El método científico en psicología: variables, hipótesis y control

La psicología trabaja con fenómenos ruidosos: atención, emoción, aprendizaje, conducta social. Por eso necesita un método que aísle causas probables de coincidencias. Este artículo es la continuación operativa del apunte introductorio Método científico en psicología: falsación y cambio de paradigmas, donde se cubrió el falsacionismo popperiano y la estructura de revoluciones de Kuhn. Aquí bajamos al taller: cómo se nombran y miden las variables, cómo se redactan hipótesis que se puedan poner a prueba, y qué controles reducen las explicaciones rivales en un estudio real.

Idea clave — investigar en psicología es decidir antes de mirar: declarar qué variable se manipula, qué se mide, qué se mantiene parejo entre grupos, y qué amenaza interna se descarta con cada procedimiento.

Trabajarás estos tres bloques con ejemplos de aula universitaria e instituciones prestadoras de salud (IPS) en LATAM, donde la aleatorización rara vez es perfecta y la creatividad metodológica pesa.

1. Variables: independiente, dependiente y extrañas

Una variable es todo atributo que puede tomar distintos valores. En un estudio psicológico las variables cumplen tres roles, y confundirlos es la fuente más frecuente de diseños malogrados.

Variable independiente (VI). Es la causa presunta que el investigador manipula. En un experimento clásico de Stroop, la VI es la congruencia entre el color de la tinta y la palabra escrita. En un ensayo clínico sobre intervenciones breves para ansiedad en una IPS, la VI puede ser el tipo de intervención (cognitiva, conductual, educativa) o el número de sesiones.

Variable dependiente (VD). Es el resultado que se mide para detectar el efecto de la VI. Suele operacionalizarse en una escala, un tiempo de reacción, un porcentaje de asistencia, una puntuación en un inventario validado. La VD define operacionalmente el constructo teórico: si mides “ansiedad” con el Inventario de Beck, ya estás haciendo una afirmación sobre qué cuenta como ansiedad en tu estudio.

Variables extrañas. Son factores que, sin ser la VI, pueden mover la VD y confundir la interpretación. Se dividen en tres grandes clases:

Cuando una variable extraña cambia junto con la VI, deja de ser extraña y se vuelve confusora (confounder). Si en una IPS comparas pacientes atendidos en lunes con atendidos en viernes, día y cuadro clínico suelen correlacionar, y atribuir el efecto a la intervención sería un error.

Tip de redacción — escribe cada variable en una línea con tres columnas: nombre conceptual, operacionalización, forma de medición. Si la columna del medio queda vacía, todavía no tienes variable: tienes una palabra bonita.

Un caso frecuente en clase: el estudiante dice “voy a medir la motivación”. Si lo operacionaliza como “puntuación en la escala UMEE-12 de Moreno et al.”, ya hay variable. Si lo deja como “lo que el alumno sienta”, no.

2. Hipótesis: nula, alternativa y operacionalización

Una hipótesis es una afirmación contrastable sobre la relación entre variables. En psicología cuantitativa se trabaja con dos hipótesis estadísticas que funcionan como un par adversarial:

• Hipótesis nula (H0). Afirma que no hay efecto, o que la diferencia entre grupos es atribuible al azar. Por ejemplo: “el tiempo medio de reacción en la condición incongruente es igual al de la condición congruente”.
• Hipótesis alternativa (H1 o Ha). Afirma que sí hay efecto. Hay dos familias: direccionales (“la condición incongruente produce tiempos mayores”) y no direccionales (“hay diferencia entre condiciones”).

La lógica inferencial no prueba H1; lo que hace es estimar cuán improbable sería observar los datos si H0 fuera cierta. Si esa probabilidad (el valor p) cae por debajo de un umbral prefijado, se rechaza H0 y se acepta H1 por descarte. La mecánica es contraintuitiva, y por eso se confunde con “probabilidad de que H0 sea cierta”, que no lo es.

Un detalle que cambia prácticas: redactar H0 con precisión operativa. La frase “no hay diferencia” sin más no basta; hay que decir entre qué, en qué variable, en qué población y en qué métrica. “No hay diferencia en el tiempo medio de reacción Stroop entre condición congruente e incongruente en estudiantes universitarios de 18 a 25 años medido en milisegundos” es una H0 útil.

Confusión típica — p no mide el tamaño del efecto. Un ensayo clínico con 5 000 participantes puede obtener p < 0.001 para una diferencia de 0.3 puntos en una escala de ansiedad. El hallazgo es estadísticamente detectable y clínicamente intrascendente. Por eso se reportan de manera sistemática tamaños de efecto (d de Cohen, eta cuadrado, r) junto al valor p.

La operacionalización cierra el puente entre constructo y variable. Si la hipótesis dice “la retroalimentación positiva mejora la autorregulación del estudio”, operacionalizar implica decidir:

1. Qué se entiende por retroalimentación positiva (tipo, frecuencia, fuente).
2. Qué se entiende por autorregulación (escala, observación, registro de tiempos).
3. Cómo se mide cada una (instrumento validado o piloto propio).

Sin esta cadena, la hipótesis sirve para discutir en cafetería y no para investigar.

3. Control experimental: aleatorización, grupo control y cegamiento

El control es el conjunto de procedimientos que hacen plausible atribuir el cambio en la VD a la VI y no a otras causas. Tres pilares sostienen ese edificio.

Aleatorización. Asignar participantes a condiciones mediante un procedimiento que dé a cada uno la misma probabilidad de caer en cada grupo (moneda, tabla de números aleatorios, secuencia computacional). Cuando funciona, distribuye equilibradamente las variables extrañas conocidas y desconocidas entre condiciones, y la sola diferencia sistemática esperable es la VI. En aula funciona razonablemente bien; en una IPS, donde los pacientes llegan cuando pueden y los cupos por turno son limitados, la aleatorización suele ser por bloques, por semanas alternas o por secuencia de llegada al servicio.

Grupo control. Es el grupo que no recibe la VI o recibe una versión neutral (placebo, tratamiento habitual, lista de espera). Sin control, todo cambio post-intervención podría deberse a historia, maduración, regresión a la media o al efecto Hawthorne (saber que te observan modifica la conducta). El control rara vez es “no hacer nada”: en investigación clínica, el estándar es comparar contra el tratamiento habitual, no contra nada.

Cegamiento. Quitar información sobre la condición para reducir sesgos de expectativa y de medición. Niveles:

• Simple ciego: el participante no sabe en qué condición está.
• Doble ciego: ni el participante ni el evaluador lo saben.
• Triple ciego: además, el analista no sabe hasta cerrar la base.

El cegamiento rara vez resulta posible (si la intervención es una sesión de mindfulness de 20 minutos frente a una charla educativa de 20 minutos, el participante sabe cuál recibió). Cuando no se puede cegar, se refuerza el cegamiento del evaluador y se protocoliza la medición.

Auditoría rápida de diseño — antes de reclutar, responde por escrito: ¿cómo se asignan los participantes a las condiciones? ¿qué reciben los del grupo control? ¿quién sabe qué condición recibe cada uno? ¿cómo se mide la VD sin que el evaluador influya? Si una respuesta queda en blanco, hay una amenaza a validez interna sin control definido.

4. Amenazas a validez interna: historia, maduración, selección y mortalidad

Validez interna es el grado en que el estudio permite afirmar que la VI causó el cambio en la VD. Campbell y Stanley sistematizaron las amenazas que pueden explicar el efecto sin que la VI intervenga. El cuadro mínimo incluye cuatro que aparecen en todo estudio longitudinal o cuasiexperimental.

Hay amenazas adicionales: instrumentación (cambiar de instrumento entre mediciones), regresión a la media (cuando se selecciona por puntaje extremo), testing (efecto de la preprueba sobre la postprueba) y difusión del tratamiento (contagio entre condiciones).

El diseño experimental clásico (pretest-postest con grupo control y asignación aleatoria) controla casi el conjunto de estas amenazas; el cuasiexperimental sacrifica aleatorización y paga el precio en forma de amenazas que deben abordarse por otros medios (emparejamiento, covariables, propensity score matching).

5. Diseños cuasiexperimentales: cuando no se puede aleatorizar del todo

En psicología aplicada la aleatorización perfecta es la excepción. Se trabaja con grupos ya conformados: aulas, turnos de atención, cohortes institucionales. Ahí entran los diseños cuasiexperimentales, que conservan la manipulación de la VI pero renuncian a la aleatorización.

Tres patrones frecuentes en LATAM:

• Diseño con pretest y postest con grupo control no equivalente. Se compara un grupo que recibe la intervención con uno que no, sin asignación aleatoria. La amenaza central es selección: si los grupos ya diferían, hay que reportarlo y analizar covariables.
• Diseño de series temporales interrumpidas. Se toman mediciones repetidas antes y después de introducir la VI, y se observa si hay cambio en la pendiente o en el nivel. Funciona bien cuando se introduce una política institucional (cambio de protocolo, campaña, rotación de personal).
• Diseño de cohortes múltiples. Se replica la intervención en cohortes distintas (por ejemplo, dos promociones de residentes) y se observa si el efecto aparece en ambas. Replica natural que refuerza la inferencia.

Para profundizar en cuándo conviene uno u otro, revisa Diseños experimentales y cuasiexperimentales en psicología. La lectura complementaria sobre el reporte de resultados cuantitativos según APA está en Reporte APA de análisis cuantitativo.

Lección de campo — en una IPS pública colombiana, comparar la cohorte que recibió un protocolo de primeros auxilios psicológicos con la cohorte previa que recibió atención usual sirve como cuasiexperimento de series temporales. La selección queda parcialmente controlada porque las dos cohortes pasaron por el mismo triage; lo que no se controla es que el contexto cambió entre cohortes. Esa diferencia se reporta, no se oculta.

6. Validez externa: hasta dónde generalizan los hallazgos

Un estudio puede tener validez interna riguroso y aún así decir poco sobre la vida real. Validez externa es el grado en que los resultados se extienden a otras personas, contextos y momentos. Bracht y Glass propusieron cinco dimensiones para auditarla: población, contexto, tratamiento, resultado y momento.

La crítica clásica, articulada por Mook, señala que buena parte de la investigación psicológica en laboratorio tiene validez interna fuerte pero validez externa débil: participantes universitarios occidentales, tareas de corta duración, consecuencias triviales. Esto no invalida la investigación, pero limita su alcance. Cuando el propósito del estudio es informar política pública o práctica clínica, la pregunta por la generalización es central.

Buenas prácticas para fortalecer la validez externa sin destruir la interna:

• Replicar el estudio en al menos dos contextos distintos (otra universidad, otra IPS, otra región).
• Reportar el flujo de captación (cuántos invitados, cuántos aceptaron, cuántos completaron).
• Caracterizar la muestra con detalle (edad, sexo, nivel socioeconómico, criterios de exclusión).
• Pre-registrar los criterios de inclusión y exclusión antes de recoger datos.

7. Diseños factoriales y control de confusión

Cuando hay más de una VI, el diseño factorial permite observar efectos principales e interacciones. El caso más sencillo es el 2×2: dos VI con dos niveles cada una, cuatro condiciones resultantes. Una extensión natural es el 2×2×2, que cruza tres VI y genera ocho condiciones; a partir de ahí el crecimiento combinatorial vuelve el diseño logísticamente costoso y aparecen las soluciones fraccionales (diseños factoriales fraccionarios) que sacrifican estimaciones de interacciones de orden alto para mantener manejable el número de condiciones.

Ejemplo aplicado: en un aula se cruza “tipo de retroalimentación” (positiva/negativa) con “momento” (inmediata/diferida) y se mide autorregulación del estudio. El factorial no solo estima cada efecto de primer orden; estima si el efecto de la retroalimentación depende del momento (interacción). Si en la condición inmediata la retroalimentación positiva ayuda y en la diferida la retroalimentación negativa también ayuda, hay una interacción cruzada que un diseño con una sola VI jamás detectaría.

La interpretación de la interacción se apoya en gráficas de perfiles: en el eje horizontal el nivel de la primera VI, en el vertical el puntaje medio de la VD, y una línea por nivel de la segunda VI. Si las líneas son aproximadamente paralelas, no hay interacción; si se cruzan, hay interacción cualitativa (el efecto cambia de signo); si divergen sin cruzarse, hay interacción cuantitativa (el efecto cambia de magnitud).

Aclaración necesaria — interacción en estadística no equivale a “los factores se influyen mutuamente” en sentido coloquial. Aquí significa que el efecto de una VI cambia de magnitud o de signo según el nivel de la otra. La interacción se interpreta con una gráfica de perfiles, no con una frase motivacional.

El control de confusión cuando no hay aleatorización se apoya en técnicas como propensity score matching, regresión con covariables, modelos de ecuaciones estructurales y modelos marginales (GEE). Rosenbaum y Rubin formalizaron el propensity score como forma de equilibrar grupos en estudios observacionales: se estima la probabilidad de pertenecer al grupo tratado dadas las covariables observadas, y se emparejan o ponderan las unidades con propensity similares, lo que reduce el sesgo de selección bajo supuestos de independencia condicional.

MacKinnon, Krull y Lockwood clarificaron la relación entre mediación y confusión estadística: lo que estadísticamente se llama “efecto de confusión” y “efecto de mediación” comparten la misma estructura algebraica, pero cambian según la posición de la variable en el modelo teórico. Por eso el diagrama causal debe preceder al diagrama estadístico. Kazdin revisó los mediadores y mecanismos de cambio en psicoterapia, una pieza clave cuando el diseño factorial por sí solo no basta para entender el “cómo” del efecto en contextos clínicos aplicados.

8. Medición: confiabilidad, validez y operacionalización de constructos

Toda variable psicológica se mide con error. La confiabilidad indica cuánto se reproduciría el puntaje si se repitiera la medición en condiciones equivalentes; la validez indica si el instrumento mide lo que dice medir. Cronbach y Meehl distinguieron cuatro tipos de validez (de contenido, de criterio, de constructo, convergente/discriminante) y propusieron el nomological network como forma de evaluar si un test encaja en la red de constructos de una teoría.

Errores frecuentes al reportar medición:

• Citar un alfa de Cronbach del estudio original sin reestimarlo en la propia muestra.
• Traducir un instrumento sin documentar el proceso (traducción, retrotraducción, piloto, validación).
• Reportar validez sin decir contra qué criterio.
• Cambiar de instrumento entre pretest y postprueba.

Para profundizar en psicometría básica revisa Psicología general: temas clave y, si trabajas con datos cuantitativos en SPSS o R, Correlación y regresión lineal simple.

9. Tamaño de efecto y potencia estadística

Cohen publicó en 1988 el manual que estandarizó el cálculo de tamaños de efecto y, en 1992, una guía breve pensada para ser citada en artículos empíricos. La potencia estadística es la probabilidad de detectar un efecto real cuando existe; depende del tamaño del efecto, del tamaño muestral y del umbral alfa.

Reglas de bolsillo, sujetas a la advertencia de que dependen del contexto:

• d de Cohen: 0.2 (pequeño), 0.5 (medio), 0.8 (grande). En psicoterapia social suelen observarse efectos medianos a grandes; en intervenciones escolares sobre aprendizaje, efectos pequeños a medianos.
• eta cuadrado: 0.01 (pequeño), 0.06 (medio), 0.14 (grande).
• r: 0.10 (pequeño), 0.30 (medio), 0.50 (grande).
• odds ratio: 1.5 (pequeño), 2.5 (medio), 4.3 (grande), reglas de Chen, Cohen y Hughes.

Antes de calcular el tamaño del efecto conviene fijar el valor mínimo de interés práctico (MCID, mínima diferencia clínicamente importante). Sin esa definición, “el efecto fue mediano” carece de criterio: lo que importa es si el efecto supera o no lo que la comunidad disciplinar considera relevante para tomar decisiones. En una IPS, una d de 0.3 en ansiedad puede ser estadísticamente detectable y operacionalmente intrascendente si el costo de escalar la intervención es alto.

Cohen formuló en 1994 la crítica más citada al uso mecánico del valor p: “the earth is round (p < .05)". El argumento no es abandonar la inferencia nula, sino complementar el p con tamaños de efecto, intervalos de confianza y, cuando proceda, factores de Bayes. La inferencia bayesiana permite comparar modelos nulos y alternativos directamente y cuantificar la evidencia a favor de cada uno, lo cual resuelve algunas de las objeciones clásicas a la prueba de hipótesis nula sin renunciar al rigor cuantitativo. Wilson y Schooler mostraron en un experimento clásico que inducir a las personas a analizar razones explícitas sobre sus preferencias puede empeorar la calidad de sus decisiones, hallazgo citado para defender la simplicidad metodológica cuando los constructos son afectivos. La moraleja metodológica: si el constructo es intuitivo, agregar introspección forzada puede introducir ruido en lugar de reducirlo.

Regla de cierre — antes de iniciar el reclutamiento, calcula la potencia esperada con un tamaño de efecto realista (no el de Cohen 1988 por defecto). Si la potencia cae por debajo de 0.80 con tu muestra prevista, el estudio vale para explorar; no vale para “no encontrar diferencias”.

10. Ética, rigor y reporte: la cadena llena

Un diseño riguroso se desinfla si la cadena ética falla. El protocolo de investigación psicológica debe pasar por un comité de ética institucional antes del reclutamiento, declarar consentimiento informado, garantizar confidencialidad y dejar claro el manejo de datos.

En LATAM, la investigación en aulas suele pasar por comités de ética institucionales o de facultad; la investigación en IPS pasa por comités clínicos y, en algunos países, por el Ministerio de Salud. El rigor y la ética van atados: un estudio sin protocolo de consentimiento no se publica en revistas indexadas, por buena que sea su medición. La transparencia de datos (compartir datos anonimizados cuando es viable, declarar conflictos de interés, pre-registrar hipótesis y análisis) llena la cadena de rigor y permite que otros investigadores repliquen o extiendan el trabajo sin tener que partir de cero.

En contextos clínicos y educativos sensibles, el principio de no causar daño obliga a protocolos de retirada protegida, derivación a servicios de atención cuando se detecta riesgo, y planes de manejo de crisis. Estos protocolos no son un trámite burocrático: forman parte del diseño y deben aparecer en la sección de métodos del reporte final, no solo en anexos administrativos.

Para cerrar la cadena, revisa Criterios de rigor cualitativo: Guba y Lincoln si tu estudio tiene brazo cualitativo, y vuelve al apunte base Método científico en psicología: falsación y paradigmas para alinear el lenguaje filosófico con el metodológico.

Preguntas frecuentes

¿Cuál es la diferencia entre variable independiente y variable dependiente?

La independiente es la causa presunta que el investigador manipula o asigna (por ejemplo, el tipo de intervención recibida). La dependiente es la medida que se usa para detectar el efecto (por ejemplo, la puntuación de ansiedad postratamiento). Si la variable independiente cambia sola, sin que la manipules, ya no tienes experimento.

¿Por qué la hipótesis nula se llama “nula” y no “alternativa”?

Porque plantea que el efecto es nulo: que no hay diferencia entre condiciones o que la diferencia se debe al azar. La hipótesis alternativa es la que afirma el efecto. El contraste estadístico no prueba la alternativa; lo que hace es estimar qué tan improbable sería ver los datos si la nula fuera cierta.

¿Qué es una variable extraña y por qué importa?

Es un factor que no es tu variable independiente y que puede mover la variable dependiente. Si cambia a la vez que tu VI, confunde la interpretación y hace imposible separar qué causó el efecto. Importa porque ignorarla es la ruta más corta hacia conclusiones equivocadas.

¿Cuándo conviene un diseño cuasiexperimental en lugar de uno experimental?

Cuando la aleatorización no es posible por motivos éticos, logísticos o institucionales, y aun así necesitas inferir causalidad. Aula, IPS, organizaciones: los grupos ya están conformados. El precio es asumir amenazas a validez interna y reportarlas.

¿Qué amenazas a validez interna debo vigilar primero?

Historia, maduración, selección y mortalidad. Son las que Campbell y Stanley identificaron como prioritarias y las que aparecen en todo diseño longitudinal o con grupos preexistentes. Si las controlas o las reportas, el resto pasa a segundo plano. La lista llena suma al menos ocho amenazas activas; ignorarlas es lo que vuelve frágil la inferencia causal en psicología aplicada.

¿Qué es la potencia estadística y por qué importa antes de reclutar?

Es la probabilidad de detectar un efecto real si existe. Si reclutas con potencia baja, un resultado nulo no te dice si la intervención no sirve o si simplemente no tuviste muestra suficiente. Calcularla antes define si el estudio será exploratorio o confirmatorio. En la práctica, una potencia objetivo de 0.80 combinada con un tamaño de efecto realista y un alfa de 0.05 da una cota mínima de muestra que conviene calcular con software (G*Power, simulación en R o Python) y reportar en el protocolo.

¿Cómo se reporta un valor p correctamente?

Con tamaño de efecto, intervalo de confianza y tamaño muestral. En ningún caso como afirmación aislada de “hay diferencia”. Tampoco se interpreta p como probabilidad de que la hipótesis nula sea cierta; eso es un error clásico que confunde incluso a profesionales formados. Una buena línea de resultados dice: “la diferencia entre grupos fue de M = 4.2 puntos, IC 95 % [1.8, 6.6], t(58) = 3.51, p = .001, d de Cohen = 0.91”. Esa línea se interpreta sola y aguanta revisión por pares.

Para llevar al laboratorio y al aula

El método científico en psicología no es un ritual: es la disciplina de declarar de antemano qué se hace, qué se mide y qué se mantiene bajo control. Variables operacionalizadas, hipótesis redactadas con precisión operativa, aleatorización cuando se puede y cuasiexperimentalidad con sus amenazas reportadas cuando no se puede, tamaños de efecto junto al valor p, ética y consentimiento antes del reclutamiento. Esa cadena, no la promesa de un laboratorio ideal, es lo que distingue una investigación psicológica de una observación interesante.

La promesa de este artículo es modesta y deliberada: que al terminar de leerlo puedas auditar un proyecto propio o ajeno con la lista de verificación que aparece a lo largo del texto. Nada más, y eso ya es bastante.

Referencias

• Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2.ª ed.). Lawrence Erlbaum. (Libro sin DOI.)
• Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155–159. 10.1037/0033-2909.112.1.155
• Cohen, J. (1994). The earth is round (p < .05). American Psychologist, 49(12), 997–1003. 10.1037/0003-066x.49.12.997
• Campbell, D. T. y Stanley, J. C. (1963). Experimental and quasi-experimental designs for research on teaching. En N. L. Gage (Ed.), Handbook of research on teaching. Rand McNally. (Libro sin DOI; citado por Shadish, Cook y Campbell, 2002.)
• Cronbach, L. J. y Meehl, P. E. (1955). Construct validity in psychological tests. Psychological Bulletin, 52(4), 281–302. 10.1037/h0040957
• Hernández Sampieri, R., Fernández Collado, C. y Baptista Lucio, P. (2014). Metodología de la investigación (6.ª ed.). McGraw-Hill. (Libro sin DOI.)
• Kerlinger, F. N. y Lee, H. B. (2000). Foundations of behavioral research (4.ª ed.). Harcourt College Publishers. (Libro sin DOI.)
• Kazdin, A. E. (2007). Mediators and mechanisms of change in psychotherapy research. Annual Review of Clinical Psychology, 3, 1–27. 10.1146/annurev.clinpsy.3.022806.091432
• Lipsey, M. W. (1990). Design sensitivity: Statistical power for experimental research. Sage. (Recensión en Journal of the American Statistical Association: 10.2307/2289636; libro sin DOI.)
• MacKinnon, D. P., Krull, J. L. y Lockwood, C. M. (2000). Equivalence of the mediation, confounding and suppression effect. Prevention Science, 1(4), 173–181. 10.1023/a:1026595011371
• Mook, D. G. (1983). In defense of external invalidity. American Psychologist, 38(4), 379–387. 10.1037/0003-066x.38.4.379
• Bracht, G. H. y Glass, G. V. (1968). The external validity of experiments. American Educational Research Journal, 5(4), 437–474. 10.3102/00028312005004437
• Rosenbaum, P. R. y Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70(1), 41–55. 10.1093/biomet/70.1.41
• Shadish, W. R., Cook, T. D. y Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference. Social Service Review, 76(3), 503–506. 10.1086/345281
• Wilson, T. D. y Schooler, J. W. (1991). Thinking too much: Introspection can reduce the quality of preferences and decisions. Journal of Personality and Social Psychology, 60(2), 181–192. 10.1037/0022-3514.60.2.181