a las dos primeras preguntas va a media-baja); Participacin Poltica: alta-media alta-media bn.jabaja)'
i:: ...: ...
determinar el tamao de la matriz de datos (espacio de atributos, en lenguaje Va1ones ~!tij91cs .. i.
de Barton), y por b !Lima va a satisfacer los requisitos referentes a la pme:
Educacin Educ~cin i,
ba de hiptesis estadsticas.
El procedimiento para la determinacin del tamao de la rna triz tie datos Alta f\lei\ia naja 'Alta - Media Baja .
depende entonce.~ de la ca.ntidad de variables (11) y del nmero de valores en !lcligio. !lcligio. flcligio. Re ligio. Re ligio, Religio.
cada variable (r). La frmula para la delermnadn del tamao de la ma i.
P1ulicipaci6n
triz ser: A M n A M D A f\( D \ M ~ A M B. A M D
poltica
Matriz= r, r1 r, ... r,. Alta
-- \.
--'-
Media j
El sigt1iente cuadro especifica la cantidad de celdas que resulum ele com alta ! d
binaciones para diferentes nmeros de variables, con valores iguales para cada '
f\ledia ... 1
, 1 j .s_
l
~ ,1 ~,
: -
!
l
con idenlica cantidad de alternativas Es decir, que para probar mi hiptesis tengo que' tener'varones y :mujeres, !
:;
con distintos niveles educacionales y diferentes grados de religiosidad .. para :
Nmero dt: Nmero de valores e:i las 11ar"iables (r)
medir su influencia sobre la vnrialJ!e participacin poltica. : . : , .; 1 i':i
variables Galtung presenta una doble lluea de argumenradn para justificar la "canti"
(r:) 2 5 dad de 10 a 20 casos por casillero. Por la primera demuestra que el n~1niiiro
<le casos debe ser suficient para aproxima~ la distribucin nue~tral ". la.~po'..
2 (20'10) .3 (30-fi) f (-IOBO) 5 (50.lQO) !Jlacin. Para ello parte de inLervalo~ de confianza. Por la 1segun!:la. el argu'
4 ('10-80) 9 (90-180) l (j (160320) 25 (250-500) mento est dirigido hacia la necesidad de que Jos porcentajes:quc se computen.
8 (tlO.J f.\ 27 (270-540) 64 (64.01 280) 125 (1 250-2 500)
15 (lfiG!\20)
estn suje~os a graneles variaciones, cuando se dan pequeos cainbios en;las
81 (810-1 620) 256 (2 560-5 110) 625 (6 520 12 500)
. . .. .. .... .... .: ......... . .............. . .................. cifras absolutas. Si el cambio en 1ma unidad produce una variicin.:de 5
es
~
....... ... .. .. ..... .. .................. .. ................. puntos de porcentaje y se el va.lar mximo qe qlle1'emds acf ptar; el'iton-
ce~ esto nos dar una base de 20 cuando hay dos celdas, de, 30, cuando ~ay
tres, etctera. ' i ' f . . !.
Tomemos un ejemplo para la determinacin del tamao qe la matri2. cuan- Para finalizar queremos ins1st1r en lo siguiente: las muestras! para propar
do ~os valores de a.lgm1as variables son diferentes. Supngase que la combi- hiptesis suscantivas son de mucha utilidad y es posible compatibilizar "las
rwctn ms compleja tle variahlc:s en la investigacin va a ser el resultado de exigencias de un muestreo prohnhillstico, con las exigencias par<t probar hi-
i:n ~nlisis d<.: X o tle i::roporciones para la prueba de la hiptesis, de las ptesis sustantivas. Las ventajas de plwtear el problema del muestreo de esta
s1gmentes variables combinadas: a) Sexo: que tendr dos valores: masculino- manera, estn vinculads al proceso tolnl ele la investigacin, ya'. que obligan
f7menino. b) Educacin: que tendr tres valores: alta-media-baja. c) Religio- al investigador a explicar como hiptesis, y a pensar desde uli 'comienzo en
sidad: que tendr tres valores: alta-media-baja. d) Participacin poltlirn: cne los mtodos a utilizar en ;l!l anlisis. !
tendr 4 valores: alca-media alta-media bajabaja.
'~ ,, .:nv/11
f~~,..,? t..)<.:/-
l. Hacer una lista comple- l. Igual probabili-..'.' - "Las que se derivan 1 No provee un l. Alto costo mo
ta del universo. dad de tnclusin . de no tomar a nmero suf . netario
~""
cu~ f! 2. Asignar un nmero a en la muestra . -todo el universo ciente de casos 2. Alto costo de
~:Et; cada individuo del un de todos los in de gmpos espc . _ti~mpo
~~ ~ ~ \'CfSO. - - dhiduos - ciales
.!:] e .Q.. ---
.1.
.D
e :ei ."-
8 e; ~
~ ~
""
.. 3. A travs de una tabla
de nmeros alc~torios o
2. Permitir h ge:
neraf::icin
2. Puede haber dis-
torsiones en
~_. procedimiento simlnr se- 3. Proporciona ba cuan to a la . re-
~ 6'o 1U ., " leccionar un nmero de se para calcnlar presenta ti,idad
- - t:,
~e:"' :E"' individuos que van a el grado de -dis
""'""
o constituir la muestra paridad entre las
~ '.::..., medidas .de la
muestra . y del
universo
l. Hacer una lista comple- Idem que para la l. Mayor facilidad !..Si hay algn ti- Tdem.
ta del uni,erso. muestra simple en obtener la po de bias en
2. Seleccionar el primer in .al a::.ir muestra la list:i el mues
.~
.. 1 di,iduo a lrnvs ele un treo puede re-
...
t:
E
:E .
mtodo aleatorio:
3. Seleccionar cada i-~simo
inclil'iduo n partir cld q
su llar influido
por 1
.'.. -...:::.*-.:... .;~:~ -,-
.-.,
....,.
. seleccionado (por ejem
plo, cada .dcimo :indi-
viduo)
. l. Dividir el uni\erso en es- l. ldem . que poro L I dem que para l. Puede no pro l. Costo ms alto
~ -""O
~
tratos internamente ho- las dos nntcrio- . :: - la muestra sslc 'ecr un nmero que en el mue;.
~"' :=:
""' ;;; mogneos. res . . . mtica suficiente de ca- treo simple}' de
., e;"
u-o "
..o 2. Seleccionar dentro de ca- Z. Garantiza la re. sos para estratos conglomcrao
"
.\l : -
; " '
- o
~e
.!!! o..
da estrato los inail'duos prcsentativiclad pccuefios 2. Alto costo de
:5 u e
~-;;
de modo aleatorio. 3. Elimina los erro- 2. Dificultad para tiempo
.:~
.o
o
o u
~
.,,~
.gg]
o g ~
~.9~
.,..o"
2. Idem, proporcional.
3. L:is fracciones en cada
estrato pueden 'ser dis-
res.
2. Posibilita mejor
- ca~L~ris f>aribui:,
hace posible una
algo complejos m\lcstreo de ti
po clurtcr
~ E-o conocimiento de muestra menor Z. Dificultad para
t..~ g z tintas segn las necesi-
-- e_g
dades grupos pequeiios
en .e) unherso
y maror ec:ono-
ma'
determinar es tra-
tos homogcneos
l. Dividir el universo en l. Jdem que para }. Ahorra dinero l. Exige tratamien- Mini mas
diversos grupos o elus- las dos primeras sobre todo por tos estadsticos
ters cue pc:miitc la muy complejos
1! 2. Seleccionar primero qu concentracin de . 2. H~y prdid.o de
E clustcrs deben constituir los entrevistado precisin \
>\;,.t'ii. 1 ~tlJ) la muestra res en re:is pr- 3. Prdida del e:;.
::;;'- :: 3. Dentro de cada cluster, ximas. r:lcter aleatorio
:.::.~,~' t3 seleccionar los individuos del muestreo
: --:-:: :jr de la muestra de modo 2. r\l1orra tiempo
.- :;; :;' alea torio
'illl "' :=.
l
f. -
~
t-0 ..
"' ....
u ..
~ ~ .Carual
Entreviitar Jos individuos,
!1'1sta un ,cierto numero, de
forma casual (por ejemplo,
l. Exige personal
menos entren2-
do .. Y de costo
L Presenta serio.
obstkulo a la
generalizacin
Mlnim"s
.. .,. ".;::
u
Mueifras para 1 Calcidar la matriz de datos m~s com~ _ ... ' Ventaru .. _ DesventaidS ..
probar hipte- plcja a analizar. Utilizarla frmula,---- : .. :::: -- ........ ---- - -- ' --
sis suslantivas .,-.;_.,_ -~ ~-. :~.. -- .. ---------'- Sirven prn. probar hiptesis, tienen en E;cigen conocimiento previo rnnto cle ca-_
<."".""'""':':'.'; ...,_.,;.,,-:-"".'-"':.::. =
'"f::-~;;..".":M r1 .r. r;.-:.r~:-''.'"';":'-:=... .. :"'cuenta el :inlisiS y las tcnicos analticas- '"- rarterstbs pobhcion~l.,s;::.cuanto dd ..
.~i~!iltt~~~~~~~til~~ii
3
18 copias.
METODOLOGIA II
OBLIGATORIO JOHAN GALTUNG
Ediciones Previaspociologia
Teora y mtodos
Gq ,.-;_9 n91 ,.
de la investigaci6n
'
5 :4 - social
Tildo Original
. 46C4 1-1 OVI-CalOS d'i 11.
t
-, ; "iNk54;110(Cid-1
, , - , -, , i:::
Morral/O CoeophitmRstrals tikki-i o- li ecolgempwirio....4,._
W`.
Ih-11
LA MATRIZ DE DATOS
Srmbolo para M=
un elemento S, V, X O
. .
Srmbalo para una
clase de elementos S.V, X, O Oi Ri 2 Ri3 . ii Ron
Sihlolo para el
nmero n m, N
Parador un ejemplo, la investigacin corriente del tipo encuesta comien-
za proponiendo a m interpelados (0) n preguntas (S) u 'objetos psicol-
gico' segn la tenninologra de Thurstone, de tal manera que para cada
pregunta S y para cada interpelado O hay r respuestas diferentes posi- O IR Rm2 Rm3 . Rmi R
m mn
bles, R. Otro ejemplo:'sa puede hacer un estudio comparativo de m na-
ciones poniendo en una lista sus valores R sobre una serie de n variables En este esquema, Ru es la respuesto que da la unidad Mi al
est/Mulo n!l;
o, en otras palabras, el valor que tiene la unidad Mi en la variable rs.j.
Teorra y mtodos de la investigacin social La matriz de datos
se le est dando en los hechos una serie de estrmulos, uno para ca- caracterrstica de la matriz. W es una cifra que do una idea de cunto
da categorra, de tal manera que hay dos respuestas para cada estrmulo, trabajo hay en un proceso de recoleccin de los datos, aunque debe dar-
aceptacin o rechazo. sta es una clasificacin tan buena como cual- se mea importanciaa mya n que a ri r es una medida de cuanta medicin
quier otra; es una dicotomia. discriminatoria se hace y, por lo tanto, debe ser igual, por lo menos, a
De los tres principios mencionados, .los dos primeros se refieren a 2. Si r 1, no sepuede hacer ninguna discriminacin entre diferentes
la lgica de la matriz y a las tres series sobre las que se basa. El terce- unidades y la-dimensin no tiene valor descriptivo ni anal itico, puesto
ro, principio de integridad, se refiere al trabaj ernprrico de llenar la -que el- resultado,siempre es conocido y conocido como siendo siempre i-
matriz, y dice simplemente esto: no dejar ninguna celda vacra. Este gual. Por cierto, r puede .variar y en general varra.de variable en va-
desideratum se enuncia fcilmente, pero no se alcanza tan fcilmente en riable,-de tal manera quer debe ser concebida como algn tipo de valor
la prctico, de tal manera que todo lo que contiene el principio es una promedio entre los diferentes rj .
norma seglin la cual la cantidad de celdas que contengan 'ninguna infor- La eleccin bsica en cualquier plan de investigaciones tendr que
macin', 'ninguna respuesta', etc., debe ser mantenida tan bajo como referirse alas nmeros -m y n. Un.proyecto con las dimensiones (300,20)
sea posible. Mientras se pueda cumplir con los dos primeros principios . esobviamente muy diferente de un proyecto del tipo (20,300). l inves-
antesdelarecoleccin de los datos, cuidando que los estrmulos o las va- tigadortendrque elegir. Llamaremos al par ordenado (m, n) la estrategia
riables se apliquen a todas las unidades y que todas las series de catego- de investigacin del proyecto; el investigador tiene que elegir su estra-
rrasdereapuestas fomien clasificaciones, solamente se puede cumplir con tegia para atacar el problema que encaro y la prxima seccin se dedica
el tercerprincipio en el proceso de la recoleccin de los datos y con'pos- a hacer algunas reflexiones acerca de diferentes tipos de estrategias.
terioridad. Aqurentran en juego cosos tales como las tcnicas para man- Por ltimo, diremos algunas palabras acerca de cmo r depende de
tener bajas las tasas de rechazo a travs de una legitimacin adecuada m y de n. No hay ninguna razn por la que deba depender de n: agregar
dela investigacin, o las maneras de rastrear datos casi imposibles de ob- una variable no cambia el nmero de valores de las variables preceden-
tener. Pero existe tambin la posibilidad hoc de examinar la distri- tes. Sin embargo, se puede considerar a r como dependiendo de m. Es-
bucin de las celdas vacras en M y de elimina7T1 O y S ms adecuadas trictamente hablanclo, siempre podemos tener r4m, puesto que no nece-
para liberarse del mximo de celdas vacras con el mrnima de supresiones. sitamos ms valores que elementos o unidades par medir. Si tenernos una
...Como regla general de tipo prctico, puede decirse que un 10% es el unidad, necesitamos un solo valor; no hay que especificar el resto (por lo
mdkimoabsolutodeceldasvacrasadrnisibles en t ualquier columna o cual- tanto, la variable consistir en ese valor y en todos los otros valores po-
quier fila de M y que un 5% es un ~itrio rixls aconsejable. sibles 'agrupados). No obstante, en la medida en que m aumente, r au-
En algunos casos, sin embargo, puede tener algn valor mantener mentar cada vez menos. Pronto se har evidente la amplitud (range), y
una O o una S en la matriz an infringiendo los dos principios relativos con ms unidades habr ms dificultades en discriminar entre ellas y ma-
a las celdas vacras; una razn es que 'ninguna respuesta' tambin puede yor.-tendencia a agruparlas. A menudo la variable utilizada no ser es-
ser una respuesta y tratrsela como tal. trictamente unidimensional, de modo que la ubicacin exacta de las uni-
Generalizando, la tcnica consiste, par lo tanto, en contar el n- dades con' respecto a otras unidades ser discutible, conflicto que solo
mero de las DK's y de las'NA's para cada O y para cada S y obtener su puede ser resuelto estableciendo cotegorrasmds crudas, esto es, bajos va-
distribucin. Muy a menudo, un pequeo porcentaje de las O y de las lores de r. El investigador procura capturar la ubicacin genrico y deja
S absorber un gran porcentaje de las'DK's y de las'NA's, y, natural- a un lado los detalles y los problemas que le vienen a la mente precisa-
mente, stas son nuestras candidatas abvias para el rechazo. Solo en ra- mente cuando se encuentra con muchas unidades.
ras oportunidades las 4 1?K's
. y las *NA's 'estarn distribuidas al azar en la
matriz de datos. 1.2. El nmero de unidades y de variables
Si, como de costumbre, m es el nmero de unidades, n el nmero
de lasdimensiones y r el nmero promedio de las categorras de respuestas ,
Los nmeros m y n son de importancia crucial para la evaluacinde
la cifra W=mxnx r, o,' mejor, escrita de este modo: (m,n,r), es la
cualquier proceso de recoleccin de datos, tanto desde un punto de vista
teortico como desde un punto de vista muy prctico. El valor ms bajo
'DK', -forma abreviada de don't know, no s; 'NA', forma abreviada de
no answer, falta de respuesta. (N. del T.) de m es 1, como en el caso en que se investiga a uno sola persona auno
CARRERA DE SOCIOLOGA UBA
METODOLOGA DE LA INVESTIGACIN
CTEDRA: COHEN
CUADERNO DE CTEDRA N 6
La utilizacin de datos
secundarios en la investigacin
social
Ao 2016
1
Cuaderno de Ctedra N 6
La utilizacin de datos secundarios en la investigacin social
Autoras: Micaela Bazzano y Carolina Montera
1. Introduccin
Es frecuente que los investigadores utilicen datos elaborados por otros o por ellos
mismos tiempo atrs para describir y explicar fenmenos de la realidad. Si bien esta
estrategia posee desventajas y despierta recelos, son pocos (si alguno) los analistas
que a lo largo de su trayectoria laboral han podido prescindir de este tipo de datos.
Lamentablemente, la importancia que las fuentes secundarias tienen en las ciencias
sociales no se corresponde con el entrenamiento que recibimos en nuestra carrera
universitaria. Basta echar un vistazo a los manuales y programas de metodologa para
notar que los mayores esfuerzos se orientan hacia la construccin de instrumentos de
registro, ms que hacia la reutilizacin de evidencia emprica. Por ello, solemos estar
poco preparados para trabajar con datos secundarias.
2
Solemos pasar por alto que las afirmaciones sobre la realidad, como por ejemplo que
aument la tasa de pobreza o que disminuy la cantidad de homicidios no constituyen
reflejos exactos de los hechos, sino elaboraciones que se hacen sobre la base de esos
hechos. Ello no significa que dichas afirmaciones sean fantasas o inventos sin asidero
material, pero s expresiones de ciertas formas de aprehender los fenmenos
empricos.
Estos ejemplos muestran que los fenmenos bajo estudio no se presentan de forma
unvoca. Los aspectos que se consideran relevantes varan segn la perspectiva del
1
De acuerdo con el INDEC, los hogares con necesidades bsicas insatisfechas son aquellos
que presentan al menos una de las siguientes condiciones de privacin: (1) morar en
habitaciones de inquilinato, hotel o pensin, viviendas no destinadas a fines habitacionales,
viviendas precarias y otro tipo de vivienda; (2) no poseer retrete; (3) existencia de ms de tres
personas por cuarto de uso exclusivo del hogar; (4) presencia de al menos un nio en edad
escolar (6 a 12 aos) que no asiste a la escuela; (5) existencia de cuatro o ms personas por
miembro ocupado y un jefe no ha completado el tercer grado de escolaridad primaria.
2
Este mtodo es conocido como mtodo indirecto o enfoque del ingreso y consiste en calcular
el ingreso mnimo por encima del cual todas las necesidades bsicas (alimentarias y no
alimentarias) se satisfacen e identificar a aquellos hogares o personas cuyos ingresos se
ubican por debajo de esta lnea. La idea sobre la que se sustenta el enfoque es evaluar si los
recursos con los que cuenta el hogar le permiten solventar un presupuesto que refleje la
adquisicin de aquellos bienes y servicios que posibiliten a sus miembros convivir dignamente
en sociedad y desarrollarse personalmente.
3
observador. Como afirma Weber (1973 [1904]), la realidad es mltiple, infinita e
imposible de abordar en su totalidad, de modo que cualquier descripcin emprica
presupone una seleccin y recorte de la misma. Qu observar y cmo observarlo es el
resultado de las decisiones tericas y metodolgicas que se toman a lo largo del
proceso de investigacin.
Podramos decir que no existe un dato o el dato. En todo caso, existen datos en plural
porque dos (o ms) perspectivas tericas pueden describir un mismo hecho con
distintos registros empricos. Esto, a su vez, estar condicionado por las definiciones y
decisiones metodolgicas implcitas en cada perspectiva. En consecuencia, el proceso
de seleccin y definicin de las variables no constituye un simple procedimiento
tcnico, sino un momento crucial de reflexin terica. Las variables nos permiten
aprehender esa porcin de la realidad que queremos conocer. A travs de ellas,
construimos nuestro objeto de estudio, damos entidad a nuestras unidades de anlisis.
Nos permiten organizar y manipular el material recolectado y as dar respuesta a
nuestros interrogantes. Por ello, su eleccin y construccin constituye una de las
etapas decisivas de cualquier investigacin.
4
Durante el trabajo de campo, conectaremos este andamiaje terico-metodolgico con
los hechos empricos a fin de generar registros. Pero, contra una creencia extendida,
la construccin de los datos no finaliza en esta etapa. El procesamiento y anlisis de la
informacin constituyen momentos fundamentales en este proceso porque sin ellos el
material obtenido no llegara a decirnos nada sobre la realidad estudiada. Los datos
informan pero a condicin de ser sometidos a examen e interpretacin.
Para concluir este apartado, insistiremos sobre una idea: los datos no viene dados ni
son imgenes especulares de la realidad. Son construcciones de acontecimientos,
escenarios y situaciones. Son artefactos conceptuales nacidos del entrecruzamiento
de las teoras, las metodologas y los hechos empricos. En palabras de Cohen y
Gmez Rojas (2014):
Este proceso de construccin vale tanto para los datos primarios, como para los
llamados datos secundarios. Sin embargo, una caracterstica de stos ltimos es que
el trabajo de elaboracin queda fuera de nuestro control, lo que nos obliga a ser
prudentes y tomar algunos recaudos antes de sacar conclusiones. En las pginas que
siguen se presentan algunas pautas para desarrollar esta tarea.
La utilizacin de datos secundarios es una estrategia que cuenta con una larga historia
en las Ciencias Sociales. Desde el estudio fundacional de mile Durkheim sobre las
causas sociales del suicidio hasta nuestros das, este tipo de datos ha sido
5
ampliamente utilizado para abordar una multiplicidad de fenmenos. Si su aplicacin
se encuentra ms extendida entre los estudios cuantitativos, una serie de autores han
comenzado a destacar su importancia para investigaciones cualitativas (Corti, Witzel y
Bishop, 2005; Scribano y De Sena, 2009, 2015). En verdad, en ambos enfoques,
demostraron ser tiles para identificar variables significativas, sugerir o verificar
hiptesis (Angell y Freedman, 1972: 291), robustecer el anlisis e interpretaciones de
los propios datos, facilitar la construccin y el testeo de instrumentos de registro,
multiplicar la cantidad de preguntas sobre el material disponible (Thompson, 2000:
prrafo 41), facilitar la comparacin a travs del tiempo, del espacio y de los grupos
sociales (Scribano y De Sena, 2009: 110), y ganar en amplitud y profundidad sobre los
fenmenos de inters (Otamendi y Otero, 2009: 3).
Los datos secundarios se caracterizan no haber sido elaborados para responder a los
propsitos especficos de nuestro trabajo, sino que corresponden al registro de una
observacin realizada () en contextos de produccin diferentes a los cuales se
los pretende inscribir en una oportunidad determinada. (Scribano y De Sena, 2009:
105, destacado nuestro). La utilizacin de informacin censal para el anlisis de la
estructura de oportunidades ocupacionales femeninas y masculinas (Saut, 1991), o la
descripcin de la estructura demo-espacial de la Aglomeracin Gran Buenos Aires
(Marcos, 2013) constituyen ejemplos de investigaciones basadas en fuentes
secundarias. Tambin lo es el anlisis que Thompson (2000) hace sobre los cambios
en las relaciones entre nietos y abuelos a partir de entrevistas en profundidad
realizadas una dcada antes. Anlogamente, las cartas, las notas periodsticas o las
fotografas slo por mencionar algunos ejemplos- no deben ser consideradas datos
secundarios porque, en realidad, no son datos. Como ya dijimos, los datos son
representaciones analticas de hechos fcticos que surgen como resultado de un
proceso de produccin terico-metodolgico. Entonces, para que las cartas, las
fotografas o las notas periodsticas formen parte de un corpus de estudio, primero,
debemos seleccionarlas siguiendo criterios tericos y, luego, interpelarlas
analticamente. Clasificarlas como datos secundarios sera olvidar este proceso de
construccin.
6
informacin disponibe para contextualizar el problema de investigacin por ejemplo,
el uso de estadsticas o de legislacin- no constituye un diseo basado en fuentes
secundarias ya que slo se apoya en ellas para ampliar o profundizar la descripcin
del fenmeno. La formulacin de preguntas-problema y la elaboracin de un marco
terico a partir del cual interpretarlos son elementos indispensables para realizar
investigaciones basadas en datos secundarios, independientemente de que no sean la
nica fuente y se decida integrarla con otras. Por ello, tambin podemos referirnos a
estos estudios como anlisis secundarios.
Por todo lo dicho hasta aqu, queda claro que los datos primarios y los datos
secundarios no son dos clases esencialmente diferentes, sino partes de una misma
secuencia: todo dato secundario fue primario en sus orgenes y todo dato primario se
convierte en secundario a partir del momento en que el investigador concluye su
trabajo. Por igual motivo, los datos secundarios pueden surgir de aplicar las mismas
tcnicas de investigacin que se utilizan para construir evidencias empricas de
primera mano. Esto significa que podemos encontrar datos secundarios producidos
por medio de encuestas, entrevistas u observaciones por slo mencionar las tcnicas
ms utilizadas en sociologa.
7
Ahora bien, una diferencia significativa entre las investigaciones basadas en datos
primarios y datos secundarios es la ausencia del trabajo de campo en estas ltimas.
Cuando el investigador decide estudiar un fenmeno a partir de datos disponibles no
desarrolla ni aplica instrumentos de registro porque dichas tareas fueron realizadas
con anterioridad. De esta cualidad, derivan algunas ventajas y desventajas3.
3
Las ventajas y desventajas que aqu se mencionan se elaboraron en base a la lectura de
Angell y Freedman (1972); Dinardi (2005); Gonzlez Rodrguez (1996); Morales y Gonzlez
(2012); Otamendi y Otero (2009); Scribano y De Sena (2009, 2015). Para profundizar en algn
tema de inters, se recomienda consultar dichos textos.
4
Este dato surge de la participacin en el proyecto de investigacin UBACyT 2008-2010:
Exclusin, control social y diversidad en la relacin entre el migrante externo y las instituciones
educativa y judicial dirigido por Nstor Cohen, con sede de trabajo en el Instituto de
Investigaciones Gino Germani, Facultad de Ciencias Sociales, UBA.
8
las estadsticas producidas por el Banco Mundial5 o la Comisin Econmica para
Amrica Latina y el Caribe (CEPAL) 6. Finalmente, la disponibilidad de datos
secundarios permite analizar temas o poblaciones de difcil acceso. Ciertos hechos
slo pueden ser registrados por instituciones especficas y/o legalmente habilitadas.
Por ejemplo, Morales y Gonzlez (2012) sealan que las cmaras empresariales
constituyen actores privilegiados para producir informacin sobre sus asociados y
sectores de actividad. Algo similar puede decirse de las dependencias estatales
dedicadas a la construccin de estadsticas criminales, como se ver ms adelente.
Primero, puede haber diferencias entre las unidades de anlisis. Por ejemplo, en un
estudio realizado tiempo atrs, desabamos conocer las principales caractersticas
5
Base de datos disponible en http://datos.bancomundial.org/
6
Base de datos disponible en http://estadisticas.cepal.org/
9
socio-demogrficas de las madres y padres menores de 19 aos de la Provincia de
Buenos Aires durante el perodo 2005-2012. Sin embargo, no pudimos cumplir
enteramente con dicho objetivo porque las estadsticas vitales producidas por el
Ministerio de Salud de la Nacin no brindan informacin sobre los padres de los recin
nacidos.
10
3- Restricciones en el acceso. Uno de los mayores desafos a la hora de trabajar con
informacin de segunda mano refiere a su acceso y disponibilidad. Habitualmente, la
produccin y publicacin de datos suponen procesos de mediano o largo plazo que
pueden resultar incompatibles con nuestros requerimientos. En algunos casos, la
posibilidad de trabajar con fuentes secundarios depende de superar limitaciones ticas
y legales como puede ser obtener el consetimiento de todos los participantes del
trabajo original. Por ello, las tareas y tiempos destinados a la obtencin de datos
secundarios no deben ser subestimadas y deben estar debidamente incorporados en
la planificacin de este tipo estudios.
11
operar con ellos. Lo mejor es estar preparados para cuando llegue el momento
conociendo algn truco que permita dominarlos. Para Becker, ese truco consiste en
preguntar de dnde sali la informacin, quin la obtuvo, cules son sus lmites
organizacionales y conceptuales y cmo todo eso ha afectado los diagramas y tablas
que estamos analizando. (Becker, 2009: 137).
A fines pedaggicos, organizamos este truco en cinco preguntas que sirven de gua
para reconstruir el proceso que dio origen a los datos secundarios y determinar si
stos son compatibles con nuestros objetivos. Dichos interrogantes sern ms
sencillos de responder cuanto ms experimentada sea la fuente. Mientras que los
institutos de estadstica, centros de investigacin u organismos con tradicin en la
produccin de informacin suelen explicitar las decisiones tomadas en apndices o
documentos metodolgicos; las fuentes poco especializadas habitualmente no cuentan
con estos registros. En estos casos, recomendamos entrevistar a las personas que
estuvieron a cargo del trabajo de campo y/o del procesamiento de la informacin. Si
bien esta evaluacin requiere ms esfuerzo, es indispensable realizarla porque los
riesgos de analizar este tipo de fuentes son demasiados para obviar la tarea.
12
grficos. Es cierto que mayores niveles de desegregacin brindan mayores
posibilidades en el anlisis pero cada situacin debe examinarse en particular porque
tal vez podamos cumplir con nuestros objetivos con slo analizar tabulados ya
confeccionados.
Hasta dnde indagar depender de los objetivos del estudio. Por ejemplo, si la
investigacin se centra en la reconstruccin de los procesos de toma de decisiones de
una organizacin, alcanza con un anlisis relativamente formal. En cambio, si
trabajamos con historias de vida precisaremos un conocimiento ms extenso sobre el
contexto de produccin y la trayectoria de los sujetos. Al respecto, Van den Berg
(2005) recomienda seguir el principio de parsimonia. Este principio implica el
reconocimiento de que la contextualizacin completa es inalcanzable y que la
contextualizacin es siempre limitada. Por lo tanto, uno debe restringirse a las
caractersticas contextuales que se supone que son los ms relevantes para la
interpretacin de los datos textuales. Este principio tambin implica que al determinar
la relevancia contextual es inevitable introducir supuestos no probados. (Van den
Berg, 2005: prrafo 43, traduccin propia). A modo de ejemplo, en el recuadro
siguiente se detallan algunos requisitos mnimos para efectuar anlisis secundarios de
entrevistas en profundidad:
13
Informacin necesaria para anlisis secundario de entrevistas cualitativas
14
objetivos que estn detrs de los datos que analizamos resulta importante para
evaluar el contexto de produccin y su pertinencia para nuestra propia investigacin.
Por otro lado, debemos prestar atencin a los criterios de seleccin de las unidades de
anlisis y a posibles sesgos en la conformacin de la muestra (si la hubiere). Cuando
los individuos bajo estudio no se corresponden totalmente con nuestros objetivos,
debemos considerar la posibilidad de formar sub-grupos que s sean pertinentes para
nueva investigacin.
Slo haciendo este trabajo, conoceremos las limitaciones de las fuentes consultadas y
estaremos en condiciones de dictaminar su pertinencia para responder a nuestras
15
preguntas de investigacin. En el siguiente apartado, a modo de ejemplo, aplicamos
esta gua basndonos fundamentalmente en el estudio realizado por Luciana Pol y
Micaela Bazzano durante 2008 y 2009 para el Centro de Estudios Legales y Sociales
(CELS) sobre la produccin de estadsticas criminales en Argentina7. Cabe aclarar que
algunas de las situaciones descriptas a continuacin han cambiado durante estos
aos, pero ello no altera el objetivo pedaggico del presente documento.
La centralidad que en los ltimos 20 aos adquirieron los temas relacionados con el
delito y la inseguridad increment la demanda de polticas pblicas en materia de
produccin de estadsticas penales. En efecto, la relevancia de la cuestin hizo que los
tpicos vinculados con la violencia social pasen a ocupar un lugar esencial en la
agenda pblica, con una presencia reiterada en los medios masivos de comunicacin.
En esa arena, el rol y la validez de las estadsticas fueron discutidos por diversos
actores. Esos cuestionamientos pusieron de relieve el carcter construido de las
estadsticas criminales. Como afirma Olaeta: [l]a medicin de la criminalidad presenta
un alto grado de complejidad y permite su abordaje desde diferentes lugares. Se trata
de un fenmeno que no es directamente observable y que, por lo tanto, no cuenta con
una forma de captacin que lo abarque en su conjunto. Por tal motivo, la estrategia
que se elija estar mostrando solamente un aspecto del problema. (Olaeta, 2008 p.7).
En ese contexto, el CELS decidi realizar un estudio para analizar las condiciones de
produccin de las estadsticas criminales en Argentina por parte de las agencias
estatales o, lo que es igual, analizar cmo se construyen las cifras oficiales del delito.
En particular, examin la forma de registro, publicacin y utilizacin de las mismas,
asumiendo que estos procesos son interdependientes de los debates y decisiones
pblicas en materia de seguridad. En efecto, una de las hiptesis del estudio fue que
existen situaciones que no estn reflejadas en las estadsticas porque entre otros
factores- las categoras usadas y las rutinas de trabajo, las invisibilizan.
7
Los resultados completos de dicha investigacin pueden consultarse en Bazzano y Pol
(2010).
16
Del universo de hechos delictivos, la investigacin del CELS se focaliz en los
homicidios dolosos, esto es, hechos que comportan un grado extremo de violencia
social al buscar intencionalmente la muerte de una persona8. Las consecuencias
irreversibles y el bien afectado (la vida) hacen que este tipo de delito sea uno de los
ms reprobables socialmente, lo cual tiene correlato en las sanciones previstas para
quien lo comete. Este recorte qued justificado por ser un indicador de violencia sin
sub-registro: para los homicidios dolosos no existe lo que se llama cifras negras
porque toda muerte queda registrada a travs del sistema de salud, de justicia y/o de
la fuerza policial. En cambio, indicadores como robos, hurtos o lesiones presentan
mayores niveles de sub-registro porque no todos son denunciados o se dan a conocer
cuando ocurren.
8
En contraposicin, se denomina homicidio culposo al delito que deriva en la muerte de una
persona fsica por una accin involuntaria o negligente como, por ejemplo, un accidente de
trnsito.
9
Adicionalmente, la investigacin relev informacin sobre la Direccin Nacional de Poltica
Criminal (DNPC), la Morgue Judicial, el Registro Nacional de Reincidencia (RNR), la Oficina de
Estadsticas de la Corte Suprema de Justicia de la Nacin y la Universidad Nacional de Lans
(UNLa).
17
La Direccin Nacional de Poltica Criminal (DNPC) del Ministerio de Justicia y
Derechos Humanos de la Nacin es la oficina responsable de sistematizar, procesar y
publicar las estadsticas sobre criminalidad y funcionamiento de la justicia en el pas.
Fue creada en 1991 con el objetivo de realizar investigaciones criminolgicas y brindar
asesoramiento al poder ejecutivo en materia de poltica criminal. Hasta ese ao, no
exista un organismo que cumpliera dicha misin, por lo cual, la informacin existente
hasta entonces era producto de los esfuerzos puntuales realizados por organismos
que no tenan como eje central la produccin de datos (Olaeta, 2008: 15)10.
Estos informes solan estar disponibles en la pgina web de la DNPC entre los meses
de abril y mayo de cada ao. Pero en el ao 2005, comenzaron a producirse retrasos
importantes en la publicacin de los mismos, pudiendo ser consultados recin durante
el ltimo trimestre del ao siguiente. A fines de 2007, el sitio web fue eliminado
sorpresivamente. A partir de entonces, se deba extender una solicitud al Ministro de
Justicia y Derechos Humanos para que autorizara (o negara) el pedido sin un plazo
estipulado de respuesta11. Los pedidos realizados por el CELS demoraron en ser
atendidos varios meses y algunos incluso nunca fueron contestados.
De acuerdo con los entrevistados, los datos publicados por la DNPC se utilizan, en
primer lugar, a nivel interno. Las autoridades polticas sobre todo, las de mayor
jerarqua- los emplean para disear programas de accin o elaborar proyectos de ley.
10
Segn el mismo autor, el Registro Nacional de Reincidencia es el nico antecedente
relevante que se puede destacar como precursor en la produccin de estadsticas criminales.
11
Al momento de escribir este documento, la informacin est disponible de nuevo en Internet.
En la pgina web de la DNPC se pueden consultar los informes SNEEP para el perodo 2002-
2013 y los informes SNIC para el perodo 2002-2008. <http://www.jus.gob.ar/areas-
tematicas/estadisticas-de-politica-criminal/mapa.aspx>.
18
El grado de aprovechamiento depende de cada gestin, registrndose variaciones
considerables a lo largo del tiempo. En segundo lugar, la DNPC enva los informes a
las autoridades provincias porque estiman que stas los utilizan para confeccionar
polticas pblicas. Tambin los remite al INDEC, quien los publica en sus anuarios
estadsticos. En tercer lugar, la DNPC atiende solicitudes personales de legisladores,
funcionarios del poder ejecutivo, investigadores y miembros de organizaciones no
gubernamentales. Estos pedidos se han incrementado en los ltimos aos,
presumiblemente por la importancia que adquiri la temtica en la agenda pblica.
Ahora bien, cmo produce la DNPC las estadsticas sobre los homicidios dolosos
ocurridos en el pas? El primer paso es la notificacin del hecho, la cual se origina
mediante una denuncia personal en sede policial, o por las actuaciones de oficio que
realizan las propias fuerzas de seguridad. En ambas situaciones, la polica inicia un
sumario y da aviso a la autoridad judicial correspondiente, encargada de investigar el
hecho. Los sumarios iniciados por una denuncia particular representan la mayor parte
de los casos (Pita y Olaeta, 2010: 218).
En cada comisara, existe un oficial que realiza tareas administrativas, entre ellas,
consultar los sumarios policiales para completar las planillas SNIC y SAT solicitadas
por la DNPC. Las planillas de SNIC slo informan nmeros globales de cada tipo de
delito por comisara (VER ANEXO I). En cambio, en las planillas SAT se registra una
serie de datos sobre las circunstancias de los hechos y el perfil de las personas
involucradas. Estos datos son requeridos para los homicidios dolosos, los homicidios
culposos en accidentes de trnsito, los delitos contra la propiedad y los suicidios (VER
ANEXO II). El hecho de que cada comisara complete dos planillas permite detectar
inconsistencias en la informacin.
Por ltimo, la DNPC consolida los datos de las planillas, procesa la informacin y
confecciona los cuadros que publica en el informe anual de estadsticas. ste se
19
realiza siguiendo un modelo que incluye entre 70 y 80 cuadros que se mantienen
constantes cada ao. El diseo de este informe fue creado por un equipo de trabajo de
la DNPC, siguiendo las sugerencias de integrantes de la fuerzas de seguridad,
especialistas en derecho y acadmicos. Cabe destacar que los datos disponibles en
estas bases no son accesibles para ninguna de las fuerzas de seguridad ni para las
policas que los informan (Pita y Olaeta, 2010: 217). No obstante, si algn organismo
pblico requiere informacin distinta de la publicada en los anuarios, la DNPC procesa
y enva los datos solicitados.
En todas estas etapas, existen dos formas de controlar la calidad del registro de la
informacin: una supervisin interna, que depende de cada polica provincial y escapa
al conocimiento de la DNPC; y una supervisin externa, que hace la DNPC sobre la
informacin remitida por cada organismo provincial.
20
una revisin y rectificacin de los datos. La DNPC reconoce que existen falencias en el
proceso de control por falta de recursos y, sobre todo, por discrepancias acerca de las
competencias jurisdiccionales. Al respecto, hay quienes cuestionan el hecho de que un
organismo federal como la DNPC- tenga capacidad de inmiscuirse en los registros de
instituciones locales. Algunas provincias invocan este argumento para justificar
demoras en el envo de la informacin.
Fuente: SNIC-DNPC
21
primera instancia era una lesin se transforma en un homicidio por la muerte de la
vctima acontecida con posterioridad al registro estadstico realizado en la polica y
esto no se ver reflejado en los datos producidos por la fuente policial (Pita y Olaeta,
2010: 221). Este problema es propio de las bases de datos estticas. Siendo esta
circunstancia conocida, podran pensarse maneras de compensar el problema como,
por ejemplo, crear bases de datos dinmicas que integren distintas fuentes para seguir
el curso de los hechos registrados.
12
Ley 17.622/68 (Decreto Reglamentario 3110/70).
22
nivel est interrelacionado y tienen autonoma para la produccin y difusin de
informacin.
A nivel nacional, la DEIS cuenta con un plan de publicaciones que incluye boletines y
series que se edita ininterrumpidamente desde 1984. Los boletines presentan
informacin anticipada preliminar o provisoria- o bien, adelantos de anlisis de datos
cuyos resultados se publicarn posteriormente. Las series incluyen anuarios con
informacin bsica sobre estadsticas vitales y de salud; resultados de investigaciones;
material didctico para personal en el sistema estadstico; y conclusiones y/o
recomendaciones de reuniones, talleres de trabajo, congresos y seminarios. Desde el
ao 2000, la DEIS cuenta una pgina web donde publica las estadsticas e indicadores
bsicos relevados, con sus respectivas especificaciones metodolgicas13. Adems,
entrega este material en soporte papel de manera gratuita en sus oficinas. Cabe
destacar que ante pedidos especficos, pone a disposicin las bases de datos para
que los usuarios produzcan sus propias tablas y grficos.
Y cmo produce estos datos? La informacin para construir las estadsticas sobre
homicidios dolosos proviene de una planilla que completa el mdico al momento de
declarar la defuncin de una persona. Cuando ocurre un fallecimiento, el mdico llena
un formulario que consta de dos secciones: el Certificado de Defuncin, que tiene
como objetivo el registro del hecho con fines legales (VER ANEXO III); y el Informe
Estadstico de Defuncin, cuyo objetivo es la captacin de datos con fines estadsticos
(VER ANEXO IV). Por razones de competencia profesional, corresponde al mdico
preferentemente al mdico tratante- la responsabilidad de suministrar esta
informacin. Por consiguiente, de l depende que las estadsticas reflejen lo ms
fielmente posible el perfil de la mortalidad.
13
http://www.deis.msal.gov.ar/institucional.htm
23
Ambas planillas son enviadas al Registro Civil donde se completan los datos que el
mdico pudo haber dejado en blanco, utilizando otro color en la escritura para
diferenciar lo que se est agregando. Se trata siempre de informacin no mdica como
edad, tipo de cobertura mdica, etc. Luego, el Informe Estadstico de Defuncin se
remite a la Oficina Provincial de Estadsticas de Salud, quien hace el control de la
integridad, de calidad, la codificacin y el ingreso al soporte electrnico de esa
informacin. Finalmente, cada provincia enva la informacin a la DEIS, donde se
vuelve a controlar la integridad, la consistencia y congruencia de los datos antes de su
publicacin. La DEIS queda como responsable de la custodia de las bases de las 24
provincias.
24
Estadsticas Vitales bajo las categoras que figuran en el siguiente recuadro14,
discriminando por sexo y grupos etarios:
14
Se presentan los grandes grupos de causas conocidas excluyendo los subtipos, con
excepcin de las causas externas.
15
Estadsticas Vitales 2003 (pp. 33-34). Disponible en: http://www.bvs.org.ar/pdf/anuario03.pdf
25
Las muertes causadas por situaciones violentas figuran entre las categoras que
presentan los mayores niveles de sub-registro. En particular esto sucede: (a) cuando
alguien es agredido fsicamente y fallece luego de agonizar durante un tiempo, ya que
el motivo de su muerte no se registra como agresin sino por la causa clnica
inmediata (ej. politraumatismo). (b) Cuando existen dudas sobre la causa de
defuncin, el mdico completa lo menos posible los formularios y realiza una denuncia
para que el forense determine si la muerte fue violenta. Estos casos son contabilizados
por la DEIS como defunciones por intencin no determinada. En el ao 2006, hubo
1.921 casos registrados bajo dicha categora16. La fuente alternativa que podra brindar
esta informacin es el Poder Judicial pero, al no encontrarse informatizado, no estn
registrados los cambios en los expedientes cuando se determinan las circunstancias
de defuncin o se resuelven los casos penales.
A fin de comparar estas estadsticas con las elaboradas por la DNPC, a continuacin,
se presenta los datos publicados por ambos organismos para el total del pas durante
el decenio 1997-2007:
16
Estadsticas Vitales 2006 (p.36). Disponible en: http://www.bvs.org.ar/pdf/anuario06.pdf
26
policiales iniciados por denuncias o actuaciones de oficio, mientras que las
estadsticas de la DEIS se apoyan en las planillas que completan los mdicos ante
cada defuncin. Estas ltimas registran una menor cantidad de homicidios porque
muchos casos clasificados como eventos de intencin no determinada son, en
realidad, homicidios dolosos. Esto nos invita a pensar que las estadsticas producidas
por la DNPC son ms vlidas para medir la cantidad de homicidios intencionales que
las publicadas por la DEIS, aun cuando sta tambin presentan problemas de sub-
registro.
27
dolosos cometidos por personal
de las fuerzas de seguridad.
(*) Informacin actualizada a noviembre de 2015.
Fuente: Elaboracin propia
5. Palabras finales
Esperamos entonces que los contenidos aqu desarrollados inviten a los lectores a
ejercer una sociologa reflexiva y les brinden elementos para desentraar ms
fcilmente los posicionamientos tericos y metodolgicos que estn detrs de los
datos que nos vienen dados. Esperamos tambin que estos contenidos no sean
interpretados como reglas universales, sino como criterios generales para utilizarlos
contextualmente. Como dicen Bourdieu, Chamboredon y Passeron: A la tentacin que
siempre surge de transformar los preceptos del mtodo en recetas de cocina cientfica
o en chucheras de laboratorio, slo puede oponrsele un ejercicio constante de
vigilancia epistemolgica que, subordinando el uso de tcnicas y conceptos a un
examen sobre las condiciones y los lmites de su validez, proscriba la comodidad de
una aplicacin automtica de procedimientos probados y seale que toda operacin,
no importa cun rutinaria y repetida sea, debe repensarse a s misma y en funcin del
caso particular. (2008: 20-21).
28
Bibliografa
Corti, L., Witzel, A., y Bishop, L. (2005). On the potentials and problems of secondary
analysis. An introduction to the FQS special issue on secondary analysis of
qualitative data. Forum Qualitative Sozialforschung / Forum: Qualitative Social
Research, 6(1), Art. 49.
Corti, L., y Bishop, L. (2005). Strategies in teaching secondary analysis of qualitative
data. Forum Qualitative Sozialforschung / Forum: Qualitative Social Research, 6(1),
Art. 47.
Dinardi, M. C. (2005). Fuentes de datos secundarias en Argentina: descripcin,
comparacin y anlisis. Serie Informes de Investigacin N16. Demografa Social.
Carrera de Sociologa. Universidad de Buenos Aires. Disponible en:
http://www.catedras.fsoc.uba.ar/demografiasocial/infodeinv/II16.pdf. (ltimo acceso:
15 de agosto de 2015).
Gonzlez Rodrguez, B. (1996). La utilizacin de los datos disponibles. En M. Garca
Ferrando, J. Ibez y F. Alvira (eds.), El anlisis de la realidad social. Mtodos y
tcnicas de la investigacin (pp. 245-271). Madrid: Alianza.
Lago Martnez, S., Mauro, M., De Sena, A. y De Luca, A., (2003). Los errores no
muestrales en la tcnica de encuestas. En S. Lago Martnez; G. Gmez Rojas; M.
Mauro; (coord.) En torno de las metodologas: abordajes cualitativos y cuantitativos
(pp. 271-284). Buenos Aires: Editorial Proa XXI.
Marcos, M. (2013). Ms all de los promedios: diferencias y especificidades
intraurbanas. La estructura demo-espacial de la Aglomeracin Gran Buenos Aires
en el ao 2001. Tesis para optar por el ttulo de Doctor en Ciencias Sociales,
Universidad de Buenos Aires.
Morales, N., y Gonzlez, M. (2012). Datos secundarios en la investigacin social:
evaluacin de su calidad. Documento de trabajo. Metodologa de la Investigacin
Social II. Carrera de Sociologa. Universidad de Buenos Aires. Mimeo.
Olaeta, H. (2008). Estadsticas criminales y sistemas de informacin. Buenos Aires:
Instituto Latinoamericano de Seguridad y Democracia (ILSeD).
Otamendi, A., y Otero, M. P. (2009). Anlisis de datos secundarios cuantitativos:
ejemplos de uso de datos en el contexto argentino. Documento de Ctedra N 57.
Metodologa y Tcnicas de la Investigacin Social. Carrera de Sociologa.
Universidad de Buenos Aires. Disponible en:
29
https://metodosautu.wordpress.com/documentos-de-catedra/. (ltimo acceso: 15 de
agosto de 2015).
Pita, M. V., y Olaeta, H. (2010). Primeros apuntes para una etnografa de la produccin
de estadsticas oficiales en materia de criminalidad. En R. Kant de Lima; L. Eilbaum;
L. Pires (org.). Conflitos, direitos e moralidades em perspectiva comparada (pp.
211-244). Rio de Janeiro: Garamond.
Saut, R. (1991). Oportunidades ocupacionales diferenciales por sexo en Argentina:
1970-1980. Revista Estudios del Trabajo, 1, pp. 47-76.
Scribano, A., y De Sena, A. (2009). Las segundas partes s pueden ser mejores:
algunas reflexiones sobre el uso de datos secundarios en la investigacin
cualitativa. Sociologias, 11(22), pp. 100-118.
Scribano, A., y De Sena, A. (2015). Revisiones sobre el uso de datos secundarios en la
investigacin cualitativa. En A. De Sena (Ed.), Caminos cualitativos. Aportes para la
investigacin en ciencias sociales (pp. 101-121). Buenos Aires: Imago Mundi /
CICCUS.
Thompson, P. (2000). Re-using qualitative research data: a personal account. Forum
Qualitative Sozialforschung / Forum: Qualitative Social Research, 1(3), Art. 27.
Van den Berg, H. (2005). Reanalyzing qualitative interviews from different angles: the
risk of decontextualization and other problems of sharing qualitative data. Forum
Qualitative Sozialforschung / Forum: Qualitative Social Research, 6(1), Art. 30.
Weber, M. (1973 [1904]). La objetividad cognoscitiva de la ciencia social y de la
poltica social. En M. Weber: Ensayos sobre metodologa sociolgica. Buenos Aires:
Amorrortu editores.
30
Sociologias
ISSN: 1517-4522
revsoc@ufrgs.br
Universidade Federal do Rio Grande do Sul
Brasil
DOSSI
Sociologias, Porto Alegre, ano 11, n 22, jul./dez. 2009, p. 100-118
ADRIN SCRIBANO 1
ANGLICA DE SENA 2
Resumen
El anlisis de datos secundarios es una de las estrategias ms antiguas que
los socilogos han empleado para dar cuenta de fenmenos de la realidad social
sobre los que se dispona de informacin elaborada por otros
El presente trabajo tiene por objetivo establecer una reflexin sistemtica
sobre el uso de informacin secundaria en los procesos de investigacin social
cualitativos.
El articulo consta de cuatro partes: 1.- hacia una definicin de dato y anlisis
secundario; 2. ventajas y desventajas del uso de informacin secundaria; 3.-
cmo, por qu y para qu re-usar informacin cualitativa, y 4.- algunas propuestas
a modo de apertura de un campo de discusin.
Abogamos por establecer criterios claros que puedan facilitar el uso y anlisis
de informacin elaborada por otros y/o en diferentes contextos de produccin.
Palabras clave: Datos secundarios. Investigacin cualitativa. Re-uso de informacin.
Introduccion
M
uchas veces al comentar con amigos el prximo estreno de la
segunda parte de una pelcula, aparece con mucha frecuencia
la expresin las segundas partes nunca son buenas....
En la investigacin social no hay segundas partes pero muchas
veces usamos informacin que otros han producido con
anterioridad o que nosotros mismos hemos elaborado en el pasado.
Un sinnmero de preguntas suelen hacerse sobre la validez, la
comparabilidad, y la inscripcin terica de informaciones que no han sido
construidas con los mismos propsitos, con la misma estrategia de indagacin
y desde diferentes perspectivas tericas. En este contexto, las ms de las
veces respecto a estrategias cuantitativas, se plantean las reflexiones sobre
el uso y administracin de datos secundarios.
El presente trabajo tiene por objetivo establecer una reflexin sistemtica
sobre el uso de informacin secundaria en los procesos de investigacin social
cualitativos. Para alcanzar dicho objetivo se ha seguido la siguiente estrategia
expositiva: 1) se hace una resea de algunas maneras de definir a los datos
secundarios tanto en estrategias cuantitativas como cualitativas; 2) se sintetiza
las potencialidades y obturaciones que emergen del uso de informacin secun-
daria; 3) se propone y justifica la utilizacin de informacin secundaria en los
diseos cualitativos; y 4) se concluye con algunas propuestas para potenciar y
mejorar dicha utilizacin. Se termina abogando por avanzar en procesos
colaborativos de investigacin con la articulacin de diversas fuentes de informacin.
realidad social sobre los que se dispona de informacin elaborada por otros.
Dos ejemplos claros lo constituyen Durkheim y Marx.
En los Manuales de Metodologa, ms usados, la problemtica suele
inscribirse en el desarrollo de la temtica sobre el uso de fuentes de
informacin secundaria y/o aparece asociada a la seleccin del tema/
planteamiento del problema3.
En, un no tan breve recorrido por distintos manuales de metodologa
es posible observar por un lado la falta de mencin a las investigaciones con
datos secundarios (por ejemplo Padua 2000; Mayntz 2004; Galtung; 1978),
por otro la mencin (tal vez escueta) especficamente ligada a investigaciones
de tipo cuantitativas (por ejemplo Sautu et alt 2005; Grawitz 1975).
Entre las distintas formas de definir este tipo de estrategia de
investigacin hallamos un modo contundente expuesto por Sierra Bravo:
Se entiende por anlisis secundario de documentos o
de datos documentales todo posterior anlisis de un
conjunto de datos primarios que ofrezca interpretaciones
y conclusiones adicionales o en forma diferente a la
presentada en el primer informe de investigacin.
(SIERRA BRAVO, 2003, p. 292)
Siguiendo al mismo autor, ello implica dos requisitos: 1) un anlisis
posterior o re anlisis de datos obtenidos y analizados anteriormente; 2)
que el nuevo anlisis no sea repeticin de los anlisis conocidos ya realiza-
dos con los datos, sino hacer tratamientos diferentes, interpretaciones dis-
tintas, adicionales.
En todos los casos, los diversos autores resaltan la importancia de la
validez y fiabilidad de la informacin, es decir considerar fuertemente as-
pectos tericos-epistemolgicos y metodolgicos tales como, el proceso de
captacin de la informacin; las definiciones utilizadas al recogerse la
3 CFR Solo como ejemplo, Cea DAncona (1998: 219-236) y Selltiz , et alt. (1980: 507- 526)
SOCIOLOGIAS 103
4 Para mencionar tres experiencias claras de dichas discusiones se pueden ver las publicaciones de
carcter internacional FQS: Forum: Qualitative Social Research; IJSRM: International Journal of
Social Research Methodology, MI: Methodological Innovations Online
104 SOCIOLOGIAS
Tabla 3.
Objetivos Estrategia Posicin(es)
Metodolgica Narrador(es)
Idnticos
Similares
Diferentes
c) Van den Berg realiza seis recomendaciones para disminuir los obs-
tculos que producen los contextos diferentes de produccin de
datos cuando usamos informacin secundaria proveniente de en-
trevistas, ellos son:
1. Informacin sobre el contexto discursivo de las respuestas del
entrevistado. A menudo las entrevistas de una investigacin se graban
y desgraban es necesario poseer la grabacin a fin de dar cuenta
del modo en que se construy la conversacin entre entrevistado y
entrevistador.
2. Informacin acerca de la historia discursiva de las respuestas del
entrevistado. Es necesario contar con toda la entrevista, y
considerarla como una totalidad.
3. Informacin sobre las caractersticas y antecedentes del
entrevistador y entrevistado. Al menos las caractersticas sociales
que son visibles o cognoscibles para los propios participantes (tales
como edad, sexo, etnia, clase social) deben estar disponibles.
4. Informacin contextual pertinente para la interaccin en la
realizacin de la entrevista, tal como las caractersticas del lugar, la
presencia de terceras personas, etc.
5. Informacin acerca del modo de seleccin del entrevistado.
6. Informacin acerca del contexto social ms amplio, no solo de
los entrevistados. (VAN DEN BERG, 2005)
Retomando lo afirmado hasta aqu, y ms all de los pasos posibles
para realizar anlisis secundario queremos sostener la importancia de recor-
dar algunas operaciones bsicas para hacerlo:
a) Mantener una permanente duda radical (sensu Bourdieu) sobre
lo que para nosotros signifiquen la informacin re-usada.
b) Establecer un continuo entre la reflexividad de la investigacin de
origen y la nuestras.
SOCIOLOGIAS 113
Abstract
The analysis of secondary data is one of the oldest strategies that sociologists
have used to work with the phenomena of social reality when the available
information was prepared by others. This study intends to establish a systematic
reflection on the use of secondary information in the processes of qualitative social
research. The article is divided into four parts: the first works on a definition of data
and secondary analysis; the second part discusses advantages and disadvantages of
the use of qualitative information; the third asks how, why and what for is the reuse
of qualitative information; and finally the fourth part presents some proposals for
discussion. The aim is to establish clear criteria that would facilitate the use and
analysis of information produced by others and / or in different contexts of production.
Keywords: Secondary data. Qualitative research. Reuse of information.
Referencias
CEA DANCONA, M. ngeles. Metodologa cuantitativa: estrategias y tcnicas de
investigacin social. Madrid: Ed. Sntesis sociologa, 1998.
CORTI, Louise. Progress and Problems of Preserving and Providing Access to
Qualitative Data for Social Research - The International Picture of an Emerging
SOCIOLOGIAS 117
Recebido: 04/02/2009
Aceite final: 02/03/2009