Causa y medicin - Juan diez Medrano-

La nocin de causa
3 criterios fundamentales ( segn Hume)
a. Contigidad entre causa y efecto
b. La precedencia temporal de la causa sobre el efecto
c. La conjuncin constante entre causa y efecto
(Es decir que siempre que la causa este presente, se observe el efecto y que siempre que
la causa esta ausente no se observe) Como para la mayora de los positivistas estos son los
3 criterios necesarios para poder decir que una relacin es causal. Por lo tanto desde la
perspectiva positivista, la distincin entre regularidades y las relaciones causales ( QUE
implican la existencia de un argumento terico) que ligue causa y efecto, no es posible y
NO se plantea.
En cambio, para otros como Stuart MIll, para que podamos definir una relacin como
causal debemos haber excluido todo mecanismo causal alternativo, en otras palabras
desde el momento en que aceptamos la posibilidad de distinguir entre relaciones causales
y relaciones no causales. ( Principio por el cual se basara cualquier tesis sobre la existencia
de una relacin causal) esto nos lleva a la bsqueda de mtodos que nos permitan
eliminar del anlisis de una determinada relacin causal, causas alternativas potenciales.
La mayor o menor capacidad que tenga nuestro diseo de investigacin a la hora de
eliminar causas alternativas determina la validez interna. Esta es mxima en los
experimentos ( en los cuales los individuos son asignados aleatoriamente a un grupo de
control) Si este no se puede llevar a cabo( por diversas razones) se trata de disear
investigaciones que permitan eliminar un mximo de causas alternativas potenciales.
Por ej:
Introduccin de variables de control en el anlisis estadstico-
Utilizacin del mtodo comparado- en base al mtodo de las concordancias y
las diferencias ( propuesto por MIll)
o Mtodo de la concordancia: comparar 2 casos que difieran en todo,
menos en el efecto, para constreir al mximo el numero de causas
potenciales ( que serian las pocas variables causales en que los 2 casos
coinciden)
o Mtodo de las diferencias: comparar 2 casos que no difieran en casi
nada, menos en el efecto estudiado, de manera que al constreir el
numero de causas potenciales ( que son aquellas variables potenciales
en las que los 2 casos difieren)
El criterio de la conjuncin constante entre causa y efecto ha llevado al
desarrollo de mtodos para determinar los limites contextuales
o Toda conjuncin constante puede ser probada nicamente dentro de
determinados limites ( impuestos por la investigacin empirica)
o Cuanto mayor sea el numero de ocasiones en q se observa una
determinada relacin causal, mayor es la confianza ( sin embargo NO
es lo mismo observar dicha relacin causal en contextos similares que
en contextos que difieran entre si)
o El mtodo mas adecuado para determinar la generabilidad de una
relacin causal es : el muestreo probabilstico. Estos nos ayudan a
determinar en que contextos se producen las relaciones causales y nos
ayudan determinar con un cierto grado de confianza si la relacin
causal observada en la muestra se da en la poblacin de la que se
extrajo la muestra.
Por eso Russell seala que es improbable encontrar procesos causales que cumplan con el
requisito de la conjuncin constante. ( incluso si se da en el presente no podemos
asegurarlo en el futuro) Por eso propone abandonar el concepto de causa y formular
leyes cientficas, relaciones funcionales. En lugar de distinguir entre relaciones causales y
no causales, se debe distinguir entre relaciones causales fuertes dbiles y No causales.
El problema de la medicin : 2 etapas principales
1. La definicin de lo q se va a medir
Definicin del concepto ( idea que une distintos fenmenos bajo una misma etiqueta)
2. La operalizacion de lo q va a medirse . ( una vez que el objeto ha sido seleccionado los
cuatro pasos siguientes son: )
a. Dar un significado al concepto : implica la formulacin de una definicin terica (
explica en trminos simples el significado de un concepto) Funciones: unir una
etiqueta al concepto/ enumera las dimensiones del concepto/provee info del tipo de
indicadores
b. Identificar las dimensiones que lo representan
c. Crear indicadores : dependen directamente de la definicin terica, este paso es
denominado fase de dedicin operacional describe el procedimiento a seguir para
seleccionar indicadores de la variable latente. ( un indicador es apropiado cuando
provee al investigador una variable emprica que corresponda al significado al
concepto)
d. Especificar la relacin entre los indicadores y las variables latentes. ( en determinadas
situaciones estas variables son operacionalizadas en base a respuestas individuales a
un cuestionario, otras veces por estadsticas recogidas x la adm publica ( censo ,
registro civil etc) un indicador determinado es apropiado en la medida en que provea
al investigador con una variable emprica que corresponda al significado asignado al
concepto.
Formalizar el tipo de error
La validez de un concepto se refiere al grado en que una variable determinada, mide lo
que se supone que debe medir. Aunque es muy difcil determinar la validez de un
concepto , si podemos obtener evidencias que determine el grado de mayor o menor
de validez de un indicador.
Medios tericos y empricos para determinar la validez de un indicador:
o Validez de contenido: grado en que los indicadores de un concepto cubren
todas sus dimensiones. como sabemos cules son las dimensiones de un
concepto? Para poder abarcar todas las dimensiones de un concepto es
necesario tener una definicin terica previa. La limitacin principal para este
criterio, es que para la mayora de los conceptos en cs sociales no existe un
consenso absoluto sobre su def teorica
o Evaluar la validez de un indicador en base a su asociacin con otro indicador
que mide el concepto en consideracin
o Validez d un indicador en base a al grado de asociacin con otros indicadores
( ninguno es enteramente apropiado)
Por lo tanto LISrel propuso la FIABILIDAD de un indicador ( consistencia con que mide un
concepto) No es igual a validez ( podemos tener medidas que son fiables pero invalidas)
. Mtodos
a. Repetir una misma medicin 2 veces y calcular el coeficiente de correlacin entre
las dos mediciones
b. Utilizar 2 indicadores de un mismo concepto en 2 ocasiones distintas y calcular la
correlacin entre los valores obtenidos en las 2 mediciones . los coeficientes de
correlacion obtenidos con los 2 metodos constituyen medidas de fiabilidad.
c. Tomar varios indicadores de un mismo concepto y dividirlos de forma arbitraria en 2
grupos. Dentro de c uno se combinan los valores obtenidos para c uno de los
indicadores y finalmente se calcula el coeficiente de correlacin entre la variable
compuesta.
Por lo tanto es importante reconocer que las medidas que utilicemos para cada
concepto utilizado en nuestra investigacin contienen un determinado grado de error.
Nuestra funcin como investigadores consiste en proporcionar definiciones claras de los
conceptos , asegurarnos que nuestros indicadores midan cada una de las dimensiones
de un concepto determinado, y finalmente utilizar varias medidas alternativas del
mismo concepto.
Causalidad y diseos de la investigacin NO experimentales : cualquier diseo de inv
interesado en la explicacin de relaciones causales entre variables intentara demostrar que:
1. El indicador x sirve para medir el concepto X y lo hace con fiabilidad
2. El indicador y sirve para medir el concepto Y , y lo hace con fiabilidad
3. La relacin entre X e Y no solo existe sino que adems es causal, es decir, no se debe al
efecto causal simultaneo de terceras variables T
Ejemplo de relacin causal entre X e Y :
X Y
T
o Ejemplo: el nivel de estudios de una persona (X) determina sus ingresos (Y) ; o el
nivel de estudios de una persona ( X) determina sus ingresos ( Y) debido a los
conocimientos que proporciona (T) , Estos modelos implican una relacin causal
entre el nivel de estudios e ingresos
Ejemplo de relacin NO causal entre X e Y

X
T
Y
o Ejemplo: alguien podra argumentar q la relacin entre el nivel de estudios e ingresos
es espurea ( es decir que aunq exista una asociacin entre las 2 variables, esta NO
se debe al efecto al efecto causal del nivel de estudios sobre los ingresos, sino a que
tanto el nivel de estudios como ingresos vienen determinados por el origen social de
las personas) . Una vez descartada la posibilidad que la relacin sea espurea, el
investigador disea su investigacin de manera que pueda explicar dichas relaciones
mediante la intervencin de terceras variables. Osea intenta demostrar, no solo que
existe una relacin causal entre las variables ( nivel de estudios e ingresos) sino que
tambin intenta explicar esta relacin causal por la mediacin de 3 variables. ( por ej
el nivel de conocimientos proporcionados por un determinado nivel de estudio)
o Pasamos de un moderlo :
X y
o A otro mas complejo:
Y
X
T
Un ultimo objetivo es el comparar el efecto causal de una variable con el de otras. ( ej
podemos intentar determinar si el nivel de estudios es mas importante a la hora de
determinar los ingresos de las personas que los ingresos de los padres de dichas
personas)
En resumen: el investigador disea su trabajo de modo que pueda determinar:
o Si dos o mas variables estn relacionadas
o Para determinar si dicha relacin es causal
o De manera que determine que variables median o preceden esa relacin causal
o De manera que pueda determinar la variabilidad de la relacin causal en distintos
contextos
o Para determinar la existencia de otras variables explicativas y su efecto causal
relativo sobre la variable dependiente
o Para maximizar nuestra capacidad de prediccin de la variable dependiente Y
Las relaciones CAUSALES en diseos NO experimentales
La manera de establecer una situacin causal entre nivel de estudios (X) e ingresos ( Y)
consiste en eliminar cuantas variables explicativas potenciales como sea posible. Otra
forma es verificar el cumplimiento de predicciones respecto a las variables (T) que median
la relacin ; o en verificar el cumplimiento de predicciones respecto al tipo de relacin
existente entre las 2 variables cuando variamos el contexto ( donde esta relacin se
desarrolla)
En resumen cuando nos hallamos en condiciones NO EXPERIMENTALES no queda mas
remedio que introducir variables de control (T) en el anlisis para asegurarnos que la
relacin entre X e Y NO es ESPUREA.
Funciones de Las variables (T) incluidas dentro de modelos estadsticos
o Cumplen con la funcin interpretativa: introducimos T en el anlisis para mostrar
de que modo se produce la relacin entre X e Y , o en otras ocaciones para
mostrar que variables antecedentes originan la relacin entre X e Y
T X
X Y T Y

o En otras ocasiones introducimos variables T porque pensamos que la relacin entre
X e Y es espurea.
X
T
Y
o Introducimos variables T porq queremos determinar la capacidad explicativa
relativa de distintas variables.
X
Y
T

En resumen: los diseos de investigacin NO experimentales, impiden que podamos estar
seguros sobre la existencia de una relacin causal entre 2 variables. Por eso debemos :
o Introducir variables T para determinar la importancia relativa de nuestra variable X
a la hora de explicar Y, para descartar que la relacin entre X e Y sea espurea y
Para interpretar dicha relacin