Hipótesis y variables

Objetivo didáctico

Introducción

Una hipótesis es una proposición anticipada acerca de una relación o diferencia susceptible de ser confrontada con evidencia. Su valor científico no radica en que resulte confirmada, sino en que obliga al investigador a hacer explícitas expectativas que de otro modo podrían permanecer ocultas hasta observar los resultados.

Sin embargo, no todo problema de investigación requiere hipótesis. Cuando la finalidad principal consiste en reconstruir significados, descubrir categorías, comprender procesos todavía insuficientemente conceptualizados o desarrollar teoría a partir del campo, imponer una predicción cerrada puede restringir prematuramente aquello que la investigación necesita comprender.

En los diseños cuantitativos, las hipótesis pueden convertir argumentos teóricos en expectativas acerca de relaciones entre variables. Creswell y Creswell distinguen preguntas e hipótesis cuantitativas de las preguntas cualitativas y plantean que la forma de la pregunta debe corresponder al enfoque y al diseño seleccionado. En estudios mixtos pueden coexistir preguntas e hipótesis cuantitativas con preguntas cualitativas, siempre que cada componente tenga una función explícita.

La segunda dificultad aparece después de decidir que una hipótesis es pertinente. Conceptos como autonomía, inclusión, aprendizaje profundo, agencia, liderazgo, compromiso o innovación no se convierten automáticamente en variables porque se les asigne una escala. Entre el concepto teórico y el número observado existe una cadena de decisiones que debe ser argumentada.

Esta lección trabaja esa cadena completa: teoría → constructo → hipótesis o pregunta → variable o categoría → indicador → evidencia → análisis → inferencia.

Desarrollo del tema

Cuándo formular una hipótesis y cuándo no hacerlo

La hipótesis es metodológicamente pertinente cuando el proyecto dispone de una fundamentación suficiente para anticipar una relación que merece ser sometida a contraste. Esa fundamentación puede derivarse de teoría, resultados previos, modelos conceptuales o una combinación argumentada de ellos. La hipótesis no debería aparecer únicamente porque el formato institucional contenga un apartado denominado “hipótesis”.

Una pregunta como “¿qué relación existe entre la retroalimentación percibida como controladora y la autonomía académica?” puede transformarse en una hipótesis si existe fundamentación para anticipar dirección, diferencia o patrón. En cambio, si el proyecto busca comprender cómo los doctorandos construyen el significado de autonomía dentro de relaciones de supervisión diversas, una hipótesis cuantificada puede definir demasiado pronto aquello que debe emerger del análisis.

Conviene diferenciar además la hipótesis sustantiva de la hipótesis estadística. La primera expresa una expectativa teóricamente significativa acerca del fenómeno. La segunda traduce determinados aspectos de esa expectativa a parámetros o distribuciones que serán sometidos a procedimientos estadísticos. Una prueba de hipótesis estadística no sustituye la teoría ni establece por sí misma la importancia sustantiva del resultado.

La hipótesis también debe establecer qué tipo de relación propone. Una asociación no implica necesariamente causalidad. Una diferencia entre grupos tampoco demuestra que la pertenencia al grupo produzca la diferencia. Cuanto más fuerte sea el lenguaje de la hipótesis, mayores serán las exigencias del diseño que deberá sostenerla.

Aplicación. Formula la pregunta principal de tu proyecto y escribe debajo una hipótesis plausible. Después intenta justificarla exclusivamente mediante teoría y evidencia previa. Si para formularla necesitas inventar una relación que todavía no está conceptualmente sostenida, conserva la pregunta abierta y explica por qué.

Constructo, variable, indicador y operación de medición

Antes de hablar de variables es necesario distinguir niveles conceptuales. Un constructo es una entidad teórica elaborada para representar propiedades, procesos o relaciones que no siempre son directamente observables. Una variable representa diferencias o cambios posibles en una característica bajo determinadas reglas. Un indicador es una manifestación o registro utilizado para producir evidencia acerca de esa variable o constructo.

La operacionalización conecta esos niveles. No equivale a sustituir un concepto por cualquier dato disponible. Implica justificar mediante qué procedimiento determinado registro funcionará como evidencia del atributo que interesa estudiar.

Supongamos que el proyecto trabaja con “autonomía investigativa”. El constructo podría involucrar capacidad para formular decisiones, justificar criterios, reconocer límites y sostener posiciones frente a crítica. Una variable podría representar algún aspecto definido de esa autonomía. Los indicadores podrían provenir de respuestas a determinados ítems, decisiones observadas, análisis de productos académicos u otras fuentes, dependiendo de la teoría y del diseño.

El investigador debe evitar la falacia de reificación de la medida: tratar la puntuación observada como si fuera idéntica al constructo. Borsboom, Mellenbergh y Van Heerden han mostrado que la relación entre atributos teóricos y resultados de medición plantea problemas ontológicos y causales propios; medir un constructo exige defender por qué las variaciones observadas informan realmente acerca de aquello que se pretende representar.

Aplicación. Selecciona el constructo más importante de tu proyecto y construye al menos dos operacionalizaciones alternativas. Compara qué dimensión captura cada una, qué deja fuera y qué inferencias serían distintas si eligieras una u otra.

Las variables tienen funciones distintas dentro de una arquitectura causal

Las etiquetas “variable independiente” y “variable dependiente” resultan útiles en determinados diseños, pero pueden ser insuficientes para representar relaciones complejas. En problemas explicativos o causales conviene especificar qué función conceptual cumple cada variable.

Una variable puede representar la exposición o condición cuyo efecto interesa estudiar; otra puede funcionar como resultado; una tercera puede actuar como confusora si forma parte de una estructura que produce una asociación no atribuible al efecto de interés; otra puede constituir un mediador que participa en la trayectoria mediante la cual ocurre un efecto; y determinadas variables pueden funcionar como colisionadores, cuya inclusión inapropiada en el ajuste puede introducir asociaciones espurias.

La implicación es importante: no debe “controlarse todo lo disponible” de manera automática. La elección de variables para ajuste requiere una teoría causal previa acerca de sus relaciones. Los diagramas causales dirigidos permiten representar gráficamente esas hipótesis y hacer visibles supuestos que de otro modo quedarían escondidos dentro del modelo estadístico.

En educación, esta distinción puede modificar decisiones sustantivas. Si se analiza la relación entre modalidad de enseñanza y resultado de aprendizaje, la motivación previa podría ocupar una función distinta de la participación ocurrida durante la intervención. Ajustar indiscriminadamente ambas variables podría cambiar la pregunta causal que efectivamente se está estimando.

Aplicación. Si tu proyecto plantea una relación causal, dibuja antes de analizar datos las variables que consideras causas, resultados, antecedentes y mecanismos. Explica verbalmente cada flecha. Elimina cualquier flecha para la que no puedas formular un argumento teórico o temporal.

Validez de la medición: una puntuación no se valida por decreto

Una operacionalización adquiere sentido únicamente cuando existe un argumento que vincula el registro observado con el constructo. Este problema resulta especialmente importante en educación porque muchos objetos de interés son constructos complejos: motivación, autorregulación, agencia, clima escolar, pensamiento crítico, inclusión o identidad.

Una medida puede ser muy consistente y, sin embargo, representar deficientemente el constructo. La confiabilidad es una propiedad importante del proceso de medición, pero no basta para demostrar que el atributo medido es aquel que el investigador afirma estudiar.

La validez de constructo exige trabajar con teoría. El indicador debería comportarse de maneras compatibles con la red de relaciones que define al constructo y distinguirse de otros atributos próximos cuando la teoría afirma que son diferentes.

El problema también aparece cuando un constructo multidimensional se reduce a un único indicador conveniente. Por ejemplo, equiparar “calidad de enseñanza” con puntuación de satisfacción estudiantil produce una decisión conceptual fuerte: transforma una fuente específica de percepción en representación global de un fenómeno mucho más amplio. La investigación debería justificar esa decisión o reducir el alcance del constructo que afirma medir.

Aplicación. Elige la medida principal que actualmente planeas utilizar y redacta dos columnas: “lo que esta medida permite interpretar” y “lo que esta medida no permite concluir”. Si la segunda columna permanece vacía, vuelve a revisar la conceptualización.

Cuando variables e hipótesis no son la arquitectura adecuada

El rigor metodológico no consiste en convertir todo fenómeno en variables. Algunas preguntas requieren comprender categorías, significados, mecanismos, secuencias, prácticas, discursos, experiencias o configuraciones que todavía no deberían ser reducidas a atributos predefinidos.

En estos casos, el proyecto puede trabajar con conceptos orientadores o categorías iniciales derivadas de la literatura, pero mantener abierta la posibilidad de modificarlas durante el análisis. Esto es distinto de declarar anticipadamente una variable con valores y reglas fijas de medición.

Por ejemplo, un estudio que pregunta cómo docentes construyen la noción de “uso legítimo de inteligencia artificial” en evaluación podría comenzar con categorías conceptuales provenientes de integridad, autoría y delegación cognitiva, pero necesitar permitir que emerjan distinciones que no estaban contenidas en ese marco inicial.

Los diseños mixtos plantean otra posibilidad. Una fase puede contrastar relaciones entre variables y otra reconstruir procesos o significados que permitan interpretar dichas relaciones. El valor de la combinación no radica en acumular datos cuantitativos y cualitativos, sino en especificar qué pregunta responde cada componente y dónde ocurre su integración.

Aplicación. Clasifica tu proyecto actual como arquitectura de hipótesis y variables, arquitectura de preguntas y categorías o arquitectura mixta. Después escribe el argumento más fuerte para utilizar una de las otras dos. Tu decisión final deberá responder a esa objeción.

Conclusión

Las hipótesis constituyen compromisos teóricos anticipados, no requisitos burocráticos. Deben formularse cuando existe suficiente fundamento para anticipar relaciones o diferencias susceptibles de contraste. Cuando el propósito consiste todavía en comprender cómo se configura un fenómeno, imponer una predicción puede reducir prematuramente el espacio de descubrimiento.

Cuando el proyecto sí trabaja con variables, el rigor comienza antes del análisis estadístico. El doctorando debe demostrar cómo pasa del constructo a una representación empírica y qué información se pierde en esa traducción. Una puntuación no se convierte en el constructo simplemente porque lleve su nombre.

Las variables también ocupan posiciones distintas dentro de la arquitectura explicativa. En preguntas causales, distinguir exposición, resultado, confusión y mediación puede cambiar radicalmente qué debe medirse y qué debe ajustarse. El modelo estadístico debe venir después de la arquitectura causal y no utilizarse para inventarla retrospectivamente.

Finalmente, la elección entre variables, categorías o una combinación de ambas debe derivarse del problema epistemológico construido en la lección anterior. Esa coherencia vertical evita que un proyecto declare una perspectiva interpretativa y después reduzca todo el fenómeno a puntuaciones sin justificar la transición, o que plantee una hipótesis causal con un diseño incapaz de sostener atribución.

La siguiente lección abordará una decisión que depende directamente de estas definiciones: universo, muestra y muestreo. Allí la pregunta dejará de ser únicamente qué variables o categorías existen y pasará a ser sobre qué unidades, casos o participantes es necesario producir evidencia para sostener el alcance inferencial previsto.

Actividad de aprendizaje autónoma

Arquitectura de hipótesis, variables y categorías del proyecto

Construye la arquitectura conceptual y empírica que utilizará tu proyecto después de la delimitación epistemológica realizada en la lección anterior. No es obligatorio formular hipótesis: la primera decisión evaluada consiste precisamente en determinar si son epistemológica y metodológicamente pertinentes.

Tu entrega debe incluir:

1. Decisión de arquitectura. Clasifica justificadamente el proyecto en una de tres rutas: hipótesis y variables; preguntas y categorías; o diseño mixto con ambas arquitecturas. Fundamenta la decisión a partir del problema, la epistemología y el tipo de conocimiento esperado.
2. Fundamento teórico. Identifica las teorías, modelos o resultados previos que permiten anticipar relaciones. Distingue claramente aquello que la literatura sostiene de aquello que constituye una expectativa propia del proyecto.
3. Hipótesis, cuando correspondan. Formula una hipótesis general y las hipótesis específicas estrictamente necesarias. Para cada una identifica constructos implicados, dirección esperada cuando pueda justificarse, alcance y tipo de relación: asociación, diferencia, predicción o causalidad.
4. Prueba rival. Para cada hipótesis formula una explicación alternativa que pueda producir un patrón empírico semejante. Explica qué evidencia permitiría diferenciar ambas interpretaciones.
5. Mapa de constructos. Define conceptualmente cada constructo central y muestra sus relaciones. Identifica cuáles son observables directamente y cuáles requieren indicadores.
6. Operacionalización. Para cada variable especifica definición conceptual, dimensión, indicador, fuente de información, procedimiento de medición o codificación, escala o forma de registro y justificación de la interpretación prevista.
7. Auditoría de validez. Explica qué parte del constructo representa cada medida, qué deja fuera, qué factores podrían contaminar la observación y qué evidencia necesitarás para defender la interpretación.
8. Arquitectura causal, cuando corresponda. Si utilizas lenguaje causal, construye un diagrama previo de relaciones e identifica exposición, resultado, posibles confundidoras, mediadoras y otras variables cuya inclusión modificaría la pregunta estimada. Cada flecha debe estar acompañada por una justificación.
9. Ruta de categorías, cuando corresponda. Si el proyecto no utiliza hipótesis, identifica conceptos orientadores iniciales y explica cuáles permanecerán abiertos a reformulación durante el análisis. Distingue categorías provenientes de la literatura de categorías que esperas construir empíricamente.
10. Coherencia final. Relaciona problema, objetivo, hipótesis o preguntas, constructos, variables o categorías, evidencia prevista y tipo de inferencia. Señala al menos tres puntos donde una decisión metodológica posterior podría obligarte a revisar esta arquitectura.

Referencias bibliográficas

• Barroga, E., & Matanguihan, G. J. (2022). A practical guide to writing quantitative and qualitative research questions and hypotheses in scholarly articles. Journal of Korean Medical Science, 37(16), e121.
• Borsboom, D., Mellenbergh, G. J., & Van Heerden, J. (2003). The theoretical status of latent variables. Psychological Review, 110(2), 203–219.
• Borsboom, D., Mellenbergh, G. J., & Van Heerden, J. (2004). The concept of validity. Psychological Review, 111(4), 1061–1071.
• Creswell, J. W., & Creswell, J. D. (2023). Research design: Qualitative, quantitative, and mixed methods approaches (6th ed.). SAGE.
• Greenland, S., Pearl, J., & Robins, J. M. (1999). Causal diagrams for epidemiologic research. Epidemiology, 10(1), 37–48.
• Pearl, J. (2009). Causal inference in statistics: An overview. Statistics Surveys, 3, 96–146.