¿Cómo se utiliza el Muestreo en la investigación en Ciencias Sociales? ¿Qué es el Muestro Probabilístico y No Probabilístico?
¡Saludos, investigadores/as! Bienvenidos y bienvenidas a esta nueva entrada de la serie de Muestreo Estadístico para la Investigación en las Ciencias Sociales del Blog de la Fundación iS+D.
En esta ocasión, Ángel A. Gómez Degraves, ingeniero agrónomo y experto en Estadística y metodología de investigación en Ciencias Sociales, reflexionará acerca de la utilización del Muestreo Probabilístico y No Probabilístico en las Ciencias Sociales.
El Muestreo en la investigación en Ciencias Sociales
Dentro de la Ciencias Sociales, la encuesta por muestreo ocupa un espacio amplio en lo que se refiere a los métodos de investigación, donde la Estadística como ciencia aporta elementos muy concretos en todo el proceso.
Uno de ellos es el diseño muestral, aspecto que se presenta en la mayoría de las veces, complejo, con controversias y enfoques de diversos/as autores/as, por la cantidad de variables que intervienen y de estrategias a considerar cuando se trata de estudiar los procesos sociales.
Por otro lado, además del rigor científico que persiguen los investigadores e investigadoras sociales, quienes muchas veces se ven limitados/as por la exigencias que les impone la teoría estadística del muestreo, y que no es sencillo cumplir o casi imposible, se hacen críticas a que muchas investigaciones en las Ciencias Sociales hacen uso de diseños muestrales no probabilísticos (DMNP), alejándose de la objetividad y de no poder realizar inferencias estadísticas hacia la población en estudio.
Lo cierto es que, en muchos casos, las muestras no son estrictamente probabilísticas ya que se utilizan muchos elementos no probabilísticos y el aplicar un diseño muestral probabilístico (DMP) se convierte en arte y ciencia.
- Para que exista una base objetiva para medir el grado de confianza con el cual se está haciendo la estimación de un parámetro, debe conocerse la probabilidad que tiene un elemento de la población de formar parte de la muestra
A pesar de este contexto, se continúan utilizando con mucha frecuencia los llamados diseños muestrales mixtos (DMM), que combinan esquemas probabilísticos con no probabilísticos, e incluso se realizan combinaciones tanto de esquemas probabilísticos como no probabilísticos, para cumplir los objetivos planteados en la investigación.
El hecho de usar un DMP o un DMNP tiene que ver con las incógnitas que se desea responder en determinada población, el tipo de investigación (cuantitativa o cualitativa), la existencia de marcos muestrales, los recursos disponibles, la realidad que se pretende analizar, entre otros.
En este sentido, se sugiere a los/as muestristas abordar una línea de investigación relacionada con los DMM óptimos para la obtención de muestras y su análisis de datos, de manera que se minimicen los errores debidos al muestreo, considerando las estrategias para disminuir los errores no debidos al muestreo.
Muestreo Probabilístico
Para que exista una base objetiva para medir el grado de confianza con el cual se está haciendo la estimación de un parámetro, debe conocerse la probabilidad que tiene un elemento de la población de formar parte de la muestra y esto solo se conoce si utiliza el método de muestreo probabilístico (MP), donde también se conoce el margen de error en la estimación.
Con los DMP se puede comparar la precisión de los diferentes métodos de muestreo, mediante el Efecto del Diseño (Kish, 1965) y, además, se pueden ejecutar en la realidad de tal forma que sean compatibles con restricciones administrativas, lo que producirá resultados con la máxima confiabilidad al mínimo costo y la inspección supervisada estará acorde con las especificaciones predeterminadas. En ellos, cada unidad tiene una probabilidad conocida, diferente de cero, de que cada elemento de la población forme parte de la muestra.
Una vez que se selecciona una muestra probabilística, entonces se puede emplear la teoría de las probabilidades, estimando la precisión de los estimadores y midiendo el grado de incertidumbre o grado en que varía la estimación del verdadero valor del parámetro. En él se fija la precisión (e) de la estimación y se estima la variabilidad del estimador. Además, para aplicar un esquema de muestreo probabilístico es necesario contar con un marco de muestreo actualizado para llegar a las unidades de análisis con una probabilidad conocida.
En el DMP, la persona que investiga debe usar estrategias que tiendan a reducir el error estándar de los estimadores y que este estimador (su estimación) reproduzca el verdadero valor, o muy aproximado, del parámetro poblacional, para obtener una muestra lo suficientemente representativa.
- El Diseño Muestral No Probabilístico (DMNP) se orienta hacia la comprensión de fenómenos o procesos sociales en toda su complejidad, donde se eligen los casos con criterios de representatividad estructural
Entre las estrategias a utilizar están: el uso de un proceso de selección aleatoria, la utilización de variables auxiliares para crear estructuras poblacionales como la estratificación y la conglomeración, las probabilidades proporcionales a una medida de tamaño, el uso de ponderaciones y de estimadores indirectos de razón, regresión y de diferencia, la calibración o ajuste de los pesos muestrales, entre otras. Las muestras complejas, de mucho uso actual, toman en cuenta estos aspectos.
Los elementos fundamentales a considerar en el muestreo probabilístico aparecen en la mayoría de los libros de muestreo (Ras, 1980; Cochran, 1976; Sukhatme y Sukhatme, 1970; Kish, 1972; Seijas, 2006; Sheaffer, Mendenhall y Ott, 1987).
Muestreo No Probabilístico
El DMNP se orienta hacia la comprensión de fenómenos o procesos sociales en toda su complejidad, donde se eligen los casos con criterios de representatividad estructural, donde cada sujeto representa un nivel o categorías que ocupa en la estructura del fenómeno estudiado.
El interés está en la profundidad del conocimiento de la realidad investigada. Lo que se produce es la transferibilidad a un contexto similar. Su objetivo no es la medición cuantitativa, ni definir el comportamiento estadístico de la población investigada, no se generaliza a la población, el interés es en la muestra misma. Se localiza y satura el espacio discursivo del tema tratado. Se seleccionan casos para aprender más de ellos, sus valores, creencias, sentimientos, motivaciones, estilos de vida, actitudes, opiniones, etc.
El tamaño de la muestra se basa en el principio de saturación, donde se examinan los sujetos en forma sucesiva, donde a partir de un tamaño n, los nuevos casos repiten el contenido encontrado en los sujetos anteriores, no se producen nuevos elementos de conocimiento, entonces se dice que se ha llegado al punto de saturación.
Se recomienda leer los trabajos de Chin (1998), Lin y Lu (2011), Maxwell (1997), Teddie y Yu (2007), Morse (1995).
··············
Chin, W. W. (1998). The partial least squares approach for structural equation modeling. In G. A. Marcoulides (Ed.), Modern methods for business research (pp. 295–336). Lawrence Erlbaum Associates Publishers.
Cochran, W. (1976). Técnicas de muestreo. (2a edición). (Trad. E. Casas. Díaz). México: COMPAÑÍA EDITORIAL CONTINENTAL, S.A.
Kish, L. (1972). Muestreo de encuestas. México: Trillas.
Lin, K.-Y., & Lu, H.-P. (2011). Why people use social networking sites: An empirical study integrating network externalities and motivation theory. Computers in Human Behavior, 27(3), 1152–1161. https://doi.org/10.1016/j.chb.2010.12.009
Morse, M. and Field, A. (1995) Qualitative Research Methods for Health Professionals. Sage Publications, Thousand Oaks.
Ras, D. (1980). Teoría del muestreo. (1a edición). México: Fondo de cultura económica.
Seijas, F. (2006). Investigación por muestreo. Universidad Central de Venezuela. Caracas: Ediciones de la Biblioteca de la Universidad Central de Venezuela.
Sheaffer, R.; Mendenhall, W. y Ott L. (1987). Elementos de muestreo. (Trad. G. Rendón y J. Gómez). México: Grupo Editorial Ibero América, S.A. de C.V.
Sukhatme, P. y B. Sukhatme. (1970). Sampling theory of survey with applications. USA: International Standard Book
Teddlie, C., & Yu, F. (2007). Mixed Methods Sampling: A Typology With Examples. Journal of Mixed Methods Research, 1(1), 77–100. https://doi.org/10.1177/1558689806292430
Ángel A. Gómez Degraves
Experto en Estadística y Metodología de Investigación en Ciencias Sociales Actualmente imparte el Curso Online «Muestreo Estadístico para la Investigación en Ciencias Sociales» de la Fundación iS+D
¿Quieres aprender más sobre Muestreo Estadístico?
Descubre nuestro curso online:
- Conoce nuestro Curso Online · Muestreo Estadístico para la Investigación en Ciencias Sociales
2 comentarios
Me encuentro realizando mi tesis sobre «factores de Flebitis» para la carrera Licenciatura en Enfermeria y me interesa ver mas del tema para poder fundamentar cuando me refiero a muestra probabilistica..gracias
¡Hola, Laurinda! Muchas gracias por tu comentario. En relación con tu consulta, dentro de nuestro plan de formación se encuentra el curso online «MUESTREO ESTADÍSTICO PARA LA INVESTIGACIÓN EN CIENCIAS SOCIALES», el cual te animamos a revisar, pues quizá sea de tu interés: https://isdfundacion.org/formacion/
Muchas gracias, saludos cordiales.