Investigació quantitativa: Paradigmes, metodologia, anàlisi i presentació de resultats

1. Investigación Cuantitativa: Paradigmas,
metodología, análisis y presentación de
resultados
Mireia Usart
Novembre 2019
URV

3. Objetivos:
Saber cómo plantear una investigación de corte
cuantitativo
Saber recoger, analizar y presentar los datos
cuantitativos obtenidos a partir de diferentes
fuentes.
Conocer los diferentes paquetes estadísticos y
programario para el análisis de los datos
cuantitativos.
Saber cómo reportar los datos obtenidos
(resultados)

4. ?
Notas previas
• No confundir análisis de datos cuantitativo con metodología o paradigma
cuantitativo.
• Tener en mente las preguntas o hipótesis de investigación para elegir
correctamente la herramienta de análisis cuantitativo.
• Seguir ordenadamente los pasos del análisis:
• Tabular los datos y “limpiarlos”
• Analizarlos
• Presentar los resultados.
• La presentación de los datos se realiza según la normativa APA, usando
tablas, gráficos o figuras con sus títulos y unidades.
• No se debe confundir la presentación de resultados con la discusión de los
mismos, en investigación cuanti suelen ir en apartados separados.

5. 1. Cea d’Ancona, M.a Ángeles (1998). Metodología cuantitativa. Estrategias y
técnicas de investigación social. Madrid, Síntesis.
2. Hernández Sampieri, R., Fernández Collado, C. y Baptista Lucio, P. (2003)
Metodología de la investigación (3a ed.). México: McGraw-Hill.
3. McMillan, J. H., & Schumacher, S. (2005). In Posadas J. L. (Ed.),
Investigación educativa (5th ed.). Madrid: Pearson Education.
4. Cohen, L., Manion, L., & Morrison, K. (2007). Research Methods in
Education (6th ed.). London: Routledge.
Bibliografía recomendada:

6. Paradigmas de investigación Cuantitativa

7. Paradigmas de investigación Cuantitativa
Tipos de investigaciones
cuantitativas:
• Exploratorio
• Descriptivo
• Correlacional
• Explicativo
• Proyectivo (cambios debidos a
una intervención)
Cohen., Manion & Morrison (2007).

8. Básicos de la Investigación cuantitativa
Problema de investigación
Permitir al lector percibir el problema, tal como lo ve el investigador, sugerir las razones por la cuál es importante y
viable llevar a cabo la investigación. La redacción debe ser clara, precisa y consistente con los objetivos que se
persiguen, se deben identificar ya las VARIABLES.
Dar respuesta a las posibles inquietudes que surjan en el lector: ¿Cuál es el fenómeno, sujetos, situación o hecho que
se desea estudiar? ¿Cuáles son las características de ese fenómeno, sujeto situación o hecho que deseo estudiar?
¿Dónde, cómo y cuándo se manifiesta? ¿Cuáles son las razones por las que se manifiesta (aquí los estudios previos
nos apoyan)? ¿Qué pretende hacer en la investigación respecto al fenómeno, situación o hecho que desea estudiar?
¿Para qué lo hace?
El tema de interés debe estar perfectamente problematizado, explicando sus componentes y aspectos característicos
(analítica) que se abordaran en la investigación.
Las posturas, afirmaciones o juicios sobre el fenómeno deben estar respaldados por evidencia teórica y/o
empírica de dónde surgió la problematización presentada: Debe respaldar las causas y/o razones del
problema con citas; en este enfoque no hay cabidas a subjetividades, se parte de la teoría existente.
El problema debe delimitarse en espacio, tiempo y contexto, diferenciándolo de otros similares.
En la redacción deben dejarse rastros de la verificación empírica necesaria para el propósito de la investigación.
La relevancia de la investigación debe presentar de manera lógica y coherente, indicando su justificación bien sea
por ser una temática novedosa, porque se resuelve un problema de interés social, se elimina una laguna de
conocimiento, permite un desarrollo metodológico o un desarrollo teórico.

9. • Dependiente (VD): aquella variable que esperamos que varíe por el
efecto de la variable independiente.
• Independiente (VI): es la variable cuya manipulación o influencia
asociamos a las variaciones en la variable dependiente.
• Intervinientes: aquellas que están afectando la investigación pero no son
objeto de estudio de la misma (es importante tenerlas en cuenta).
Naturaleza de las variables:

10. • Cuantitativas:
• Discreta / Contínua (según tome finitos o infinitos inter-valores)
• Razón / Intervalo (Unidad de medida absoluta o relativa, pero con una
diferencia cuantitativa entre elementos) = edad, horas de estudio al día,
horas de sueño…
• Semicuantitativas:
• Ordinal (relación de orden) = Consumo diario de internet, Acuerdos o
percepciones (medido en mucho/algo/poco/nada).
• Cualitativas: Nominal (igualdad/desigualdad) = Género, País…
• Dicotómica (sí/no)
Naturaleza de las variables:

11. Diseños Cuantitativos
No experimentales (Ex-post-facto)
No buscan establecer, ni probar relaciones de causa-efecto entre las variables: se utilizan para
el acopio de datos y alcanzar los objetivos de investigación. Aleatorio o no. Es sistemático y
empírico, las variables independientes no se manipulan porque ya han sucedido.
Experimentales
se manipula la variable independiente para medir su efecto sobre la dependiente, apoyado en
el control de variables intervinientes. Pre-experimentos, Cuasi-experimentos.
Metaanálisis
Revisiones sistemáticas, objetivas y científicas, se desarrollan a través de una serie de etapas
claramente establecidas, muy similares a las de cualquier investigación empírica : a)
formulación del problema; b) búsqueda de la literatura; c) codificación de los estudios; d)
análisis estadístico e interpretación, y e) publicación.
Longitudinal/Transversal
De caso/ De población
De campo / Documental

12. Diseños Cuantitativos
Objetivos / Preguntas / Hipótesis

13. Diseños Cuantitativos
Objetivos / Preguntas / Hipótesis
Los objetivos deben ser redactados de tal manera que evidencien el propósito del
estudio (objetivo general) y los logros por fases (objetivos específicos) a alcanzar
en la investigación.
Exploratorio
Descriptivo
Correlacional
Explicativo
Proyectivos
Construir un objetivo general para uno de estos
tipos de I. Cuanti

14. Diseños Cuantitativos
Muestra
El tamaño de la muestra está determinado en cierta medida por el estilo de la investigación. Por ejemplo,
un estilo de encuesta generalmente requiere una muestra grande, particularmente si se van a calcular
estadísticas inferenciales. En la investigación etnográfica o cualitativa es más probable que el tamaño de
la muestra sea pequeño. El tamaño de la muestra también puede verse limitado por el costo, en
términos de tiempo, dinero, estrés, apoyo administrativo, cantidad de investigadores y recursos. Borg y
Gall (1979) sugieren que la investigación correlacional requiere un tamaño de muestra de no menos de
treinta casos, que las metodologías causales comparativas y experimentales requieren un tamaño de
muestra de no menos de quince casos, y que la investigación de la encuesta no debe tener menos de
100 casos en cada subgrupo mayor y veinticinco en cada subgrupo menor. una investigación que
involucre a todos los niños en una pequeña escuela primaria o primaria (hasta 100 estudiantes en total)
podría requerir que se incluya entre el 80% y el 100% de la escuela en la muestra, mientras que una
escuela secundaria grande de 1,200 los estudiantes pueden requerir una muestra del 25 por ciento de la
escuela para lograr la aleatoriedad. Como guía aproximada en una muestra aleatoria, cuanto más
grande es la muestra, mayor es la posibilidad de ser representativa.
Deben emitirse juicios sobre cuatro factores clave en el muestreo:
• El tamaño de la muestra
• Representatividad y parámetros de la muestra
• Acceso a la muestra
• La estrategia de muestreo que se utilizará

15. Resumen Investigaciones Cuantitativas
Vamos a leer:
Big Data (Clusters)
Asif, R., Merceron, A., Ali S.A. & N. G. Haider, N.G. (2017). Analyzing undergraduate
students' performance using educational data mining. Computers & Education, 113,
177-194.
Pre-post (mixed)
Keçeci, G. & Zengin, F.K. (2017). Observing the technological pedagogical and
content knowledge levels of science teacher candidates. Educational Research and
Reviews.
• Paradigma / Tipo de investigación
• Diseño
• Problema, Objetivo, preguntas o hipótesis
• Muestreo / tamaño de muestra

16. Cómo preparar la toma de datos
Identificar cada variable de nuestro estudio y recordar las relaciones que queremos medir:
Ejemplo:

17. Cómo organizar los datos obtenidos
Crear archivo excel o similar, organizar variables por tipología y valores
Ejemplo:

18. Cómo organizar los datos obtenidos
Recopilar los datos obtenidos de los instrumentos:
Preguntas:
• ¿Hemos recogido las medidas o datos correspondientes a cada variable?
• Política de protección de datos (aspectos éticos)
• Instrumentos construidos por mi o de terceros (fiabilidad, validez)
• Conocemos la naturaleza de los datos y sabemos qué variables miden.
• ¿Sabemos cuales de los datos no son válidos para analizar?
• Datos completos pertenecientes a nuestra muestra
• “Outliers” (valores atípicos)
• ¿Tenemos las herramientas necesarias para hacerlo?
• Programario libre (Jasp, pspp…)
• SPSS
• Excel o similar

19. Cómo organizar los datos obtenidos
Codificar cada variable en una columna excel o directamente en SPSS o similar
Ejemplo:

20. Cómo analizar y presentar los datos

21. Dónde publicar:
Temas típicos de Revistas Cuantitativas:
https://www.inderscience.com/jhome.php?jcode=ijqre

22. Análisis cuantitativo de datos:
Datos Demográficos o biodatos: el análisis que se puede hacer es
meramente descriptivo:
• Media y Desviación estándar (datos cuanti)
• Moda, mediana, cuartiles, percentiles, distribución (datos
ordinales)

23. Análisis cuantitativo de datos:
Y se puede representar de manera gráfica:
• Pie chart (v. nominales)
• Diagrama de cajas
• Diagrama de barras
• Histogramas (v. cuantitativas)

24. Relaciones entre variables:
Análisis comparativosAnálisis asociativos
Determinar si hay una diferencia significativa
entre las medias o distribuciones de dos o más grupos
Determinar si hay una correlación significativa
entre las medias o distribuciones de dos o más muestras
0
10
20
30
40
0-24% females 25-49% females 50-74% females 75-100% females
Number of teams Average Project Average Robot Design
Average Core Values

25. Análisis asociativo o correlacional :
Nos permite estudiar si hay algún tipo de relación significativa, su signo
y magnitud. No se deduce VI / VD (no sé si es causa efecto)
Según el tipo de variables (nominal / ordinal / continua)
Ordinal /
nominal
Ordinal /
nominal
Continua
Ordinal /
nominal
R de Pearson
(paramétrica, necesita una correlación lineal)
Rho de Spearman
Tau de Kendall (no parametricas)
Continua
Continua

26. Análisis de correlaciones:
Comprender y presentar los datos
Correlación
Negativa
Significativa
p<0.01

27. Análisis Comparativo (se supone una VI aplicada, se mide VD):
¿Nuestros datos siguen los 3 supuestos clásicos?
Normalidad
Homogeneidad
Independencia
t-test (1 o 2 grupos)
Análisis de la Varianza (3 o más grupos)
Wilcoxon, Mann-Whitney (1 o 2 grupos, relacionados /
independientes)
Kruskall-Wallis, Friedman (3 o más grupos, relacionados /
independientes)
Paramétrico
No Paramétrico

28. Análisis Comparativo:
Ejemplos (en SPSS)

29. Análisis multivariable
(Excepto EFA y Clusters, se necesita programario especial)
Análisis Factorial (EFA, CFA)
Regresión múltiple
Clusters o conglomerados
SEM…

30. A nivel cuantitativo, se debe estudiar la fiabilidad de constructo o validez interna y su
estabilidad:
TRN:
Dos mitades
Alfa de Cronbach
Test-retest / Pearson (formas paralelas)
TRC:
Livingston, (requieren 1 aplicación del test)
Kappa de Cohen, Livngston… (requieren 2 aplicaciones del test)
Análisis de Validez y Fiabilidad de un Instrumento:

31. Relaciones entre variables: Análisis comparativos o asociativos
Imagen: http://datanalisis.wikidot.com/estadistica