Vous êtes sur la page 1sur 38

!!

la

fiMiiiii&!@4. II!!!B'~~

1.

la ciencia en las ciencias sociales

1.

Introduccin

Este libro trata de la investigacin en las ciencias sociales y tiene un objetivo prctico: disear investigaciones que generen inferencias vlidas sobre la vida social y poltica. Nos centramos en la ciencia poltica, pero nuestro argumento es aplicable a disciplinas como la sociologa, la antropologa, la historia, la economa y la psicologa, as como a reas que no se consideran una disciplina, como las tcnicas periciales, la investigacin en temas de educacin y el razonamiento clnico. Nuestra obra no se ocupa de la filosofa de las ciencias sociales, ni tampoco es un manual para tareas especficas de la investigacin como el diseo de encuestas, la realizacin del trabajo de campo o el anlisis de datos estadsticos. En realidad, trata del diseo de la investigacin: de cmo plantear preguntas y .moldear los estudios acadmicos para extraer inferencias descriptivas y causales vlidas. Por lo tanto, se sita en un zona intermedia entre las abstractas polmicas filosficas y las tcnicas prcticas para centrarse en la lgica intrnseca que subyace en toda investigacin social cientfica.

1.1 Dos formas de investigar, una sola lgica inferencial


Nuestro principal objetivo es relacionar las tradiciones de 10 que se suele denominar investigacin cuantitativa y cualitativa mediante una misma lgica inferencial. Ambas tendencias parecen bastante diferentes y, de he-

g;'131Jl;YlfQ;~~:

.11:;;>~~~<J -.: ;~~~-:

~:tl'~;::i~
.;1":'''"'''J'~_''-''''::''~='_t.._x..~_=--~~_, .. ;;-''~5'..t.c;:;.:,:..;..,,,~-.:""'Z:..''''''$",~--''--''II':lk-~'b_

L2 (,:,:o?!l~-D
.;:.u--=---=..~~~~~!~~

en

t,.3S ~i~rf~22

sn(j.ate::::

cho, a veces se consideran enfrentadas. Para nosotros, tales diferencias slo son una cuestin de estilo y de tcnicas especficas. Los dos tipos de investigacin participan de una misma lgica subyacente, que suele explicarse y formalizarse claramente a! analizar mtodos cuantitativos. Sin embargo, esta lgica inferencia! es igual a la que respalda las buenas investigaciones cualitativas, y tanto los cualitativistas como los cuantitativistas se beneficiaran si se le concediera una atencin ms explcita al disear investigaciones. Los estilos de la investigacin cuantitativa y cualitativa son muy diferentes. La primera se sirve de nmeros y mtodos estadsticos. Suele basarse en medidas numricas de ciertos aspectos de los fenmenos; parte de casos concretos para llegar a una descripcin general o para comprobar hiptesis causales y busca medidas y anlisis que otros investigadores puedan reproducir fcilmente. Por el contrario, la investigacin cualitativa abarca una amplia gama de enfoques, pero, por definicin, ninguno de ellos se basa en medidas numricas. Este tipo de trabajo se centra generalmente en un caso o en un reducido nmero de ellos; se sirve de entrevistas en profundidad o de anlisis detailados de materiales histricos; utiliza un mtodo discursivo e intenta estudiar de forma global o exhaustiva un acontecimiento o unidad. Los cualitativistas, aunque slo tengan un pequeo nmero de casos, suelen sacar a la luz en sus estudios una gran cantidad de informacin, A veces, en las ciencias sociales este tipo de trabajo tiene que ver con estudios de rea o de caso en los que el centro de atencin es un hecho determinado o una decisin, institucin, lugar, problema o ley. Al igual que en la investigacin cuantitativa, el objeto de estudio puede ser importante en s mismo: es un cambio crucial en una nacin, unas elecciones, una decisin transcendental o una crisis mundial. Por qu se derrumb tan sbitamente el rgimen germano oriental en 1989? De forma ms general, por qu casi todos los regmenes comunistas de Europa del Este se vinieron abajo en 1989? A veces, aunque desde luego no siempre, se puede elegir un acontecimiento como ejemplo de un cierto tipo de hechos, como sera el caso de una revolucin poltica o de una determinada comunidad que decide oponerse a la instalacin de un depsito de residuos. Este tipo de trabajo suele estar relacionado con estudios de rea en los que se aborda la historia y la cultura de una determinada parte del mundo. El lugar o acontecimiento en cuestin se analiza de cerca y con todo detalle. Durante varias dcadas, los politlogos han venido contrastando las ventajas de los estudios de caso con las de los estadsticos, las de los estudios de rea con las de los trabajos comparativos, as como las de las investigaciones polticas cientficas, que usan mtodos cuantitativos, con las de las histricas, que se basan en una profunda comprensin de las fuentes escritas o los contextos. Algunos cuantitativistas creen que en las ciencias sociales el nico camino que lleva a la verdad es el anlisis estadstico sistemtico. Los partidarios de la investigacin cualitativa se oponen violenta-

mente a esta idea. Esta diferencia de opiniones genera una viva polmica, pero, por desgracia, tambin divide la disciplina en dos ramas, una cuantitativa-sistemtica-generalizadora Y otra cualitativa-humanista-discursiva. A medida que la primera aumenta la complejidad de sus anlisis estadsticos (y su trabajo se hace menos comprensible para los que no han estudiado las tcnicas), la segunda se convence cada vez ms de que tales anlisis resultan irrelevantes para acontecimientos que, como aquellos que interesan a sus partidarios, no parecen poder reproducirse o generalizarse. Uno de los principales propsitos de este libro es demostrar que las diferencias entre la tradicin cuantitativa y la cualitativa son slo de tipo estilstica y que su importancia en trminos metodolgicos y de contenido es mnima. Puede considerarse -con raznque toda buena investigacin procede de la misma lgica inferencial subyacente. Tanto los estudios cuantitativos como los cualitativos pueden ser sistemticos y cientficos. La investigacin histrica puede ser analtica si lo que pretende es evaluar diversas explicaciones mediante un proceso inferencial causal vlido. La historia, o la sociologa histrica, no es incompatible con las ciencias sociales (Skocpol, 1984, pp. 374-86). Para romper estas barreras es preciso que comencemos por cuestionar el concepto mismo de investigacin cualitativa. Hemos utilizado el trmino en el ttulo de este libro para hacer referencia a nuestro objeto de estudio, pero sin querer decir con ello que la investigacin cualitativa se diferencie fundamentalmente de la cuantitativa, excepto en el estilo. La mayora de las investigaciones no corresponde claramente a una u otra categora, y las mejores suelen combinar caractersticas de los dos tipos. En el mismo proyecto de investigacin, algunos de los datos recogidos pueden ser objeto de anlisis estadstico, pero no as otros elementos igualmente relevantes. Las pautas y tendencias del comportamiento social, poltico o econmico son ms susceptibles de anlisis cuantitativo que el flujo de ideas entre personas o la influencia determinante que tiene un lder extraordinario. Para entender un mundo social en cambio constante tenemos que barajar informacin que no es fcilmente cuantificable y tambin la que s lo es. Adems, todas las ciencias sociales necesitan comparar, lo cual supone que se evale qu fenmenos se parecen ms o menos en cuestin de grado (o sea, diferencias cuantitativas) o de tipo (diferencias cualitativas). Dos magnficos estudios recientes son ejemplo de este punto de vista. En Coercive Cooperation (1992), Lisa L. Martin quiso explicar el grado de cooperacin internacional en materia de sanciones econmicas, analizando cuantitativamente 99 casos en los que se intent aplicar tales medidas despus de la Segunda Guerra Mundial. Aunque este anlisis cuantitativo ofreca mucha informacin valiosa, algunas de las inferencias causales que indicaban los datos eran ambiguas; de ah que Martin decidiera estudiar en detalle seis casos de sanciones con la intencin de recabar ms pruebas de relevancia para su inferencia causal. Para escribir Making Democracy Work

:~}rt-e~~ -~;t-lit~14

~151i~~

f:t c!15ef:o
.__

dr::: ~.a;f:~);~~;~i~~.~.:'1r' i)~..:t,:! ~~~~=~'&;'..4"~~_~"''''~~.

-',
~ ..._"'" ...-c""':..-_ ... -~

,::fi-'.!.J

~:~

-:;l';

t.:-:,::nC'!,E's

.::.ryw31':-;~, .

(1993), Robert D. Putnam y sus colegas entrevistaron a 112 parlamentarios regionales italianos en 1970, a 194 en 1976 y a 234 entre 1981 y 1982, as como a 115 lderes comunitarios en 1976 y a 118 entre 1981 y 1982. Tambin enviaron por correo un cuestionario a ms de 500 lderes comunitarios de todo el pas en 1983. Adems, ex profeso para este trabajo, se llevaron a cabo cuatro encuestas de alcance nacional. No obstante, entre 1976 y 1989 los autores del libro realizaron estudios de caso pormenorizados sobre la vida poltica de seis regiones. Los investigadores, con la intencin de someterse a la prueba del trawna interocular, llegaron a conocer con detalle las maniobras y personalidades polticas que haban animado la poltica regional en las dos ltimas dcadas (Putnam, 1993, p. 190). Las lecciones de estos anlisis deberan ser claras: cualquiera que sea el tema de estudio, ni la investigacin cuantitativa ser mejor que la cualitativa ni al contrario. Dado que muchos asuntos de inters para las ciencias sociales, si han de tener sentido, no pueden formularse de manera que sea posible la comprobacin estadstica de hiptesis mediante datos cuantitativos, no queremos animar a nadie a que utilice nicamente tcnicas cuantitativas. No pretendemos sacar de la biblioteca a todos los cientficos sociales para llevarlos a centros informticos ni sustituir conversaciones irrepetibles por entrevistas estructuradas. En realidad, lo que sealamos es que los estudios no estadsticos tendran resultados ms fiables si los investigadores prestaran ms atencin a las reglas de la inferencia cientfica, que a veces se formulan mejor con el estilo de la investigacin cuantitativa. Los precisos mtodos estadsticos que sustentan esta tendencia conforman modelos formalesabstractos que son aplicables a todo tipo de investigacin, incluso a aquellas en las que las variables no pueden medirse cuantitativamente. El carcter extremadamente abstracto, e incluso poco realista, de los modelos estadsticos es lo que hace que las reglas inferenciales resalten con tanta claridad. Las reglas de la inferencia que analizamos no son relevantes para todos los problemas que los cientficos sociales consideran importantes. Muchos asuntos cruciales de la vida poltica -relacionados con conceptos como el de accin (agency), obligacin, legitimidad, ciudadana o soberana y con la correcta relacin entre las sociedades nacionales y la poltica internacional- tienen un carcter filosfico ms que emprico. Sin embargo, estas reglas s que tienen importancia para toda investigacin en la que el objetivo sea conocer io que ocurre en el mundo real. De hecho, lo que distingue a las ciencias sociales de la observacin ocasional es que la primera pretende hacer inferencias vlidas mediante el uso sistemtico de procedimientos de investigacin contrastados. El hecho de que aqu nos centremos en la indagacin emprica supone dejar de lado muchos problemas de la filosofa de las ciencias sociales, as como las polmicas que se ocupan del papel del postmodernismo, del carcter y existencia de la verdad, del relativismo y de asuntos similares. Partimos de la base de que es posible lograr cierto conocimiento del mundo exterior, pero tal conocimiento siempre ser incierto.

Adems, nada en nuestro conjunto de reglas implica que tengamos que llevar a cabo el experimento perfecto (si es que existe tal cosa) o reunir todos los datos relevantes antes de poder extraer inferencias cientficas vlidas. Merece la pena estudiar un asunto importante aunque se disponga de poca informacin. Si aplicamos cualquier diseo de investigacin a esta situacin las conclusiones sern relativamente inciertas, pero si se admite honestamente tal incertidumbre esta clase de estudio ser muy til. Con frecuencia, la investigacin social se caracteriza por disponer de una informacin limitada. Como el mundo social cambia rpidamente, los anlisis que nos ayudan a comprender las transformaciones han de describirlas e intentar interpretarlas en su contexto, aunque la incertidumbre de nuestras conclusiones sea alta. La necesidad de resolver un problema puede ser tan grande que quiz haya datos -recogidos con los mtodos cientficos ms tiles- que se queden obsoletos antes de organizarlos. Si una persona enloquecida corre hacia nosotros blandiendo un hacha, puede que entregarle un cuestionario de cinco pginas sobre psicopata no sea la mejor estrategia. Joseph Schumpeter cit una vez a Albert Einstein, que haba dicho que siempre que nuestras proposiciones sean ciertas no dirn nada acerca de la realidad, y siempre que no digan nada acerca de la realidad, no sern ciertas (Schumpeter [1936], 1991, pp. 298-299). Sin embargo, aunque la certeza no pueda alcanzarse, la seguridad en nuestras conclusiones, as como su fiabilidad, validez y sinceridad, podrn incrementarse si prestamos atencin a las reglas de la inferencia cientfica. Las ciencias sociales que propugnamos pretenden extraer del mundo inferencias descriptivas y causales. Los que no comparten la premisa de que es posible un conocimiento parcial e imperfecto ni aspiran a una comprensin descriptiva y causal tendrn que buscar en otra parte inspiracin o batallas sobre paradigmas en las que participar. En resumen, aqu no se dan recetas para la investigacin cientfica emprica. Ofrecemos ciertos preceptos y reglas cuya intencin es disciplinar el pensamiento, no sofocarlo. Tanto en la investigacin cuantitativa como en la cualitativa aplicamos de manera imperfecta reglas inferenciales tericas a diseos de investigacin y a datos empricos inherentemente imperfectos. Toda reglamentacin que tenga sentido admitir excepciones, pero hay que pedir que stas se justifiquen de manera explcita, que se evalen sus consecuencias para la fiabilidad de la investigacin y que se plantee la incertidumbre de las conclusiones. No buscamos un dogma, sino un pensamiento disciplinado.

1.2

Definicin de investigacin

cientfica en las ciencias sociales

Nuestra definicin de investigacin cientfica es un ideal al que toda investigacin cuantitativa y cualitativa, inciuso la ms cuidadosa, slo puede aproximarse. Sin embargo, necesitamos definir lo que es una buena investi-

- t-~rc:;<;:_:--:;::2

~-..:d16

~c:17~t~;:~iJtJ

~'" :;J1Se:~.:'~):l.~ '.:~ ~~r,!'-:;'~:;::~C~,.H ~~);"~1;;1


;:-~~;"~~""7~

..

:1.~
.. ""-=;I~~.":"~_. .fi-r
.'~'-""'''-'_o-'':."T:!i''''~-,,''''';~<;;:-~'''''-~=~:''~~

j:~~.~.c~an rss -ci2n~::?s ~ ~0C::~!~=~~",;::-~.:~~-~'=~~""""'-'-:':'!.'!:"=.-::a... ....... ",;::;.~7:"JP~~~';':-':"~:!ZI::h;~.:=~-r=~-'-~~~~.i!'I':!i-q

,"~rn"",:":,""':'"'~~"r"'=-~.$-:--.-"1>"J~~t:;,.w~~~

:~
,,~

gacin, y para ello utilizamos la palabra cientfica como calificativo l. Esta palabra tiene muchas connotaciones injustificables, inapropiadas o, para muchos investigadores cualitativos, completamente incendiarias. De ah que nosotros le demos una definicin explcita. Tiene que quedar claro que no consideramos ms cientfica la investigacin cuantitativa que la cualitativa. El estilo de una buena investigacin -o sea, la que es cientfica- puede ser cuantitativo o cualitativo. Sin embargo, en lo tocante al diseo, la investigacin tiene estas cuatro caractersticas:

~
.~

1.

El objetivo es la inferencia

servaciones y hacen inferencias sobre causas y consecuencias. Si el mtodo y la lgica de las observaciones e inferencias de un investigador no se hacen explcitos, la comunidad acadmica no tiene forma de juzgar la validez de lo que se ha hecho. No podr evaluar los principios de seleccin utilizados para registrar las observaciones, ni cmo se han procesado stas, ni la lgica de las conclusiones. No podremos aprender de sus mtodos ni reproducir sus resultados. Esta investigacin no ser un hecho pblico. Aunque sea una buena lectura, no ser una aportacin a las ciencias sociales. Todos los mtodos -sean o no explcitos- tienen sus limitaciones. La ventaja de lo explcito es que pueden captarse tales limitaciones y, si es posible, remediaras. Adems, los mtodos se pueden ensear y compartir. Este proceso permite que los resultados de la investigacin se comparen con los de otros investigadores, que se reproduzcan los estudios de proyectos ajenos y que los acadmicos aprendan.

El diseo de la investigacin cientfica tiene como objetivo la extraccin de inferencias descriptivas o explicativas a partir de la informacin emprica que se tenga del mundo. Para hacer estudios cientficos suele ser indispensable describir con cuidado ciertos fenmenos, pero la acumulacin de hechos no es, en s misma, suficiente. stos pueden ser reunidos (por investigadores cualitativos o cuantitativos) de fOID1ams o menos sistemtica, y, evidentemente, la primera es mejor que la segunda; sin embargo, nuestra definicin de ciencia conlleva un paso adicional, que es el de utilizar los datos inmediatos para hacer inferencias que conduzcan a algo ms amplio que no se observa directamente. Ese algo puede entraar una inferencia descriptiva -utilizar observaciones del mundo para revelar otros hechos que no se han observadoo una inferencia causal -conocer efectos causal es a partir de los datos observados. El alcance de la inferencia puede delimitarse en el espacio y el tiempo -el comportamiento electoral en las elecciones estadounidenses desde 1960, los movimientos sociales en Europa del Este desde 1989- o puede ser ms general--el comportamiento humano desde la aparicin de la agricultura. En cualquiera de los casos, lo que distingue la investigacin cientfica es el objetivo de hacer inferencias que vayan ms all de las observaciones especficas que se han recogido.
,~

3.

Las conclusiones son inciertas

La inferencia es, por definicin, un proceso imperfecto. Su objetivo es utilizar datos cuantitativos y cualitativos para conocer el mundo que los ha producido. Evidentemente, es imposible llegar a conclusiones perfectamente ciertas utilizando datos inciertos. De hecho, la incertidumbre es un aspecto crucial de toda investigacin o conocimiento del mundo. Si este factor no se calcula de manera razonable, no se podr interpretar ninguna descripcin del mundo real ni ninguna inferencia causal que le afecte. Un investigador que no contemple abiertamente la incertidumbre estar afirmando que lo sabe todo a la perfeccin o que no tiene ni idea de la certeza o incertidumbre de sus resultados. En cualquier caso, las inferencias que carecen de un clculo de incertidumbre no son ciencia tal como aqu se define.

4.

El contenido es el mtodo

2.

Los procedimientos son pblicos

Para generar y analizar datos la investigacin cientfica utiliza mtodos explcitos, codificados y pblicos que, por lo tanto, pueden evaluarse. Gran parte de la investigacin social cualitativa sigue procedimientos de bsqueda o inferenciales menos precisos. Como afirm Robert K. Merton ([ 1949], 1968, pp. 71-72): El anlisis sociolgico de datos cualitativos suele depender de un mundo privado de ideas penetrantes pero insondables y de interpretaciones inefables [...] [Sin embargo,] la ciencia [...] es pblica, no privada. La afirmacin de Merton no es aplicable a todos los cualitativistas (y, por desgracia, si a algunos cuantitativistas), pero muchos se comportan como si carecieran de mtodo y, a veces, como si la utilizacin de medios explcitos menoscabara su creatividad. No obstante, no pueden dejar de utilizar alguno. De alguna forma observan los fenmenos, plantean preguntas, extraen informacin sobre el mundo a partir de esas ob-

Para terminar, la investigacin cientfica propugna un conjunto de normas inferenciales de las que depende su validez. Explicar las ms importantes es una de las tareas primordiales de este libro l. El principal contenido de la ciencia son sus mtodos y reglas, no su objeto de estudio, ya que podemos utilizar tales mtodos para estudiar prcticamente todo. Esta idea fue aceptada hace unos cien aos cuando Karl Pearson (1892, p. 16) explic que el campo de la ciencia es ilimitado; su materia es infinita; cada conjunto de fenmenos naturales, cada fase de la vida social, cada estadio del desarrollo pasado o presente es materia cientfica. La unidad de todas las ciencias se basa nicamente en su mtodo, no en su materia.

A su vez, estas cuatro caractersticas tienen otra consecuencia: cuando la ciencia es buena, es una empresa social. El trabajo de todo investigador o equipo de investigadores est sometido a limitaciones de conocimiento e ideas y los errores son inevitables, pero es probable que otros los sealen.

Ei d'L:~;ef]nde :.2 ir;~;c5UtFH:';'Dn

~~c< ?;~

ias ':~2n('~a:5::.~(}Ci2L:;s

Comprender el carcter social de la ciencia puede resultar liberador, ya que implica que nuestro trabajo no tiene que estar por encima de la critica para hacer una aportacin importante -ya sea en cuanto a la descripcin de un problema o a su conceptualizacin, a la teora o a la evaluacin de una en concreto. Una aportacin ser posible siempre que nuestro trabajo contemple explcitamente (o pretenda reinterpretar) las preocupaciones de la comunidad acadmica y utilice medios pblicos para hacer inerencias que respeten las reglas cientficas y la informacin de que disponemos. Incluso la aportacin de un artculo menor ser siempre ms grande que la de un trabajo importante que permanezca para siempre en un cajn o confinado en un ordenador.

1.3

Ciencia y complejidad

Las ciencias sociales pretenden explicar situaciones del mundo social que consideramos ms o menos complejas. Sin embargo, hay que reconocer que lo que percibimos como complejidad no es algo inherente a los fenmenos: el mundo no est dividido de forma natural en conjuntos de acontecimientos simples o complejos. Por el contrario, la complejidad que se percibe en una situacin depende en parte de en qu medida podemos simplificar la realidad adecuadamente, y nuestra capacidad de simplificar depende de si podemos extraer con coherencia resultados y variables explicativas. Tener ms observaciones puede ayudamos en este proceso, pero suele resultar insuficiente. Por lo tanto, la complejidad depende, en parte, del estado de nuestra teora. Los mtodos cientficos pueden ser tan valiosos para acontecimientos intrinsecamente complejos como para otros ms simples. Es probable que la complejidad haga ms inciertas nuestras inferencias, pero no tiene por qu hacerlas menos cientficas. La incertidumbre y unos datos limitados no tienen que llevamos a abandonar una investigacin cientfica. Por el contrario: la compensacin ms grande a la hora de utilizar las reglas de la inferencia cientfica se logra precisamente cuando los datos son limitados, los instrumentos de observacin tienen defectos, las medidas no estn claras y las relaciones son inciertas. Si hay relaciones claras y datos no ambiguos, quiz el mtodo no sea tan importante, ya que incluso reglas o inferencias defectuosas podran producir respuestas medianamente aceptables. Consideremos algunos acontecimientos complejos y, en cierto sentido, nicos que tuvieron enormes ramificaciones. La cada del Imperio romano, la Revolucin francesa, la Guerra Civil de los Estados Unidos, la Primera Guerra Mundial, el holocausto y la reunificacin alemana de 1990 son ejemplos de este tipo. El que estos acontecimientos tuvieran lugar parece ser el resultado de una compleja interaccin de muchas fuerzas cuya conjuncin se antoja crucial para que as fuera. Esto quiere decir que series de

acontecimientos y de fuerzas, cuyas causas son independientes entre s, convergieron en un lugar y momento determinados, de manera que su intefaccin parece que ocasion los acontecimientos que se observan (Hirschman, 1970). Adems, suele ser dificil creer que tales acontecimientos fueran consecuencias inevitables de fuerzas histricas a gran escala: algunos narecen haber dependido, en parte, de la idiosincrasia de ciertas personalidades, instituciones o movimientos sociales. De hecho, desde el punto de vista de nuestras teoras, con frecuencia el azar parece haber tenido su papel: factores que se encuentran fuera del alcance de la teora vincularon de forma determinante la sucesin de los acontecimientos. Una de las formas de comprender estos hechos es mediante la bsqueda de generalizaciones, que conceptualizan cada caso dentro de un tipo de acontecimientos del que se puede decir que tiene una serie de caractersticas generales. Este mtodo suele funcionar bien para guerras o revoluciones ordinarias, pero algunos de estos procesos, al ser mucho ms extremos que otros, constituyen valores atipicos en la distribucin estadstica. Adems, hay guerras o revoluciones precursoras de gran importancia que pueden tener una influencia tan considerable en fenmenos posteriores del mismo tipo -pensamos de nuevo en la Revolucin francesa- que hay que tener cuidado al compararlas con sus secuelas, ya que, en cierto sentido, stas pueden ser fruto de la imitacin. Expandir el tipo de acontecimiento puede ser til, pero no siempre resulta apropiado. Tambin se puede proceder de manera cientfica con acontecimientos peculiares de gran magnitud utilizando un anlisis contrafctico, que es la construccin mental de una serie de acontecimientos que se altera mediante la modificacin de una o ms "condiciones" (Weber [1905], 1949, p. 173). La aplicacin de esta idea de forma sistemtica y cientfica se pone de manifiesto en lU1 ejemplo especialmente extremo de un peculiar acontecimiento de la geologa y la biologa evolutiva, ciencias naturales con orientacin histrica. Stephen 1. Gould ha indicado que una de las formas de distinguir entre caractersticas evolutivas sistemticas y acontecimientos estocsticos, aleatorios, puede ser imaginar cmo sera el mundo si se fijaran todas las condiciones, hasta un determinado punto, y se volviera a dar cuerda al resto de la historia. Seala que si fuera posible volver a poner en marcha la cinta de la vida y dejar que la evolucin tuviera de nuevo lugar desde el principio, los organismos del mundo actual seran completamente diferentes (Gould, 1989a). Un acontecimiento nico en el que se han centrado ltimamente los que estudian la evolucin es la sbita desaparicin de los dinosaurios hace 65 millones de aos. Gould (1989a, p. 318) afirma que debemos aceptar que nuestra conciencia no se habra desarrollado en el planeta si una catstrofe csmica no se hubiera cobrado la vida de los dinosaurios. Si tal afirmacin fuera cierta, la extincin de estos animales habra sido para los seres humanos tan importante como cualquier otro hecho histrico. Sin embargo,

:;l..::~t}

J3

e ~

ti

':.'2::t.,;;..-

j~

,,'

_.::..';;,.&"-- :a::c..:;,.."B:.;;':': "

-,:;~~"""~~_~_~"'-"-'~""""

=~;;--' _""~~.o.:...=~--:::"'-!.~"' ~

.._:'~~''-.;'~
~~-.;... .:\ ..,;::';'.,;0.,. <;:.:.ni;:r'.,;;' .~ .X\..:lO,.' .~-=~,.:,-\i,;"",".>i.'!:' .",.-I.;;l;).<,.;..:r~

__ '>:!i;(:"/] ~,'.
:o.. :,,--~:JO:;r

":c;"~

i"

-:,::,;,,~~::;~~

'::1C:d1

,-

A""'-'P.''-><.":-:-7"""I..".,,..:.."<-=r~"I.

",,",.:a.".V;:':;,'!.!a"l",1".:1~:'lc,:;;l.I::JliF_':I:IC'~'~

su desaparicin no se ajusta con propiedad al tipo de acontecimientos que se podran estudiar directamente de forma sistemtica y comparativa mediante la aplicacin de leyes generales. No obstante, la extincin de los dinosaurios puede abordarse cientficamente, ya que se pueden desarrollar hiptesis alternativas y contrastarlas con sus consecuencias observables. Una de las hiptesis que explican este fenmeno, que desarrollaron Luis lvarez y sus colaboradores de Berkeley a finales de los aos setenta (w. lvarez y Asaro, 1990), postula que hubo una colisin csmica: un meteorito choc con la Tierra a LUlO S 72.000 kilmetros por hora, .10 cual gener una explosin mayor que la de una guerra nuclear total. Si esta hiptesis fuera correcta, su consecuencia observable sera que el indio (un elemento habitual en los meteoritos, pero escaso en la Tierra) se encontrara en una determinada capa de la corteza terrestre que corresponde a los sedimentos depositados hace 65 millones de aos; de hecho, el descubrimiento de este metal en las capas que se haba pronosticado se ha considerado una prueba que confirma parcialmente esta teora. Aunque este acontecimiento es sin duda nico, hay otras muchas consecuencias observables. Para dar slo un ejemplo, tendra que ser posible encontrar el crter del meteorito en algn lugar de la Tierra (y ya se han encontrado algunos candidatos) 3. El problema que plantea la causa (o causas) de la extincin de los dinosaurios sigue sin resolverse, aunque la polmica ha generado investigaciones muy valiosas. Por lo que a nosotros respecta, la importancia de este ejemplo radica en que las generalizaciones cientficas son tiles incluso cuando se estudian acontecimientos muy poco habituales que no pertenecen a un tipo importante. La hiptesis de lvarez no puede contrastarse con un conjunto de acontecimientos normales, pero s tiene consecuencias observables en otros fenmenos evaluables. Sin embargo, hay que sealar que una hiptesis no se considera una explicacin razonablemente cierta hasta que no se evala empricamente y se somete a ciertas pruebas estrictas. Como mnimo, sus consecuencias deben ser compatibles con nuestro conocimiento del mundo exterior, y cuando la hiptesis es realmente buena debe predecir lo que Imre Lakatos (1970) denomina hechos nuevos, o sea, aquellos que no se haban observado hasta entonces. La cuestin es que incluso acontecimientos aparentemente nicos, como la extincin de los dinosaurios, pueden estudiarse de forma cientfica si nos ocupamos de mejorar las teoras, los datos y la forma de utilizarlos. Matizar nuestra teora mediante la clarificacin conceptual y la especificacin de variables puede generar ms consecuencias observables e incluso poner a prueba teoras causales referidas a acontecimientos nicos como la extincin de los dinosaurios. Perfeccionar nuestros datos nos permitir contemplar un mayor nmero de consecuencias observables, mientras que utilizarlos mejor har posible que extraigamos ms consecuencias de ellos. El hecho de estudiar acontecimientos muy complejos no hace irrelevante la
'~~~~;"~t~i

realizacin de un cuidadoso diseo de investigacin. Si recogemos datos sobre la mayor cantidad posible de consecuencias observables de nuestra teora, el estudio mejorar, independientemente de que estemos barajando muchos o pocos fenmenos -o incluso uno.

2.

Principales

componentes

riel diseo de investigacin

;r

Cuando la investigacin social es de calidad, constituye ID1 proceso creativo en el que la intuicin y el descubrimiento surgen dentro de una consolidada estructura de estudio cientfico. Para el cientfico social de primera categora el diseo de una investigacin no es un programa que haya que seguir mecnicamente para recoger y evaluar datos. Por el contrario, el investiga- . dor debe ser lo suficientemente flexible como para rechazar las viejas formas de mirar el mundo y plantear nuevas preguntas, revisar los diseos de investigacin apropiadamente y recoger despus datos diferentes de los que haba pensado en un principio. Sin embargo, para que sus conclusiones sean vlidas y aceptables para los expertos del rea, todas estas revisiones y nuevas consideraciones han de producirse siguiendo procedimientos explcitos que respeten las normas de la inferencia. Un proceso de investigacin dinmico tiene lugar dentro de una normativa estable. Con frecuencia, los cientficos sociales comienzan sus investigaciones con un diseo ponderado, recogen algunos datos y extraen conclusiones. Sin embargo, el proceso no suele carecer de obstculos, y este orden no siempre es el mejor, ya que las conclusiones pocas veces se desprenden fcilmente del diseo de investigacin y de los datos que se recogen de acuerdo con l. Una vez que el investigador ha reunido esos datos, tal como indicaba su proyecto, a menudo se encontrar con que el engarce entre las principales preguntas de la investigacin, la teora y los datos disponibles es imperfecto. En este momento, suele cundir el desnimo y se cree, equivocadamente, que otros cientficos sociales hallan un vnculo estrecho e inmediato entre datos e investigacin. Esta percepcin se debe a que con frecuencia los investigadores retiran los andamios despus de levantar sus edificios intelectuales, sin dejar apenas rastro de las penalidades e incertidumbres de la construccin. De ah que el proceso investigador parezca ms mecnico y previsible de lo que realmente es. Algunos de nuestros consejos van dirigidos a los investigadores que intentan relacionar la teora y los datos. A veces pueden concebir procedimientos de recogida de datos ms apropiados para la mejor evaluacin de una teora; en otras ocasiones pueden utilizar los datos de que disponen y reformular una pregunta terica (o incluso plantear otra completamente diferente que no se contempl en un principio) con el fin de generar un proyecto de investigacin ms importante. Si el estudio sigue las normas inferenciaies, seguir siendo cientfico y producir inferencias fiables acerca del mundo.

:.~;:;~d;:'22
.,
~-

~~;23~2!

,-~.~,(.s2ra'1 f
~;lI.\7;-"""",

dr.:: le;

-:r,:Ve::

.; ;:..:C~

:~ .:<:~,4
"~'~"""""~"'~..o:=""~.v
1\0\'," . n..,... ,

:t.
..-:..__ .. ,.I

.-:.2,~L= '

:!.1'"~

. .:::

':~.~:

~~Z" .. "CJ<i2L:;,'
-'~~ . .!'I~

"",,,'~-.?<,"7r.51U.:!~'''''~<I'~~~.,,:::H\;,;.I\I ~~~,,,,~.,.. ~ .... "d:'.,''

-".'~'.l.:'.\IJ""~Il,,,.....:I.i.,.'\t .~

_~.~,''-<..~''~'!:..;:)~'''.:.loi.L,_~,~..:.:-_ .;. ,~

'-:\.'L~':"'\.:>.C'I.tV;;:o

l.

=t-.::. .. ",.,.".,~.!",I!!::i.~...:;l~~:.r_.'!-..~~.a'=.e.:-'-"F.i';::z.n('.'3"=f,'l!_

... ~='.~~';O'!J"o'le.::l~~!!' ~

Siempre que sea posible, los investigadores deben tambin perfeccionar el diseo de su investigacin antes de llevar a cabo cualquier trabajo de campo. Sin embargo, os datos disciplinan el pensamiento a su manera. Es muy habitual que un diseo excelente haga aguas cuando se recogen las primeras observaciones: no es que la teora est equivocada, sino que los datos no son apropiados para responder a las preguntas planteadas en un principio. Entender desde el comienzo lo que se puede y no se puede hacer en las etapas finales puede ayudar al investigador a prever, al menos, algunos problemas cuando haga el primer diseo de investigacin. Para un mejor anlisis, dividimos todos estos diseos en cuatro partes: la pregunta de la investigacin, la teora, los datos y la utilizacin de los datos. Estos componentes no suelen desarrollarse por separado y los estudiosos no se ocupan de ellos con un orden preestablecido. De hecho, para los cualitativistas que comienzan el trabajo de campo antes de elegir una pregunta precisa para su investigacin, primero van los datos y despus lo dems. Sin embargo, esta peculiar ruptura, que explicamos entre los apartados 2.1 y 2.4 de este captulo, es especialmente til para comprender el carcter de los diseos de investigacin. Con el fin de determinar con precisin lo que podra hacerse si se reorientaran los recursos, nuestros consejos en el resto de este apartado presuponen que el investigador dispone de tiempo y medios ilimitados. Evidentemente, en cualquier investigacin real siempre hay que hacer concesiones. Creemos que si el investigador entiende los consejos que damos para los cuatro componentes, esto le ayudar a hacer concesiones que mejoren al mximo el proyecto de su investigacin, aunque sta sea objeto de condicionantes externos.

-?

:~l
lI'iff"
-~~

l'

2.1

Mejorar las preguntas

de la investigacin

A lo largo de este libro se plantea qu hacer una vez que identificamos el objeto de estudio. Cuando hay una pregunta para la investigacin, cmo podemos llevar sta a cabo para dar explicaciones vlidas a los fenmenos sociales y polticos? Nuestro anlisis comienza con una pregunta para la investigacin y contina despus con las fases de diseo y realizacin. Pero, dnde se originan las preguntas de un estudio? Cmo elige un investigador el tema de anlisis? No hay respuesta sencilla a estas preguntas. Al igual que otros autores, Karl Popper (1968, p. 32) ha sealado que 110 existe algo que pueda llamarse mtodo lgico para tener nuevas ideas [...] El descubrimiento contiene un "elemento irracional" o W1a"intuicin creativa?, En los primeros estadios del proceso de investigacin, las normas de eleccin estn menos formalizadas que las de otras actividades de ese mismo proceso. En el rea de la eleccin social existen textos que tratan sobre cmo disear experimentos de laboratorio; en estadstica hay criterios para seleccionar la muestra de una encuesta que trate sobre las actitudes respec-

to a una poltica, y tambin existen manuales para llevar a cabo observacin participante en una oficina. Sin embargo, no hay reglas que indiquen cmo elegir el proyecto de investigacin que se va a realizar y, si decidimos llevar a cabo trabajo de campo, tampoco las hay para indicamos dnde tenemos que hacerla. Podemos proponer maneras de hacer una muestra de comunidades con el fin de estudiar el impacto de diferentes polticas educativas o formas de conceptualizar los conflictos tnicos que nos lleven a la formulacin y comprobacin de hiptesis relativas a su incidencia. Sin embargo, no existen normas que nos indiquen si hay que estudiar la poltica educativa o-el conflicto tnico. Desde el punto de vista de la metodologa de las ciencias sociales, hay formas mejores y peores de estudiar la cada del rgimen de Alemania del Este en 1989, al igual que las hay para abordar la relacin en- . rre las opiniones de un candidato en materia fiscal y sus probabilidades de xito electoral. Sin embargo, no hay ninguna manera de determinar si es mejor estudiar la cada del rgimen germano oriental o el papel de los impuestos en las elecciones estadounidenses. El tema concreto que estudia un cientfico social puede tener un origen personal e idiosincrsico. No es casual que, habitualmente, sean los miembros de un grupo los que comiencen a estudiarlo: las mujeres han solido llevar la batuta en la historia de su propio gnero, los negros en la de su etnia y los inmigrantes en la de la emigracin. Los temas tambin pueden verse influidos por inclinaciones o valores personales. Es probable que quien estudia el Tercer Mundo tenga ms ganas de viajar y tolere mejor condiciones de vida difciles que el que se ocupa de la elaboracin de polticas en el Congreso estadounidense, del mismo modo que quien analice la cooperacin internacional puede tener una especial aversin a los conflictos violentos. Estas experiencias y valores personales suelen proporcionar la motivacin para convertirse en un cientfico social y, posteriormente, para elegir una determinada pregunta de investigacin. En consecuencia, pueden ser las autnticas razones para embarcarse en un determinado proyecto, y es justo que sea as. Sin embargo, independientemente de lo personales o peculiares que sean las razones para elegir un tema, los mtodos cientficos y normas inferenciales que se analizan en este libro ayudarn a los acadmicos a hacer proyectos de investigacin ms slidos. Desde el punto de vista de la posible aportacin a las ciencias sociales, las razones personales no son ni necesarias ni suficientes para justificar la eleccin de un tema. En la mayora de los casos, no tendran que aparecer en los escritos acadmicos. Para decirio de manera ms directa pero menos delicada, a nadie le importa nuestra opinin: a la comunidad acadmica slo le interesa lo que podemos demostrar. Aunque no existan normas precisas para elegir un tema, s hay maneras de determinar -aparte de las preferencias personalesla posible trans-

r31~2~~~"

::~~ _:1S(~n~ ~2 .: ~-.S::::{;2(: :}~ ~',~: i


'~_-:;&:.~":n':.r:!>-':.i'%!'"t .... !.~t.~~~':"=-"'~~~';..~<:::.~_f-:'"

.2 .
~_"'f!::,..-:;.,.. .. _-r'---'=''''''''
"",:",,'.'-"--_~',-.:r~,-'-'.?-"'''''-;'_ '__ .-:--~'''''''

4>

.~~

":;t~

,_no'; ';_,:"~i:;:;~:.i;,:~~C~.~~ -)L.;~


..

~l"?-r_'

.... '~~

....,..~~r~....~ .. .... , ~.,.,.,.~~

cendencia que tiene para la comunidad cientfica una empresa investigadora. Lo ideal sera que todos los proyectos de investigacin de las ciencias sociales cumplieran dos condiciones. En primer lugar, un proyecto de investigacin tiene que plantear una pregunta importante para el mundo real. El tema ha de ser relevante para la vida poltica, social o econmica, para entender algo que afecte de manera significativa a la vida de muchas personas o para comprender o predecir acontecimientos que pudieran resuitar dainos o beneficiosos (vase Shively, 1990, p. 15). En segundo lugar, un proyecto de investigacin tiene que hacer una aportacin concreta a Lo escrito en un rea acadmica identificable, aumentando la capacidad colectiva de dar explicaciones cientficas verifzcables a algn aspecto del mundo. Esta segunda condicin no supone que todas las investigaciones que aporten algo a nuestra reserva de explicaciones para las ciencias sociales pretendan en realidad hacer inferencias causales. En ocasiones, la situacin del conocimiento en un determinado campo hace que se precisen muchos datos y descripciones antes de afrontar el reto de dar una explicacin. A veces, la aportacin de un proyecto slo es la inferencia descriptiva, mientras que en otras el objetivo ni siquiera es hacer tal inferencia, sino nicamente observar de cerca ciertos acontecimientos o hacer un resumen de hechos histricos. Sin embargo, en este caso se cumple nuestra segunda condicin, porque tales acontecimientos son un requisito imprescindible para la explicacin. La primera condicin dirige nuestro inters al mundo real de los fenmenos polticos y sociales, y tambin a cmo se registran los acontecimientos y problemas actuales e histricos que configuran la vida de las personas. Determinar si una pregunta de investigacin cumple dicho criterio es algo principalmente social. La segunda condicin nos sita en la biblografia acadmica de las ciencias sociales, es decir, en las perplejidades intelectuales que no se han planteado todava, en las que estn por resolver, as como en las teoras y mtodos cientficos de que se dispone para resolverlas. A los politlogos no les resulta dificil encontrar un objeto de estudio que cumpla la primera condicin. A lo largo de los ltimos cuatrocientos aos diez guerras importantes se han cobrado la vida de casi treinta millones de personas (Levy, 1985, p. 372); algunas guerras limitadas, como las que libraron los Estados Unidos y Vietnam del Norte, o Irn e Irak, han producido cada una un nmero de vctimas cercano al milln; del mismo modo, si hubiera una guerra nuclear, sta podra eliminar a miles de millones de seres humanos. La mala gestin de los polticos, tanto en el mbito nacional como en el internacional, ha generado -como en los aos treintaprivaciones econmicas de carcter global y crisis regionales y locales, tal como lo demuestran las trgicas experiencias de gran parte de frica y Amrica Latina durante los aos ochenta. En general, las variaciones entre pases en lo tocante a instituciones polticas se relacionan con las diversas condiciones de la vida ordinaria, las cuales se reflejan en la diferente esperanza de vida o mortalidad infantil que tienen pases con un grado de desa-

!~' ,

rrollo econmico similar (Russett, 1978, pp. 913-28). Dentro de los Estados Unidos, la eficacia de los programas que combaten la pobreza o la desarticulacin social parece haber variado de forma considerable. No cabe duda de que ser importante toda investigacin que contribuya, aunque sea de forma marginal, al conocimiento de estos problemas. Aunque los cientficos sociales tienen muchas cuestiones significativas que investigar, las herramientas para entenderlas son escasas y poco elaboradas. Hay muchos escritos sobre la guerra o el sufrimiento en las sociedades que poco contribuyen a la comprensin de tales problemas porque no lbs describen de forma sistemtica"o no hacen inferencias causaies o descriptivas vlidas. Las ideas brillantes pueden mejorar la comprensin al aportar nuevas e interesantes hiptesis, pero la brillantez no es un mtodo de investigacin emprica. Todas las hiptesis han de ser contrastadas empricamente antes de que hagan una aportacin al conocimiento. Este libro no da consejos sobre cmo ser brillante. Sin embargo, lo que s puede hacer es recalcar la importancia de que la investigacin se lleve a cabo de manera que constituya una aportacin al conocimiento. Nuestro segundo criterio para elegir una pregunta de investigacin, hacer una aportacin, significa explcitamente que hay que situar el diseo del estudio dentro del marco de la bibliografia cientfica existente. Esto garantiza que el investigador comprende el estado de la cuestin y reduce al mnimo la posibilidad de repetir lo que ya se ha hecho. Tambin garantiza que el trabajo sea importante para otros, aumentando as el xito del conjunto de la comunidad acadmica. Se puede hacer una aportacin explcita a lo escrito sobre el tema de varias maneras. A continuacin se enumeran algunas de ellas:
l. Eligiendo una hiptesis que los estudiosos consideren importante en la bibliografia pero de la que no se haya realizado un estudio sistemtico. Si encontramos pruebas a favor o en contra de la hiptesis, estaremos haciendo una aportacin. Eligiendo una hiptesis aceptada en la bibliografia que sospechemos es falsa (o creamos que no se ha demostrado adecuadamente) e investigando si realmente lo es o si otra teora es correcta. Intentando resolver o presentando ms una polmica que est presente en lo quiz que toda esa polmica careca de Diseando investigaciones que arrojen por la bibliografia. pruebas a favor de uno de los bandos en escrito hasta el momento; demostrando fundamento desde el principio. iuz o evaluen premisas no cuestionadas

2.

3.

4. 5. 6.

Sealando que en la bibliografa no se ha concedido atencin a un asunto importante y proceder a continuacin a aportar a ese campo un estudio sistemtico. Sealando que las teoras o pruebas relativas a cierto objetivo en un campo podran aplicarse a otro para solucionar un problema existente, pero aparentemente alejado.

"F1,-:lt~J

E~'tJ;!:d~de

~Q

"~,'~:~tigac~5n socia.
~~7:.':R'""...n'~ ..,.-:t~.=-"""t"<i,&>.,:

_3
.~

c:a:::a .~n ((lS

~J;;;i(j;j5 50c:a~25

,..~~,-'::I~,J."""~'''-'':;~'''-'~~~~=';I\,;UI:::''''''''''~~'=''~._'.L":'Cto-.:-~:~;"-e.~~=J:.;.;;~\l

Si nos preocupamos demasiado por hacer una aportacin a la bibliografa acadmica sin prestar cierta atencin a asuntos importantes para el mundo real, correremos el riesgo de formular preguntas insignificantes desde el punto de vista poltico. Por el contrario, centrarse en el contexto poltico actual sin preocuparse de hasta qu punto un problema social es susceptible de investigarse sistemticamente dentro del marco de un cuerpo de conocimiento conduce a trabajos descuidados que poco aaden a una comprensin profunda. Nuestros dos criterios para elegir preguntas de investigacin no son necesariamente opuestos. A largo plazo, la comprensin de los fenmenos del mundo real aumenta con la elaboracin y evaluacin de hiptesis explicativas que propugna el mtodo cientfico. Sin embargo, de forma ms inmediata, puede haber contradiccin entre lo que es til desde el punto de vista prctico y lo que finalmente tiene valor. Por ejemplo, Mankiw (1990) seala que la teora macroeconmica y la macroeconoma aplicada se apartaron considerablemente la una de la otra en los aos setenta y ochenta: modelos cuya incoherencia terica se haba demostrado siguieron utilizndose para hacer pronsticos sobre la economa estadounidense, mientras que los nuevos modelos tericos, concebidos para corregir esos fallos, continuaron teniendo un carcter especulativo y no se desarrollaron lo suficiente como para realizar predicciones ajustadas con ellos. Cuando un investigador elige un tema, puede parecer que los criterios de aplicabilidad al mundo real y aportacin al progreso cientfico son opuestos. Algunos investigadores comenzarn con un problema del mundo real que sea muy significativo socialmente, como la amenaza de guerra nuclear, la disparidad de ingresos entre hombres y mujeres o la transicin a la democracia en Europa del Este. Otros quiz partan de un problema intelectual planteado en la bibliografa de las ciencias sociales: la contradiccin entre diversos estudios experimentales de tomas de decisin en condiciones de incertidumbre o la existente entre diversas teoras de voto referidas a las elecciones para el Congreso estadounidense y los ltimos resultados en las urnas. Evidentemente, no hay una distincin estricta entre los criterios. Algunas preguntas de investigacin responden a los dos desde el principio, pero, a la hora de disear el estudio, los investigadores suelen comenzar estando ms cerca de uno que de otro 4. Independientemente del punto de partida, el proceso de disear una investigacin para dar respuesta a una pregunta debe cumplir nuestras dos condiciones, y es evidente que la direccin de este movimiento depender de dnde comience. Si lo que nos motiva es una perplejidad cientfica, tendremos que preguntamos cmo hacer que el objeto de la investigacin sea ms relevante para asuntos importantes del mundo real: por ejemplo, cmo podra un experimento de laboratorio dilucidar mejor las elecciones estratgicas de los decisores del mundo real o las consecuencias que, para el comportamiento, puede tener esta teora. Si partimos de un problema real, ten-

..

'~

~
, ..
'<..~,

dremos que preguntamos cmo puede estudiarse con mtodos cientficos modernos para hacer una aportacin al fondo de explicaciones de las ciencias sociales. Bien pudiera ser que apartarse demasiado de uno u otro criterio no fuera la mejor opcin. Los que hacen experimentos de laboratorio pueden sealar que es prematuro buscar referencias externas y que se avanzar ms si se perfecciona la teora y el mtodo en un medio controlado; quiz, en un estudio de larga duracin, esto sea cierto. Por el contrario, quien est preocupado por un problema del mundo real puede indicar que antes de explicar es necesario describir con precisin, y puede que tambin "tenga razn, ya que la descripcin exacta es un paso importante de los estudios explicativos. En cualquier caso, si es posible, todo proyecto de investigacin tiene que intentar cumplir nuestras dos condiciones: ocuparse de un asunto relevante del mundo real y estar concebido para realizar una aportacin, directa o indirectamente, a una determinada rea bibliogrfica acadmica. En este libro, al ser nuestra principal preocupacin que la investigacin cualitativa sea ms cientfica, nos ocuparemos ms del investigador que parte del mundo real, pero nuestro anlisis es aplicable a ambas tendencias. Cuando el punto de partida es un problema significativo del mundo real y no un rea bibliogrfica ya establecida, resulta esencial que elaboremos un plan de estudio factible. Si se propone un asunto que no puede desarrollarse hasta convertirlo en un proyecto de investigacin concreto, que permita la extraccin de inferencias descriptivas y causales vlidas. hay que modificarlo o abandonarlo. Del mismo modo, tambin hay que cambiar toda propuesta que no haga alguna aportacin a los escritos acadmicos. Al elegir provisionalmente un tema, estamos dialogando con su bibliografa. Qu preguntas de inters para nosotros se han respondido ya? Cmo se puede plantear y pulir nuestra pregunta para que parezca posible contestarla con las herramientas disponibles? Podemos partir de un asunto candente, pero tendremos que hacer frente tanto a lo escrito en las ciencias sociales como a problemas inferenciales.

.,~~

.'

2.2

Mejorar la teora

En las ciencias sociales, una teora es una especulacin razonada y precisa sobre la respuesta que cabe dar a la pregunta de una investigacin, e incluye una declaracin de por qu tal respuesta es correcta. Las teoras suelen conllevar hiptesis descriptivas o causales ms especficas. Una teora debe estar en consonancia con los datos disponibles anteriormente sobre una pregunta de investigacin. Una teora que no tiene en cuenta los datos existentes es una incoherencia. Si dispusiramos de algo equivalente a la legislacin sobre "veracidad en la publicidad", esta incoherencia no se llamara teora (Lieberson, 1992, p. 4; vase tambin Woods y Walton, 1982).

~~9~llti;;,

ru~

""_.=T.. """'"' =

;:L5;~'di:-) <'~-: l:; ~:,-v~;S:::~:;2'".~:r:n _;:,~:;r1;j_ ..... ='...~:Sl~:JIll["...om ... '"'~~~~~~~---"'~"'"'-M,.,.<-,.c.~j_"'.~;


=--";;., ..

~.

;~

0'"1"

~r~t ",~:i

--!:1~S ,~i~'--(::::tS ,~o(" .~)1 ~~~


.,..

.~"-'.".~ . .....o:.;::a:s~.,;,=:=>'-.Qi"'''''''-~oC:!; , "'-

_~~--:"~~~~~Z"'''''~'

'!'['';'''~''];=~.'=~'U:-~I~~->.;&;''-''~,''.::.t=.;w,,~~,;:;WlU"~~O--~>T.;.~~=

El desarroilo de la teora suele presentarse como el primer paso de la investigacin. A menudo, en la prctica, es lo primero, pero no tiene por qu serlo. De hecho, no podemos elaborar una teora sin conocer antes los trabajos realizados sobre el tema y sin haber reunido algunos datos, ya que en este estadio ni siquiera se sabe cul es la pregunta de la investigacin. No obstante, independientemente de la cantidad de datos que se hayan reunido ya, hay algunas formas generales de evaluar y aumentar la utilidad de una teora. Ahora slo vamos a esbozarlas, pero las analizaremos en detalle en captulos posteriores. En primer lugar, hay que elegir teoras que puedan estar equivoeadas. En realidad, se aprende mucho ms de las que estn equivocadas que de aquellas que se enuncian de forma tan general que puede que ni siquiera lo estn en principio 5. Es necesario poder responder directamente a la pregunta: qu datos nos convenceran de que estamos equivocados? 6. Si no hay respuesta para esta pregunta, tampoco hay teora. En segundo lugar, para asegurarse de que una teora es falsable, hay que elegir una que pueda generar tantas consecuencias observables como sea posible. Tal eleccin posibilitar que la teora se someta a ms pruebas, utilizando ms datos y ms variados, que est ms veces en peligro de ser falsada y que se puedan recoger ms datos para darle una mayor consistencia. En tercer lugar, al disear teoras es preciso ser lo ms concreto posible. Las teoras e hiptesis que se formulan con vaguedad no sirven ms que para ofuscar. Se puede demostrar ms fcilmente que una teora est equivocada cuando se ha enunciado con precisin y hace predicciones especficas; por consiguiente, esta teora ser mejor. Algunos investigadores recomiendan que se siga el principio de concisin. Por desgracia, este trmino se ha utilizado tantas veces en conversaciones informales y en escritos acadmicos que el principio ha quedado eclipsado (vase Sober [1988] para un anlisis completo). Jeffreys (1961, p. 47) dio la definicin ms clara de concisin: Las teoras ms simples tienen en principio ms probabilidades 7. Por lo tanto, la concisin es un juicio, e incluso un supuesto, sobre la naturaleza del mundo: se presupone que es simple. Elegir teoras cuya premisa es la existencia de un mundo simple es una regla que se aplica con claridad en situaciones en las que se est muy seguro de que el mundo es as realmente. Los fisicos parecen cmodos con la concisin, pero los bilogos suelen creer que es absurda. En las ciencias sociales, los hay que la defienden con vehemencia para sus subreas (por ejemplo, Zellner, 1984), pero nosotros creemos que slo es til en ciertas ocasiones. Dada la precisa definicin de concisin como supuesto acerca del mundo, nunca deberamos insistir en que fuera un principio general a la hora de disear teoras, aunque sea til en aquellas situaciones en las que haya indicios de que el mundo que estudiamos es simple. Lo que queremos decir es que no recomendamos al investigador que busque la concisin como un bien en s mismo, porque, a menos que ya se-

~~

,.,

pamos mucho de un asunto, no parece que haya muchas razones para practicarla. Ni siquiera necesitamos este principio para evitar teoras excesivamente complicadas, porque est implcito en la mxima de que la teora debe ser tan complicada como indican los datos. Las situaciones en las que no hay informacin suficiente sobre la complejidad de la teora que se investiga pueden conducir a lo que se denomina diseos de investigacin imprecisos (vase el apartado 1 del captulo 4), pero stos son problemas del diseo de la investigacin Y.no supuestos acerca del mundo. Todos los consejos que hemos dado hasta pueden aplicarse si an no hemos reunido nuestros datos ni. hemos comenzado a analizarlos. Sin embargo, si estn ya recogidos, podemos utilizar esas reglas para modificar nuestra teora y conseguir ms datos, generando de este modo ms consecuencias observables sobre la nueva teora. Por supuesto, este proceso es caro, cuesta mucho tiempo y quiz vayamos a desperdiciar los datos que ya se han recogido. Qu ocurre entonces cuando est claro que hay que mejorar nuestra teora pero no podemos permitimos recoger ms datos? Esta situacin -en la que con frecuencia se encuentra el investigadorha de tratarse con cautela y dominio de uno mismo. Cualquier investigador inteligente puede elaborar una teora plausible con el conjunto de datos que surge de un hecho; sin embargo, esto no dira nada sobre la veracidad de la teora, que puede ajustarse muy bien a los datos y ser completamente falsa -y, de hecho, su falsedad ser demostrable con otros muchos datos. A los seres humanos se les da bien reconocer pautas, pero no tan bien detectar la falta de las mismas (la mayora vemos pautas en manchas de tinta salteadas!). A una teora hay que racionarle los ajustes realizados sobre la marcha que no sean coherentes con los datos disponibles, y hay que hacerlos con bastante disciplina 8 Todava nos queda el problema de qu hacer cuando hayamos terminado tanto la recogida de datos como nuestro anlisis y queramos mejorar nuestra teora. En esta situacin, recomendamos que se respeten dos normas: en primer lugar, si nuestra prediccin se halla condicionada por diversas variables y queremos libramos de una de las condiciones, podemos hacerlo. Por ejemplo, si al principio nuestra hiptesis era que los pases democrticos con sistemas avanzados de proteccin social no luchan entre s, sera aceptable extender tal hiptesis a todas las democracias contemporneas y de este modo contrastar nuestra teora en un mayor nmero de casos y aumentar las posibilidades de que sea falsada. El propsito general es que, despus de ver los datos, podamos modificar la teora para que se pueda aplicar a una gama ms amplia de fenmenos. Esta alteracin de nuestras tesis, al exponerlas an ms a la falsacin, no debera llevamos a explicaciones para salir del paso que slo pretendan salvar una teora inadecuada restringindola a fenmenos con los que ya se ha comprobado que concuerda. Sin embargo, la prctica opuesta no suele ser apropiada. Despus de observar los datos, no deberamos nicamente aadir una condicin restrictiva
::fiiJ;~~'1t:

31l~~~

~
~1, :1'JS2;';O'1f:
">G;;_~\,<,,,_,

:r. :n\"2~'f,'i~1:,j;""1(~~l~.J.d,~'i::}
',~~r.w.'I'<\:II"":!~i,,,,:,,'J..'"",,!,,'!6-'r.;;';"'_"~~'I..T'~r.7,'!."""~(.:,,,. \~'''''~~''~,~".'Z'~~I "",,
.~'!.:}:,':!~"

'f',
.:1.' '~,'",!!"_~,q~-!:t","'~""~::"",""",,~ '):;'=

ti

,":";';<:::'
..~~."'"...-oo.~~r~Tta.a~'r.,.,.r"".::r'!lC!<c't:

~:,~,

;l:~

,;::,

'~.:;1!' :,:~)'C:\..~~,;:~S
.e

...."!t ...~~"!:.~."":~~:.-:"O"~!>,~nn~.,:~_'':_-::=n\i"".~~.~.~:::C'l,~,!,".-.-:--t'!!"!!~"Lt'~~"i!!."

..a.""'!:.~"'",,,';'~:::e:.:r~~,.\:U'.,

v continuar como si esa matizacin hubiera demostrado que nuestra teora ~s correcta. Si la teora original fuera que las democracias contemporneas no luchan entre s porque tienen sistemas constitucionales, seria menos aceptable que, al encontrar excepciones a nuestra regla, limitramos la proposicin a las democracias que disponen de un sistema avanzado de proteccin social una vez que se ha constatado mediante la inspeccin de los datos que esta matizacin parece convertir nuestra proposicin en correcta. O supongamos que nuestra teora inicial fuera que las revoluciones slo tienen lugar en situaciones de grave crisis econmica, pero nos damos cuenta de que no es verdad en uno. de nuestros estudios de caso. En esta si. tuacin no sera razonable aadir nicamente condiciones generales como: las revoluciones nunca tienen lugar durante perodos de prosperidad excepto all donde el ejrcito es dbil, los lderes polticos son represivos, la economa se basa en un reducido nmero de productos y el clima es clido. Tal formulacin es una forma caprichosa (y engaosa) de afirmar que mi teora es correcta, excepto en el pas X. Ya que hemos descubierto que nuestra teora no se aplica en dicho pas, no es de mucha ayuda convertir esta falsacin en una generalizacin espuria. Si no nos esforzamos por recabar nuevos datos, no dispondremos de pruebas aceptables que sostengan la nueva versin de la teora. Por 10 tanto, nuestra regla bsica en cuanto a la alteracin de una teora una vez que se han observado los datos es: podemos hacer que la teora sea menos restrictiva (de forma que contemple una gama ms amplia de fenmenos y se vea expuesta a ms oportunidades de falsacion), pero esto no ha de hacerse sin haber recogido ms datos con los que contrastar la nueva versin de la teora. Si no podemos recabar ms datos, estaremos en punto muerto y no podemos proponer ningn mtodo mgico para dejar de estarlo. En ciertos momentos, aceptar que estamos equivocados es lo mejor y, de hecho, algunos resultados negativos pueden ser bastante tiles para un rea acadmica. Quin no habra de preferir una slida conclusin negativa antes que varias de carcter insustancial que se basen en teoras elaboradas para salir del paso? Adems, si estamos equivocados, no tenemos por qu dejar de escribir una vez que hayamos admitido nuestra derrota. Podemos aadir un apartado a nuestro artculo o un captulo en el libro para ocupamos de futuras investigaciones empricas y de la presente especulacin terica. En este contexto, disponemos de bastante ms libertad y podemos sealar nuevas condiciones que sera plausible introducir en nuestra teora -si creemos que pueden solucionar el problema-; plantear la modificacin de otra teora existente o apuntar hacia una gama de teoras completamente diferente. En tal situacin, no podemos llegar a ninguna conclusin con mucha certeza (excepto, quiz, al afirmar que la teora que planteamos al principio est equivocada), pero s podemos permitimos el lujo de inventar nuevos diseos de investigacin o proyectos de recogida de datos que podran utilizarse

.~"
d

para determinar si nuestras especulaciones son correctas. Este ejercicio puede ser bastante til, especialmente a la hora de sealar reas de las que los futuros investigadores podran ocuparse. Como hemos sealado anteriormente, ya se sabe que las ciencias sociales no siguen normas estrictas: la necesidad de creatividad a veces exige que se prescinda del manual! Y los datos pueden disciplinar el pensamiento. De ah que a los investigadores, una vez que se enfrentan a los datos, se les ocurra cmo deberan haber construido la teora en un principio. Aunque sea de forma restrictiva, tal modificacin quiz valga la pena si podemos convencemos a nosotros mismos y a los dems de que reformar la teora tal como lo proponemos es algo que habramos hecho antes de recoger los datos si se nos hubiera ocurrido. Sin embargo, hasta que la teora no se contraste con nuevos datos, su posicin seguir siendo incierta, y as habr que considerarla. Una de las consecuencias importantes de estas normas es que los proyectos piloto suelen ser muy tiles, especialmente en investigaciones en las que los datos han de recogerse mediante entrevistas u otros medios particularrnente costosos. La recogida de datos preliminar puede llevamos a alterar las preguntas de la investigacin o a modificar la teora. Posteriormente, se pueden recabar otros datos para contrastar la nueva teora, evitndose as el problema de utilizar la misma informacin para elaborar y comprobar una teora.

2.3
"'"

Mejorar la calidad de los datos

Los datos son informaciones sobre el mundo recogidas de forma sistemtica y pueden ser de tipo cualitativo o cuantitativo. A veces se renen datos para evaluar una teora muy concreta, pero no es inusual que los acadmicos los recojan antes de saber exactamente qu es lo que les interesa encontrar. Adems, aunque los datos se renan para contrastar una hiptesis determinada, puede que al final a los investigadores les interesen. preguntas que no se les haban ocurrido anteriormente. En cualquier caso, ya sea que los datos se renan para un determinado propsito o que se utilicen para otro que no est claro cuando se realiza la recogida, existen ciertas normas que mejoran la calidad de tales datos. En principio, podemos considerar esas normas al margen de las que se han mencionado en el apartado 2.2 para mejorar la teora. En la prctica, para toda recogida de datos se necesita cierto grado de teora, del mismo modo que para formular cualquier teora se precisan algunos datos (vase Coombs,1964). Nuestra primera y ms importante directriz para mejorar la calidad de los datos es: registrar y detallar el proceso con el que se generan los datos. Sin esta informacin no podemos determinar si la utilizacin de procedi-

~~lid3r~~

......::~.'-=-.~ ...:....::....,...:... .~""._., mientos normalizados de anlisis producir inferencias sesgadas. Slo si conocemos el proceso de obtencin de los datos podremos hacer inferencias descriptivas y causales vlidas. En una encuesta de opinin de tipo cuantitativo, para registrar el proceso de obtencin de datos es preciso conocer exactamente de qu manera se ha realizado la muestra y qu preguntas se han hecho. En un estudio de caso comparado de tipo cualitativo es crucial enunciar las normas precisas que hemos utilizado para elegir el reducido nmero de casos que se van a analizar. En el captulo 6 damos ms directrices para la seleccin de casos en investigacin cualitativa, pero an ms importante que elegir un buen mtodo es registrar y detallar con cuida"do cualquiera que se utilice, as como la informacin necesaria para que otros lo apliquen 9 En el apartado 2.2 defendimos teoras de las que pudieran extraerse muchas consecuencias observables. Nuestra segunda directriz para mejorar la calidad de los datos es: para evaluar mejor una teora hay que recoger datos acerca de la mayor cantidad posible de consecuencias observables. Esto supone recoger tantos datos como sea posible en los contextos ms diversos. Cada consecuencia adicional de nuestra teora que observemos aportar un nuevo contexto en el que poner a prueba su veracidad. Cuantas ms consecuencias observables encontremos que sean coherentes con la teora, ms penetrante ser la explicacin y ms ciertos sus resultados. Al aadir datos sobre nuevas consecuencias observables de una teora, podemos (a) recoger ms observaciones sobre la misma variable dependiente o (b) registrar ms variables dependientes. Podemos, por ejemplo, desagregar los datos en perodos de tiempo ms cortos o reas geogrficas ms pequeas. Tambin se puede recabar informacin sobre variables dependientes de un inters menos directo; si los resultados son como los que prev la teora, tendremos ms confianza en ella. Pensemos, por ejemplo, en la teora de la disuasin racional: los potenciales iniciadores de una guerra calculan los costes y beneficios de atacar a otros estados, y en estos clculos pueden influir amenazas de represalia crebles. La comprobacin ms directa de esta teora sera evaluar si, dadas ciertas amenazas de guerra, la decisin de atacar se asocia con factores como el equilibrio de fuerzas militares entre los posibles contendientes o con los intereses que estn en juego para el pas atacado (Huth, 1988). Sin embargo, aunque utilizar nicamente casos en los que se lanzan amenazas conforme un conjunto de consecuencias observables de la teora, stas son slo una parte de las que se podran recoger (y si slo se contemplan stas se podra producir un sesgo de seleccin), ya que aquellas situaciones en las que se disuade incluso de amenazar seran excluidas de los daros. Por lo tanto, tambin podra merecer la pena recoger informacin sobre otra variable dependiente (o sea, sobre otro conjunto de consecuencias observables) que calibrara si los estados amenazan cuando tienen incentivos para hacerla.
-;"'~l~' ';:~""!'o\{;..>diI-.,"-~"""'~' ~.''''''''~''''''_''''''''''''':.~ ....,,,;,,,,,_,,.,,,,,,,,,,,,,', .....o.::... ,_"",,, ""'"" :. ..lJ

El (tlseo de .a

ir'ile~;:~'~1i~)=;oj;;1 ~~Ji:~~l,

,... c-=~

.;, _

-....:._. ~ ..._ ....'.'.'__ ~-..:-.::-',;;.;.-.:.:..' __ = .:;....;.:.:---~:;.,.:-" ..

..,,:'

' .. ~.':

.. :.;

'~"::

i;...!l 4: ;<:t'

:;;''';:' :~:iY_-:.r;V!::~
..

-;:..-.-O't"Oo~~,.OI .,., . .:"=:O'-~:-=.:;::::._.lI: ..:.l;.

';.':7\''''=.

Siempre que se carezca de datos suficientes sobre la disuasin en poltica internacional, tambin puede ser til poner a prueba otra teora que parta de presupuestos similares respecto a la motivacin y que se aplique a otra variable dependiente en diferentes condiciones, sin dejar de ser una consecuencia observable de la misma teora. Por ejemplo, podramos concebir un experimento de laboratorio para ver si, en circunstancias simuladas, la capacidad militar y unas negociaciones firmes, en vez de acentuar las amenazas, hacen que no se produzcan. Tambin podramos examinar si, en situaciones anlogas, actores como los oligopolios que compiten por su cuota de mercado o las familias del crimen organizado que luchan por el territo= rio utilizan estrategias de disuasin y hasta qu punto tienen xito en diversas circunstancias. De hecho, los economistas que trabajan en el rea de la organizacin industrial han utilizado la teora de juegos no cooperativa, en . la que tambin se basa la de la disuasin, para estudiar problemas como el de la entrada en ciertos mercados o las estrategias de precios (Fudenberg y Tirole, 1989). Como las teoras se parecen tanto, los datos empricos en los que se basan las predicciones de la teora de juegos acerca del comportamiento de las empresas aumentaran la plausibilidad de otras hiptesis relacionadas con la accin del Estado en poltica internacional. Seguira habiendo incertidumbre al aplicar las conclusiones de un campo al otro, pero el problema es lo suficientemente importante como para justificar que se intente sacar ideas y pruebas de donde sea posible. Es evidente que una recogida de datos que siempre prescinda del anlisis impedir la finalizacin de una investigacin til en vez de facilitarla, En la prctica, las limitaciones de tiempo y de recursos siempre condicionarn los esfuerzos por recoger datos. Aunque ms informacin, ms casos, ms entrevistas, una nueva variable y otras formas relevantes de recopilacin de datos siempre vayan a dar ms certeza a nuestras inferencias en algn sentido, puede que haya investigadores prometedores que se vean perjudicados en igual medida por el exceso de informacin que por su escasez. Insistir en leer un libro ms o en hacerse con otra matriz de datos brutos sin escribir una lnea es recetar improductividad. La tercera directriz es: maximizar la validez de nuestras mediciones. La validez tiene que ver con calibrar lo que creemos que estamos calibrando. El ndice de paro puede ser un buen indicador de la situacin econmica, pero uno y otra no son sinnimos. En general, lo ms fcil es maximizar la validez ajustndose a los datos sin permitir que se nos interpongan conceptos no observados o no rnensurables. Si un entrevistado responde a nuestra pregunta aduciendo ignorancia, lo que sabemos es que dijo que no lo saba, y para eso s tenemos una medida vlida. Sin embargo, lo que quiso decir en realidad constituye un concepto completamente diferente que no puede medirse con un alto grado de confianza. Por ejemplo, en pases con gobiernos represivos, aducir ignorancia puede ser, para algunas personas, una forma de criticar el sistema poltico; para otros es como decir No s.
~:=:;'L~~. ::3~i~r;~?

Yr~1q~J0I3~4~

3 5;t..

Ei dis~o de I.a

inve:SL~~j5::1n a:1-a~ s...


.. -.~...r;r.;..:r'''' ::::";;7T-=--~-e>r.':...-.::~~~"'::""':""::'::--~~';'~"":l

~.
~_z.,$.:..~,.,.;.:~.~~'CC.;..:.~ .. ~'~~~~

_:=,~;;"_~~~~~"'::"~~O:t!:'ll!oO=,~~;.;:--.,..

.ienc ... iu

.::?1 Ld.:) t~2nfjc~ .S~>j.a12S

.. 'L..-;:;-~~~~~~~-=.'b(.:,;~,., .::!:!'"

Nuestra cuarta directriz es: asegurarse de que los mtodos de recogida de datos son fiables. Fiabilidad significa que si se aplica el mismo procedimiento de la misma manera siempre se obtendr la misma medida. Cuando se utiliza un procedimiento fiable en diferentes ocasiones, sin que nada haya ocurrido entretanto que transforme la verdadera situacin del objeto que estamos calibrando, se observar el mismo resultado \O Las medidas fiables tambin ofrecen los mismos resultados cuando las realizan diferentes investigadores, y ello depende, evidentemente, de que se puedan seguir procedimientos explcitos 11. Nuestra ltima directriz es que todos los datos y anlisis deben ser; en la medida de lo posible, reproducibles. La capacidad de reproduccin no slo se aplica l los datos, con el fin de que podamos comprobar si nuestras medidas son fiables, sino que tambin tiene que ver con el proceso de razonamiento que se utiliza para alcanzar conclusiones. Partiendo del informe de nuestra investigacin, otro investigador debera poder copiar los datos y rastrear la lgica de nuestras conclusiones. La capacidad de reproduccin es importante aunque nadie repita nuestro estudio. Los procedimientos y mtodos utilizados slo se podrn evaluar si el estudio se describe con el suficiente detalle como para que pueda reproducirse. En algunos tipos de investigacin reproducir los datos puede resultar dificil o imposible: quiz los entrevistados mueran o desaparezcan y no sea posible reproducir las observaciones directas de acontecimientos del mundo real que han hecho testigos o participantes en ellos. La capacidad de reproduccin tambin significa cosas diferentes en cada tradicin investigadora. En los estudios cuantitativos se centra en repetir el anlisis a partir de los mismos datos. Como bien sabe cualquiera que haya intentado alguna vez reproducir los resultados cuantitativos de obras publicadas, la tarea suele ser bastante ms difcil de lo que debera -aunque las obras sean de renombre- y siempre resulta ms til de lo que parece al principio (acerca de la reproduccin en investigacin cuantitativa, vase Dewald y otros, 1986). En la investigacin cualitativa tradicional la analoga la proporcionan las notas a pie de pgina y las revisiones bibliogrficas. Utilizando estas herramientas, los sucesivos investigadores tendran que poder localizar las fuentes utilizadas en una obra publicada y hacer sus propias evaluaciones sobre las inferencias que han surgido de esa informacin. Si los estudios se basan en la observacin directa, la reproduccin es ms difcil. Un investigador puede tomar prestadas las notas de campo de otro o la grabacin de sus entrevistas para comprobar si este material fundamenta las conclusiones extradas en primera instancia. Este nuevo anlisis de resultados, utilizando los mismos datos, no suele hacerse, ya que gran parte de la informacin del trabajo de campo se basa en conversaciones, impresiones y otros actos de participacin no registrados. Sin embargo, se podra avanzar bastante si hubiera ms investigadores que intentaran hacer este tipo de reproduccin, y

~ .,;;

'.'

as se animara tambin a otros a tomar notas de campo ms detalladas. Alguna vez se ha reproducido un proyecto de investigacin completo, incluyendo la recogida de datos. La reproduccin no puede ser perfecta porque es imposible retrotraerse en el tiempo; no obstante, el intento puede resultar bastante fructfero. Quiz la reproduccin ms exhaustiva que se haya llevado a cabo de un proyecto cualitativo sea la del estudio sociolgico de la ciudad estadounidense de Middletown, en Indiana, que comenzaron Robert y Helen Lynd. Su primer estudio de Middletown se public en 1929 y se reprodujo en un libro que apareci en 1937. Unos cincuenta aos despus del primer proyecto se est publicando una larga serie de libros y artculos que reproduce los primeros estudios (vase Caplow y otros, 1983a, 1983b y las citas que incluyen). La investigacin cualitativa no tiene por qu ser tan exhaustiva, pero este gran proyecto de investigacin debera servir como modelo de lo que se puede hacer. Toda investigacin tendra que aspirar a ser lo ms reproducible posible: los investigadores habran de registrar siempre los mtodos, normas y procedimientos exactos que han utilizado en la recogida de informacin y extraccin de inferencias para que otros pudieran hacer lo mismo y llegar (esperamos) a la misma conclusin. La capacidad de reproduccin tambin supone que los acadmicos que utilizan fuentes inditas o privadas tendran que comprometerse a que, en el futuro, otros pudieran acceder a este material en condiciones similares; aprovecharse de un acceso privilegiado sin buscar que otros 10 tengan imposibilita la reproduccin y pone en cuestin la calidad cientfica del trabajo. Lo normal es que las investigaciones no sean reproducidas, pero nuestra responsabilidad es comportamos como si alguien pudiera querer hacerla. Aunque la obra no sea reproducida, aportar los materiales para que s lo sea har posible que los lectores comprendan y evalen nuestro trabajo.

2.4

Utilizar mejor los datos existentes

.. ~

Solucionar los problemas que plantean los datos mediante la recopilacin de otros nuevos y mejores es casi siempre preferible a utilizar de otro modo los datos defectuosos de que disponemos; sin embargo, no siempre es posible recoger otros. Los cientficos sociales suelen enfrentarse a datos problemticos y a pocas posibilidades de adquirir otros mejores, de manera que tienen que sacar el mximo partido a los que tienen. Cmo utilizar mejor los datos ya recogidos es el tema principal de las clases de mtodos estadsticos y, de hecho, es la mayor aportacin de la estadstica inferencial a las ciencias sociales. Los preceptos de este asunto, que tan claros estn en el estudio de la estadstica inferencial, tambin se aplican a la investigacin cualitativa. En el resto del libro nos ocupamos de ellos con ms detalle, y aqu slo vamos esbozar brevemente las

~3r.~~1

?::i.. ~~~~S;:~~~/; , . :1~'.f.f"S;,-):J:.~:;i'-~:"' .:.~ ~


.... -_ .... ~.-::.:..., -"""J,...--::"'. ';'-...-

--:r~,'''''~-'-.-:-:'~~_~'-'r-o-

.... ,,-=""-~'~.--.-.~;' __ ..~.

,- '.-=~ ................ .. - .,.... ..-~_ .. ~

< __

.;.!;-!'...,..:~- ~.'

'C''''''

=~

..::;' :~:,'.'?i:r:',e r:n",


t.,,,,~,_
'-<.;":'''-'''''=''':';'-'I;i'-~":-:>C..:':".-,,,,-''''-'''_-_~..:..otr'''''''.&!i'-~,.'':~t1.a::::.'~~''~'!l:.,;;:~ZI:~!

F~~

~;::.(':' ;;~'-:'~2~.'
. !~. - :-ur.
::.z..~ .

..~:.""'~"'("~'~:-,t~-"_..,.~-w=-Z!:.'!~

directrices que hay que seguir para utilizar mejor datos recogidos con anterioridad. En primer lugar, siempre que sea posible, para hacer inferencias hay que utilizar datos que no estn sesgados, es decir, que como promedio sean correctos. Para entender esta idea tan concreta de la investigacin estadstica, imaginemos que se aplica la misma metodologa (ya sea en la investigacin cuantitativa o en la cualitativa) para analizar y extraer conclusiones de datos procedentes de varias matrices de datos brutos. Es probable que, a .causa de pequeos errores en los datos o en la aplicacin del procedimiento, utilizar slo una vez esta metodologa nunca dar resultados del todo correctos. Un procedimiento no sesgado ser correcto si se consi.dera como una media de muchas aplicaciones; aunque, por separado, stas no sean correctas. El procedimiento no inclinar sistemticamente el resultado en una u otra direccin. Es evidente que la extraccin de inferencias no sesgadas depende tanto de la primera recogida de datos como de su uso posterior y que, como hemos sealado anteriormente, siempre es mejor prever los problemas antes de comenzar a reunir los datos. Sin embargo, aqu mencionamos brevemente estas dificultades porque al utilizar los datos es preciso poner un especial cuidado en el anlisis de posibles fuentes de sesgo que hayan pasado desapercibidas cuando se recogian dichos datos. Una de esas fuentes, que puede falsear las inferencias, es la del sesgo de seleccin, que consiste en elegir observaciones de tal manera que se distorsiona sistemticamente la poblacin de la que proceden. Aunque un ejemplo obvio es el de escoger a propsito slo aquellos casos que apoyan nuestra teora, el sesgo de seleccin puede ser mucho ms sutil. Hay otro sesgo que puede surgir de las variables omitidas y que consiste en excluir alguna variable de control que pudiera influir en una aparente conexin causal entre las variables explicativas y la que queremos aclarar. Entre los captulos 2 y 6 analizaremos estas y otras posibles dificultades que se presentan en la extraccin de inferencias no sesgadas. La segunda directriz se basa en el concepto estadstico de eficiencia: para que los datos se utilicen de manera eficiente hay que maximizar la informacin que se ha tenido en cuenta para hacer las inferencias descriptivas o causales. Para maximizar la eficiencia no slo es preciso utilizar todos nuestros datos, sino usar tambin toda la informacin relevante que hay en ellos para mejorar las inferencias. Por ejemplo, si los datos estn desagregados en pequeas unidades geogrficas, tenemos que utilizarlos de esa forma, no slo como un agregado nacional. Los agregados ms pequeos tendrn un mayor grado de incertidumbre, pero si son, al menos en parte, consecuencias observables de la teora, contendrn informacin que puede traerse a colacin en el problema inferencial.

3.

Temas de estudio de este volumen

Finalizamos este captulo general sealando los cuatro puntos importantes en la realizacin de un diseo de investigacin que hemos planteado aqu y que analizaremos en detalle a lo largo del libro.

3.1

La utilizacin de consecuencias la teora y los datos

observables

para vincular

En este captulo hemos subrayado que para que una teora merezca la pena debe contemplar consecuencias relacionadas con las observaciones que esperamos encontrar si es correcta. Estas consecuencias observables de la teora han de guiar nuestra recogida de datos y ayudamos a distinguir entre hechos relevantes e irrelevantes. En el apartado 6 del captulo 2 analizamos cmo afecta la teora a la recogida de datos y de qu manera stos disciplinan la imaginacin terica. Aqu lo que queremos recalcar es que la teora y la investigacin emprica deben estar estrechamente relacionadas. Cualquier teora que de verdad trabaje para nosotros tendr consecuencias en la investigacin emprica, y sta no podr llegar a buen puerto sin una teora que la gue en la eleccin de sus preguntas. Tanto la teora como la recogida de datos son aspectos esenciales del proceso que nos lleva a decidir si una teora puede considerarse de forma provisional verdadera o falsa, aunque est sujeta en ambos casos a la incertidumbre que caracteriza a todas las inferencias, ' A toda teora hay que preguntarle cules son sus consecuencias observables y en cualquier investigacin emprica hay que saber si las observaciones son relevantes para las consecuencias de la teora y, si es as, qu nos permiten inferir sobre la correccin de la misma. En cualquier estudio social cientfico las consecuencias de la teora y de la observacin de los hechos han de ser elementos imbricados: las conclusiones de las ciencias sociales no pueden considerarse fiables si no se basan en teoras y datos estrechamente relacionados, que se hayan forjado mediante la formulacin y anlisis de las consecuencias observables de una teora.

3.2

La maximizacin

del control

El investigador que busca consecuencias adicionales para una hiptesis persigue uno de los objetivos ms importantes de las ciencias sociales: explicar tanto como sea posible de la forma ms escueta posible. La ciencia social de calidad pretende aumentar la trascendencia de lo que se explica mediante la informacin utilizada en la explicacin. Si podemos exponer con precisin, a travs de una o varias variables causaies, lo que en princi-

::~ -;"j1Se: - li"~ ::::. . ,~V.e~~~;Z!~,-:~,~'!!; ... /j~:1:::;. ,,,.....- .... ,~-..~,~'lf"..:_:MJIiZ;.=~ . ~"'.~'"l'~:;:o.J(~~\U.:J'>,.."".Y.!"::nrr.~.':"':"C_u

. ..:y .:""i!'JC:...,,.:.'.1\:.<l!Er-'-.-r.~:'l-;.y-"'l""<,1(1";""",::,:.~!:,~:,'.'::2:.."'.lT.a;:.~,;:I'";"'.r;1::':_-:;'~_"J...~\IT'-=""J":'!':'.!t:~

L
~~~~~ __~~~.~

L2 :~:!nt:'(j ;";!":; "~~~

;:L=~'p:~;;:~ SWi~~3:.c5
... ;<::,!;%oI~~'I1'~~'=:fI"':-_1aI.

po parece un complicado efecto, el control que tendremos sobre LID problema ser muy elevado. Al revs, si podemos explicar muchos efectos a partir de una variable o de unas pocas, tambin dispondremos de un control considerable. En general, el control es escaso en las ciencias sociales y lo es an ms en determinadas reas temticas. Esto puede deberse a que los investigadores no saben an cmo aumentarlo, a que la naturaleza no est organizada adecuadamente o a ambas razones. Las reas que se estudian habitualmente de forma cualitativa suelen ser aquellas en las que hay poco controL Para explicar cualquier cosa se suele necesitar un conjunto de variables explicativas: utilizamos muchos elementos para explicar poco. En-estos casos 'tendramos que proponemos disear investigaciones con ms controL Hay varias maneras de aumentar el control sobre el problema de nuestra investigacin. La principal consiste en incrementar el nmero de consecuencias observables de nuestra hiptesis y buscar el modo de confirmarlas. Como se ha descrito anteriormente, esta tarea puede suponer (1) una mejora de la teora para que tenga ms consecuencias observables, (2) una mejora de los datos para que realmente se detecten ms consecuencias y se utilicen para evaluar la teora y (3) una utilizacin ms provechosa de esos datos, con el fin de extraer ms consecuencias de aquellos que estn disponibles. Ninguna de estas posibilidades, ni tampoco el concepto general de rnaximizacin del control, son iguales a la idea de concisin, la cual, como explicamos en el apartado 2.2, es un presupuesto relacionado con la naturaleza del mundo ms que una norma para disear investigaciones. La maximizacin del control es tan importante y tan general que recomendamos fervientemente que los investigadores hagan listas constantes de aquellas posibles consecuencias observables de sus hiptesis que. pudieran detectarse en sus datos o en otros. Quiz se puedan comprobar algunas de esas nuevas consecuencias en la matriz de datos brutos original, siempre que la consecuencia no surja de los datos y sea una hiptesis que, de manera independiente, indiquen la teora u otra matriz de datos. Sin embargo, utilizar otros datos es an mejor. En este sentido, tendramos que considerar tambin consecuencias que pudieran aparecer en nuevos datos -relativos a otras unidades o a otros aspectos de los que estudiamos, datos sobre diferentes grados de agregacin y de otros perodos, como las predicciones sobre el futuro prximoy evaluar las hiptesis en esos mbitos. Cuantas ms pruebas encontremos en diversos contextos, ms convincente ser nuestra explicacin y ms confianza podremos tener nosotros y los dems en las conclusiones. En principio, algunos investigadores podran oponerse a la idea de recoger consecuencias observables en cualquier sitio o en niveles de agregacin diferentes de aquel para el que se ha diseado la teoria. Por ejemplo, Lieberson (1985) aplica a la investigacin cualitativa la idea estadstica de falacia eco lgica -utilizar de forma incorrecta datos agregados para hacer

. ~~""~~~:Jl~--:t-~~:"-~~l"~'~=\[!.~.u.-..:..~"W

inferencias sobre individuos- con el fin de prevenir contra las inferencia s que utilizan diferentes niveles de agregacin 12. Est~mos de acuerdo en que utilizar datos agregados puede llevamos a hacer mterencias Incorrectas so. bre los individuos: cuando son stos los que nos interesan, suele ser mejor estudiados directamente si podemos hacemos con los datos adecuados. Sin embargo, si lo que queremos es que nuestra inferencia plantee una hiptesis con bastante validez, quiz sea mejor que nuestra teora tenga consecuencias en muchos niveles de anlisis diferentes y, a menudo, podremos utilizar datos de todos para dar alguna informacin sobre ella. De este modo, aunque lo que ms nos interese est en un nivel de anlisis agregado, con recuencia podremos lograr un mayor control sobre la veracidad de nuestra teora si utilizamos datos de los otros. Por ejemplo, si elaboramos una teora para explicar las revoluciones, tendremos que buscar consecuencias observables de ella no slo en los resultados ms generales sino en fenmenos como las respuestas de los revolucionarios a entrevistas en profundidad, en las reacciones de los que residen en pequeas comunidades de zonas apartadas del pas o en declaraci.ones oficiales de los cargos de los partidos. Tendramos que estar dispuestos a incorporar cualquier informacin que pudiramos lograr, siempre que nos ayudara a conocer la veracidad de nuestra teora. Si podemos contrastarla examinando los resultados de las revoluciones, perfecto. Pero, en la mayora de los casos, existe poca informacin a ese nivel, quiz una o dos observaciones cuyo valor suele ser ambiguo o estar mal medido. La existencia de una revolucin es compatible con muchas teoras diferentes. Slo al profundizar en el caso que nos ocupa o aportando informacin relevante sobre otros ser posible diferenciar las teoras que ya existan con anterioridad. .El nico problema, a la hora de utilizar informacin procedente de otros niveles y fuentes para estudiar una teora que est diseada con un determi. nado grado de agregacin, reside en dilucidar si tales observaciones contienen alguna informacin relevante para evaluar las consecuencias de nuestra teora. Si esas nuevas observaciones ayudan a comprobar la teora, habr que utilizarlas aunque no sean consecuencias de gran inters. Por ejemplo, quiz no nos importen en absoluto las opiniones de los revolucionarios, pero si sus respuestas a nuestras preguntas son compatibles con nuestra teora de la revolucin, ser ms posible que sta sea correcta y la recogida de informacin adicional no habr sido intil. De hecho, una observacin en el nivel de anlisis ms agregado -que tenga lugar una revolucin predicha, por ejemplono es ms que una consecuencia observada de la teora y, dada la poca informacin que contiene, no habra que concederle ms importancia que a otras consecuencias observables. Tenemos que recabar informacin sobre tantas consecuencias observables de nuestra teora como sea posible.

~,.J

.;:t

""

~'j1s.;~ ri,<}

.,

:i~;1_2

,:"~'!! ,~:. rj~,_jtl('; :'.

.,

.. }

~. ....
;

,:-",.~. l~:H
.. ,-:.:<:,t;.r,,-l ._,.""..'"', ,,--'.,~ __

. ~",'I';';:.,--,;".h;'.';'~;: , '.__ __ 'i~";'.a:,,.-::..,-

....,:!O..~..,._-,,;,!.',.~.~.:

. v:;,~ ,.:O.J",M.Y."."~"",,....,.,,,,-:..

.w~Jj)"""i>i<'~\."''''''';.;., c. __

."t.4---_,j,.""".~~.!...<_N ."-'

,;;~;;;!~,.u."",""':d'::.~\'~',,,,

3.3

Admitir

la incertidumbre

Tanto en la investigacin cuantitativa como en la cualitativa el conocimiento y la inferencia son siempre inciertos. La medicin en ambos tipos de estudio es propensa al error, pero sus causas pueden ser diferentes. El entrevistador cualitativo, que hace una larga entrevista en profundidad a una persona cuyo contexto ha estudiado, tiene menos posibilidades de calibrar mal la autntica ideologa poltica de ese sujeto que otro que entreviste de forma estructura da a una persona elegida de forma aleatoria y de la que no -sepa nada (aunque lo contrario tambin es po-sible si, por ejemplo, el entrevistador se fa excesivamente de un entrevistado que no es fiable). Sin embargo, el encuestador tiende menos que el que investiga en profundidad a extrapolar de forma inapropiada a una poblacin amplia, lo que slo es aplicable a casos particulares. Ninguno de ellos es inmune a las incertidumbres de la medicin o al inherente carcter probabilstico del mundo social. Todos los buenos cientficos sociales -ya sean cuantitativos o cualitativos- contemplan un margen aproximado de incertidumbre en sus inferencias. En la ciencia poltica, quiz el problema ms importante de los estudios cualitativos sea la constante falta de estimaciones de incertidumbre razonables que se observa en las inferencias de los investigadores (vase King, 1990). Siguiendo las normas de este libro se puede hacer una inferencia vlida casi en cualquier situacin, independientemente de lo limitados que sean los datos, pero tendramos que evitar sacar conclusiones muy ambiciosas a partir de datos poco consistentes. El problema no es que sea imposible extraer inferencias fiables en la investigacin cualitativa, sino que siempre habra que calcular de forma razonable el grado de incertidumbre que existe en cada una de ellas. Neustadt y May (1986, p. 274), al ocuparse de campos en los que es difcil hacer estimaciones cuantitativas precisas, proponen un mtodo til para animar a los decisores polticos (que a menudo se enfrentan a la necesidad de ilegar a conclusiones sobre qu poltica seguir, utilizando datos inadecuados) a juzgar la incertidumbre de sus conclusiones. Preguntan: Cunto dinero propio pondras en ello?, Esta pregunta tiene sentido siempre que tambin nos planteemos: Con qu posibilidades?.

;:

,-:/-

l'

\-~:

~
~i,

"

'.,
'''1 -;:"j,

l,

":~
<.-t.' .~~

,
'1f;
>\'

;;~

plantearlas en relacin a los propios proyectos. Existen muchas razones para tomarse una explicacin causal con escepticismo, por plausible que pueda parecer a primera vista. Leemos en el peridico que los japoneses comen menos carnes rojas y que sufren menos ataques cardacos que los estadounidenses. Esta observacin es interesante por s misma y, adems, la explicacin resulta creble: comer demasiados filetes conduce a la alta tasa de enfermedades cardacas de los Estados Unidos. El cientfico social escptico pregunta por la precisin de los datos (cmo conocemos los hbitos aiimentarios?, qu muestra se ha utilizado", se clasifican los ataques al corazn de forma parecida en Japn y en los Estados Unidos, de manera que podamos comparar fenmenos similares?). Suponiendo que-los datos sean precisos, qu otros factores podran explicar los efectos?: hay ms variables (otras diferencias dietticas, rasgos genticos o de forma de vida) que puedan explicar este resultado? Acaso hemos intercambiado la causa y el efecto sin damos cuenta? Es difcil imaginarse que el hecho de no sufrir un ataque al corazn pueda hacer que comamos menos carne roj a, pero es posible. Quiz la gente pierda, con los aos, las ganas de comer hamburguesas y filetes. Si as fuera, los que (por la razn que sea) no han sufrido un ataque al corazn viviran ms y comeran menos carne. Este hecho producira la misma relacin que llev a los expertos a la conclusin de que la carne es la culpable de los ataques al corazn. No pretendemos cuestionar esos estudios mdicos; simplemente queremos poner un ejemplo de cmo los cientficos sociales se enfrentan al problema de la inferencia causal: con escepticismo y teniendo en cuenta las explicaciones alternativas que podran haberse pasado por alto. De este modo, la inferencia causal se convierte en un proceso en el que cada conclusin es una oportunidad de investigar an ms, con el fin de profundizar en esa inferencia y ponerla a prueba. Intentaremos, mediante aproximaciones sucesivas, acercamos cada vez ms a una inferencia causal precisa.

.~

~~
i. '

W
\l

',:~
~';-

3.4

Pensar como un cientfico social: escepticismo contrapuestas

e hiptesis

'~ :-.:,

]f.;'

La incertidumbre de las inferencias causales tiene como consecuencia que los buenos investigadores sociales no las acepten fcilmente. Cuando se dice que A produce B, alguien que piense como un cientfico social se preguntar si esa relacin es autnticamente causal. Es fcil hacer esas preguntas respecto a las investigaciones ajenas, pero resulta ms importante

.e

-l
_~~.s ;~.'&'<j~~

;~i~f~lSI3~142~

:'j

'4~Z~$'1

:1

0;.

La tnrerencta

.J:,

e...:i

e t\9 nescnp rva

: ...

En las ciencias sociales, la investigacin, ya sea cuantitativa o cualitativa, tiene dos objetivos: describir y explicar. Unos investigadores se proponen describir el mundo y otros explicarlo, y ambos propsitos son esenciales. No podemos dar explicaciones causales con sentido sin una buena descripcin, y sta, a su vez, pierde gran parte de su inters si no est vinculada a alguna relacin causal. La descripcin suele venir primero porque es difcil proponer explicaciones antes de saber algo acerca del mundo y qu ha de explicarse en funcin de qu caractersticas. Sin embargo, la relacin entre descripcin y explicacin es interactiva. A veces nuestras expiicaciones nos inducen a buscar descripciones de diferentes partes del mundo y, al contrario, stas pueden lievarnos a nuevas explicaciones causales. Tanto la descripcin como la explicacin dependen de las reglas de la inferencia cientfica. En este captulo nos centramos en la descripcin y en la inferencia descriptiva. Describir no es en absoluto algo mecnico o carente de problemas, ya que para hacerla hay que elegir entre un nmero infinito de hechos que podran registrarse. La descripcin cientfica tiene varios aspectos fundamentales. Uno de ellos es que conlleva un proceso inferencial: describir consiste, en parte, en inferir informacin sobre hechos no observados a partir de aquellos que s se han contemplado. Otro aspecto es su capacidad para distinguir lo que tienen de sistemtico y de no sistemtico los hechos observados. Debe quedar claro que no estamos de acuerdo con los que denigran la simple descripcin. Aunque explicar -relacionar causas y efectos- sea

...l

'~~:.:::f(! .:::~~
..I'J.=7~..i!".='.:::.\'t;: :

t,c;

~i':'~f~ ~";'-:r.-;" .
'jl"<.."':'~: W",;'-:;O;,""::11:.:_'I>).~,=

','.rl.

!\o....,:;;:'~.2';"1l!" ..

\:".r.~ .:~,~~'!Z"'::;;:,';;;

~':l n"'.::t;;':!nt:'fJ
,,,"~;~~".~:,,,",,-,:,,"""

"~'""

:;~:.5~::n,n1 t:~

~\' .:::y-,'~~'-'-~"".';,\

. .--,'!'-;~~ ;r .. =

'7"-':'''';W:':''''~ ''Y':''1~''''r_-'''-'-'''''~

.r.;':<'I-r;. it~"""'_iJ""'. ':;: ~

el objetivo ltimo, describir resulta determinante en toda explicacin y es una actividad fundamental en s misma. Lo que distingue los estudios cientficos de otros tipos de investigacin no es el enfrentamiento entre descripcin y explicacin, sino el hecho de que se hagan inferencias sistemticas segn procedimientos vlidos. La inferencia, ya sea descriptiva o causal, cuantitativa o cualitativa, es el objetivo ltimo de toda ciencia social de calidad. La recogida sistemtica de hechos es una empresa muy importante sin la que la ciencia no sera posible, pero no es ciencia en s misma. El trabajo de archivo o el resumen de hechos histricos pueden conformar, si son correctos, una buena historia descriptiva, pero ninguna de estas actividades es suficiente para constituir ciencias sociales. En este captulo, distinguimos entre descripcin -recogida de datos- e inferencia descriptiva. En el apartado 1 analizamos la relacin entre los objetivos aparentemente contradictorios de la investigacin acadmica: descubrir conocimientos generales y conocer hechos particulares. De este modo, en el apartado 2, podemos explicar con ms detalle el concepto de inferencia. En el resto del libro nuestra intencin es presentar ideas a travs de la expresin verbal y tambin mediante modelos de investigacin algebraicos muy simples. En el apartado 3 entramos a considerar la naturaleza de esos modelos. Posteriormente, se analizan los relativos a la recogida de datos, al resumen de datos histricos y a la extraccin de inferencias descriptivas en los apartados 4, 5 Y 6, respectivamente. Para terminar, en el apartado 7, proporcionamos algunos criterios concretos para evaluar inferencias descriptivas.

:.'

~
%'

1.

El conocimiento general y Loshechos particulares

El mundo que estudian los cientficos sociales se compone de elementos particulares: votantes concretos o entidades gubernamentales especficas, as como ciudades, tribus, grupos, estados, provincias y naciones determinadas. La ciencia social de calidad pretende ir ms all de estos pormenores para alcanzar un conocimiento ms general. Sin embargo, la generalizacin no quita importancia al detalle. De hecho, el nico objetivo que persigue ir de lo particular a lo general es aumentar nuestro conocimiento de ambas cosas. Los integrantes especficos del mundo social -o, ms concretamente, los hechos concretos de esos integrantesson la base en la que deben descansar las generalizaciones. Adems, casi siempre aprendemos ms de un caso especfico cuando estudiamos conclusiones ms generales. Si quisiramos saber por qu ha dimitido el ministro de Asuntos Exteriores de Brasil, sera til saber por qu lo han hecho otros ministros brasileos, por qu lo hacen los mismos cargos en otros pases o por qu las personas, en general, dejan sus puestos en los gobiernos o incluso en otros mbitos laborales. Cada una de estas razones nos ayudar a comprender diferentes
".~~~~5~

tipos de hechos generales y de principios de comportamiento humano, y no dejarn de ser importantes aunque nuestro nico objetivo sea comprender por qu ha dimitido el ltimo ministro de Asuntos Exteriores brasileo. Por ejemplo, estudiando a otros ministros podramos saber que todo el gobierno brasileo ha dimitido para protestar por las acciones del presidente, algo de lo que no nos habramos dado cuenta si slo hubiramos examinado lo que haca el de Exteriores. En las ciencias sociales algunas investigaciones pretenden informar sobre un tipo de acontecimientos especfico sin decir nada en particular sobre - un hecho o unidad concreta. Los estudios de comportamiento electoral que utilizan encuestas masivas explican las decisiones del conjunto de los votantes, no el sufragio de un individuo concreto. Los estudios de las finanzas del Congreso estadounidense explican la influencia del dinero en los resultados electorales de todas las circunscripciones. La mayoria no mencionar la sptima circunscripcin de Pensilvania ni ninguna otra a no ser de pasada o como una excepcin a la regla general. Estos estudios siguen la pauta de Przeworski y Teune (1982): eliminar los nombres propios. Sin embargo, aunque no pretendan comprender el funcionamiento de ningn distrito en particular, no tendran que pasar por alto -como, por desgracia, se hace de vez en cuando en esta tradicinque los hechos relativos a los diversos distritos que se incluyen en el anlisis tienen que ser precisos. Hay otras investigaciones que intentan decimos algo acerca de un ejemplo concreto. Se centran en la Revolucin francesa o en otro acontecimiento importante con la intencin de explicar cmo o por qu sucedi. Los estudios de esta tradicin seran impensables -y realmente careceran de inters para la mayora de sus lectores habituales-e- sin nombres propios. Un politlogo puede tratar con acierto las pautas de relacin en el conjunto de las campaas para el Congreso estadounidense sin ocuparse de circunscripciones o candidatos concretos, pero imaginmonos el anlisis que hizo Robert Caro (1983) de las elecciones tejanas de 1948 al Senado sin Lyndon Johnson y Coke Stevenson '. Acontecimientos concretos como la Revolucin francesa o las primarias demcratas de 1948 para el Senado en Tej as pueden tener un inters intrnseco: suscitan nuestra curiosidad y, si fueran condiciones previas para que tuvieran lugar acontecimientos posteriores (como las guerras napolenicas para la presidencia de Johnson), quiz fuera preciso conocerlas para comprender dichos acontecimientos. Adems, tener un conocimiento general sobre las revoluciones, rebeliones o guerras civiles nos proporcionar informacin de valor incalculable para centrar mejor nuestro estudio sobre las causas concretas de la Revolucin francesa. Vamos a abordar estos asuntos analizando la interpretacin, que se presenta como alternativa a la inferencia cientfica (apartado 1.1), los conceptos de singularidad y complejidad del objeto de estudio (apartado 1.2) y el rea general de los estudios de caso comparados (apartado 1.3).

;i"31:r~~46

::i. d';J~fl) j,,:~ la in'J2::::jg~"::6~.~.:, ..!:=,


,. '::",::W!_''''_''''',:lI<oI'iOS ~ gn',;,~ .

.,,~ :~y,:~'f.:. :'-:';:; ;:~;;t:;.:npt;\:'i-~


-"c""..'.J;.'":a;::.,'
~> ...:.:~;;.:,...""w"..,::;.:.;..."'~a

..

_"'~"';:_'='"'.''''''':;';'''''''':''':W''"'"'''''-;'''n.,.J<I'Q

,~';~''I .. ~,-_;. ";'.u~l<.A':'~I.'~

"..:".;,..~.,

;;...-

__ '.:.-'-',ll

._;.lI.1-.-"'1-,;r

,~~

__ ~.,-~~

. -:,~_"

~w:o..._.=.

"" , ... ... ,-_.

1.1

Interpretacin e "inferencia

.>k

En las ciencias humanas hay historiadores y antroplogos que afirman que lo nico que buscan son conocimientos concretos a travs de io que denominan interpretacin. Los interpretacionistas tratan de encontrar sntesis precisas de los pormenores histricos y situar los acontecimientos que describen en un contexto inteligible dentro del que pueda explicarse el significado de las acciones. Como ha escrito Ferejohn (en Goldstein y Keohane, 1993, p. 228): Queremos que las teoras de las ciencias sociales proporcionen explicaciones causal es de los acontecimientos L.] [y] que expliquen las razones de la accin social o su significado. No slo queremos saber lo que llev al agente a realizar un acto determinado, sino sus razones para hacerlo. Geertz (1973, p. 17) tambin escribe que ... no nos interesa quitarle al comportamiento humano, antes de comenzar a examinarlo, precisamente las propiedades que nos atraen. Los investigadores que hacen hincapi en la interpretacin pretenden arrojar luz sobre los aspectos deliberados del comportamiento humano utilizando el concepto de Verstehen (cempatia: comprender el significado de las acciones e interacciones a partir del punto de vista de los que participan en ellas [Eckstein, 1975, p. 81]). Los interpretacionistas quieren explicar las razones de las acciones intencionadas relacionndolas con todos los conceptos y prcticas en los que estn inmersas, Tambin emplean normas de evaluacin: Las normas ms evidentes son la coherencia y el campo de aplicacin: una explicacin interpretativa tiene que dar la mxima coherencia o inteligibilidad a un conjunto de prcticas sociales y, si lo que explica es un conjunto de prcticas determinado, tiene que ser compatible con otras prcticas o tradiciones de la sociedad (Moon, 1975, p. 173). Para los interpretacionistas, quiz la recomendacin operativa ms importante sea que los investigadores aprendan mucho sobre una cultura antes de elaborar preguntas de investigacin, ya que slo mediante una profunda inmersin cultural y un intenso conocimiento de la materia se pueden plantear preguntas correctas y formular hiptesis tiles. Duneier (1993), por ejemplo, estudi el comportamiento colectivo de los hombres de clase trabajadora negros y blancos en un bar autoservicio no segregado de Chicago. Al sumergirse en esta cultura local durante cuatro aos, le sorprendieron ciertas cosas que antes no se le haban ocurrido. Por ejemplo, observ que, aunque estos hombres estaban muy en contra del Partido Republicano, su actitud ante muchos problemas era socialmente conservadora. Algunos investigadores llevan an ms lejos el papel de la interpretacin, llegando a indicar que, para las ciencias sociales, constituye un paradigma de investigacin completamente diferente, ... no una ciencia experimental en busca de leyes sino otra de tipo interpretativo en busca de significado (Geertz, 1973, p. 5). Sin embargo, para nosotros, la ciencia (tal como la hemos definido en el apartado 1.2 del captulo 1) Y la interpre-

t,~~

~t
11

:
~~
.;;

..,! ~~< ;""

tacin no son empresas fundamentalmente diferentes que persigan objetivos distintos. Ambas dependen de la elaboracin de cuidadosas descripciones, de una comprensin profunda del mundo, de que se planteen buenas preguntas, de la formulacin de hiptesis falsables a partir de teoras ms generales y de la recogida de las pruebas necesarias para evaluar tales hiptesis. La aportacin primordial de la ciencia es un conjunto de procedimientos con los que se pueden dar respuestas a preguntas descriptivas y causales elaboradas apropiadamente. Al insistir en la metodologa inferencial no pretendemos menoscabar la importancia del proceso de formulacin de preguntas fructferas. Por-e! contrario, estamos de acuerdo con los interpretacionistas en que ste resulta crucial para entender en profundidad una cultura, antes de formular hiptesis o de disear un proyecto de investigacin sistemtico que encuentre una respuesta. Slo queremos aadir. que no se puede evaluar la veracidad de afirmaciones basadas en mtodos como el de la observacin participante si no se utiliza la lgica de la inferencia cientfica que nosotros describimos. Encontrar respuestas adecuadas para preguntas errneas es un ejercicio pueril. La interpretacin que parte del concepto de Verstehen suele ser fuente de penetrantes hiptesis. Por ejemplo, las detalladas observaciones que hizo Richard Fenno del Congreso estadounidense (Fenno, 1978) a travs de lo que l denomina empaparse y hurgar han hecho grandes aportaciones al estudio de esta institucin, principalmente porque han ayudado a plantear mejores preguntas de investigacin. En su estudio de las regiones italianas, Putnam (1993, p. 12) a-firma que para practicar el mtodo de empaparse y hurgar ... es necesario que el investigador se sumerja en los pequeos detalles de una institucin, con el fin de participar, como los que viven en ella a diario, en sus costumbres y prcticas, en sus xitos y fracasos. Esta inmersin agudiza nuestras intuiciones y ofrece innumerables pistas sobre cmo se articula la institucin y de qu manera se adapta a su medio. Cualquier definicin de ciencia que no deje lugar a las ideas relativas a la elaboracin de hiptesis ser tan frvola como una interpretacin a la que no le preocupe descubrir la verdad. Sin embargo, una vez que las hiptesis se han formulado, para demostrar que con correctas (dejando un margen a la incertidumbre) se precisan inferencias cientficas vlidas. Adems, los procedimientos inferenciales de los cientficos sociales interpretacionistas deben respetar las mismas reglas que los de otros investigadores cualitativos y cuantitativos. Esto significa que, aunque estamos de acuerdo en que las ciencias sociales de calidad necesitan interpretaciones penetrantes u otros mtodos para generar buenas hiptesis, tambin hay que subrayar que la ciencia es esencial para que la interpretacin sea precisa. Si pudiramos entender el comportamiento humano nicamente a travs del concepto de Verstehen, nunca podramos falsar nuestras hiptesis descriptivas o aportar pruebas de ellas que no formaran parte de nuestra propia experiencia. En consecuencia, las conclusiones nun-

:~~9~g"~

d;-~~:;D1."'1::

!:~

...

~v~~.;; .',~:~:,

.,~ ;,'tI?:!!~C'~ l~t;:rr':ff.:-~,


_""."", "-':. ,.;;;; "7::.~."iI:? .. ~~"'"::":"!.:-~ ::...:a':z.,~.;::r.~.

'"""!""..:i~'''''''''''~,~~"'.'''~1 =!t.

~:'!'" :~J.";.!"""c.:.!';""~~.1".~.>.....,..:.:.:--=.'7,~:''I1.--->:"-=:~l':~:::';"",=-:!';"~";:l'Z!:."!c.':<in:

...... "-."11

ea dejaran de ser hiptesis no comprobadas y las interpretaciones tendran un carcter personal y no cientfico. Uno de los mejores y ms famosos ejemplos de la tradicin interpretativa es el anlisis que hizo Clifford Geertz del estudio de Gilbert Ry1e sobre las diferencias entre un tic nervioso y un guio. Geertz (1973, p. 6) escribe:
Pensemos en [...] dos chicos que contraen rpidamente los prpados de sus respectivos ojos derechos. En uno de ellos es un tic involuntario; en el otro, una seal de tipo conspirativo para LU1migo. Los dos movimientos son, como tales movimientos, idnticos. a Si se-realizara una observacin.cfenornenistica de estos movimientos aislados, como la hara una cmara fotogrfica, no se podra distinguir entre el tic y el guio o si, en realidad, ambos han sido una cosa u otra. Sin embargo, la diferencia que existe entre un tic nervioso y un guio es enorme, aunque no sea fotografiable, como sabe cualquiera que haya tenido la desgracia de que confundieran la primera con la segunda. El que guia se est comunicando de una f01111a recisa y determinada: (1) deliberadamente, (2) con alp guien en concreto, (3) para transmitir un mensaje concreto, (4) segn un cdigo social establecido y (5) sin que lo note el resto de los presentes. Como seala Ryle, el que guia hace dos cosas: contraer el prpado y guiar, mientras que el que tiene un tic slo hace una: contraer el prpado. Cuando existe un cdigo pblico por el que contraer los prpados se considera una seal de tipo conspirativo, hacer este movimiento es guiar.

Geertz est sealando un importante problema conceptual. Sin el concepto de guio, al que da sentido una teora de la comunicacin, el estudio ms preciso de las contracciones de los prpados en los seres humanos carecera de sentido para los que estudian las relaciones sociales. En este ejemplo, la teora, que surgi de meses de empaparse y hurgar y de minuciosos estudios culturales, resulta esencial para la pregunta bsica de si las contracciones de los prpados pueden ser siquiera tics o guies. Este ejemplo indica claramente la gran importancia que tiene la interpretacin, ya que proporciona nuevas formas de mirar el mundo (nuevos conceptos que considerar e hiptesis que evaluar). Sin una profunda inmersin en una determinada circunstancia quiz ni siquiera pudiramos pensar en qu teoras hay que sopesar. En el ejemplo anterior, si no pensramos en la diferencia entre tics y guios, todo estara perdido. Si la interpretacin-o cualquier otra cosa- nos ayuda a abordar nuevos conceptos o hiptesis, entonces su utilidad resulta incuestionable, lo cual se ha confirmado una y. otra vez no slo en relacin a este mtodo sino a otras formas similares de pormenorizada comprensin cultural. El investigador, una vez que ha hecho una distincin terica relevante, como la que afecta al guio y al tic, necesita evaluar la hiptesis que indica que estn teniendo lugar guias. Es en esta evaluacin donde la lgica de la inferencia cientfica no tiene rival. En otras palabras, la mejor manera de determinar el significado de las contracciones de los prpados es la que se basa en los mtodos sistemticos descritos en este libro. Si lo crucial fuera

:~

1:

.~.;

~
i 1

distinguir entre un tic nervioso y un guio, resultara fcil disear un procedimiento de investigacin para hacerlo. Si, por ejemplo, creemos que ciertas contracciones de los prpados son guies dotados de un significado poltico, ser posible observar entonces otras circunstancias similares, ya que un elaborado mecanismo de sealizacin como ste (un cdigo pblico) probablemente se utilizar de nuevo una vez desarrollado. A la vista de esta posibilidad, podramos registrar las ocasiones en las que se contrae el prpado de este actor, observar si el otro actor principal le mira en el momento adecuado y si el primero le responde. Podramos incluso disear una serie de experimentos para ver si los individl.los de esta cultura est-n acostumbrados a comunicarse de esta manera. Comprender la cultura, describir cuidadosamente el acontecimiento y estar muy familiarizados con situaciones similares nos ayudar a plantear las preguntas correctas y nos dar incluso ms confianza en nuestras conclusiones. Pero slo con los mtodos de la inferencia cientfica podremos evaluar la hiptesis y determinar si es o no correcta. La interpretacin que da Geertz al guio se expresa mejor como una hiptesis causal (que definimos precisamente en el apartado 1 del captulo 3): el hipottico efecto causal del guio sobre el otro actor poltico es la respuesta de ste, dada la contraccin del prpado menos su reaccin a falta de otro movimiento (y de otros cambios). Si la contraccin del prpado fuera un guio, el efecto causal sera positivo; si slo hubiera un tic nervioso, el efecto sera igual a cero. Si decidiramos hacer una estimacin de este efecto causal (y, por tanto, averiguar si se ha producido un guio o un tic), para extraer la mejor inferencia respecto a la interpretacin del comportamiento observado, habra que entender todos los problemas inferenciales que se analizan en profundidad en el resto del libro. Si 10 que interpretamos como guio s fueran en realidad tics nerviosos involuntarios, nuestros intentos de extraer inferencias causales de las contracciones de los prpados, utilizando una teora de la interaccin social voluntaria, fracasaran sistemticamente: no podramos generalizar, y lo sabriamos-. No es probable que un diseo de investigacin que se proponga distinguir entre tics y guios sea importante para la mayora de las investigaciones de las ciencias polticas, pero el mismo problema metodolgico aparece en gran parte de las reas de trabajo de los politlogos. Con frecuencia se nos pide que interpretemos el significado de una accin. En poltica exterior, los que toman las decisiones se envan mensajes unos a otros. Ante un determinado mensaje, cabe preguntarse si es una amenaza, un punto de negociacin o una afirmacin destinada a atraerse al pblico del propio pas. Conocer las normas culturales, las convenciones de las comunicaciones internacionales y la historia de cada actor nos ayudar a hacer tal interpretacin; del mismo modo que nos ser til observar de cerca otros rasgos secundarios de la comunicacin. Pensemos tambin en el siguiente problema
~~~:.'~~{~\'"">.:~

7;~:';~~~'5~'"

51r5;,~;';~d;j....a

i,
;'}

.4"'=

ci dis-::~~o '?

,." t.c1 hpJ~!.:ti;;i:!~:iT1 'O~':~~ ~

,..ti 'r~j,~t~; i~ ~j::sr.;-;?Jti'J3 (


. IT~~

~~~=~~lr--"'~"'D"----~-=~."J,:;..~';::.,~ok:O-.~~~

cuantitativo: en los Estados Unidos los electores parecen estar enviando Un mensaje al no acudir a las urnas, pero qu significa esta escasa participacin? Acaso refleja una alienacin respecto al sistema poltico?, representa un clculo de los costes y beneficios de votar en el que los primeros son mayores que los segundos?, muestra una decepcin respecto a los ltimos candidatos o campaas?, podra ser consecuencia de un cambio en la edad mnima para votar?, o una seal de que nada inquieta lo suficiente a los votantes como para llevarlos a las urnas? El hecho de que un ciudadano decida no votar, al igual que un guio o un mensaje diplomtico, puede significar muchas cosas. Un investigador inteligente siempre tendr que esforzarse por plantear las preguntas adecuadas y despus para disear cuidadosamente un estudio cientfico con el que averiguar qu significaba en realidad una determinada accin ambigua. Tambin nos gustara ocupamos brevemente de las afirmaciones extremas que hacen unos pocos partidarios de la interpretacin cuando sealan que los objetivos de algunas investigaciones deberan ser sentimientos y significados sin consecuencias observables. En justicia, esta caracterizacin no afecta ms que a una reducida minora de los investigadores de esta tendencia, pero sus afirmaciones son lo suficientemente efusivas como para que valga la pena darles una contestacin explcita. Al igual que las opiniones excesivamente entusiastas de los primeros positivistas, que mantenan la insostenible postura de que no haba sitio en la investigacin cientfica para los conceptos no observables, estos argumentos resultan inapropiados para la investigacin emprica. Psathas (1968, p. 510), por ejemplo, seala que:
cualquier comportamiento que slo se centre en lo evidente y en lo que se manifiesta en actos concretos, directamente observables, es, como minimo, ingenuo. Por lo tanto, el desafio para el cientfico que pretende comprender la realidad social es captar el significado que, para el actor, tiene su propia accin.

observables diferentes. Por otra parte, si las hay, los mtodos que s ~escrjbimOS en este libro proporcionan formas de distinguidas. . , En la prctica, los emografos (y todos los buenos cientficos sociales) SI ':~\q~e'buscan comp?rtamientos observables con el fin de establecer diferen;.das entre las teorIas. Puede que se sumerjan en la cultura, pero todos se ba:~.:Sallendiversas formas de observacin, Y cualquier nueva apreciacin del ,fi/ contexto cultural procede directamente de ellas o de otros medios compara:bles:' No siempre resulta fcil identificar observaciones relevantes. Por el 'conn:ario, encontrar las apropiadas quiz sea la parte ms difcil de un proc. ~ei::trY de-investigacin, especialmente (y necesariamente L en aquellas reas. ,,~e.estudio tradicionahnente dominadas por la investigacin cualitativa.
r '~'~.',

,i:::
,.j"

~r;;p['r=,=~~,::~~~~-=~~~~;:.!I!1.

1';2 Singularidad,

complejidad y simplificacin

~!,;'~', :~-"
'Algunos investigadores cualitativos rechazaran la idea de que un conoc, hento general sea necesario o til (ni siquiera posible) como punto de par~ti4a para comprender un determinado acontecimiento. Lo que sostienen es qde:los hechos o unidades que estudian son nicos, y, en cierto sentido, iL6nen razn. Slo hubo una Revolucin francesa, slo hay una Tailandia y ,~die que haya ledo las biografas pertinentes o que viviera los aos seseni~" .. ,,(~,,_~~puede cuestionar el hecho de que slo hubo un Lyndon B. Johnson. Pero an,Van ms lejos. La explicacin, segn su punto de vista, se limita a ese ".,;ilco acontecimiento o unidad: no al porqu de las revoluciones sino al de l.Revolucin francesa; no a por qu en ocasiones la democratizacin pare...ce,1anguidecer, sino a por qu ocurre as en Tailandia; no a por qu ganan .-los candidatos sino a por qu gan Johnson en 1948 y 1964. Los investigadores de esta tradicin creen que perderan su capacidad de explicar lo especifico si intentaran ocuparse de lo general: de revoluciones, democratiza" .~ino primarias del Senado estadounidense. : . Sin: embargo, el trmino singularidad es engaoso. La Revolucin ..francesa, Tailandia y Johnson son realmente nicos. En cierto sentido, lo son todos los fenmenos, todos los acontecimientos; pero tambin lo fueron las elecciones al Congreso en la sptima circunscripcin de Pensilvania en. 1.988, as como la opci.n que tom cada uno de los millones de electores que votaron en los comicios presidenciales de ese mismo ao. Con,.. -siderado de forma global, cada aspecto de la realidad social es infinitamente complejo y se relaciona de alguna manera con acontecimientos naturales y sociolgicos anteriores. Por lo tanto, la singularidad de las cosas forma parte de la condicin humana: no distingue entre las situaciones que son susceptibles de generalizacin cientfica y aquellas en las que no es posible generalizar. De hecho, como sealamos al analizar las teoras sobre la extincin de los dinosaurios en el captulo 1, incluso los acontecimientos nicos pueden estudiarse de forma cientfica si se presta atencin a las con~;~li~:~C~;i!j'!i ,r", ,.,,, ""-'0"""'1,

Puede que Psathas tenga razn al sealar que los cientficos sociales que slo se centran en comportamientos evidentes u observables se estn perdiendo mucho, pero cmo habramos de saber esto si no podemos ver ms? Por ejemplo, si dos teoras sobre el concepto que uno tiene de s mismo tienen idnticas manifestaciones observables, ningn observador tendr informacin suficiente para distinguirlas. Esto es as para cualquier observador, independientemente de lo inteligente o sensible a factores culturales que sea, de sus habilidades para la interpretacin, de lo bien que clasifique sus propias suposiciones o del empeo que ponga en su empresa. La interpretacin, el presentimiento, la descripcin minuciosa, la observacin participante y la que no lo es, la entrevista en profundidad, la empata, la cuantificacin y el anlisis estadstico, al igual que los dems procedimientos y mtodos, no sirven para distinguir entre dos teoras que no tengan consei"';;'t:,~.1j5 2

~~~1~Wfgtr.n~qJ

5 3 ~~'1.;.$o;:1.:::~~

secuencias observables de las teoras que se han desarrollado para explicarlos. Lo que realmente plantea la singularidad es el problema de la complejidad. La cuestin no es si los acontecimientos son de por s nicos, sino el hecho de que sea posible o no extraer de un amasijo de acontecimientos las caractersticas principales de la realidad social que queremos comprender. Una de las primeras, y ms difciles, tareas de la investigacin social es la de simplificar, la cual nos expone a ser criticados por practicarla en exceso y por omitir aspectos significativos de una situacin. No obstante, ningn -jnvestigador puede evitar la simplificacin, que ha sido parte integrante de todas las obras acadmicas conocidas ~uantitativas y cualitativas, antropolgicas y econmicas, de las ciencias sociales y de las naturales o fsicas- y que probablemente siempre lo ser. Ni siquiera la descripcin ms exhaustiva que hagan los mejores intrpretes de la cultura desde el conocimiento profundo de un determinado contexto podr dejar de simplificar, objetualizar y reducir de forma drstica la realidad observada. De hecho, la diferencia que hay entre el grado de complejidad del mundo y el de la descripcin ms densa sigue siendo mucho ms grande que la que existe entre dicha descripcin y el anlisis cuantitativo o formal ms abstracto. Ninguna descripcin -cualquiera que sea su densidady ninguna explicacin -independientemente del nmero de factores explicativos que contemple- pueden llegar a captar, siquiera levemente, toda la floreciente y agitada realidad del mundo. No queda ms remedio que simplificar. La simplificacin sistemtica es un paso crucial hacia el conocimiento til. Como ha sealado un historiador econmico, si la insistencia en la singularidad se lleva hasta el extremo de hacer caso omiso de todas las regularidades, se negar a las ciencias sociales la posibilidad misma de que existan y los historiadores no sern ms que baladistas sin objetivos (Jones, 1981, p. 160). El analista tiene que simplificar sus descripciones, siempre que sea posible, slo despus de comprender la riqueza histrica y cultural. Puede que los cientficos sociales, para establecer diferencias, utilicen nicamente unos pocos elementos de la historia de ciertos grupos de acontecimientos. No obstante, un conocimiento profundo y no estructurado del contexto histrico y cultural de los fenmenos que quieren tratar de forma sinttica y cientfica suele ser indispensable para evitar simplificaciones claramente equivocadas. Poco se podra confiar en las generalizaciones de un cientfico social que estudiara las revoluciones o las elecciones al Senado estadounidense si no supiera mucho sobre la Revolucin francesa o las elecciones de 1948 en Tejas y no le importara su ignorancia. En resumen, creemos que, siempre que sea posible, la investigacin social tiene que ser general y especfica al mismo tiempo: debe informamos sobre los tipos de acontecimientos y tambin sobre hechos especficos en lugares concretos. Queremos aislamos del tiempo sin perder el vnculo con l, y la insistencia en uno de estos objetivos puede variar de una investiga-

cin a otra, aunque es probable que ambos estn presentes. Adems, ms que opuestos son complementarios. De hecho, puede que la mejor manera de entender un determinado acontecimiento sea utilizar tambin los mtodos de la inferencia cientfica para estudiar pautas sistemticas en acontecimientos paralelos similares.

1.3

Estudios de caso comparados

En gran medida, lo que hacen los po!itlogoses describir de forma sistematica acontecimientos que son importantes desde el punto de vista poltico. A la gente le interesa la cada de la Unin Sovitica, la reaccin popular en los pases rabes ante la guerra autorizada por la ONU para expulsar a Irak de Kuwait y los resultados de las ltimas elecciones al Congreso de los Estados Unidos. Confa en que los politlogos describan con un conocimiento ms profundo que el de las informaciones periodsticas la relacin que existe entre estos y otros acontecimientos relevantes, ya sean contemporneos o histricos. Al describir los acontecimientos tenemos que ser lo ms precisos y sistemticos que sea posible. Esto supone que si logramos encontrar medidas cuantitativas vlidas para lo que queremos saber, tenemos que utilizarlas: qu proporcin de los peridicos soviticos critica las polticas gubernamentales?, qu ponen de manifiesto las encuestas de opinin llevadas a cabo en Jordania y Egipto sobre la actitud de estos pases hacia la Guerra del Goifo?, qu porcentaje de congresistas estadounidenses fue reelegido? Aunque cuantificar produzca precisin, no favorece necesariamente la exactitud, ya que inventar ndices cuantitativos que no se relacionen directamente con los conceptos o acontecimientos que pretendemos medir puede conducir a graves errores de medida y a problemas en las inferencias causales (vase el apartado 1 del captulo 5). Del mismo modo, existen mtodos ms y menos precisos para describir acontecimientos no cuantificables. Hay disciplinados cualitativistas que intentan analizar con cuidado las constituciones y leyes, en vez de informar nicamente de 10 que los observadores dicen sobre ellas. Los investigadores, al realizar estudios de caso sobre polticas gubernamentales, plantean a los entrevistados preguntas agudas y bien definidas, cuyas respuestas sern relativamente claras, y sondean de forma sistemtica todo comentario inesperado que pueda sugerir hiptesis relevantes. Los estudios de caso son esenciales para la descripcin y, por tanto, para las ciencias sociales. No tiene sentido intentar explicar lo que antes no se ha descrito con un razonable grado de precisin. Describir con perspicacia acontecimientos complejos no es algo trivial. En reas como la poltica comparada o las relaciones internacionales la labor de descripcin es especialmente importante porque todava hay muchas cosas que necesitamos saber, nuestra capacidad explicativa es dbil y una

:] d~5:2fp) Lk.' L:: ;rkV'::.:5t'C.~,,:~~:.r: .)\>~.:a"


',.:.y.-~~-'t'!I'Z<m.u;r..,. sw~,;:w.~",:::<""'_;r.:~~..,.~..D~'

1~3 ~n{~:,"~:,:!I.'~i2 rJt~sr.rj:-~t;vc


~OA"..x.~I!-'m!-!,"-':;l=.t;;r:!~.~~ .':C~-i:;"-rr_-.:;,.';~:""".':;.t;:.I<!.I;~,:''-::"~':>~1""=:t.'Xce:V;=-.:;.~!!..,,"-:;:;"::~;.,-uo>:r.::."~~=(!.'=;:=tl~;'=~=::.""'-2'<':.~

O::-;$.. ~

. ".O-::L',. _.;, ~

buena descripcin depende en parte de una buena explicacin. Algunas de las razones que explican esta necesidad de conocer y la debilidad de nuestra capacidad explicativa son las mismas: en las relaciones internacionales, por ejemplo, las pautas de poder, de alineamiento y de interdependencia han cambiado mucho ltimamente, por lo que, al alterarse el contexto sistmico en el que tienen lugar las relaciones que se observan entre los estados, cada vez resulta ms necesario describir correctamente las nuevas situaciones. La causalidad suele ser dificil de determinar porque tanto los estados como otros actores pretenden prever y contrarrestar las acciones de los dems y, a la hora de explicarel comportamiento de dichos estados, las expectativas pueden tener un papel tan importante como las acciones que se observan. Pretender explicar algn aspecto de las relaciones internacionales presuponiendo que no hay interacciones estratgicas ni previsin de reacciones ser mucho menos til que describir con cuidado acontecimientos que tenemos razones para creer que son importantes y que estn interconectados. Una buena descripcin es mejor que una mala explicacin. Una de las ventajas del estudio de caso en profundidad, que suele pasarse por alto, es que desarrollar una buena hiptesis causal complementa una buena descripcin, no rivaliza con ella. Encuadrar un estudio de este tipo en una pregunta explicativa puede producir una descripcin ms centrada y relevante, aunque al final el estudio no logre extraer una sola inferencia causal vlida. Nosotros afirmamos que los estudios de caso comparados pueden generar inferencias causales vlidas cuando se utilizan los procedimientos descritos en el resto del libro, aunque, tal como se practican en la actualidad, no suelan cumplir las normas de una inferencia vlida (que explicaremos en el captulo 3). De hecho, gran parte de lo que los cientficos sociales con enfoque histrico o interpretativo denominan trabajo explicativo sigue siendo fundamentalmente descriptivo porque no cumple esas normas de aplicacin universal. Desde esta perspectiva, resulta fundamental lo que sealan muchos investigadores cuando aconsejan que, al describir o explicar, los estudios de caso comparados sean ms sistemticos. Alexander George, por ejemplo, recomienda un mtodo de comparacin estructurada y centrada que hace hincapi en la disciplina cuando se trata de recoger datos (George y McKeown, 1985; vase tambin Yerba, 1967). George y sus colaboradores subrayan ia necesidad de que haya una recogida sistemtica de la misma informacin -de las mismas variablesen unidades seleccionadas cuidadosamente. Tambin insisten en que, para que finalmente sea posible la inferencia causal, son necesarias directrices tericas -plantearse preguntas explicativas cuidadosamente elaboradascon el fin de describir de forma sistemtica 3 El mtodo de la comparacin estructurada y centrada es una forma sistemtica de emplear lo que George y McKeown denominan el procedimiento de la coherencia. A travs de este sistema, el investigador define y es-

'f '1
.~

,.~
,~ 4;

,t l,
{O.'! '\

.;1
,~

,~
- el' ,;,

;j
,~

tandariza las necesidades de los datos de los estudios de caso [...] formulando preguntas relevantes desde el punto de vista terico con el fin de dar pautas para el anlisis de cada caso (George y McKeown, 1985, p. 41). El problema que sealan George y McKeown est bien trado: Para hacer una comparacin controlada mediante un tamao muestral pequeo hay que seguir un procedimiento sistemtico de recogida de datos. Esa comparacin estructurada y centrada precisa datos de las mismas variables en diferentes unidades. Por lo tanto, no es un mtodo diferente al que subrayamos aqu, ya que constituye una forma de sistematizar la informacin en estudios de caso descriptivos de manera que ~a factible utilizarla para hacer inferencias descriptivas o causales. Muchos de los valiosos consejos que, como ste, se dan para hacer estudios de caso comparados son elementales, pero se suelen pasar por alto.

f. ti:

-.?

2.

La inferencia: el fin cientifico de la recogida de datos

La inferencia es un proceso en el que se utilizan hechos que conocemos para aprender sobre los que desconocemos. Los hechos conocidos se someten a las preguntas, teoras e hiptesis de nuestra investigacin y conforman nuestros datos y observaciones de tipo cuantitativo o cualitativo. Cuando buscamos un conocimiento general, en s mismo o para comprender mejor determinados hechos, es preciso evitar de alguna manera que nos apabulle el enorme mare mgnum de observaciones potenciales y reales que hay sobre el mundo. Por fortuna, la solucin a este problema reside precisamente en la bsqueda del conocimiento general. Esto quiere decir que la mejor manera cientfica de organizar los hechos es hacer que sean consecuencias observables de alguna teora o hiptesis. La simplificacin cientfica entraa la provechosa eleccin de una teora (o hiptesis) con el fin de evaluada; despus, la teora nos lleva a seleccionar los hechos que son consecuencia de ella. Organizarlos en funcin de las consecuencias observables de una determinada teora tiene importantes y beneficiosos resultados para el diseo y la realizacin de la investigacin. En primer lugar, con este criterio de seleccin de los hechos podemos damos cuenta rpidamente de que si existen ms observaciones de las consecuencias de una teora no podemos ms que beneficiamos de ello al evaluar la teora en cuestin. Como ms informacin de este tipo no puede ser perjudicial, esos datos nunca se desechan, y as mejora el proceso investigador. En segundo lugar, no hay por qu poseer una teora completa antes de recoger los datos, ni tampoco nuestra teora tiene por qu mantenerse inalterable durante el proceso. La teora y los datos interaccionan, Al igual que ocurre con la gallina y el huevo, siempre es necesaria alguna teora antes de recoger los datos y tambin se precisan algunos datos antes de teorizar. Los manuales de investigacin nos dicen que utilicemos los datos para compro-

.~

L-:;=-:-,::.>= :.1 . f."~.:,~-~'<~;;_ 1

l'

.i:.''''-'''i'''<''''''-''''",,,.-:-::,C''''''::,C,,,;;(;"::t:

.. ,ct>';~..t&:;,,"-,:::,:.:=: '~,"o::.::<.Jo:'I;:.,-

.~..;.Jo,~._..; . #f:~'-~ . E.

'=... ...:t_ =_~ .

'k'i<~'l!-~",---,,!,,~',,::,~=~~;:,;;,~~~~.!,",,_.,_..:...-:~~;~

~ ... :~"rr:;:r~f,j:; -:":!scr~)\"P:2


~'--:r~'~r.<~:::"t"'=.~ . .:r"''''~~<'!T.'_~...1t . ",-~~--.-;t:;;cz,;.~.:;.p.~",-"",,,",,./"1_:::.::o' .

.i..;;;:;"",;,58

::r3!.:~~~za1J

bar nuestras teoras, pero aprender de ellos puede ser un objetivo tan importante como evaluar teoras e hiptesis previas. Para que se produzca este aprendizaje hay que reorganizar los datos como consecuencias observables de la nueva teora. Esta reorganizacin es muy habitual al principio de muchas investigaciones, generalmente despus de haber recogido algunos datos preliminares; despus, prosigue la recogida de datos para evaluar la nueva teora. Siempre se debe intentar seguir recogiendo datos, incluso despus de la reorganizacin, para contrastar la nueva teora y evitar as utilizar el mismo material para evaluar sta y aquella de la que parti 4 En tercer lugar, insistir en que se recojan datos.que.sean consecuencias observables de una hiptesis deja mucho ms claro el territorio comn que comparten los estilos de investigacin cuantitativo y cualitativo. De hecho, una vez que dejamos de pensar en los casos, unidades o registros de la forma generalmente estrecha, e incluso ingenua, que es habitual, nos damos cuenta de que la mayora de los estudios cualitativos podran aportar una gran cantidad de consecuencias observables a las teoras que estamos evaluando; sin embargo, muchas de ellas pueden pasarle desapercibidas al investigador. En consecuencia, organizar los datos mediante una lista de las observaciones especficas de una teora ayuda a poner de manifiesto el fin cientfico esencial de gran parte de la investigacin cualitativa. En cierto sentido, estamos pidindole al investigador que estudia un acontecimiento concreto -quiz una decisin gubernamental especficaque se pregunte: Si mi explicacin de por qu la decisin result de una determinada manera es correcta, que ms podra observar en el mundo real?. Se pueden encontrar consecuencias observables adicionales en otras decisiones, pero tambin en otros aspectos de la que se estudia, por ejemplo: cundo se tom, cmo, o de qu manera se justific. La mxima crucial que ha de guiar tanto la creacin de una teora como la recogida de datos es la bsqueda de ms consecuencias observables de esa teora. Cada vez que desarrollamos una nueva teora o hiptesis resulta provechoso hacer una lista de todas las consecuencias de la misma que, en principio, pudieran observarse. La lista, que podra despus limitarse a los elementos sobre los que se han recogido datos -o pudiera fcilmente hacerse-, constituye a continuacin la gua bsica operativa para el proyecto de estudio. Si recoger un dato ms nos ayuda a considerar otra manera de evaluar la teora, merece la pena hacerla (siempre sujetos a los condicionantes de tiempo, dinero y esfuerzo). Cuando una entrevista u otro tipo de observacin puede ser de inters, pero no es una consecuencia observable potencial de esta teora (o de otra que sea relevante), entonces tiene que ser evidente que no nos ayudar a evaluarla. Dentro del proceso de simplificacin que se desarrolla al organizar nuestros datos como consecuencias observables de la tema, necesitamos sistematizar dichos datos. Podemos pensar en convertir los fenmenos brutos del mundo real en clases que estn compuestas por unidades o en casos

~,..~,,-~===-_=.t""=.",-",l'".!l

que, a su vez, se compongan de atributos, variables o parmetros. La clase podra ser de votantes; las unidades, una muestra de esos votantes en diversas circunscripciones para las elecciones al Congreso estadounidense; y los atributos o variables podran ser la renta, la identificacin partidista o cualquier otra cosa que represente una consecuencia observable de la teora que se evala. La clase tambin podra ser un determinado colectivo, como las comunidades o pases; las unidades podran ser una seleccin de stos; Y los atributos o variables podran ser el tamao de los mismos, el tipo. - degobierno--; su situacin econmica, composicin tnica o cualquier otro elemento cuantificable y de inters para el investigador. Estos conceptos, as como elaboraciones tericas como las tipologas, estructuras y todo tipo de Clasificaciones, son tiles mecanismos temporales cuando estamos recogiendo datos, pero no plantean una hiptesis clara que evaluar. En general, no animamos a los investigadores a que organicen sus datos de esta manera, ya que slo necesitamos el concepto organizador inherente a nuestra teora. Es decir, si las observaciones no son consecuencia de nuestra teora, resultan irrelevantes. Si son irrelevantes o no observables, hay que prescindir de ellas, pero si son relevantes, tenemos que utilizarlas. Nuestros datos no tienen por qu estar en el mismo nivel de anlisis. Hay datos desagregados u observaciones sobre un perodo de tiempo diferente, o incluso sobre otra parte del mundo, que pueden proporcionar ms consecuencias observables de una teora. Quiz no nos interesen en absoluto estas consecuencias secundarias, pero si concuerdan con la teora, tal como se predice, nos ayudarn a otorgarle ms confianza a sus capacidades y aplicabilidad. Nuestros datos tampoco necesitan ser simtricos: siempre que todos sean consecuencias observables de nuestra teora, podremos utilizar lID detallado estudio de una provincia, una comparacin de dos pases, entrevistas personales con miembros de la administracin pertenecientes a un nico sector de polticas e, incluso, algn elemento cuantitativo. En este proceso vamos de lo particular a lo general, ya que caracterizar ciertas unidades a partir de rasgos comunes es un proceso generalizador. La consecuencia es que aprendemos mucho ms acerca de las teoras generales y de los hechos concretos. En general, lo que queremos es concentrar en nuestra hiptesis tanta informacin como sea posible, lo cual puede suponer la realizacin de ms estudios de caso; pero esto suele ser demasiado difcil, requiere mucho tiempo o es caro. Es evidente que no debemos considerar informacin irrelevante. Por ejemplo, tratar el nmero de escaos conservadores en la Cmara de los Comunes britnica como una variable mensual en vez de como algo que cambia en las elecciones nacionales aumentara considerablemente el nmero de observaciones, pero no tendra sentido porque no aportara mucha ms informacin. Por otra parte, desagregar los resultados de las elecciones presidenciales estadounidenses por estados, e incluso por condados, aumenta el nmero de casos y tambin la cantidad de informacin que se aporta al problema .

~~5~~

Ei

i:52liJ

-.12

L:.

'nVestif;i:1~~~n ;:~~ja~
~~'~--=~~"\"T~
~~.~~~.'~~ .._- _.. -

2..

."J

!nf.sr2fh:~;j 1escr~pt:hi

Estos datos des agregados pueden parecer irrelevantes, ya que ei objetivo es conocer las causas de la victoria de un determinado candidato en la earrera presidencial, que es una cuestin fundamentalmente agregada. Sin embargo, la mayora de las explicaciones que se dan al resultado de las elecciones presidenciales tienen diferentes consecuencias observables en cada una de las unidades desagregadas. Si, por ejemplo, pronosticamos el resultado de esta votacin en funcin de variables econmicas como el ndice de paro, el uso de este indicador en cada estado aportar muchas ms observaciones sobre las consecuencias de nuestra teora que el ndice agregado del conjunto-del pas-:,- erificar que la teora tiene sentido en otras siV tuaciones -aunque stas no tengan un inters directoaumenta la confianza en que la teora es correcta y en que explica adecuadamente la nica consecuencia observable que nos interesa.

3.

Modelos formales de investigacin cualitativa

Un modelo es una simplificacin de algn aspecto del mundo y una aproximacin al mismo. Los modelos nWlca son, netamente, verdaderos o falsos, aunque los buenos slo recopilan las caractersticas correctas de la realidad que representan. Pensemos por ejemplo en un juguete de plstico y pegamento que sea un modelo de quince centmetros de un avin. sta es una pequea reproduccin del autntico aparato, que no puede volar ni contiene nada y cuyos componentes tampoco se mueven. Nadie la confundira con el avin real; preguntar si cada aspecto del modelo es verdadero es como plantearse si la modelo que pos para la Gioconda de Leonardo da Vinci tena realmente una sonrisa tan seductora. Aunque la tuviera, no esperamos que el cuadro de Leonardo sea una representacin exacta de nadie, ya sea una modelo real o la Virgen Mara, del mismo modo que no esperamos que el modelo de un avin refleje todas sus caractersticas reales. Sin embargo, nos gustara saber si esa reproduccin recopila las caractersticas correctas de un avin para un problema concreto. Si queremos ensearle a un nio cmo es realmente un avin, este modelo podra ser adecuado. Si est hecho a escala, tambin podra ser til para que los diseadores aeronuticas hicieran pruebas de tneles aerodinmicos. La caracterstica principal de un avin real que se aprecia en este modelo es la forma, y, para ciertos propsitos, ste es realmente uno de los rasgos apropiados. Evidentemente, este modelo no refleja multitud de detalles de un avin. entre ellos el tamao, el color, la sensacin de estar en una aeronave, la solidez de sus diversos componentes, el nmero de plazas a bordo, la potencia de sus motores, el tejido de los cojines de los asientos, ni tampoco otros muchos sistemas esenciales como el elctrico, el de aire o el de conduccin de agua. Si queremos entender estos aspectos del avin, necesitaremos un conjunto de modelos completamente diferente.

:podemos evaluar un modelo sin conocer qu caracter.sticas del objeto qu~remos evaluar? Est claro que no. Por ejemplo, podriamos pensar que un modelo que se ocupara de la cantidad de desperdicios de un avin no sera de gran utilidad. Sin embargo, s que sena muy importante para fines educativos o para realizar pruebas de tneles aerodinmicos. Como incluso el polvo de las maquetas puede hacer que un avin pese ms y que, por tanto, haya que pagar ms combustible, los modelos de este tipo son importantes para la industria aeronutica y se han realizado (ahorrndose as millones de dlares). _ . Hay versiones ms o menos restrictivas de todos los modelos. Los ms restrictivos son ms claros, concisos y abstractos. pero tambin menos realistas (a menos que el mundo sea realmente conciso). Los poco restrictivos son detallados, contextuales y ms realistas, pero tambin menos claros y ms difciles de calibrar con precisin (vase King, 1989: apartado 5 del captulo 2). En qu punto de esta gradacin decidimos construir un modelo depende de nuestro objetivo y de la complejidad del problema que estudiemos. Existen modelos fsicos, grficos, verbales o algebraicos. Por ejemplo, la descripcin cualitativa de los sistemas judiciales europeos en un libro que se ocupe de ese tema constituye un modelo del mismo. Independientemente de lo profunda que sea la descripcin o del talento del autor, el contenido del libro siempre ser una abstraccin o una simplificacin de los sistemas jurdicos reales. Como para comprender se necesita resumir, lo que indica que un libro es bueno es tanto lo que se deja fuera de l como lo que se incluye. Mientras que los investigadores cualitativos a menudo emplean modelos verbales, nosotros utilizaremos los algebraicos en el anlisis que sigue, con el fin de estudiar los de tipo verbal y mejorarlos. Al igual que ocurre con los juguetes aeronuticas y con los libros que se dedican en su totalidad a estudiar la Revolucin francesa, nuestros modelos algebraicos cualitativos no tienen que confundirse con la propia investigacin cualitativa. Su nico propsito es sealar con especial claridad los problemas que hay que evitar y las oportunidades que pueden aprovecharse. Adems, con frecuencia ocurre que nos ayudan a descubrir ideas que, de otro modo, no se nos habran ocurrido. Partimos de la base de que los lectores no han tenido experiencia previa con modelos algebraicos, aunque a los que conozcan os estadsticos algunos de los siguientes les resultarn familiares. Sin embargo, la lgi.ca inferencial de estos modelos se aplica tanto a la investigacin cuantitativa como a la cualitativa. El hecho de que, probablemente, los cuantitativistas estn ms familiarizados con nuestra terminologa 110 significa que se les vaya a dar mejor aplicar la lgica de la inferencia cientfica. Adems, estos modelos no se adaptan ms directamente a la investigacin cuantitativa que a la cualitativa; en ambos casos representan abstracciones tiles de la

':.~~:1:~:~~ago~

'r61~~~~~

:~ ::::~2ik~d2.~,'
;:~""'':'''=''~''-;~~,<''''

'"t.t~5:'-:::~:,,;Ur' ,~,"';cj~:;
::.;r":;"'.:".;",'_.~ _; . :'~ .~""c '~'" '-"""~'" ,'''''';...d . ~' .~.~ .,,~,_ .... ,';';.;._ . __ ",,;.::~,,,,,';";""-._,,~::. ...

":"' ~~~,1!1,.;:."''''"''"'''''''_~''''''.~~'~' "'.".. ...:;._;.. ..;o.!'"'._


. ~.""".~._~~

~;j":,i."

..,.~

-:.:,:,:'S{:r~p\~',;,:.:.:
. z.~~.'~Z"
',Iit.;t,:,o

.,.:-:,:..It:IL:''':'''''Ir'.\i.: . _ ",';":~'II:.':. P

. ;.;i . ''''....:.;,l<iJfW.;''"' . . ...;.I.:.:..,.Z~i;!.,~~~!:'7.':;,.~

.. :.t:.;to!..::Jo."3'>:."us.:t;

investigacin a la que se aplican. Para facilitar su presentacin, todos los modelos algebraicos van precedidos de descripciones verbales a las que siguen recuadros con una notacin matemtica normalizada. Aunque no lo recomendamos, los recuadro s pueden saltarse sin que se pierda el hilo argumenta!.

4.

Un modelo formal sobre Larecogida de datos

Antes de formalizar nuestra presentacin de las inferencias descriptiva y causal -los dos objetivos principales de la investigacin socia1-, desarrollaremos un modelo para la recogida y resumen de datos que es bastante sencillo, pero que resulta eficaz para analizar los problemas inferenciales. Nuestro modelo algebraico no es tan formal como los estadsticos, aunque s clarifica nuestras ideas y facilita su transmisin. Con la expresin recogida de datos hacemos alusin a una gran variedad de mtodos, entre los que se incluye la observacin general y la participante, las entrevistas en profundidad, las encuestas a gran escala, la historia basada en fuentes secundarias, os experimentos aleatorios, la etnografa, el anlisis de contenido y cualquier otro mtodo que sirva para reunir datos fiables. La regla ms importante para toda recogida de datos es dejar claro cmo se han creado y de qu manera hemos accedido a ellos. Toda informacin que recojamos tiene que concretar las consecuencias observables de nuestra teora. Desarrollar una nueva pregunta de investigacin puede ayudarnos, pero no servir para responder a la primera si no es una consecuencia observable de ella. Hacemos modelos con los datos por medio de variables, unidades y observaciones. Un ejemplo sencillo es la renta anual de cuatro personas diferentes. Los datos pueden representarse simplemente mediante cuatro cantidades: 9.000,22.000, 2l.000 Y 54.292 dlares. En el caso ms general, podramos etiquetar la renta de las cuatro personas (numeradas del 1 al 4) como Y, Yl' Y3 e Y4 Una variable codificada para dos entrevistas no estructuradas podra utilizar los valores participativo, cooperador o intransigente, y se etiquetara como y e Y2' En estos ejemplos la variable es y, las unidades son los individuos, y las observaciones, los valores de las variables en cada unidad (renta en dlares o grado de cooperacin). El smbolo y se denomina variable porque su valor cambia en cada unidad y, en general, puede representar cualquier cosa cuyo valor se vaya alterando en un conjunto de unidades. stas, dado que se puede recabar informacin en un perodo de tiempo o en diferentes secciones de un rea, pueden ser personas, pases, organizaciones, aos, elecciones o dcadas y, con frecuencia, alguna combinacin de estas u otras unidades. Las observaciones pueden ser numricas, verbales, visuales o cualquier otro tipo de datos empricos.

;~i
~"'i

'-1

~ ~

Supongamos, por ejemplo, que nos interesa estudiar las organizaciones internacionales desde 1945. Antes de recoger los datos hay que decidir qu resultados se quiere explicar. Podramos intentar comprender la influencia en 1990 del factor tamao sobre la actividad de las organizaciones internacionales (que se clasificara por su campo de accin o por el propio tipo de organizacin), los cambios en eltamao agregado de la actividad de dichas organizaciones desde 1945 o las transformaciones ocurridas en su actividad desde esa fecha que hubieran tenido que ver con la distribucin de ese factor. Entre las variables que miden la actividad de las organizaciones internacionales podramos incluir el nmero de pasesque.pertenecen a ellas en un momento dado, la cantidad de tareas que desempean o la magnitud de sus presupuestos y de su personal. En estos ejemplos, las unidades de anlisis seran las organizaciones internacionales, sus campos de accin, el nmero de pases miembros y perodos de tiempo como aos, quinquenios o dcadas. En la fase de recogida de datos no se aplica ninguna regla para determinar qu variables se recogen, cuntas unidades debe haber, si stas deben ser ms numerosas que las variables o cul es el mejor mtodo para medir las ltimas. El nico criterio es que, en cada caso, nosotros pensemos que lo que hacemos es importante. Cuando tenemos una idea ms clara de cmo van a utilizarse los datos, la regla es intentar encontrar tantas consecuencias observables de una teora como sea posible. Como subrayamos en el captulo 1, la investigacin emprica puede utilizarse tanto para evaluar hiptesis previas como para plantear otras que no se haban barajado anteriormente, pero si sirve para el segundo propsito, hay que recoger nuevos datos para evaluar las nuevas hiptesis. A partir de nuestro anlisis debe quedar claro que en la mayora de las obras que se denominan estudios de caso se miden numerosas variables de muchos tipos diferentes de unidades. Aunque estas investigaciones no suelen utilizar ms de un puado de casos, el nmero total de observaciones es, generalmente, inmenso. Por lo tanto, es esencial distinguir entre nmero de casos y de observaciones. El primero puede tener cierto inters para ciertos fines, pero el ltimo es importante para evaluar la cantidad de informacin que un estudio aporta a la resolucin de una pregunta terica. Por consiguiente, reservamos la n habitual para referimos nicamente al nmero de observaciones y no al de casos. Slo de forma ocasional, como cuando las observaciones individuales sean parcialmente dependientes, distinguiremos entre informacin y nmero de observaciones. El uso de esta ltima expresin procede del rnuestreo de encuestas, en el que n es el nmero de personas que hay que entrevistar; sin embargo, nosotros la utilizaremos de forma mucho ms general. En realidad, nuestra definicin de observacin coincide exactamente con lo que Harry Eckstein (1975, p. 85) denomina caso. Como seala este autor: Un estudio de seis elecciones generales en Gran Bretaa puede ser, pero no tiene por qu, un estudio en el que n = 1. Podra ser otro en el que n = 6 o tambin n = 120.000.000.

l ti'i:;.e?io

'32

L2i: i:-~'-;-::.~S~:}j'\:I;;"_,,,,~;;,::;.
. . .., "';""."1':"~~~I'-..:n"..Al"'''''-,:~'':"':r~~~z.;:=tt:~'''''"

L~:i

'i1ri;:~::,::~~:.'i:::1 J:2S~;[.,:;'~\:~

"","".;:,n-~_",,-~,=.,...a.=-~"'_"'._=-I':..L~..,..~-r:-.:!.:"~..l!&-=~l'.:~''',.'~.''~'''''-

Todo depende de si el objeto de estudio son los sistemas electorales, las elecciones o los votantes. La ambigedad sobre lo que constituye un "individuo" (de ah el "caso") slo puede evitarse si nos ocupamos de las medidas de entidades concretas, y no de las propias entidades. De este modo, un "caso" puede definirse tcnicamente como un fenmeno del que slo sealamos e interpretamos una nica medida en cada variable pertinente. La nica diferencia con nuestro uso es que, desde que Eckstein escribi su artculo, los investigadores han continuado utilizando la palabra caso para referirse a un estudio de caso completo, que todava tiene una definicin bastante imprecisa. Por lo tanto, siempre que sea posible utilizaremos la palabra caso como lo hacen la mayora de los autores y reservaremos el trmino observacin para hacer referencia a las medidas de una o varias variables en una sola unidad. En el resto del captulo queremos mostrar de qu manera conceptos como el de variable y unidad pueden hacer que abordemos de forma ms clara el diseo de una investigacin, incluso cuando no sea apropiado utilizar medidas cuantitativas para resumir la informacin de que dispongamos. La cuestin que planteamos es: cmo podemos hacer inferencias descriptivas sobre la historia tal como fue sin perdemos en un mar de datos irrelevantes? Dicho de otro modo, cmo separar lo esencial de 10 efimero?

. vo. es exponer caractersticas apropiadas de stos mediante un formato "til5 por ejemplo, la media muestral, o promedio, es un estadstico:
_ 1 Y = -ni (y

+ y,- + ...+ y)

11

= -nf:t y '"

1 "

en el que Ly es una manera cmoda de escri.bir y + Y2 + Y3 + ... + Y,,- Otro estadstico es el mximo muestral, que se etiqueta como ...vm[lX :
Ymax =
i=\

Mximo (Y'Y2'

..

,y)

(2.1)

La media muestral de las cuatro cifras de renta del ejemplo del apartado 4 (9. ,22.000,21.000 y 54.292 dlares) es 26.573 dlares, mientras que el 000 mximo muestral es 54.292. Podemos resumir los datos originales que contienen cuatro cifras mediante las dos cantidades que representan, respectivamente, la media y el mximo muestrales. Tambin podemos calcular otras caractersticas de la muestra, como el mnimo, la mediana, la moda o la varianza. Cada resumen de este modelo reduce todos los datos (cuatro cifras en este ejemplo simple o lo que conocemos de algn aspecto de la historia eur.opea en el anterior) a un nico nmero. Comunicarse mediante resmenes suele ser ms fcil y tiene ms sentido para el lector que utilizar todos los datos originales. Evidentemente, si, en nuestro conjunto de datos slo hubiera cuatro nmeros, no tendra mucho sentido utilizar cinco resmenes diferentes y sera ms sencillo presentar las cuatro cantidades originales. Interpretar un estadstico suele ser ms fcil que comprender todo un conjunto de datos, pero siempre se pierde informacin al describir una gran cantidad de nmeros utilizando unos pocos. Qu normas rigen el resumen de los pormenores histricos? La primera es que los resmenes deben centrarse en los resultados que queremos describir o explicar. Si lo que nos interesa es el crecimiento de la organizacin internacional media, no sera muy inteligente centrarse en las Naciones Unidas; pero si 10 que nos importa es cmo influye el mayor o menor tamao en la distribucin de dichas organizaciones, las Naciones Unidas seran seguramente una de las unidades en las que tendramos que centramos. La ONU no es una organizacin representativa, pero s es importante. Para estudiar la tpica organizacin internacional desde el punto de vista estadstico examinaramos valores medios (de presupuestos, cometidos, nmero de miembros, etc.), pero para comprender el abanico de actividades tendramos que examinar la varianza. El segundo precepto, igualmente evidente, es que un resumen tiene que simplificar la nji:mnacin de que disponemos. En trminos cuantitativos, esto significa que siempre hay que utilizar menos estadsticos sintetizadores que unidades hay en los datos originales, porque, de no ser as, podra ser ms fcil presentar los datos originales sin
~.

5.

El resumen de Los pormenores

histricos

Despus de recoger los datos, el primer paso de cualquier anlisis es resumiros. Los resmenes pueden describir una gran cantidad de datos pero no estn directamente relacionados con la inferencia. Como, en realidad, lo que nos interesa es generalizar y explicar, un resumen de los datos que van a explicarse suele ser un buen punto de partida, pero no constituye un objetivo suficiente para la investigacin en las ciencias sociales. Resumir es necesario, ya que, como nunca podemos decir todo lo que sabemos sobre un conjunto de acontecimientos, no tendra sentido intentar hacerlo. Los buenos historiadores comprenden cules son los datos cruciales y, por lo tanto, en vez de perderse en digresiones, realizan estudios que subrayan lo esencial. Para entender la historia europea de los primeros quince aos del siglo XIX, quiz necesitemos comprender ciertos principios de estrategia militar tal como lo hizo Napolen e, incluso, saber qu coma su ejrcito si su avance dependa de los vveres que encontraba a su paso; pero puede que sea irrelevante conocer el color del pelo de Napolen o si prefera los huevos fritos a los cocidos. Los buenos textos histricos suelen incluir, aunque no se limiten a ello, un sucinto resumen verbal de gran cantidad de pormenores histricos. Nuestro modelo para el proceso de resumen de os detalles histricos es un estadstico, con el que se expresan datos de forma abreviada. Su objeti-

~Jt~~~

~ l }! ~

65;;j,~

'2~ LJ 'i::T;i:rE:~l~::a1'2S':.:~-t:~~!ia . ~t -:i~s~::n de


\3

in'feE-':'~gat:~f~n ;1;~at

__

'''-~'''",,=''''''''"~~~{';''';J:.-:=;;~';~:!ol''

.. nI.'i''~'~t''~~;i'.,;,,,-.:""';;:>:::':;'t=';':"~~_:"~,.,L;"":;'=:G,:u;;,:;;;;n..-=Y...l'!'=~:"!,"'l:i.~;~;:r..:w-~,,W;l"~l""-I!):!'V:;;::';~-=t'."'="_ ~

,::!,..:,r,:;:;s:==m;;!.."*,,-~.J~.:7lI~!~~;la."'::'.1II.~~h~~~""'~7J.","=,.;;,.o::~,Ik-"'t=~.::.l!t:-.~~"l:I.~~-=~~'X-~=~

ningn tipo de resumen . La sntesis que utilicemos tambin ha de ser lo suficientemente simple como para que nuestro pblico pueda entenderla. Ningn fenmeno puede resumirse de manera perfecta, de manera que las normas que dictan 10 que es adecuado dependen de nuestros propsitos y del pblico. Por ejemplo, un artculo cientfico sobre guerras y alianzas podra incluir datos sobre 10.000 observaciones. En este trabajo, estara justificado que hubiera resmenes que utilizaran cincuenta nmeros; sin embargo, incluso para un experto, cincuenta indicadores separados podran resultar incomprensibles si no existe otro resumen. Para impartir una clase sobre esta materia a uno de los primeros cursos de licenciatura, tres cifras seran ms que suficiente.

..c_.__._. . .. -_.--. _..

6.

la inferencia descriptiva

La inferencia descriptiva es un proceso mediante el cual se comprende un fenmeno no observado a partir de un conjunto de observaciones. Por ejemplo, en las elecciones britnicas de 1979 nos podra interesar cmo cambia en cada circunscripcin el voto a los partidos Conservador, Laborista y Socialdemcrata. Lo ms probable es que tengamos varias hiptesis que evaluar; sin embargo, lo que observamos realmente son las elecciones a la Cmara de los Comunes de ese ao en 650 circunscripciones. Podramos pensar ingenuamente que, al registrar qu porcentaje de votos y escaos recibieron los conservadores en cada circunscripcin, estamos observando de forma directa su fuerza electoral. Sin embargo, la poltica siempre conlleva un cierto margen para lo aleatorio y lo impredecible, al igual que el conjunto de la vida social y toda investigacin cientfica 7. Supongamos que por un sbito descuido (o como deferencia hacia las ciencias sociales) el Parlamento Britnico hubiera decidido celebrar elecciones cada semana en 1979 y supongamos tambin (de forma contrafctica) que stas fueran independientes unas de otras. Aunque el apoyo subyacente a los conservadores se mantuviera constante, cada repeticin semanal no registrara el mismo nmero de votos por partido en cada circunscripcin. Podra cambiar la situacin climatolgica, surgir epidemias, la gente podra tomar sus vacaciones, y todo ello afectara a la participacin en las elecciones y a su resultado. Adems, podran producirse acontecimientos fortuitos en el contexto internacional o aparecer escndalos en los medios de comunicacin; aunque estas contingencias no tuvieran importancia a largo plazo, s podran influir en los resultados semanales. De este modo, numerosos acontecimientos transitorios podran producir resultados electorales ligeramente diferentes. Despus de todo, nuestra observacin de cualquiera de estas elecciones no sera una medida perfecta de la fortaleza de los conservadores. Por poner otro ejemplo, supongamos que nos interesa la intensidad del conflicto entre los israeles (polica y residentes) y los palestinos en las co-

munidades de los territorios ocupados por Israel en Cisjordania. Los informes oficiales de ambos bandos parecen sospechosos o estn censurados, de manera que decidimos llevar a cabo nuestro propio estudio. Quiz podamos verificar la intensidad general del conflicto en diferentes comunidades mediante entrevistas en profundidad o participando en actividades familiares o de otros colectivos. Si hacemos ambas cosas durante una semana en cada una de las comunidades, nuestras conclusiones sobre la intensidad del conflicto en ellas reflejarn en parte los acontecimientos que, por casualidad, sucedan en el periodo en que visitamos esos enclaves. Aunque nuestro es_.,. __ ',... _ tudio se llevara a cabo durante un ao, tampoco-podramos conocer perfectamente el verdadero nivel de conflictividad, aunque s se reducira la incertidumbre sobre l. En estos ejemplos, puede decirse que la varianza del voto conservador en diferentes circunscripciones o la del conflicto en las comunidades cisjordanas surge de dos factores separados: de diferencias sistemticas y no sistemticas. En el ejemplo electoral, las primeras incluyen caractersticas fundamentales y predecibles de las circunscripciones, como las diferencias ideolgicas, de renta, de organizacin de la campaa o las referentes al apoyo tradicional a cada partido. En hipotticas repeticiones semanales de las mismas elecciones se mantendran las mismas diferencias sistemticas, pero variaran las no sistemticas, como son los cambios producidos en la participacin por las condiciones climatolgicas. En el ejemplo de Cisjordania, se consideraran diferencias sistemticas las profundas divergencias culturales entre israeles y palestinos, su conocimiento mutuo y las pautas de segregacin geogrfica de la vivienda. Si pudiramos comenzar nuestra semana de observacin en doce ocasiones distintas, estas diferencias sistemticas entre comunidades seguiran influyendo en la intensidad del conflicto observado. Sin embargo, las no sistemticas, como los atentados terroristas o los ejemplos de brutalidad policial israel, no seran predecibles y slo afectaran a la semana en que ocurrieran. En general, con las tcnicas inferenciales apropiadas, podemos conocer la naturaleza de las diferencias sistemticas, aunque sea con la ambigedad que est presente en un conjunto de datos de la vida real por las diferencias no sistemticas o aleatorias que contiene. Por lo tanto, uno de los objetivos fundamentales de la inferencia es distinguir entre el componente sistemtico y el no sistemtico dentro de los fenmenos que estudiamos. El sistemtico no es ms importante que el que no lo es, y nuestra atencin no debera centrarse en uno a costa del otro. Sin embargo, en las ciencias sociaies resulta fundamental diferenciarlos. Una de las formas de abordar la inferencia es considerar el conjunto de datos recogido como uno ms de los que son posibles, al igual que los resultados reales de las elecciones britnicas de 1979 son slo uno de los muchos conjuntos de resultados posibles en diferentes das hipotticos en los que las elecciones podran haber tenido lugar, o del mismo modo que una semana

~~;":Ilfij".1;. 6-7~'lqj

~~~~

~t di~~e(~~;G

:;:!;

~nvf.~st~(r;:t:in:';:;'-:'::-;;

_~

H)'f~::ren~_':i.1t!"'~.~ .; ..;-h. d
..~;;l{;.;.i.~;:.""'.",,""'~~~=~.

~"j<,i:.'~ .. 7~."l:'~;''''-'''.'''m_"...-'1 '1.',~~VJ:t~',''-1':I''''l''',.;..;~;f:U''''\.'>:....:;r~;;:,";: .. >.~'.l-;:>~"w::a'':O: .. 'I!,;;.~ 'r'"'''''''~,'''~la'''''''~=ln!,:L'I~O';''~<f_~.~::i""ZN'~ .. l 4 ". ...

de observacin en una pequea comunidad es slo una de las muchas semanas posibles. Con la inferencia descriptiva pretendemos comprender en qu medida nuestras observaciones reflejan fenmenos tpicos o atpicos. Si las elecciones britnicas de 1979 hubieran tenido lugar durante una epidemia de gripe que se hubiera extendido por los hogares de clase obrera sin afectar a los de los ricos, quiz nuestras observaciones habran calibrado bastante mal la fuerza subyacente de los conservadores, precisamente porque el elemento no sistemtico e imprevisto de los datos tendera a prevalecer sobre el sistemtico oa distorsionarlo. Del mismo modo, si nuestra semana de observacin en Cisjordania hubiera tenido lugar inmediatamente despus de lainvasin israel del sur del Lbano, no cabra esperar resultados indicativos de lo que ocurre habitualmente en la zona. En teora, el mundo poltico puede producir mltiples conjuntos de datos para cada problema, pero no siempre atiende las necesidades de los cientficos sociales. Lo normal es que slo tengamos la suerte de observar un conjunto de datos. Para construir un modelo dejaremos que este nico conjunto 10 represente una variable y (los votos recibidos por los laboristas, digamos) que se mida en todas las unidades (n = 650), que son las circunscripciones: YI' Y2, ... , Yn 0'1' por ejemplo, podra representar a las 23.562 personas que votaran a los laboristas en la circunscripcin 1). El conjunto de observaciones que denominamos y es una variable realizada cuyo valor vara en cada unidad. Adems, definimos Y como variable aleatoria porque cambia aleatoriamente en todas las reproducciones hipotticas de las mismas elecciones. En consecuencia, Y5 es el nmero de personas que han votado a los laboristas en la circunscripcin 5 e Y, es la variable aleatoria que representa los votos en muchas elecciones hipotticas que podran haberse celebrado en esa circunscripcin en condiciones fundamentalmente similares. Los votos que obtiene el Partido Laborista en la nica muestra que consideramos, Y1, Y2, . , Yn' varan en cada circunscripcin por factores sistemticos y aleatorios. Esto quiere decir que, para distinguir los dos tipos de variables, solemos utilizar la expresin variable realizada para referimos a y y variable aleatoria para referimos a .Y. El mismo criterio se aplica a nuestro ejemplo cualitativo. No podramos albergar esperanza o deseo de cuantificar el grado de tensin entre israeles y palestinos, en parte porque el conflicto es un asunto complicado que tiene que ver con los sentimientos de numerosos individuos, la oposicin de ciertas organizaciones, las tensiones ideolgicas y muchas otras cosas. En esta situacin, Y5 es una variable realizada que representa la totalidad del conflicto que se ha observado en la quinta comunidad, El-Bireh 8 La variable aleatoria Y5 representa tanto 10 que observamos en esta localidad como lo que podramos haber observado; la aleatoriedad proviene de la variacin en los acontecimientos imprevistos durante las posibles semanas que podriamos haber elegido para hacer la observacin 9.

-,l-

Uno de los objetivos de la inferencia es conocer las caractersticas sistemticas de las variables aleatorias Y1, , Y (hay que sealar lo contradictorio de esta terminologa estndar: aUIlque,"en general, queremos distinguir el componente sistemtico del no sistemtico en nuestros datos, lo que pretendemos en un caso determinado es tomar una variable aleatoria y extraer sus caractersticas sistemticas). Por ejemplo, podramos querer saber el nmero de votos que se espera que obtenga el Partido Laborista en la circunscripcin 5 (el promedio de votos Y5 para este partido en un gran nmero de elecciones hipotticas en esa circunscripcin). Al ser sta una caracterstica sistemtica del sistema electoral subyacente, su valor esperado tiene un inters considerable para los cientficos sociales. Por el contrario, los votos para el Partido Laborista en unas elecciones observadas, Y5' tienen, a largo plazo, un valor bastante ms reducido, ya que son el resultado de caractersticas sistemticas y de errores aleatorios 10. El valor esperado (una de las caractersticas del componente sistemtico) en la quinta comunidad de Cisjordania, Ei-Bireh, se expresa formalmente como sigue:

E(Y,)=

I-L5

donde E(-) es la operacin del valor esperado, de la que surge la media en un nmero infinito de reproducciones hipotticas de la semana de observacin en la comunidad 5, El-Bireh. El parmetro I-L5 (la letra griega mu con el sub ndice 5) representa la respuesta al clculo del valor esperado (un nivel de conflictividad entre palestinos e israeles) para la comunidad 5. Este parmetro es parte de nuestro modelo de caracterstica sistemtica para una variable aleatoria Y5 Se podra utilizar el nivel de conflictividad observado, Y5' como un clculo aproximado de I-L5, pero como Y contiene 5 muchos elementos imprevistos, junto con informacin acerca de esta caracterstica sistemtica, suele haber mejores estirnadores (vase el apartado 7). Tambin podramos querer conocer otra caracterstica sistemtica de estas variables aleatorias: el nivel de conflictividad en la comunidad cisjordana media: 1
11

- E(Y)
n
;~I

1
=-

11

LjL;
;~I

= I-L

(2.2)

Un estimador de I-L podra ser la media de los niveles de conflictividad observados en todas las comunidades que se estudian, ji, pero tambin existen otros para esta caracterstica sistemtica (hay que sealar que el mismo resumen de datos que aparece en el anlisis del proceso de sntesis de los pormenores histricos del apartado 5 se utiliza para hacer la estimacin de una inferencia descriptiva). Entre ias caractersticas sistemticas de las va-

T~~~~~

~~tlt~~~l

~) \r::~~~rd" ta I~

inV~S-::fi;;.{i;)n

"'"-Gr:::,H

riables aJeatorias tambin se incluye la varianza y diversos parmetros causales que se presentan en el apartado 1 del captulo 3. Todava hay otra caracterstica de estas variables aleatorias que podra ser de inters: la variacin del nivel de conflictividad dentro de una comunidad aun cuando las caractersticas sistemticas no cambien, es decir, en qu medida las observaciones de diferentes semanas (diversas aplicaciones hipotticas de la misma variable aleatoria) producen resultados divergentes. Dicho de otro modo, ste es el tamao del componente no sistemtico que, formalmente, se calcula en una nica comunidad utilizando la varianza (y n9 las expectAtiva_~l~ _~ __
o

2.
~~. .a;;;':lIIr'!~-=.:o.:.:ao:-z.;,:,=.~~"W>.,.~=~~~~--,

t3

":i;"i:'?nf_-:3

l~~1.::~;1jt:;!a

de qu variables explicativas se encuentren disponibles y de cules se incluya en el anlisis. Con las variables explicativas apropiadas el mundo es completamente predecible.

V(Y)

a-;
{

(2.3)

en donde (la letra griega sigma) indica lo que se obtiene al aplicar el operador de varianza a la variable aleatoria Y. Vivir en una comunidad de , Cisjordania en la que hubiera un alto grado de conflictividad entre israeles y palestinos no sera agradable, pero vivir en un lugar en el que los valores del conflicto registraran una elevada varianza y, por tanto, fueran muy impredecibles, podra ser peor. En cualquier caso, ambas situaciones pueden tener un inters considerable para los investigadores acadmicos. Para comprender mejor estas cuestiones distinguimos dos puntos de vista fundamentales sobre la variacin aleatoria 11, que constituyen los dos extremos de una gradacin. Aunque hay un nmero significativo de investigadores que se siente cmodo en cada uno de esos extremos, la mayora de los politlogos tienen puntos de vista que, de alguna manera, se sitan entre ambos polos.

cr

Punto de vista 1: un mundo probabilstico La variacin aleatoria existe tanto en la naturaleza como en los mundos social y poltico, y nunca podr eliminarse. Aunque midiramos todas las variables sin cometer errores, registrramos todos los datos (en vez de slo una muestra) e incluyramos toda variable explicativa concebible, nuestros anlisis no podran hacer nunca predicciones perfectas. Un investigador puede dividir el mundo en componentes aparentemente sistemticos y no sistemticos y mejorar con frecuencia sus predicciones, pero nada de lo que haga para analizar los datos podr reducir de manera significativa el grado de variacin no sistemtica que existe en diversas partes del mundo emprico.

Punto de vista 2: un mundo determinista La variacin aleatoria slo representa la parte del mundo que no podemos explicar. La divisin entre variacin sistemtica y estocstica la impone el investigador, y depende

Estos puntos de vista diferentes producen diversas ambigedades en las inferencias de cada rea de investigacin 12 Sin embargo, en la mayora de ellas ambas perspectivas pueden considerarse equivalentes desde el punto de vista de la observacin. Esto es especialmente cierto si, con el punto de vista 2, partimos de la base de que al menos ciertas variables explicativas seguirn sin conocerse. De este modo, la equivalencia desde el punto de vista de la observacin- tiene lugar cuando dichas variables desconocidas del punto de vista 2 se convierten, en el punto de vista 1, en la interpretacin de la variacin aleatoria. Al carecerse de cualquier consecuencia observable con la que distinguir entre ellos, elegir uno u otro depende ms de la fe o de la creencia que de la verificacin emprica. Por poner otro ejemplo, en ambos puntos de vista determinar si un acontecimiento poltico o social concreto es el resultado de un proceso sistemtico o no sistemtico depende de las opciones que tome el investigador. Usando el punto de vista 1 podemos clasificar provisionalmente un efecto como sistemtico o como no sistemtico, pero, a menos que logremos encontrar otro conjunto de datos (o incluso un solo caso ms) con el que comprobar la persistencia de un efecto o pauta, ser muy difcil hacer una apreciacin correcta. Si usamos la versin ms extrema del punto de vista 2, no podremos ms que describir los datos, ya que juzgar incorrectamente que un acontecimiento es estocstico o sistemtico es imposible o irrelevante. Una versin ms realista de esta perspectiva acepta que el punto de vista 1 puede considerar de forma correcta o incorrecta que una pauta es aleatoria o sistemtica, pero deja cierta libertad para decidir cul ser objeto de examen en cada estudio concreto y cul seguir sin explicarse. En este sentido, al comenzar cualquier anlisis, todas las observaciones son consecuencia de fuerzas no sistemticas. Por tanto, a nosotros nos corresponde demostrar que esos acontecimientos o procesos son el resultado de fuerzas sistemticas. Decidir si un acontecimiento o proceso no explicado es UIl hecho realmente aleatorio o si procede simplemente de variables explicativas an no identificadas queda para futuras investigaciones. Este argumento se aplica con igual fuerza a la investigacin cualitativa que a la cuantitativa. La primera suele ser histrica, pero es de extrema utilidad para las ciencias sociales cuando tambin es explcitamente inferencial. Para conceptualizar las variables aleatorias de las que proceden las observaciones e intentar hacer una estimacin de sus caractersticas sistemticas --en vez de limitarse a resumir los pormenores histricosno es preciso recoger datos a gran escala. De hecho, uno de los rasgos que definen a un buen historiador es su capacidad para distinguir, en la situacin que describe, los aspectos sistemticos de los circunstancial es. Por lo tanto,

'~~7'~1!~!~

-)1' ;-:-:'

'l.

, 1. ;-::)J:~"!2~~~--:il !~.?,:t'1nth~

~ ,
~':.l {~isef1'\) >'1=
_"'1I% ~.~ ..

',& nV~_;t.irp3~1.')r:~~::~:-;:1
..:x-~-.r~'_n~.,....atI::-'~~~~~=.,-~~-+ .,.,-

..~.(._-"..l!'~-.-.,

esta defensa de la inferencia descriptiva no es en absoluto una critica a los estudios de caso o al trabajo del historiador. Lo que queremos decir es que, en las ciencias sociales, cualquier tipo de investigacin tendra que cumplir los principios inferenciales bsicos que se analizan en este libro. Demostrar que existen caractersticas sistemticas ser ms dificil con algunos tipos de datos, pero no deja de ser importante hacerla. Como ejemplo de los problemas de la inferencia descriptiva en la investigacin histrica, supongamos que nos interesaran los resultados de los encuentros en la cumbre que mantuvieron los Estados Unidos y la Unin Sovitica entre 1955 y 1990. Nuestro fin ltimo es respondel: a una pregunta de tipo causal: en qu condiciones y en qu medida condujeron esas reuniones a una mayor cooperacin? Para contestar a esta pregunta hay que resolver ciertas cuestiones difciles del anlisis causal, especialmente las relacionadas con la direccin que toma la causalidad dentro de un conjunto de variables relacionadas de forma sistemtica 13 Sin embargo, en este apartado, nos limitamos a tratar los problemas de la inferencia descriptiva. Supongamos que hemos ideado una forma de calibrar -mediante anlisis histricos, expertos en encuestas, recuento de acontecimientos cooperativos o conflictivos, o combinando estas tcnicas de medicinen qu medida se registr despus de cada cumbre un aumento de la cooperacin entre las superpotencias y que tenemos ciertas hiptesis sobre las condiciones en las que aumenta la cooperacin, que se relacionan con cambios de poder, con los ciclos electorales en los Estados Unidos, con la situacin econmica en cada pas y con el grado de cumplimiento de las expectativas previas de ambos bandos. Supongamos tambin que esperamos poder explicar el nivel subyacente de cooperacin en cada ao, relacionndolo de alguna manera con la presencia o ausencia de una cumbre en el perodo anterior, as como con nuestros propios factores explicativos. Lo que observamos (aunque nuestros ndices de cooperacin sean perfectos) es nicamente el grado de cooperacin que se da realmente en cada ao. Cuando se observen niveles de cooperacin altos en los aos posteriores a la celebracin de las cumbres, no sabremos, sin un estudio ms profundo, si hay una relacin sistemtica entre ambos factores. Con un pequeo nmero de observaciones, podra ser que asociar las cumbres a la cooperacin reflejara una aleatoriedad debida a una incertidumbre fundamental (buena o mala suerte, segn el punto de vista 1) o a variables explicativas no identificadas por el momento (segn el punto de vista 2). Entre estas ltimas variables se incluyen las fluctuaciones climatolgicas que podran producir malas cosechas en la Unin Sovitica, as como los cambios en el equilibrio militar o en los mandatarios, circunstancias que podran explicar las transformaciones en el grado de cooperacin. Si se identifican, estas variables sern explicaciones alternativas -variables omitidas que ' podran recogerse o examinarse para evaluar su influencia en el resultado de la cumbre. Si no se identifican, pueden considerarse acontecimientos no

.~

1
'f
';

t)

*1

:~ i
j
.~;

~
t.

i1~ $

'&

~~

-'.eJ :
~,

;;~~'
e

-o!

sistemticos que podran explicar el alto grado de cooperacin observado entre las superpotencias. Para aportar pruebas que contradigan la posibilidad de que haya acontecimientos aleatorios (variables explicativas no identificadas) que expliquen la cooperacin observada, podramos considerar muchos otros aos. Ser extremadamente improbable que los acontecimientos y procesos aleatorios, al ser por definicin no persistentes, produzcan una cooperacin diferente en los aos en que haya cumbres y en los que no las haya. De nuevo, llegamos a la conclusin de que slo mediante pruebas repetidas en diferentes contextos (aos, en este caso) podremos decidir si es mejordefinir una pauta como sistemtica o como resultante de las consecuencias-pasajeras de procesos aleatorios. - .. _. - -Suele ser difcil distinguir entre procesos sistemticos y no sistemticos. Desde el punto de vista de las ciencias sociales, una epidemia de gripe que ataque con mayor virulencia a los votantes de clase obrera que a los de clase media es un acontecimiento impredecible (no sistemtico) que, en una reproduccin hipottica de las elecciones de 1979, disminuira los votos laboristas. Sin embargo, la persistencia de un componente diferenciador de clase en la incidencia de una discapacidad sera un efecto sistemtico que reducira la media de votos laborista en muchas reproducciones. En las elecciones estadounidenses, el hecho de que un candidato venza a otro por su personalidad o por un lapsus lngnae ocurrido en un debate televisado podra ser un factor aleatorio que quiz hubiera influido en las probabilidades de cooperacin entre la URSS y los Estados Unidos durante la Guerra Fra. Sin embargo, si la principal promesa electoral hubiera sido la de reducir la tensin con los soviticos, las constantes victorias de los candidatos conciliadores hubieran sido un factor sistemtico que explicara las probabilidades de cooperacin. Los factores sistemticos son persistentes y sus consecuencias se repiten cuando tienen un valor determinado. Los no sistemticos son transitorios: no podemos predecir su impacto. Sin embargo, esto no significa que los sistemticos representen constantes. Las promesas electorales de una campaa pueden ser un factor sistemtico a la hora de explicar el comportamiento electoral, pero esto no significa que dichas promesas no cambien. En el resultado de unas elecciones, la constante de las promesas electorales es su efecto y, si es variable, cambia de forma predecible. Cuando las relaciones sovitico-estadounidenses eran buenas, puede que prometer polticas conciliadoras ganara votos en las elecciones de los Estados Unidos; cuando eran malas, quiz ocurriera lo contrario. Del mismo modo, la climatologa puede ser un factor aleatorio (si los cambios intermitentes e impredecibles tienen consecuencias tambin impredecibles) o una caracterstica sistemtica (si el mal tiempo produce siempre menos votos para los candidatos que estn a favor de polticas conciliadoras). En pocas palabras. resumir los pormenores histricos es un importante paso intermedio en el proceso de utilizacin de os datos, pero tambin te-

~:;f6jn

:E!;.:;'~sr~~) dG

,.;;1 'TJ'2;,t:;,~i;C,:,i;

""I;'d[
...;;;...,1..k'_'.".'''''::' . ,'.. .w ~,,-"'<~\b;.'.,,""''';.1.'

,\';'''';i.; ;!".r;:,'.~''fr'J.'''''.;.\~.1'''"''.W-:r.~;''~\''''''',,'''-'lr'''~A:fi''''-':,"Y.l'~:'.I"w.~\

..""';"L\~',.:,.,'.).W."c.\lI.~",.";'O!~"',":1'~:.".:':;';'''''""',;:,;",,~,,,,;,~.~;_':i(,,,,,;,,\'~'.",'.';.;;u"""''':'''';''~f'l'''li\::,
~~~=5:\I':'~~""=w.1:'~';:';~\~=~'~~""""~~~~~-=~_'"""-:;I::;;';''-;;<lL...r~~,~.~=:~,

;_~

J..:Cl

inf!:.:n~n(j~;d~sr:~i.r}Ilv;]

nemos que hacer inferencias descriptivas que distingan los fenmenos aleatcrios de los sistemticos, Saber qu ocurri en una ocasin concreta no es suficiente, Si no nos esforzamos por determinar las caractersticas sistem: ticas de un asunto, las Lecciones de la historia se perdern y nada aprenderemos de los aspectos de nuestro objeto de estudio que pueden mantenerse o ser relevantes para estudios o acontecimientos futuros.

i.

Criterios para juzgar las inferencias descriptivas


"
- -~,-~:;-"=

En esteltimo apartado presentamos tres criterios' explcitos que suelen utilizarse en estadstica para juzgar los mtodos inferenciales: falta de sesgo, eficiencia y coherencia. Todos se basan en el marco de las variables aleatorias que sealamos en el apartado 6 de este mismo captulo, pero tienen consecuencias directas y profundas para la evaluacin y mejora de la investigacin cualitativa. Con el fin de clarificar estos conceptos, en el presente apartado slo damos ejemplos muy sencillos, todos ellos tomados de la inferencia descriptiva. Una versin simple de la inferencia conlleva la estimacin de ciertos parmetros, incluyendo en ellos el valor esperado o la varianza de una variable aleatoria (J.L o 02) en una inferencia descriptiva. Tambin utilizamos estos mismos criterios para evaluar inferencias causales en el siguiente captulo (vase su apartado 4). Reservamos para captulos posteriores los consejos especficos que implican estos criterios para la investigacin cualitativa y, en el resto del apartado, nos centramos nicamente en conceptos.

_,,;\':

7.1

Inferencias no sesga das

Si aplicamos una y otra vez un mtodo inferencial obtendremos estimaciones que unas veces sern demasiado grandes y otras demasiado pequeas. En un nmero elevado de aplicaciones, obtenemos, en promedio, la respuesta correcta? Si la contestacin es s, entonces se dice que este mtodo, o estimador, no est sesgado. En un estimador, esta propiedad no nos dice en qu medida cualquiera de las aplicaciones del mtodo est lejos del promedio, pero lo deseable es que la media sea correcta. Se obtienen estimaciones no sesgadas cuando la variacin que hay entre la reproduccin de una medida y la que le sigue no es sistemtica y empuja ese clculo a veces en una direccin y a veces en otra. Se produce sesgo cuando, en un conjunto de reproducciones, hay un error sistemtico de medida que lleva la estimacin ms en una direccin que en otra. Si en nuestro estudio de la conflictividad en las comunidades de Cisjordania los lderes polticos hubieran creado tensiones con el fin de influir en el resultado de la investigacin (quiz para impulsar sus fines), el promedio de conflictivi-

,:~2~~~;~~74~

dad observado en cada comunidad estara sesgado hacia niveles altos. Si las reproducciones de nuestras hipotticas elecciones de 1979 se hubieran hecho todas en sbado (cuando se podran haber celebrado cualquier otro da), las estimaciones estaran sesgadas si ese hecho ayudara sistemticamente a uno de los partidos y no al otro (si, por ejemplo, los conservadores ftleran ms reacios a votar en sbado por razones religiosas). Las estimaciones reproducidas tambin podran haberse basado en informes de contabilizadores de votos corrupto s que favorecieran a un partido ms que a otro. Sin embargo, si las elecciones reproducidas se celebraran en diversos das elegidos de una "manera-':que no estuviera relacionada con la variable que nos interesa, los posibles errores de medida no produciran resultados sesgados, aunque uno u otro da favoreciera a algn partido. Por ejemplo, si hubiera fallos en el recuento de votos por descuidos aleatorio s de los encargados de contabilizarlos, el conjunto de estimaciones no estara sesgado. Si, por ley, las elecciones britnicas se celebraran siempre en domingo o si el sistema electoral tuviera un mtodo de recuento que favoreciera ms a uno de los partidos (por la utilizacin de un determinado procedimiento o quiz incluso por una persistente corrupcin), necesitaramos un estimador que variara segn la media de votos que pudiera esperarse en las condiciones de estas caractersticas sistemticas. De este modo, el sesgo depende de "la teora que se investiga, y no slo existe en los datos. No tiene mucho sentido decir que un determinado conjunto de datos est sesgado, aunque est plagado de errores individuales. En este ejemplo, puede que queramos distinguir entre nuestra definicin de sesgo estadstico en un estimador y la de sesgo esencial en un sistema electoral. Un ejemplo del segundo tipo es un horario de votacin que dificulte el ejercicio del voto a los trabajadores; sesgo esencial bastante comn en varios sistemas electorales. Como investigadores, quiz queramos hacer una estimacin de la media de votos en el presente sistema electoral (el del sesgo esencial), pero quiz queramos tambin hacer un clculo aproximado de este indicador en un hipottico sistema que no presente un sesgo esencial debido a los horarios de los colegios electorales. Esto hara posible que calculramos el grado de sesgo esencial del sistema. Cualquiera que sea la media que estemos calculando, lo que queremos es un estimador estadstico sin sesgos. Los datos de las ciencias sociales pueden sufrir un sesgo importante del que hay que ser consciente: las personas que nos proporcionan los datos brutos que utilizamos en nuestras inferencias descriptivas suelen tener razones para hacer estimaciones que son, sistemticamente, demasiado altas o demasiado bajas. Puede que los funcionarios quieran exagerar las consecuencias de un nuevo programa para pedir una mayor financiacin o calcular el ndice de paro a la baja para demostrar que estn haciendo un buen trabajo. Quiz sea necesario buscar con ms ahnco estimaciones menos sesgadas. En el estudio cualitativo de Myron Weiner (1991) acerca de la

~75""i_.,,~1JI . ~!

El j:;ee de
~~ . '=~~~~~~~Q;p

Le: invs'tigdc.;~n

sccat

Lo.
~~~..,..:on:;:"Z'"~ . """";I.'.~;:.~ .,.;r""".::JCE~'I'..x~.~i:=~.;j'a.-.!=;!2"1t=,"-':o.::.:'=~=.:r=~'

.:~.3 ;nl:'?re~;C~::}j.~S(T~pdv~ {
. ~=.::'=_T.'.<.A'~~~'I.'-'2':'" .:=l~"'!I'II!!m.'tG.'! . ..

...~~'~.N::r.>'!W=~.!~:~~~';;~,...l::.~--":'~-:C-.JIIt.a

educacin y el trabajo infantil en la India encontramos un expresivo ejemplo. Al intentar explicar el reducido nivel de aceptacin de la educacin obligatoria en la India, en comparacin con otros pases, el autor primero tuvo que comprobar si dicho nivel era realmente bajo. Se dio cuenta de que, en uno de los estados del pas, las estadsticas oficiales indicaban que el 98 por ciento de los nios en edad escolar acuda al colegio. Sin embargo, un examen ms atento puso de manifiesto que la asistencia slo se meda en una ocasin, la primera vez que los nios iban a la escuela. Despus, figuraban en las listas de asistencia durante siete aos, aunque slo hubieran ido un da! Un escrutinio ms minucioso mostr que la cifra de asistencia real era mucho ms baja.

'!
.:!'

~4::~--=cidn!.dj,-cde ~I2.Qf~cti.~idad e < __


:;~\, ..:d., , :-.:~.j>'. ," "~o ' "?f.:.
la,media
'.
i+

:t ..

V:" ejemplo formal de falta de sesgo P~~I,


,

~u:;so;e...~~_'lAAT.;c'r.c:::~;:p-r_~_~;G.";;:~~.;~;~!~~~~~.:c.;.,...",."St7.~~~U:;:X"" ~~:7T.:.;;~;:;:;rT.:,,!:>C.-.:A1.!!~~~~~:\"J..r-~.~

!
1
i

i_:supongamos, por ejemplo, que quisiramos hacer una estimacin de f.L l; e~uacin (2.2,) ~ que d~cidiramos util~zar la media c.~moestimador, ;\ f-:'? = y,. En un umco conjunto de datos, y es la proporcion de votos la- ,1

irbori:t;sL

en la media de todas las circunscripciones, n = 650 (o el niveL ll las comunidades de Cisjordania-)-. Sin embargo, muestral se convierte en una funcin de 650 variables aleatorias, en un nmero infinito de reproducciones

y = 2.
:

1,!? >.-..
;f

7.2

Eficiencia

~~:.' ,~~ ,;:


y

Generalmente, no tenemos una oportunidad para aplicar nuestro estimador a un gran nmero de aplicaciones esencialmente idnticas. En realidad, excepto en algunos cuidados experimentos, slo lo aplicamos una vez. En este caso, la falta de sesgo es importante, pero quisiramos estar ms seguros de que la nica estimacin que hacemos se acerca al valor correcto. La eficiencia proporciona una manera de distinguir entre estimadores no se sgados. De hecho, este criterio tambin puede ayudamos a diferenciar estimadores alternativos con un reducido nivel de sesgo (en general, un estimador muy sesgado debe descartarse sin siquiera evaluar su eficiencia). La eficiencia es un concepto relativo que se mide calculando la varianza del estimador en las reproducciones hipotticas. En los estimadores no sesgados, cuanto menor es la varianza, ms eficiente (mejor) es el estimador. Una varianza pequea es mejor porque nuestra nica estimacin probablemente estar ms cerca del verdadero valor del parmetro. No nos interesa la eficiencia de un estimador muy sesgado porque, en esta situacin, la presencia de una varianza reducida har improbable que la estimacin se acerque al valor verdadero (porque la mayora de tales estimaciones constituirn un apretado conglomerado cercano al valor equivocado). Como describimos posteriormente, nos interesa la eficiencia si el sesgo es pequeo, y quiz a veces estemos dispuestos a admitir un pequeo sesgo a cambio de una mayor eficiencia. Supongamos de nuevo que nos interesara hacer una estimacin del nivel medio de conflictividad entre palestinos e israeles en Cisjordania y que estuviramos evaluando dos mtodos: una sola observacin de una nica comunidacL elegida como tpica, y observaciones similares de, por ejemplo, 25 comunidades. Parece evidente que 25 observaciones son mejores que una sola, siempre que se haga el mismo esfuerzo en la primera que en cada una de las 25. Vamos a demostrar precisamente por qu es as, Este resultado explica por qu debemos observar tantas consecuencias de nues-

~~'., ::~.

;~ti

~!';
.

~~J~

rt.i:icas de las eLecciones en cada circunscripcin. De este modo, la media J t.muestral tambin se convierte en una variabLe aleatoria. En algunas repro- j rducciones hipotticas. Y ~roducir re~uL~ados electorales q~: se ace~quep; ~ f .. a JL y en otras ocasiones estos se alejaran de ella. La cuestin es Sl Y sera ~ ~. acertada, es decir, igual a JL en la media de estas reproducciones hipotti- ~ ~,~as. Para hallar la respuesta utilizamos de nuevo la operacin del valor es- j f'perado, que nos permite determinar la media del infinito nmero de hipo- ~ I";t~ti~as elec:iones. Las regLas de la expectativa nos permiten reaLizar Los ~ ~slgulentes clculos: 1 ~~. ','
1
n ~

t Y;, si se considera
r-s1

hipo- ~
A

~r
;I;
,.~!?,'_,_ 11:,.".t"li.

~~l'.

,tr ._... ~.:.


'.':~<.

E(Y)

E( 1

IJ;)
~1

(2.4) ~
~

Ic'~ r,
.

1~' -~

':'"le . '!,

~1 f~ ':'~
~':J

<'

.
U

nn

z: LE(Y;)
n
;=1

~
f1 ~

':'.
9"
~,

.1.

,_ ~ As, Y es

=-nJL

~ "
~

n
= JL

9
~

'l

~t
.~~.,

~ .

t'*~ .',i'J!'
'~i;.:l
,!.~

un estimador no sesgado de f.L (este ejemplo es un poco menos formal que los que aparecen en los manuales de estadstica propiamente ~j \1 dichos, pero las caractersticas principales son las mismas). ;;
~~!li..~:~~:i3":::;:~~~'5:\.....,~~~~~:U~~~!llr.illJ~~~;:;'2.:~~~~::;;r.::z.~

':J~;

';'1 ::'~
...

....

~~'it
~-'4

~T~

;,;:k

~);

tra teora como sea posible, pero tambin demuestra el concepto general de eficiencia estadstica, que es igualmente relevante cuando estamos decidiendo cmo se pueden evaluar mejor las diferentes maneras de combinar en una inferencia las observaciones recogidas. La eficiencia nos permite comparar el estimador JL del estudio de caso en el que slo hay una observacin (11 = 1) con el gran estimador que tiene

~'76~~

=17&~~~

f:~ d1s2fJC.i~ la 1r.'le5:~a.aCj:i';


C2

'-;l;!::~h
~~_
__ -~_:~~~ __ .'t:!'.E e1 .

;:,,, L2 ";TrerS:-U:13

j~sr:ript1\i

--.-:=:..cz~..:a~~'~~~~'r'"~;r.'"~~~

!~~~er='-,....,"'~1.1.-~~.~(">::.'..,~_,...'iJ'I.".

un n grande (n = 25) Y que representa el nivel medio de conflictividad encontrado en 25 estudios separados de una semana de duracin en diversas comunidades de Cisjordania. Ambos estimadores, si se utilizan apropia. damente, no estn sesgados. Si el mismo modelo es cierto, el estimador de la observacin nica tendr una varianza de v,(y. ) = 0-2 Esto quiere decir nprca que habramos elegido una circunscripcin que consideramos tpica, la cual, no obstante, se vera afectada por variables aleatorias. La varianza del gran estimador n es V(Y) = rr/25, o sea, la de la media muestra!. De este modo, el estimador de la observacin nica es veinticinco veces ms variable (menos eficiente) que .el que se. obti@necuando n = 25.De ah que obtengamos el resultado evidente de que es mejor tener ms observaciones. Ms interesantes son las condiciones en las que un estudio muy detallado de nuestra nica comunidad pudiera arrojar resultados tan buenos como los de la investigacin que utiliza un n grande. Esto quiere decir que, aunque siempre son preferibles los estudios con ms observaciones (si se dispone de los medios para recogeras), hay situaciones en las que un nico estudio de caso (como siempre, con muchas observaciones) es mejor que otro que se basa en ms observaciones que, por separado, no son ni tan detalladas ni tan ciertas. En igualdad de condiciones, nuestro anlisis demuestra que cuantas ms observaciones haya, mejor, porque as disminuye la variabilidad (y, por tanto, la ineiciencia). De hecho, la coherencia es una propiedad que consiste en que a medida que aumenta el nmero de observaciones, la variabilidad se acerca a cero y la estimacin es igual al parmetro que estamos intentando calcular 14. Sin embargo, es frecuente que las condiciones no sean las mismas. Supongamos, por ejemplo, que cualquier medida individual de un fenmeno que estemos estudiando se vea influida por factores que aumenten la probabilidad de que se aleje del valor verdadero (o sea, que la varianza del estimador es alta), y SUpongamos que tenemos alguna idea -quiz por otros estudios- de cules pueden ser dichos factores. Supongamos, adems, que nuestra capacidad de observar y corregir esos factores disminuye sustancialmente a medida que aumenta el nmero de comunidades estudiadas (aunque slo sea porque carecemos del tiempo y del conocimiento suficientes para corregir esos factores en un nmero elevado de observaciones). Nos enfrentamos entonces al dilema de elegir entre un estudio de caso que tiene observaciones adicionales dentro del propio caso y 25 casos que contienen cada uno slo una observacin. Si nuestro caso nico slo tiene una observacin, ser evidentemente inferior al estudio de 25 observaciones. Sin embargo, los investigadores que utilizan estudios de caso disfrutan de considerables ventajas, que se entienden mejor al formalizarlas. Por ejemplo, podramos comenzar por seleccionar cuidadosamente nuestra comunidad con el fin de aseguramos de que es especialmente representativa del resto del pas o de que entendemos la rela-

,~
.~

.ein que tiene con las dems. Podramos preguntar a unos pocos residentes . "e'leer informes de prensa para comprobar si es una comunidad media o si alzn factor no sistemtico ha hecho que esta observacin sea atpica; despodramos ajustar el nivel de conflictividad observado par,a hacer una estimacin del nivel medio, .L, que se registra en Cisjordania. Esta sera la parte ms difcil del estimador del estudio de caso, y habra que tener cuidado de que no se nos colara el sesgo. Una vez que estamos razonablemente seguros de haberlo minimizado, podramos centramos en aumentar la eficiencia. Para hacerlo, podramos pasar muchas semanas en la comuni~. .dad, llevando a cabo numerosos estudios independientes. Podr~amos entre- vistar a lderes comunitarios, leer los peridicos, acompaar a una familia en su vida diaria y utilizar otras tcnicas para recabar informacin. Mediante tales procedimientos, podramos conseguir muchas ms de 25 observaciones dentro de esta nica comunidad y producir un estudio de caso que, al igual que el de las 25 comunidades, no estuviera sesgado y que fuera ms eficiente que ste. Consideremos otro ejemplo: supongamos que estamos realizando un estudio sobre el problema internacional que plantean las drogas y que necesitamos calcular el porcentaje de tierra cultivable de una determinada regin del mundo en el que se ha plantado cocana. Supongamos, adems, que podemos elegir entre dos mtodos: un estudio de caso de un solo pas o una investigacin a gran escala de tipo estadstico que se ocupe de todos los pases de la regin. Parece mejor estudiar toda la regin, pero hay que sealar que, para optar por esta alternativa, es necesario (por razones prcticas) utilizar los datos que proporcionan los gobiernos de la zona a un organismo de la ONU. Se sabe que estas cifras tienen poca relacin con las pautas reales de cultivo, ya que las preparan los ministerios de asuntos exteriores y se basan en consideraciones relativas a las relaciones pblicas. Supongamos tambin que, mediante visitas que observaran de cerca un pas, podramos corregir las estimaciones de su gobierno para acercarlas ms a las cifras verdaderas. Qu mtodo elegiramos? Quiz decidamos estudiar slo un pas, o quiz dos o tres; tambin podramos analizar uno en profundidad y utilizar nuestros resultados para re interpretar, y por tanto mejorar, los datos gubernamentales de los otros pases. La eleccin tendra que basarse en qu datos responden mejor a nuestras preguntas. Por poner un ejemplo ms, supongamos que estamos estudiando la Comunidad Europea y queremos hacer una estimacin del grado de regulacin que se espera produzcan en un sector de toda la Comunidad las acciones de la Comisin y del Consejo de Ministros. Podramos recabar informacin en un gran nmero de normativas adoptadas formalmente por el sector industria! en cuestin, codificarlas segn su severidad y, posteriormente, hacer una estimacin de la severidad media de una normativa. Si recogemos datos sobre 100 normativas que muestren, en principio, un rigor similar, la varianza de nuestro clculo ser el resultado de dividir la de cualquiera de las

;:S

tL:~~78
.fJ

"~~~~9.r-;;~~

:~7~9:.~ts~;Q k...:.:i~,.~~!l

~ rris:2r;;)
~ ~~.~

~!et.c
~..,.,.~""",

TlP;'~~;"~Jlf>~:,C!"l: St.:(j~~
~~~~ .u~~=~~,;:u : ;.;.'.;,;.=;:~
.

~~~'~.Y.c.;x ~-~~-""'-''''''''''"~M-~.!.<!~3'_U~~''~:-: '~"~-~"'~""~~-"'


~~~..:''':~~~")'v~~~7'_fii,...''\.'',.e3t7~:'E.i"<b~~~'''-;~~'';i~_~.~~~~~~~'':;:;-'","~,_.~:~~~~

L.rl -~'r;-~1r:';'i"~--:;:
:;''=2!'L~m

"'~~:::c~.,rF:/2
.

""~~"~~~'!:':.....c~="''':!fr_-'

normativas por 100 (a-21l 00), o por menos si las normativas estn relacionadas. Sin duda, la medida resultante ser mejor que la que obtendramos si utilizramos datos sobre una sola normativa como estimador de la severidad reguladora para el conjunto del sector. No obstante, para utilizar este procedimiento es preciso aceptar que la normativa formal es equivalente a la autntica actividad reguladora en el sector que se estudia. Sin embargo, una investigacin ms profunda de la aplicacin de las normativas podra poner de manifiesto una importante variacin en su grado de implantacin real. En consecuencia, puede que las mediciones de las normativas formales estn sistemticamente sesgadas y - que, pof~jemplo~exagere-n la severidad reguladora, En tal caso, nos enfrentaramos de nuevo a la necesidad de alcanzar un equilibrio entre sesgo y eficiencia, y quiz tuviera sentido realizar tres o cuatro estudios de caso en profundidad sobre la implantacin de normativas con el fin de investigar la relacin que existe entre las normativas formales y la actividad reguladora real. Una de las posibilidades sera sustituir el estimador basado en 100 casos por otro, menos sesgado y tambin menos eficiente, que procediera de tres o cuatro. Sin embargo, sera ms creativo, si es factible, utilizar el estudio en profundidad de los tres o cuatro casos para corregir el sesgo de nuestro indicador de 100 casos y usar despus una versin corregida de este ltimo como estimador. En este procedimiento estaramos combinando las aportaciones de nuestros estudios de caso en profundidad con las tcnicas que manejan un' n grande, prctica que pensamos debera realizarse con mucha ms frecuencia de 10 que es habitual en las ciencias sociales contemporneas. La defensa de los estudios de caso que hacen aquellos que conocen bien una determinada parte del mundo suele ser la que est implcita en el ejemplo anterior. Puede que las investigaciones a gran escala dependan de cifras que no comprenda del todo el ingenuo investigador que trabaja con una base de datos (que quiz no sea consciente de cmo se elaboran las estadsticas electorales de un determinado lugar y presuponga, equivocadamente, que tienen una relacin real con los votos emitidos). Quien trabaja de cerca con los materiales y comprende de dnde proceden puede hacer las correcciones necesarias. En los apartados siguientes intentaremos explicar cmo se puede elegir de forma sistemtica en relacin a este asunto. Precisamente, el anlisis formal de este problema, que aparece en el recuadro posterior, muestra cmo se puede determinar cul es el resultado de alcanzar un equilibrio entre eficiencia y sesgo, cuestin que surga en el ejemplo de las circunscripciones electorales britnicas. En cualquier ejemplo concreto la decisin siempre ser mejor si se utiliza la lgica que aparece en el anlisis formal siguiente. Sin embargo, para tomar este tipo de decisin casi siempre se necesitarn tambin consideraciones cualitativas. Para terminar, merece la pena plantearse de forma ms especfica las concesiones que a veces hay que realizar para hallar un equilibrio entre ses-

!
~

~.Comparaciones de eficiencia formales. ,


.

La varianza de la media muestral Y se expresa como V(Y), y las reglas para ~ calcular varianzas de variables aleatorias en el caso sencillo del muestreo ~ aleatorio permiten que ocurra lo siguiente:

.~

!
f

V(Y)

v( ~
1
nr""l

t y)
I

ii

=n2LV(Y.)

'Adem'" si presuponemos que la varianza en las reproducciones hipotti~.... de las elecciones en cada circunscripcin es la misma que en una de cas cada dos y que se expresa como 02, entonces la de la media muestral ser:

2'

I
."
1" (1
!.::;<

V(Y)

1 LV(Y)
n
i=l

(2.5)

~.

1
=

n
Idl

n2 Lo2
1

lfi;..

t.:>

':i" .

= - 2 ncr n
=

i,'.'.;:~'

o2/n

fEn el ejemplo anterior n = 650, de manera que la varianza del estimador t."de este n grande es 02/650, Y la del estimador del estudio de caso es 02. I:.,t,a estimaci~~ estadstic~ ser pre!eri?le por su eficiencia,. a menos qu.e (.'podamos utilizar correcciones cualitativas del error aleatorio para reducir ~ ..Iavarianza del estimador del estudio de caso mediante un factor que val- 1 t ga, al menos, 650. ~
~~~~~~.,;r.=':';~?'f-;-"-'>"':C;t~"~TI~-~._'>:""~,,:;:';'::'l!n.:5.-=!:';~".C:::Z~I:;-:.iq:::;j;.~'.:."":..:Ml~~~"\~-~:;'~"4."I.;~~ii:;.~

go y eficiencia. En cualquier conjunto grande de observaciones que no est sesgado, la media muestral de las dos primeras tampoco lo estar, y 10 mismo OCurre con la media muestral de todas ellas. Sin embargo, al utilizar slo dos observaciones se prescinde de informacin sustancial; esto no afecta a la falta de sesgo, pero s reduce considerablemente la eficiencia. Si no utilizamos tambin el criterio de eficiencia, careceremos de reglas formales para elegir entre un estimador y otro.

C::i diseilo

!~, '.!:i

~J.f;5t2fF~:~'; ;3!).~-:::, :;--.,


.;.~'''~,'AU,.".1?_..~"",""""'a ".,,',,>.11\1 l ...,"<!J.,
. ~'":I\L,.,...:.U"."'~W,,'~,',;;.' .

o:.\."><,"'l<l,.\..~",:wo."i'II:r"'''''.\

.. tio,.~.I':I.1m:'r.'''''~",""",,,,,u.;.jw,

..""'~4""";,~,, .

~,,'!..,~~ . l',.~;~..".~~"_",c:,a;,,!;.;a.."~':::::::?'~;;;:;:.
-d

rc;;;;;ci~;;;;~;;;~~"~t;;'~;~~'~~';~";fi~';~ci;-Ug!
,'d

ti: 'iTYf?~'f:~{l 1j,~sr:ri'\"')'r.:V:1

_,.s.~,'tt~:1l~;:::;;:-:;~!'I~,~lmt'>~~:"i:'>\'":..~":t'.tll:\:'~;IlI:-:tk~'l~::'.~~~l(o'I,"',!>!!~,!.'~~~.:"~(:~i!_:"';'7:;;<.'~~.L""',.' . .s.;:;.t:,:,:'-"t:=mtf";;:'.r.:o:'~..w'.:=~r:t=~~"I:-=!l!!'="".,...a~~'.i!"r.:..,...lI1:!t:.l!.n::::'=1Y.:!I .:

F,1Ii9I~"::'!r".,.ts-","'~~!::::r,:r;-r~;'~~'l.on;~r'I\7,*,"'..:~lt~?,:;"!~"$-~;;7:X~~"~~i:).'.':':'r.!":,~~,,&:?,,,";"''''.!:l~.,r!l.~,;;<T._':>":;::':~::I''Y.tt!~

Pensemos en dos estimadores, uno el de un estudio con un n grande que, al haber sido realizado por alguien que tiene un prejuicio, est ligeramente sesgado y otro con un n muy pequeo que creemos que no est sesgado pero que es relativamente menos eficiente y ha sido elaborado por un investigador imparcial. Como modelo formal de este ejemplo, supongamos que quisiramos hacer una estimacin de .L y que el estudio de n grande produce un estimador d:

i
~ j
)
;j,

(Y+Y) E(e) =E ~
=

"1

.~ j
~
'1

I
iI

E(Y,) + E(Y2)
~

2
= .L

:1

+ .L
2 ----. . =

~
,1 '
d

.i
n senta

, I

= .L

-.

~ ~ ~ ~ ~ ~
icj

d = (~ n

i Y - 0,01)
-1

Hacemos un modelo del estudio pequeo que es c: e Y1

con un estimador

diferente

de .L,

=(

Y2)

Utilizando slo estos clculos, elegiramos el estimador e, que repreel resultado del estudio con un n pequeo de nuestro investigador imparcial, porque no est sesgado. El investigador prejuicioso obtendra ~. con d una respuesta que, en promedio, estara equivocada, aunque slo ~ fuera levemente, en un nmero infinito de reproducciones. Con el estima~ dor e se obtendra una media correcta. . ~ El criterio de e.ficiencia presen:~ una situacin diferente. Comenzamos ~ por calcular la vananza de cada estimador:

1
t'

1,

~ ~
~

en el que las circunscripciones 1 y 2 son de tipo medio, de manera que E(Y1) = .L y E(Y2) = .L. Qu estimador sera preferible? Nuestra primera respuesta es que no deberamos utilizar ninguno de ellos y que sera mejor optar por la media muestral y, o sea, por un estudio de n grande realizado por un investigador imparcial. Sin embargo, no siempre puede aplicarse el estimador obvio o el mejor. Para solucionar este problema, recurrimos a una evaluacin del sesgo y de la eficiencia. En primer lugar, calibramos el sesgo. Podemos sealar que el primer estimador d est ligeramente sesgado segn el clculo habitual:

~ i ~.

V(d) = V -

1 () }:

n ,-1
n

Y - 0,01

~
,
" ~ q
,$

~
~

E(d)

E(\~
n

t Y ,-1
,=1

0,01)

~"
I J .

1'. 1
.;

~ -,

(-1 L y -=- ~
n
~1

~ ~
'

)
I

- V(O 01)

i~

>'

=o2/n =02/650 .

:1. .'

~
~

.,:' Esta varianza es la misma que la de la media muestral porque 0,01 no :1 : cambia (tiene una varianza cero) en las diferentes muestras. Del mismo ;1 tmOdo, se calcula la varianza de e como sigue 15: ~ ~..
~.
I

E(~ t Y) - E(O,Ol)
n

i'
,
~,

V( e)

v( Y
1

+ Y2) 2 .

'1 J
'J
;1

= .L - 0,01

l 1
es~

= -

4
1

[V(Y1) + V(Y2)]

1
J

4
.1

Tambin podemos indicar, mediante timador e no est sesgado:

un clculo similar, que el segundo

~.

" 202
,j

" ~1;~,

=-

4
= 02/2

lE

~ 2!m~~,11

Ll:IU~~cs:.~~~;::.~'E"'::;;",!"""""'",."':;;,;:~,,,~~~~~s.;a;;:,,;~':X~r:r:"1!Z'=-;;~..rr.::;:~~~~.m:..~~!:'.:lT~.:.:..tt.'3!lE~~

83,~,'l'~'~~

~.~ 'lisr:

=-~=~~"..~~~=~=,~..::...--c:.~~:.:..:..~~~_~~_

~lB ::)

lr~.'.~s-~ :~ac;nn

3-;C':1l
. ~~~=:"~'::;l:!,,::r-~
.. .,~~O.'::>.~'I!.~>..::-::-'!-_'~.;.;.-;:..:.:t...;;::;:::.:.",.:,~,.;,._.:::;-"'-:~ ~.,{!.,.'" .~. _-t;;.t~~":d~~~';;"~. 'C" ....

... '~T~:t;flt:17~ . ::~r:::~-;,;; .; C1.-~:


.. ':z..;;.-:;"~---'~.;.~~":=_,~~,,:",:;,:,,,:,,',.,~;''-.o_':i:::>.~~.;:,-l>.-':<~' "=r:~~~'!:'\.1!t'"=-.lC ~

.;m::m.:z';',1!;:~r.,)">;;:J.>.~,,e'tl!~la:.:l"""';;;;l;i

,m;',O,l;>t, .i.!.l'::'!'!."itf!!'.' :,,,::.~~'!'A":-;;::.71ii":,~:::"::s.H;';','f'BZlIrz=xl~~~~,:'m'M'I!S:~~i.~~~~""':!;".,;;Z"a<!1~;-;:t!!::~, ...ra:;r;"'''>:":l I r

n: .,.'. ~_., . .;"~,;,-;r:.::;,<-::-.<:"".:,,,,:'"'~!.. ::.'~

-~-;:.':"'J.:"';~'~';-'::':-:'~'. :~,'1Z-

_':._,~~~J;;:.'--::!$C;.:lI:!:"~"i-~.:";~'

".'!>..:."t~~':'"""!.1.":r".~:"i~

.*

En consecuencia, c es bastante menos eficiente que d porque V(c) = j ifj2 es 325 veces ms grande que Ved) = ifj650. Esto tambin debera , quedar claro intuitivamente, ya que c desecha gran parte de la informacin que hay en la matriz de datos. Cul tendramos que elegir? El estimador d est sesgado pero es ms 4 eficiente que e, mientras que ste no tien: sesg~ ~ero es me~os eficiente. ,1 En este caso concreto, probablemente sena preferible el estimador d. Por ;j tanto, estaramos dispuestos a sacrificar la falta de sesgo, ya que el sacrificio es bastante pequeo (O,01),_con eltin de lograr un estimador bastante , ms eficiente. Sin embargo, habr un momento en el que la mayor eficien;j cia no compensar el pequeo sesgo porque acabaremos garantizando que los clculos aproximados estn lejos de la verdad. Formalmente, la manera ~ de calibrar el equilibrio entre sesgo y eficiencia es calcular el error medio q cuadrtico (EMC), que es una combinacin de ambos factores. Si g es el es~ timador de algn parmetro ')' (la letra griega gamma), EfviCse definir as:
"

1
el

,1
~ ~

-!

1 precisamente

.1

por qu un estimador con cierto sesgo puede ser preferible si su varianza es pequea. ~ En nuestro ejemplo, los dos EMCsson:

"
,l

~1

lit

'~

~
1
,1

'j

4~

1 1
;

',;'

,
,1

02

EMC(d) =

650
if

+ (0,01)2

(2.7)

~
1 ~ ~ .1
0

- 650 + 9,0001
y

i
1

i }
i.t,
t;
~,

i
~ ~ 4
~

-t

'1 ~
j

EMC(g) = V(g) + E(g - ')')2


=

'1 (2.6) ,~
.,

~
,j

,
~

EMC(c) =

s: 2

(2.8)

'f
).~

',f
"~

:j .i
:1
l

. vananza + sesgo al cuadrado

i.

l
.l
j

'J

1 Por tanto,

el error medio cuadrtico es la suma de la varianza y del sesgo; al cuadrado (vase Johnston, 1984, pp. 27-28). La idea es elegir el esti1 mador que tenga el mnimo error cuadrtico medio, ya que ste muestra ',~

~!..~~~i-~.~"~'!:':1".ll!'J':.:~,~~.~.:.JiU5x;::.:;;";'1.:'~~,:",:;:~.::::._~~~~,:~..:z::r.,'-""--"::t,,.

.. -.~}~7X;~

i i
1 ~
'1

De este modo, en la mayora de los valores de 02, EMC(d) < EMC(c), y d sera preferible como estimador de c. j En teora, siempre hay que optar por estimadores no sesgados que sean q lo ms eficientes posible (o sea, que utilicen la mayor cantidadposible de j informacin). Sin embargo, en las investigaciones reales que analizamos ,1 en captulos posteriores, este equilibrio entre sesgo y eficiencia es bastan- , ~ te llamativo.. ,j

L;r.~~"!\i.:"1::S."ti.~~_~z);:;"~.:;:r~';;:'"J~Z::_'~',"::.!;'7=JIS~.:~.;>:>n:;;:;:.!:;;.;_'Y..:K'.'l:.\.t:;~.!Z"~~,'Q!;'2.:.;.c~",~_""~!!,,~~j::I.:_~;:a.."'9'"J

Supongamos que nos interesa saber si el Partido Demcrata va a ganar las prximas elecciones presidenciales en los Estados Unidos y que preguntamos a 20 estadounidenses adultos elegidos al azar a qu partido piensan votar (en este sencillo ejemplo de seieccin aleatoria elegimos a los encuestados entre todos los estadounidenses adultos y cada uno de ellos tiene las mismas posibilidades de ser seleccionado). Supongamos que alguien ha realizado un estudio similar con 1,000 ciudadanos; acaso tendramos que incorporar esas observaciones adicionales a las nuestras para constituir una nica estimacin que se basara en 1.020 encuestados? Si las nuevas observaciones hubieran sido seleccionadas aleatoriamente, al igual que las primeras veinte, sera fcil decidir incorporar esos datos a los nuestros: con las nuevas observaciones el estimador sigue sin estar sesgado y ahora es mucho ms eficiente, Sin embargo, supongamos que slo 990 de las 1.000 nuevas observaciones fueran resultado de una seleccin aleatoria de la poblacin de Estados Unidos y que las otras diez fueran congresistas demcratas que hubieran sido incluidos, sin querer, en os datos, despus de haberse hecho la muestra aleatoria. Supongamos adems que nos damos cuenta de que se han incorporado dichas observaciones a nuestros datos pero que desconocemos cules son y que, por tanto, no podemos elirninarlas. Ahora sabemos que,

1
~

<t
~.

""',"

... :j
:1;11

,)~J ,.
,~

.,

-~

t .l

en principio, un estimador que se basara en los 1.020 encuestados exagerara ligeramente la posibilidad de que un demcrata ganara las elecciones nacionales. De este modo, incluir las 1,000 observaciones adicionales sesgara ligeramente la estimacin global pero tambin aumentara su eficiencia de forma considerable. En consecuencia, el que incluyamos o no estas observaciones depende de si el aumento del sesgo se compensa con el incremento de la eficiencia estadstica. De una manera intuitiva, parece claro que el estimador que se base en 1.020 observaciones producir estimaciones bastante ms cercanas a la respuesta correcta con mucha ms frecuencia que el que utiliza slo 20. El sesgo resultante ser lo suficientemente pequeo como para que sea preferible el estimador de la muestra ms grande, aunque en la prctica probablemente apliquemos los dos (adems, en este caso, conocemos la direccin del sesgo e incluso podramos corregirlo parcialmente) . Si se dispone de datos cuantitativos adecuados y es posible formalizar este tipo de problemas, generalmente se puede tomar una decisin clara. Sin embargo, aunque la naturaleza cualitativa de la investigacin haga que evaluar este equilibrio sea difcil o imposible, entenderlo debera ayudamos a hacer inferencias ms fiables,

~"8~[~It