Referencia: Gerring, John, & Christenson, Gino. (2017).

Applied Social Science

Methodology: An Introductory Guide (pp. 47-60). Cambridge: Cambridge University Press.
Tema: Cómo analizar un argumento empíricamente.
Analizar un argumento empíricamente: denominar de diversas maneras como evaluación,
evaluación, corroboración, demostración, empírica, evaluación, métodos, pruebas o
pruebas.
El texto busca proponer claves para comprender este tipo de diseños de investigación. Se
comenta sobre los problemas generales en su uso, como lo son la precisión y validez,
interna y externa, muestras representativas, tamaño de la muestra, muestreo de
probabilidad y no probabilidad.

Conceptos
El análisis empírico estándar, posee un vocabulario común en las investigaciones donde se
utilizan encuestas, sin embargo, los conceptos son de ayuda en estudios ya sean
cuantitativos como en los cualitativos.
De esta manera, la unidad más básica es la observación:
Observación, es una pieza de evidencia relevantemente analizada para demostrar un
argumento.
Variables: elementos de una observación; en un análisis de causas se incluye la variable X
(factor causal de la teoría de interés) y Y (el resultado de interés)
Unidad o caso: La observación sirve para dibujarla, son Entidades limitadas tales como
individuos, organizaciones, comunidades o estados nacionales, que pueden observarse
espacialmente y / o temporalmente (a través del tiempo).
Cada observación debe registrar valores de todas las variables relevantes; comprende una
muestra de estudio. El tamaño de la muestra, es el total de observaciones, señalado como
“N”.
Población: es el universo del fenómeno, que una hipótesis trata de describir o explicar. La
muestra (las observaciones estudiadas) son un dibujo de la población y usualmente es más
pequeña.
Censo: Ocasionalmente un grupo de observaciones incluye toda la población de interés.
Esto es conocido como un censo. El censo de población incluye todas las personas que
viven en un país.
Unidad de análisis. Por otro lado, la unidad de análisis es el tipo de fenómeno tratado como
“observaciones” en un análisis.
Nivel de análisis:Así, todos estos términos son flexibles en la medida que dependan de su
significado en una preposición particular y un diseño de investigación correspondiente. Y
aunque un programa de escuela, por ejemplo, pueda ser un nivel de análisis, también se
puede reducir a un “nivel más bajo” (participantes) o un nivel más alto (un estado), en
diferentes puntos del estudio o combinados (se denominan modelos estadísticos multinivel).
El análisis Cuantitativo, es un análisis formal de observaciones basadas en matriz, la cual
es un tipo convencional, representado como datos brutos en un conjunto de datos
rectangular. Cada observación está codificada a lo largo de una serie de dimensiones
entendido como columnas en la matriz y variables en un análisis.
Cualitativo, por el contrario, el análisis cualitativo refiere a un análisis informar de
observaciones no comparables. Estas no veden ser planteadas en una matriz formal porque
son ejemplos de diferentes cosas, dibujadas de diferentes poblaciones. Este análisis está
articulado con lenguaje natural y desconectado a un explícito y marco general de referencia
o inferencia. Cuando se aplica a contextos de inferencias causales, este orden de evidencia
puede ser referido como una observación proceso-causa, pistas, congruencia, análisis
narrativo, etc.
Precisión y validez
Los análisis de ciencias sociales deben esforzarse por la precisión y la validez.
Precisión: refiere a la cercanía de repetidas estimaciones del fenómeno de interés, cuando
se usa el mismo instrumento de medición o modelo de causalidad.
Validez: se refiere a la cercanía de una estimado al verdadero valor (cuando es
desconocido).
Confiabilidad y su evaluación: es el nivel aleatorio de error, o ruido, encontrado en la
medición o alguna otra característica de estimación, la cual se puede evaluar a través de
los test de confiabilidad.
Varianza: Si las aplicaciones múltiples del instrumento de medición revelan un alto nivel de
consistencia, se puede considerar al instrumento o modelo elegido como confiable
(preciso). Esto normalmente se calcula como el inverso de la varianza (dispersión alrededor
de la media). Mayor varianza significa menos confiabilidad.
Validez interna y externa:
Inferencia1
Interna: validez de una hipótesis con respecto a la muestra de estudio.
Externa: si hay problemas de validez interna, también hay en la externa; pero incluso si
nuestros análisis de la muestra son correctos, pueden no ser correctos en una población
más grande. este es el problema de la validez externa. con respecto a la validez externa,
dos características de una muestra son especialmente relevantes: representatividad de
muestra y tamaño de muestra.
Muestras representativas

1
La inferencia es pura y exclusivamente un producto de nuestra mente, porque es una evaluación que
realiza esta entre aquellas expresiones de un lenguaje determinado, las cuales una vez interrelacionadas de
modo intelectual permitirán llegar a una idea lógica.
 Tamaño de la muestra: (segundo punto del problema de la validez externa) más
observaciones son mejor que pocas, porque ellas proveen más precisión de
estimación de la cantidad de interés.
Intervalo de confianza: la incertidumbre asociada con la variabilidad del muestreo se
captura en un estado estático. Esta indica los límites dentro de los cuales es
probable que un valor verdadero disminuya a un nivel de probabilidad elegido
Muestra de probabilidad: el enfoque preferido para el muestreo es elegir los casos al azar
de la población. dado que los casos se eligen de forma aleatoria, se sabe la probabilidad
de que un caso determinado se elija como miembro de la muestra. este enfoque al muestreo
se denomina, por lo tanto, muestreo probabilístico.
Muestreo aleatorio simple: en el muestreo aleatorio simple, cada caso dentro de la
población tiene una muestra de probabilidad igual. el mecanismo de selección
podría ser sacar bolas de una urna, como en rifas.
Muestreo sistemático: en el muestreo sistemático, los miembros de una población
se eligen con intervalos iguales.
Cluster: en cluster samplig, los miembros de una población se dividen en grupos,
los clústeres se eligen de forma aleatoria.
Muestra estratificada: en el muestreo estratificado, cada miembro de la población se
asigna a un estrato y los casos se eligen al azar dentro de cada estrato.
Muestra de no probabilidad: un enfoque muy diferente al muestreo es seleccionar casos no
aleatorios de una población; se puede seleccionar un pequeño número de casos con
propósitos específicos en mente, como en los diseños de casos de estudio, esta puede ser
conocida como muestreo intencional.
Missing-ness: en la discusión hasta ahora hemos asumido que se puede acceder a todos
los casos en la población a través de procedimientos de muestreo probabilístico y que los
casos elegidos pueden incluirse en la muestra, se puede estudiar, lamentablemente, esto
no siempre se cumple.
Conclusiones
El conocimiento empírico es una medida incierta.