Métodos explicativos: asociación, causalidad y temporalidad

Objetivo didáctico

En la Lección 5 aprendiste que una comparación no demuestra automáticamente causalidad. Ahora esa advertencia se convierte en el centro del trabajo. La pregunta ya no es solamente qué diferencia existe, sino qué evidencia necesitarías para explicar por qué existe.

Este cambio es importante porque las tesis doctorales suelen utilizar verbos como influir, impactar, determinar, provocar o generar antes de haber construido un diseño que permita defenderlos. El lenguaje causal constituye una afirmación metodológica, no únicamente una elección de estilo.

Introducción

Johnson y Christensen (2024) distinguen dentro de la investigación cuantitativa no experimental objetivos descriptivos, predictivos y explicativos, y además diferencian diseños transversales, longitudinales y retrospectivos. También plantean que una afirmación causal exige analizar condiciones específicas y mecanismos de control aun cuando no exista manipulación experimental.

Creswell y Guetterman (2025) presentan los diseños correlacionales como una familia propia dentro de la investigación educativa. Esto es metodológicamente relevante: una correlación permite analizar el grado y dirección de una relación entre variables, pero la presencia de una relación no resuelve por sí misma qué variable precede a cuál, si una tercera variable participa o si la relación es espuria.

La explicación requiere construir una cadena argumentativa más exigente. Como mínimo, necesitamos examinar si existe una relación, si la supuesta causa ocurre antes que el efecto y si existen explicaciones alternativas capaces de producir el patrón observado.

Desarrollo del tema

Estudio de caso: explicar dentro de una configuración situada

Un estudio de caso examina de manera intensiva un caso delimitado dentro de su contexto. Ese caso puede ser una institución, un programa, una comunidad, una política, un proceso o alguna otra unidad claramente acotada. Yin (2018) plantea el estudio de caso como una estrategia apropiada cuando interesa comprender fenómenos contemporáneos en profundidad y cuando la frontera entre fenómeno y contexto no puede tratarse como completamente independiente.

La profundidad del caso permite trabajar con múltiples fuentes de evidencia: documentos, entrevistas, observaciones, registros administrativos, artefactos y otras fuentes relevantes. Sin embargo, tener muchas fuentes no convierte automáticamente un estudio en explicativo. La explicación surge cuando las evidencias se articulan para analizar cómo y por qué se configura determinado resultado.

Supongamos que una universidad logra reducir considerablemente la interrupción doctoral después de modificar su sistema de acompañamiento. Un estudio de caso podría reconstruir la secuencia institucional, decisiones, prácticas, respuestas de estudiantes y condiciones contextuales para comprender cómo se produjo el cambio.

El riesgo consiste en atribuir todo resultado observado dentro del caso a la intervención que más interesa al investigador. El contexto también puede haber cambiado. La explicación necesita contrastar hipótesis alternativas y buscar evidencia incompatible con la interpretación preferida.

Aplicación a tu fenómeno: identifica si existe un caso cuya configuración permita comprender tu problema con profundidad. Delimítalo y escribe dos explicaciones alternativas que tendrías que buscar deliberadamente si quisieras sostener una explicación sobre él.

Correlación: reconocer una relación sin convertirla en causa

Los estudios correlacionales analizan relaciones entre variables sin manipularlas experimentalmente. La correlación informa si dos variables tienden a variar conjuntamente y puede expresarse mediante una dirección y una magnitud. También pueden desarrollarse modelos que relacionen varias variables o que utilicen unas para predecir otras.

Pero una relación estadística admite múltiples explicaciones. Si estrés académico y abandono están asociados, al menos tres posibilidades iniciales deben considerarse: el estrés podría participar en el abandono; la proximidad del abandono podría incrementar el estrés; o una tercera condición podría influir sobre ambos.

Este último problema se conoce habitualmente como confusión: una variable adicional se relaciona con la exposición y con el resultado de tal manera que puede producir o distorsionar la asociación observada.

La investigación correlacional resulta especialmente valiosa cuando la manipulación es imposible, poco ética o prematura. Permite detectar patrones, construir predicciones y desarrollar explicaciones plausibles que posteriormente deberán someterse a mayores controles.

Aplicación a tu fenómeno: selecciona dos propiedades de tu problema cuya asociación sería relevante. Después identifica al menos tres variables adicionales capaces de producir una relación aparente o de modificar su interpretación.

Comparativo-causal: estudiar diferencias que ya existen

Los diseños tradicionalmente denominados causal-comparativos o ex post facto examinan grupos que ya difieren en alguna característica o condición y analizan si también difieren en determinados resultados. El investigador no crea deliberadamente esas condiciones.

Por ejemplo, podrían compararse trayectorias de estudiantes que ingresaron con experiencia previa de investigación y quienes no la tenían. La condición existe antes del estudio; no sería razonable asignar experimentalmente a una persona a «haber tenido» o «no haber tenido» una experiencia pasada.

El desafío aparece porque los grupos pueden diferir también en otras características. Experiencia investigativa previa podría relacionarse con edad, formación académica, tipo de institución de procedencia, dominio de herramientas metodológicas o disponibilidad de tiempo.

Por ello, la palabra causal en la denominación histórica no debe interpretarse como permiso automático para afirmar causalidad. El diseño puede contribuir a una explicación, pero necesita identificar y controlar conceptualmente —y cuando sea posible analíticamente— explicaciones rivales.

Aplicación a tu fenómeno: identifica dos grupos que ya difieran en una característica relevante. Pregúntate después qué otras diferencias pudieron participar en la formación de esos grupos antes de que comenzaras a investigarlos.

Longitudinalidad: introducir el tiempo dentro de la explicación

Una medición transversal captura información en un punto o periodo delimitado. Puede mostrar que dos características coexisten, pero suele tener dificultades para determinar cuál precedió a cuál. Los diseños longitudinales incorporan observaciones en distintos momentos y permiten analizar estabilidad, cambio y secuencia temporal.

La temporalidad es indispensable para una afirmación causal: una causa propuesta debe anteceder al efecto que pretende explicar. Esto parece evidente, pero puede volverse ambiguo. Si ansiedad y bajo desempeño se miden simultáneamente, no sabemos si la ansiedad contribuyó al desempeño, si el desempeño incrementó la ansiedad o si ambos procesos se retroalimentaron.

Seguir a los mismos estudiantes durante su trayectoria permite observar cómo cambian determinadas características. También pueden utilizarse diseños con cohortes o registros históricos, dependiendo de la pregunta y las fuentes disponibles.

Sin embargo, longitudinal no significa automáticamente causal. El paso del tiempo también introduce problemas: abandono de participantes, cambios institucionales, acontecimientos externos y nuevas variables que pueden modificar la trayectoria.

Aplicación a tu fenómeno: dibuja mentalmente su secuencia. ¿Qué condición debe observarse antes? ¿Cuál después? ¿Qué acontecimiento intermedio podría modificar la relación? Si tu pregunta no puede ordenarse temporalmente, revisa con cuidado cualquier verbo causal que estés utilizando.

Explicación causal: qué tendría que ser cierto para defenderla

Una explicación causal intenta sostener que cambios en una condición participan en la producción de cambios en otra. En investigación educativa esto es difícil porque los fenómenos se desarrollan dentro de sistemas abiertos: personas, instituciones y políticas interactúan simultáneamente.

Una manera útil de analizar una afirmación causal es exigir tres controles conceptuales: covariación, precedencia temporal y reducción de explicaciones alternativas. Johnson y Christensen (2024) utilizan precisamente la causalidad como una dimensión explícita para evaluar investigación no experimental y señalan que este tipo de diseños puede aportar evidencia probabilística, aunque la inferencia requiere controles adicionales.

Estos controles no funcionan como una máquina que produce certeza. Obligan al investigador a mostrar por qué una explicación es más defendible que sus alternativas.

Considera la afirmación: «La supervisión frecuente mejora el avance de tesis». Antes de sostenerla, tendrías que preguntar: ¿supervisión y avance realmente covarían?, ¿la supervisión antecedió al avance?, ¿los estudiantes que reciben más supervisión ya eran distintos?, ¿los asesores seleccionan a quién supervisar con mayor frecuencia?, ¿existe un tercer factor como dedicación temporal, beca o integración académica?

Además, una causa educativa rara vez opera aisladamente. Puede depender de condiciones específicas. La misma práctica de tutoría podría producir efectos distintos según el tamaño del programa, preparación de los asesores, recursos disponibles o características del estudiantado.

Por eso el nivel doctoral exige abandonar afirmaciones monocausales cuando la evidencia no las justifica y comenzar a pensar en configuraciones, mecanismos y condiciones.

Tabla 1: Qué permite y qué no permite concluir cada estrategia.

Conclusión

Explicar un fenómeno educativo requiere más que describirlo o encontrar una diferencia. Un estudio de caso puede reconstruir procesos y configuraciones; una correlación permite identificar relaciones; una comparación causal trabaja con diferencias preexistentes; y un diseño longitudinal introduce secuencia y cambio.

Ninguna de estas estrategias produce causalidad automáticamente. Cada una elimina algunas incertidumbres y deja otras abiertas. El análisis doctoral consiste precisamente en reconocer qué incertidumbre permanece.

Tu preconfiguración debe comenzar ahora a mostrar una arquitectura explicativa: condición propuesta → relación esperada → secuencia temporal → explicaciones alternativas → evidencia necesaria → alcance de la afirmación.

La siguiente lección elevará nuevamente la exigencia: trabajarás con predicción, experimentación y cuasiexperimentación, donde deberás distinguir la capacidad de anticipar resultados de la capacidad de estimar efectos de una intervención.

Actividad de aprendizaje autónoma

Mapa de explicaciones rivales de mi fenómeno educativo.

Recupera la relación más importante que actualmente planteas dentro de tu situación problemática. Esta semana dejarás de tratarla como una explicación evidente y la someterás a análisis.

1. Formula una relación provisional entre dos condiciones de tu problema sin utilizar todavía lenguaje causal.
2. Construye una hipótesis causal provisional: indica qué condición supones que podría participar en la producción de otra.
3. Analiza la temporalidad. Señala cuál tendría que ocurrir primero y qué evidencia permitiría demostrar esa secuencia.
4. Construye al menos tres explicaciones rivales. Incluye una posible causalidad inversa y al menos una tercera variable.
5. Evalúa un diseño correlacional. Explica qué relación podría mostrar y qué duda causal permanecería.
6. Evalúa un diseño comparativo-causal. Propón dos grupos preexistentes y señala qué diferencias previas podrían confundir la comparación.
7. Evalúa una estrategia longitudinal. Propón al menos tres momentos de observación y explica qué secuencia podría revelar.
8. Considera la posibilidad de un estudio de caso. Identifica qué caso permitiría reconstruir mecanismos, contexto y explicaciones alternativas con mayor profundidad.
9. Reescribe tu afirmación inicial. Utiliza únicamente el nivel de causalidad que realmente podrías defender con la evidencia que actualmente imaginas obtener.

Producto acumulativo: séptima entrada del Cuaderno de preconfiguración del anteproyecto doctoral: Mapa de explicaciones rivales de mi fenómeno educativo.

Referencias bibliográficas

• Creswell, J. W., & Guetterman, T. C. (2025). Educational research: Planning, conducting, and evaluating quantitative and qualitative research (7th ed.). Pearson.
• Johnson, R. B., & Christensen, L. B. (2024). Educational research: Quantitative, qualitative, and mixed approaches (8th ed.). SAGE Publications.
• Yin, R. K. (2018). Case study research and applications: Design and methods (6th ed.). SAGE Publications.