Predicción, experimentación y cuasiexperimentación

Objetivo didáctico

La Lección 6 terminó con una exigencia: antes de utilizar lenguaje causal debes analizar asociación, temporalidad y explicaciones rivales. Esta sesión introduce diseños que intentan avanzar un paso más y responder directamente una pregunta contrafactual: ¿qué habría ocurrido con las mismas unidades si hubieran estado bajo una condición diferente?

Ese resultado alternativo no puede observarse simultáneamente para la misma persona. Por eso la investigación causal construye grupos o secuencias capaces de aproximarse a ese contraste mediante diseño.

Introducción

La palabra predicción puede prestarse a confusión porque también aparece en modelos explicativos. Noetel et al. (2023) distinguen dos objetivos: los modelos explicativos buscan comprender procesos o mecanismos, mientras los predictivos priorizan el desempeño ante datos que no fueron utilizados para construir el modelo.

Por ello, un modelo que se ajusta extraordinariamente bien a los datos con los que fue desarrollado puede fallar cuando encuentra estudiantes nuevos. Este problema se denomina sobreajuste. Las estrategias predictivas suelen separar datos destinados a desarrollar el modelo de datos reservados para examinar si realmente generaliza.

La experimentación persigue una finalidad distinta. Su objetivo central es estimar qué ocurre cuando el investigador introduce deliberadamente una condición y compara los resultados con aquello que habría sucedido bajo otra condición. Creswell y Guetterman (2025) mantienen los diseños experimentales como una familia específica de investigación educativa, separada de los diseños correlacionales.

La cuasiexperimentación busca también estimar efectos de intervenciones, pero trabaja sin asignación aleatoria plena. Por ello necesita construir mediante diseño una comparación que reduzca explicaciones rivales de manera suficientemente defendible.

Desarrollo del tema

Predicción: anticipar un resultado no equivale a explicar su causa

Una pregunta predictiva puede expresarse así: ¿qué tan bien podemos anticipar un resultado futuro o desconocido utilizando información disponible? El interés principal se desplaza desde el significado causal de cada variable hacia el rendimiento del modelo cuando se aplica a observaciones distintas de aquellas con las que fue construido.

Noetel et al. (2023) muestran esta diferencia dentro de la psicología educativa. Los autores señalan que explicación y predicción son objetivos científicos complementarios, pero requieren hábitos analíticos distintos. Un modelo explicativo puede ajustarse adecuadamente al conjunto original y aun así tener poca capacidad para predecir datos nuevos.

Por ello, una práctica característica consiste en separar datos de entrenamiento y datos de prueba, o utilizar procedimientos de validación cruzada. La lógica es sencilla: el modelo no debe evaluarse únicamente con los casos cuyos patrones ya utilizó para construirse.

En investigación educativa, un modelo podría predecir qué estudiantes tienen mayor probabilidad de interrupción utilizando trayectorias previas, actividad académica u otras características. Esa información puede ser útil para organizar apoyos. Sin embargo, el hecho de que una variable mejore la predicción no demuestra que intervenir directamente sobre ella produzca el resultado deseado.

Aplicación a tu fenómeno: identifica un resultado que tendría valor anticipar. Después separa dos preguntas: «¿qué información ayudaría a predecirlo?» y «¿qué condición modificable podría producir un cambio?». Si tus respuestas son idénticas sin mayor análisis, revisa la diferencia entre predictor y causa.

Experimento: construir una comparación mediante asignación aleatoria

En un experimento, el investigador introduce deliberadamente una intervención y compara resultados entre condiciones. La característica que fortalece especialmente la inferencia causal es la asignación aleatoria de las unidades a las condiciones cuando esta se ejecuta adecuadamente.

La asignación aleatoria no debe confundirse con el muestreo aleatorio. El muestreo busca seleccionar unidades desde una población y se relaciona con generalización. La asignación distribuye unidades ya incorporadas al estudio entre condiciones y se relaciona principalmente con la comparabilidad causal de los grupos.

La lógica experimental intenta que, antes de la intervención, las diferencias sistemáticas entre grupos no estén determinadas por una selección de participantes hacia una condición. Esto permite atribuir con mayor fundamento una diferencia posterior a la intervención, siempre que otras amenazas se encuentren suficientemente controladas.

El What Works Clearinghouse del Institute of Education Sciences considera en sus estándares actuales que un ensayo controlado aleatorizado utiliza asignación aleatoria a las condiciones antes de que comience la intervención. El diseño sigue necesitando atender pérdida de participantes, contaminación, medición e implementación; la aleatorización no convierte cualquier ejecución deficiente en evidencia causal sólida.

Aplicación a tu fenómeno: identifica una condición que hipotéticamente pudiera manipularse. Define una intervención y una comparación. Después analiza si la asignación aleatoria sería práctica, ética y compatible con la forma en que realmente funciona tu contexto educativo.

Cuasiexperimento: estimar efectos cuando la asignación aleatoria no es posible

En muchos contextos educativos el investigador no puede asignar estudiantes, docentes o escuelas al azar. Una política puede implementarse en una región pero no en otra; una institución puede introducir una reforma para una cohorte completa; o una intervención puede haberse adoptado antes de que el investigador iniciara el estudio.

Un diseño cuasiexperimental intenta construir una comparación causal sin asignación aleatoria. El problema metodológico consiste entonces en demostrar que la diferencia posterior no puede explicarse razonablemente solo por la manera en que se formaron los grupos.

Los estándares del What Works Clearinghouse distinguen explícitamente los ensayos aleatorizados de los diseños cuasiexperimentales: en estos últimos la asignación a las condiciones ocurre mediante mecanismos distintos de la aleatorización. Por esa razón adquieren especial importancia la comparabilidad inicial, las mediciones previas y el análisis de diferencias preexistentes.

Entre las estrategias posibles se encuentran grupos de comparación no equivalentes y series temporales interrumpidas. No son equivalentes entre sí ni resuelven las mismas amenazas. Una serie temporal, por ejemplo, busca determinar si después de una intervención aparece un cambio respecto de la trayectoria previa; todavía debe analizarse si otro acontecimiento ocurrido en el mismo momento ofrece una explicación alternativa.

Aplicación a tu fenómeno: identifica una intervención o política que pudiera existir sin que tú controles su asignación. Propón una unidad de comparación y enumera qué diferencias anteriores a la intervención tendrías que documentar para que la comparación comenzara a ser defendible.

Amenazas al efecto: un buen nombre de diseño no salva una ejecución débil

Clasificar un estudio como experimental o cuasiexperimental no determina automáticamente la fuerza de su evidencia. La inferencia depende de cómo se implementa realmente el diseño.

La atrición aparece cuando algunas unidades dejan de aportar datos y esa pérdida puede diferir entre condiciones. La contaminación ocurre cuando las condiciones dejan de ser suficientemente distintas: participantes del grupo de comparación reciben componentes de la intervención o los actores comparten prácticas entre grupos.

La fidelidad de implementación también es crítica. Si una intervención fue diseñada para incluir asesoría semanal, formación de tutores y retroalimentación estructurada, pero cada sede implementó una versión diferente, la expresión «recibió la intervención» puede ocultar experiencias sustancialmente distintas.

En diseños sin aleatorización adquieren además especial relevancia selección, historia y tendencias previas. Un cambio observado después de una intervención puede coincidir con una reforma curricular, una modificación del ingreso, una crisis externa o cualquier otro acontecimiento capaz de modificar el resultado.

Aplicación a tu fenómeno: selecciona una intervención posible y realiza un análisis adversarial: identifica una amenaza de selección, una de implementación y una de pérdida de datos que podrían producir una conclusión engañosa incluso si el análisis estadístico estuviera correctamente ejecutado.

La decisión metodológica: predecir, intervenir o reconocer que todavía no puedes hacerlo

La decisión más madura no consiste en seleccionar el diseño metodológicamente más sofisticado. Consiste en identificar qué pregunta necesitas responder y qué condiciones reales permiten responderla.

Si el objetivo es anticipar riesgo para organizar apoyos, un modelo predictivo puede ser pertinente. Su calidad deberá examinarse con información no utilizada para entrenarlo y bajo condiciones suficientemente semejantes a aquellas en las que se pretende utilizar.

Si deseas estimar el efecto de una intervención y puedes asignar unidades de manera ética y operativamente viable, un experimento puede proporcionar una comparación fuerte. Si la intervención ya existe o las condiciones no pueden asignarse aleatoriamente, un cuasiexperimento puede ser más realista, pero exige mayor atención a selección y tendencias previas.

También existe una cuarta posibilidad metodológicamente legítima: reconocer que la pregunta causal no puede responderse con los datos y condiciones disponibles. Cambiar «efecto de» por «relación con» puede ser una mejora científica cuando el diseño no permite sostener causalidad.

Tabla 1: Contraste entre predicción, experimento y cuasiexperimento.

Aplicación a tu fenómeno: clasifica tu pregunta provisional en una de cuatro situaciones: predicción, efecto experimental posible, efecto cuasiexperimental posible o causalidad actualmente no defendible. Escribe qué dato o condición del contexto te llevó a esa clasificación.

Conclusión

Predicción y causalidad no son grados de una misma operación. Un modelo predictivo busca anticipar resultados y debe demostrar que funciona fuera de los datos con los que fue construido. Un experimento intenta estimar el efecto de una intervención mediante una comparación fortalecida por asignación aleatoria. Un cuasiexperimento persigue una pregunta causal semejante, pero necesita compensar mediante diseño la ausencia de esa asignación.

La experimentación tampoco constituye una jerarquía en la que todo estudio doctoral deba terminar. En educación existen problemas que no pueden manipularse de forma ética, condiciones que ya ocurrieron y fenómenos cuya comprensión exige estrategias diferentes.

La decisión metodológica rigurosa consiste en mantener alineados problema, pregunta, intervención, comparación, temporalidad, amenazas y alcance de la inferencia.

La siguiente sesión cambia la exigencia cognitiva de manera importante. Dejarás de preguntar únicamente qué diseño podría utilizarse y comenzarás a evaluar la congruencia entre problema, evidencia, lógica cuantitativa o cualitativa y diseño. Esa transición abre la etapa final de la asignatura.

Actividad de aprendizaje autónoma

Prueba de factibilidad causal y predictiva de mi anteproyecto.

Recupera la relación explicativa que construiste en la Lección 6. Ahora debes descomponerla para determinar si tu problema admite una estrategia predictiva, experimental, cuasiexperimental o si todavía requiere una formulación causal más prudente.

1. Escribe el resultado de interés. Formula con precisión qué acontecimiento, cambio o condición quieres anticipar o modificar.
2. Formula una pregunta predictiva sobre ese resultado e identifica qué información estaría disponible antes de que ocurra.
3. Formula una pregunta causal sobre el mismo fenómeno indicando qué condición tendría que modificarse.
4. Analiza la posibilidad experimental. Define intervención, condición de comparación y unidad de asignación. Indica si una asignación aleatoria sería ética y operativamente posible.
5. Analiza la alternativa cuasiexperimental. Si no puedes aleatorizar, identifica un grupo, cohorte, periodo o secuencia que pudiera funcionar como comparación.
6. Identifica amenazas. Documenta al menos una amenaza de selección, una de historia o cambio concurrente, una de implementación y una de pérdida de información.
7. Compara predicción y causalidad. Explica qué conocimiento produciría cada estrategia y qué decisión permitiría tomar.
8. Clasifica tu situación actual como: predictiva viable, experimental potencial, cuasiexperimental potencial o causalidad todavía no defendible.
9. Reformula tu pregunta provisional para que el verbo utilizado coincida con la fuerza real del diseño que puedes imaginar en tu contexto.

Producto acumulativo: octava entrada del Cuaderno de preconfiguración del anteproyecto doctoral: Prueba de factibilidad causal y predictiva de mi anteproyecto.

Referencias bibliográficas

• Creswell, J. W., & Guetterman, T. C. (2025). Educational research: Planning, conducting, and evaluating quantitative and qualitative research (7th ed.). Pearson.
• Institute of Education Sciences. (2022). What Works Clearinghouse procedures and standards handbook, version 5.0. U.S. Department of Education.
• Johnson, R. B., & Christensen, L. B. (2024). Educational research: Quantitative, qualitative, and mixed approaches (8th ed.). SAGE Publications.
• Noetel, M., Parker, P., Dicke, T., Beauchamp, M. R., Ntoumanis, N., Hulteen, R. M., Diezmann, C., Yeung, A., Ahmadi, A., Vasconcellos, D., Mahoney, J., Datta, P., Doidge, S., & Lonsdale, C. (2023). Prediction versus explanation in educational psychology: A cross-theoretical approach to using teacher behaviour to predict student engagement in physical education. Educational Psychology Review, 35(3), Article 73.