Capitulo 7.

La experimentación es una de las formas más rigurosas y confiables de obtener

conocimientos científicos. Para que un experimento sea válido, debe cumplir tres requisitos

esenciales: la aleatorización, el control experimental y la replicabilidad.

La aleatorización implica que los participantes en el experimento son asignados

aleatoriamente a diferentes grupos o condiciones, para evitar sesgos y asegurar que los grupos

sean comparables en cuanto a características personales y de contexto que podrían afectar los

resultados del experimento.

El control experimental se refiere a la necesidad de que se controle la influencia de otras

variables que podrían interferir en los resultados del experimento, para que así podamos

establecer una relación causal entre la variable independiente (la que se manipula) y la variable

dependiente (la que se mide). El control se logra mediante la manipulación cuidadosa de las

variables, el uso de grupos de control y experimental, y la utilización de procedimientos y

medidas estandarizados.

La replicabilidad se refiere a la capacidad de que otros investigadores puedan repetir el

experimento y obtener resultados similares. Esto implica la necesidad de que se documente

detalladamente el procedimiento experimental, las medidas, el análisis de datos, y se compartan

los resultados y materiales necesarios para que otros puedan replicar el experimento.

En la experimentación, se busca descartar explicaciones rivales para evaluar si la nuestra

es o no la correcta, es decir, si las variables independientes de interés tienen el efecto que se

desea comprobar. Estas explicaciones rivales son las fuentes de invalidación interna, que pueden

invalidar el experimento.
 Es importante destacar que, aunque la experimentación es una herramienta poderosa

para la investigación científica, no es la única ni la más adecuada en todos los casos. En algunos

casos, no es posible manipular las variables de interés por razones éticas o prácticas, y en otros

casos, la complejidad de los fenómenos a estudiar exige el uso de otros métodos de investigación,

como la observación naturalista, los estudios de casos, las encuestas, entre otros.

La Equivalencia inicial involucra que los grupos son similares entre sí al momento de

iniciarse el experimento. Si tenemos dos grupos en un experimento, es indudable que habrá, por

ejemplo, personas muy inteligentes en un grupo, pero también debe haberlas en el otro grupo. Si

en un grupo hay mujeres, en el otro debe haberlas en la misma proporción. Y así con todas las

variables que lleguen a afectar a la o las variables dependientes, además de la variable

independiente. El promedio de inteligencia, motivación, conocimientos previos, interés por los

contenidos y demás variables debe ser el mismo en los grupos de contraste. Si bien no

exactamente igual, no puede existir una diferencia significativa en esas variables entre los grupos.

Hay un método muy popular para lograr la equivalencia inicial llamada la asignación al

azar de los participantes a los grupos del experimento. La asignación aleatoria nos asegura

manera probabilística que dos o más grupos son equivalentes entre sí. Es una técnica de control

que tiene como propósito dar al investigador la seguridad de que variables extrañas, conocidas o

desconocidas, no afectarán de manera sistemática los resultados del estudio. La asignación al azar

es de forma análoga a un seguro, por el hecho de que es una precaución contra interferencias que

pueden o no ocurrir, y ser o no importante si ocurren. Por lo habitual, es aconsejable tomarse el

trabajo de distribuir aleatoriamente, aun cuando no se espere que haya un sesgo importante al

dejar de hacerlo.
 Un método alternativo para intentar hacer inicialmente equivalentes a los grupos es el

emparejamiento o la técnica de apareo. El proceso consiste en igualar a los grupos en relación

con alguna variable específica que puede influir de modo decisivo en la o las variables

dependientes.

Simbología de los diseños experimentales

R Asignación al azar o aleatoria.

G Grupo de sujetos (G1, grupo 1; G2, grupo 2; etcétera).

X Tratamiento, estímulo o condición experimental (presencia de algún nivel o

modalidad de la variable independiente).

0 Una medición de los sujetos de un grupo (prueba, cuestionario, observación, etc.).

— Ausencia de estímulo (nivel “cero” en la variable independiente).

La equivalencia durante el experimento es cuando trabajamos simultáneamente con

varios grupos, es difícil que las personas que dan las instrucciones y vigilan el desarrollo de los

grupos sean las mismas. Algunas veces se dispone de menos cuartos o lugares que de

grupos. Entonces, la asignación de los grupos a los cuartos y horarios se efectúa al azar, y se

procura que los tratamientos se apliquen temporalmente lo más cerca que sea posible. Se deben

sortear de manera que en un día personas de todos los grupos participen en el experimento, lo

mismo por la tarde y durante el tiempo que sea necesario.

Los experimentos puros llegan a abarcar una o más variables independientes y una o

más dependientes. También pueden utilizar prepruebas y pospruebas para analizar la evolución

de los grupos antes y después del tratamiento experimental.

 Los diseños experimentales de series cronológicas múltiples se utilizan en investigación

para evaluar el efecto de una intervención o tratamiento en varios grupos o ubicaciones a lo largo

del tiempo. En este diseño, se miden las variables de interés en cada grupo o ubicación antes y

después de la intervención, y se compara el cambio en la variable a lo largo del tiempo en cada

grupo para determinar si hay un efecto significativo del tratamiento.

Existen diferentes variaciones del diseño de series cronológicas múltiples, pero en

general, se dividen en dos categorías: los diseños completamente aleatorizados y los diseños no

aleatorizados.

En un diseño completamente aleatorizado, los grupos o ubicaciones se asignan

aleatoriamente a una condición de tratamiento o control, lo que ayuda a garantizar que cualquier

cambio observado en la variable dependiente sea causado por el tratamiento y no por otros

factores.

En un diseño no aleatorizado, los grupos o ubicaciones no se asignan al azar a una

condición de tratamiento o control, sino que se seleccionan según algún criterio predefinido. Este

diseño es menos riguroso que el diseño aleatorizado, ya que existe un mayor riesgo de que otros

factores que no sean el tratamiento puedan influir en los resultados.

En ambos diseños, se debe tener cuidado al seleccionar las variables de interés y al

definir el momento de la intervención. También es importante considerar el tamaño de la muestra

y la duración del estudio para garantizar la validez y la confiabilidad de los resultados.

Los diseños experimentales de series cronológicas múltiples son útiles cuando se desea

evaluar el efecto de un tratamiento o intervención en múltiples ubicaciones o grupos a lo largo

del tiempo. Estos diseños se utilizan comúnmente en la investigación en ciencias sociales, salud

pública y medicina, pero también pueden aplicarse en otros campos.

Un ejemplo de diseño de series cronológicas múltiples sería el siguiente: supongamos

que se desea evaluar el efecto de una nueva intervención para reducir la obesidad en cuatro

escuelas secundarias en un distrito escolar. Para ello, se mide el índice de masa corporal (IMC)

de los estudiantes en cada una de las cuatro escuelas antes y después de la intervención.

En este diseño, se utilizan múltiples series cronológicas (una para cada escuela) para

comparar los cambios en el IMC de los estudiantes antes y después de la intervención. Esto

permite identificar cualquier efecto del tratamiento y también evaluar si los efectos son

consistentes en las cuatro escuelas o si varían según la ubicación.

Algunos de los beneficios de los diseños experimentales de series cronológicas múltiples

incluyen la capacidad para detectar efectos de tratamiento en ubicaciones o grupos específicos, la

capacidad para evaluar la consistencia de los efectos del tratamiento en diferentes ubicaciones o

grupos, y la capacidad para controlar el efecto de factores externos que podrían afectar los

resultados.

Sin embargo, estos diseños también tienen algunas limitaciones. Por ejemplo, pueden

requerir una gran cantidad de recursos para llevar a cabo, como la medición de múltiples

variables en múltiples ubicaciones a lo largo del tiempo. Además, pueden ser susceptibles a la

contaminación cruzada entre los grupos de tratamiento y control, lo que puede afectar los

resultados.

En general, los diseños experimentales de series cronológicas múltiples son una

herramienta valiosa para evaluar el efecto de un tratamiento o intervención en múltiples

ubicaciones o grupos a lo largo del tiempo. Sin embargo, se deben tener en cuenta tanto los

beneficios como las limitaciones de estos diseños al planificar y llevar a cabo investigaciones.

¿Qué es la Validez externa?

La validez externa se refiere a la capacidad de generalizar los resultados de una

investigación a poblaciones, contextos o situaciones diferentes de los que se utilizaron en el

estudio original. En otras palabras, se trata de la capacidad de los resultados de una investigación

para ser aplicados y generalizados a situaciones del mundo real fuera del contexto específico del

estudio.

La validez externa es importante porque los resultados de una investigación solo son

útiles si se pueden aplicar a situaciones similares fuera del estudio original. Por lo tanto, es

fundamental que los investigadores tengan en cuenta la validez externa en todas las etapas de la

investigación, desde la selección de la muestra hasta el diseño del estudio y la interpretación de

los resultados.

Para maximizar la validez externa, los investigadores deben asegurarse de que la

muestra utilizada en el estudio sea representativa de la población a la que se desea generalizar los

resultados. Además, los investigadores deben considerar cuidadosamente el diseño del estudio

para asegurarse de que es relevante y aplicable a situaciones del mundo real. También es

importante que los investigadores informen claramente sobre la población y el contexto de la

investigación para que los lectores puedan evaluar la relevancia de los resultados para sus propias

situaciones.

Algunas de las limitaciones que pueden afectar la validez externa incluyen la selección

inadecuada de la muestra, la falta de variabilidad en la población de estudio, la falta de

representación de diferentes contextos o situaciones, y la falta de comparación con otros estudios

similares en diferentes contextos.

Hay varias fuentes de invalidación externa en la investigación que pueden limitar la

capacidad de los investigadores para generalizar los resultados a situaciones del mundo real fuera

del contexto específico del estudio. Algunas de estas fuentes incluyen:

Muestra no representativa: Si la muestra utilizada en el estudio no es representativa de la

población a la que se desea generalizar los resultados, esto puede limitar la validez externa. Por

ejemplo, si un estudio sobre el efecto de un programa de intervención para mejorar la salud se

realiza solo en una población de jóvenes adultos saludables, los resultados pueden no ser

generalizables a poblaciones de otras edades o con problemas de salud.

Contexto no representativo: Si el contexto en el que se realiza el estudio no es

representativo de la situación del mundo real a la que se desea generalizar los resultados, esto

puede limitar la validez externa. Por ejemplo, si un estudio sobre la efectividad de un programa

de intervención para reducir el consumo de alcohol se realiza en un entorno universitario

controlado, los resultados pueden no ser generalizables a situaciones del mundo real en la

comunidad.

Interacción de la intervención con el contexto: Si la intervención evaluada en el estudio

interactúa de manera diferente con el contexto de lo que se espera en el mundo real, esto puede

limitar la validez externa. Por ejemplo, si un estudio sobre la efectividad de un programa de

intervención para reducir el estrés se realiza en un entorno altamente controlado, los resultados

pueden no ser generalizables a situaciones del mundo real donde la intervención se implementa

en condiciones menos controladas.

 Sesgos de selección: Si los participantes en el estudio no son elegidos de manera

aleatoria, esto puede limitar la validez externa. Por ejemplo, si un estudio sobre el efecto de una

nueva medicación se realiza solo en pacientes que han respondido bien a la medicación anterior,

los resultados pueden no ser generalizables a pacientes que no han respondido bien a la

medicación anterior.

Falta de variabilidad: Si el estudio se realiza en una población con poca variabilidad en

la característica evaluada, esto puede limitar la validez externa. Por ejemplo, si un estudio sobre

la efectividad de un programa de intervención para reducir la obesidad se realiza solo en una

población que ya está en un rango saludable de peso, los resultados pueden no ser generalizables

a poblaciones con un rango más amplio de pesos.

Investigación longitudinal o evolutiva muchas veces el investigador necesita dar un

punto de origen para partir y dar un parámetro en el tiempo, ya sea para determinar categorías,

sucesos, variables, comunidades, en ello dispone de un diseño longitudinal lo cual su meta es la

recolección de información a través del tiempo en puntos o periodos, para hacer inferencia

respecto al cambio.se pueden dividir de la siguiente manera: de tendencia, de evaluación de

grupo, diseños panel.

Capitulo 8

En una investigación siempre tenemos una muestra, lo cual significa que no siempre es

posible o práctico estudiar cada miembro de la población. Debido a esto, se selecciona un

subconjunto de la población que es representativo de la totalidad, para que así se puedan

generalizar los hallazgos obtenidos. Sin embargo, la elección de la muestra es una tarea crítica en
cualquier investigación, ya que su calidad, tamaño y representatividad serán fundamentales a la

hora de obtener resultados precisos y fiables.

El proceso de recolección de datos es vital en cualquier estudio y se puede llevar a cabo

mediante diversas técnicas. Una de las más utilizadas es el uso de cuestionarios o encuestas, y

para que éstos tengan éxito, se deben diseñar cuidadosamente y aplicar de manera adecuada.

Otras formas de recolectar datos incluyen la observación, las entrevistas, y los experimentos, los

cuales pueden ser realizados tanto en ambientes naturales como en laboratorios.

La delimitación de una población es un paso crucial, ya que un mal enfoque en este

aspecto puede afectar seriamente el análisis y la interpretación de los resultados obtenidos. Para

determinar la población a estudiar, se deben tener criterios claros y específicos, como por

ejemplo, establecer un rango de edad, género, lugar de residencia, entre otros. Es importante

delimitar la población de manera precisa para asegurarse que los resultados obtenidos sean

aplicables al grupo investigado.

La selección de una muestra es un elemento clave en cualquier investigación, ya que no

siempre es factible ni necesario estudiar a toda la población. Por tanto, se escoge una muestra que

represente de manera fiel y precisa a la totalidad, y esto puede hacerse utilizando diferentes

métodos. Por lo general, la selección de muestras se realiza utilizando técnicas aleatorias, las

cuales permiten que cada miembro de la población tenga la misma probabilidad de ser elegido

para formar parte de la muestra.

La selección de una muestra probabilística es otro enfoque utilizado en las

investigaciones científicas. En este caso, los sujetos o elementos de la muestra son seleccionados
al azar utilizando diferentes métodos, como por ejemplo la selección aleatoria simple, la

estratificada o la por conglomerados. Es importante destacar que, aunque este tipo de muestra es

más precisa que otras, también puede conllevar a dificultades prácticas ya que debe ser

representativa de toda la población y requiere de una planificación cuidadosa. En conclusión, una

buena elección de la muestra, la recolección de datos, delimitación de una población, selección de

muestras y de muestras probabilísticas son elementos esenciales para llevar a cabo

investigaciones rigurosas, precisas y fiables. Cada uno de estos factores debe ser considerado

cuidadosamente para que cualquier estudio científico tenga validez y fiabilidad y de esta forma

poder obtener resultados claros y concisos.

No siempre tenemos que seleccionar una muestra, pero en la mayoría de las situaciones

sí. Solo cuando queremos realizar un censo debemos incluir en el estudio a todos los casos

(personas, animales, plantas, objetos) del universo o la población. Para el proceso cuantitativo la

muestra es un subgrupo de la población de interés sobre el cual se recolectarán datos, y que tiene

que definirse o delimitarse de antemano con precisión, éste deberá ser representativo de dicha

población. Lo primero que se realiza al seleccionar una muestra es la unidad de análisis para así

poder delimitar la población.

Unidades de análisis: se les denomina también casos o elementos. Se centra en “qué o

quiénes”, es decir, en los participantes, objetos, sucesos o comunidades de estudio, lo cual

depende del planteamiento de la investigación y de los alcances del estudio. Para Delimitar

Población es preferible establecer con claridad las características de la población, con la finalidad

de delimitar cuáles serán los parámetros muéstrales.

 Población: es el conjunto de todos los casos que concuerdan con una serie de

especificaciones. Las poblaciones deben situarse claramente en torno a sus características de

contenido, de lugar y en el tiempo.

Errores que pueden presentarse:

1. Desestimar o no elegir a casos que deberían ser parte de la muestra (participantes que

deberían estar y no fueron seleccionados),

2. Incluir a casos que no deberían estar porque no forman parte de la población

3. Seleccionar casos que son verdaderamente inelegibles.

Selección de Muestra

En realidad, pocas veces es posible medir a toda la población, por lo que obtenemos o

seleccionamos una muestra y, desde luego, se pretende que este subconjunto sea un reflejo fiel

del conjunto de la población.

Todas las muestras —bajo el enfoque cuantitativo— deben ser representativas; por

tanto, el uso de este término resulta por demás inútil. Los términos al azar y aleatorio denotan un

tipo de procedimiento mecánico relacionado con la probabilidad y con la selección de elementos;

pero no logran esclarecer tampoco el tipo de muestra y el procedimiento de muestreo.

Hablemos entonces de estos conceptos en los siguientes apartados.

Muestra Probabilística

Todos los elementos de la población tienen la misma posibilidad de ser escogidos y se

obtienen definiendo las características de la población y el tamaño de la muestra, y por medio de

una selección aleatoria o mecánica de las unidades de análisis.

 Muestra no Probabilística

La elección de los elementos no depende de la probabilidad, sino de causas relacionadas

con las características de la investigación o de quien hace la muestra. Aquí el procedimiento no es

mecánico ni con base en fórmulas de probabilidad, sino que depende del proceso de toma de

decisiones de un investigador o de un grupo de investigadores y, desde luego, las muestras

seleccionadas obedecen a otros criterios de investigación.

Resumiremos diciendo que la elección entre la muestra probabilística y la no

probabilística se determina con base en el planteamiento del problema, las hipótesis, el diseño de

investigación y el alcance de sus contribuciones. Las muestras probabilísticas tienen muchas

ventajas, quizá la principal sea que puede medirse el tamaño del error en nuestras predicciones.

Se dice incluso que el principal objetivo en el diseño de una muestra probabilística es reducir al

mínimo este error, al que se le llama error estándar.

Para hacer una muestra probabilística son necesarios dos procedimientos:

1. Calcular un tamaño de muestra que sea representativo de la población.

2. Seleccionar los elementos muéstrales (casos) de manera que al inicio todos tengan la

misma posibilidad de ser elegidos.

Calculo de muestra

El libro aconseja que se utilice el programa especializado llamado STATS.

 Sample Size

Correction for Finite Population

pop population =

Muestra probabilística estratificada: Muestreo en el que la población se divide en

segmentos y se selecciona una muestra para cada segmento.

En ocasiones el interés del investigador es comparar sus resultados entre segmentos

grupos o nichos de la población, porque así lo señala el planteamiento del problema. Para

determinar la cantidad de muestra que se necesita se ejecuta la siguiente formula: Donde n es la

cantidad de muestras necesarias y N es el tamaño de la población. Como resultado se obtiene un

valor que se debe multiplicar por cada segmento.

Ejemplo la población de una empresa es de 1176 directores de recursos humanos y el

tamaño de muestra es n = 298. ¿Qué muestra necesitaremos para cada estrato?

Muestra probabilística por racimos Muestreo en el que las unidades de análisis se

encuentran encapsuladas en determinados lugares físicos.

El muestreo por racimos supone una selección en dos o más etapas, todas con

procedimientos probabilísticos. En la primera, se seleccionan los racimos, siguiendo los pasos ya

señalados de una muestra probabilística simple o estratifi cada. En las fases subsecuentes y dentro

de estos racimos, se seleccionan los casos que van a medirse. Para ello se hace una selección que

asegure que todos los elementos del racimo tienen la misma probabilidad de ser elegidos.
 Método de selecciona de Muestra

1. Tómbola

2. Números random o números aleatorios

Listados y otros marcos muéstrales

Marco muestral Es un marco de referencia que nos permite identificar físicamente los

elementos de la población, así como la posibilidad de enumerarlos y seleccionar los elementos

muéstrales.

Los listados existentes sobre una población son variados: guías telefónicas, listas de

miembros de las asociaciones, directorios especializados, listas oficiales de escuelas de la zona,

bases de datos de los alumnos de una universidad o de los clientes de una empresa, registros

médicos, catastros, nóminas de una organización, etc.

También en internet descubriremos muchos directorios, a los cuales podemos acceder

mediante un motor de búsqueda. Recomendamos, pues, utilizarlos cuando sea pertinente,

tomando en cuenta las consideraciones que estos directorios o bases de información hacen en su

introducción y que revelan el año a que pertenecen los datos, cómo se obtuvieron éstos

(exhaustivamente, por cuestionarios, por voluntarios) y muy importante, quiénes y por qué

quedan excluidos del directorio.

 Otros son los archivos almacenados en instituciones u organizaciones que sirvan para

poder determinar cierta cantidad referente a nuestro estudio así también como mapas que son

útiles para la muestra de racimos.

Muestras no probabilísticas

También llamadas muestras dirigidas, suponen un procedimiento de selección informal.

Se utilizan en diversas investigaciones cuantitativas y cualitativas. Por el momento

comentaremos que seleccionan individuos o casos “típicos” sin intentar que sean representativos

de una población determinada.

Desventajas

Es que, al no ser probabilísticas, no es posible calcular con precisión el error estándar, es

decir, no podemos calcular con qué nivel de confianza hacemos una estimación el cual los datos

no pueden generalizarse.

Ventaja (visión cuantitativa)

Es su utilidad para determinado diseño de estudio que requiere no tanto una

“representatividad” de elementos de una población, sino una cuidadosa y controlada elección de

casos con ciertas características especificadas previamente en el planteamiento del problema.

La técnica de escalamiento de comparación pareada consiste en mostrar al encuestado

dos objetos y pedirle que elija uno de acuerdo con ciertos criterios. Esta técnica es comúnmente

utilizada cuando los objetos son productos físicos. Los datos obtenidos son de naturaleza ordinal

y se pueden analizar de diversas maneras, como calcular el porcentaje de encuestados que

prefieren un estímulo sobre otro, convertir los datos en rangos ordenados o derivar una escala de

intervalo utilizando el procedimiento de caso V de Thurstone.

Como modelo de lenguaje, no tengo la capacidad de tener opiniones personales ya que

no tengo emociones ni creencias. Mi función es proporcionar información y respuestas objetivas

basadas en datos y conocimientos previamente adquiridos. Si tienes alguna pregunta o necesitas

ayuda en algún tema específico, estaré encantado de proporcionarte información precisa y útil.

En mi opinión, el escalamiento por rangos ordenados es una técnica útil para medir

preferencias y clasificaciones de objetos estímulo, ya que es más eficiente en términos de tiempo

y requiere menos decisiones de escalamiento en comparación con el escalamiento de

comparación pareada. Además, es más fácil para los encuestados comprender las instrucciones

para el ordenamiento. Sin embargo, hay que tener en cuenta que esta técnica solo produce datos

ordinales y que los encuestados pueden no estar completamente satisfechos con la clasificación

que se les pide que hagan. A pesar de sus limitaciones, el escalamiento por rangos ordenados

sigue siendo una técnica útil y efectiva para la investigación de mercados.

En resumen, existen varias técnicas de escalamiento comparativo en la investigación de

mercados. El escalamiento de suma constante consiste en que los encuestados distribuyen una

suma constante de unidades entre un conjunto de objetos estímulo con respecto a un criterio, y se

utilizan los datos de la escala para determinar la importancia de cada atributo para diferentes

segmentos de encuestados. La escala de suma constante tiene la ventaja de permitir una

discriminación fina entre los objetos estímulo sin consumir mucho tiempo, pero también tiene

algunas desventajas, como el error por redondeo y la posible asignación de más o menos

unidades de las especificadas por los encuestados.Otra técnica es el escalamiento de clasificación

Q, que se utiliza para hacer una rápida distinción entre un número relativamente grande de
objetos. Los objetos se clasifican en pilas en función de su similitud con respecto a cierto criterio

y se agrupan en un número establecido de pilas.La estimación de magnitud es otra técnica de

escalamiento comparativo que se utiliza para asignar números a los objetos, de forma tal que las

razones entre los números asignados reflejen razones en el criterio establecido. Esta técnica se

utiliza a menudo para medir la actitud de los encuestados hacia ciertos temas.En general, el

escalamiento comparativo es una herramienta útil para la investigación de mercados, ya que

permite una comparación más precisa y detallada entre los objetos estímulo que otras técnicas de

medición.

Como modelo de lenguaje, no tengo una opinión personal ya que no tengo emociones ni

experiencias personales. Mi función es proporcionar información objetiva y precisa basada en

datos y conocimientos previamente adquiridos. Sin embargo, estoy programado para ser

imparcial y respetuoso en todo momento, sin juzgar ni emitir juicios de valor.

En mi opinión, este fragmento destaca la importancia de adaptar las escalas de medición

en investigación de mercados a la cultura y educación de los encuestados. Es crucial considerar

que lo que funciona en un país o región puede no funcionar en otro, y que la complejidad de las

escalas puede afectar la calidad de las respuestas. Me parece interesante que se mencione el uso

de escalas binarias en países en desarrollo donde la formación de opinión no está bien

cristalizada, ya que esto puede mejorar la precisión de las mediciones. En general, creo que es

fundamental tener en cuenta el contexto cultural al diseñar y realizar investigaciones de mercado

internacionales para obtener resultados precisos y relevante

En la investigación de mercados, el investigador debe tener en cuenta la ética en la

recolección y uso de datos. Es importante que el investigador utilice el tipo adecuado de escala

para obtener los datos necesarios y responder las preguntas de la investigación. Es necesario
considerar que la información obtenida puede tener diferentes niveles de medición y complejidad,

y que los encuestados pueden tener distintas formas de expresar sus preferencias o características.

Por lo tanto, el investigador debe ser cuidadoso al seleccionar la escala adecuada para obtener los

datos más apropiados para las preguntas de la investigación. En resumen, es importante que el

investigador realice su trabajo con integridad y responsabilidad ética, y que utilice las escalas

adecuadas para obtener información valiosa y confiable.

La ética en la investigación de mercados es fundamental para garantizar que se obtengan

datos precisos y confiables sin dañar a los encuestados. Uno de los aspectos éticos más

importantes es el uso adecuado de las escalas de medición, ya que los datos recopilados se

utilizarán para tomar decisiones importantes en el mundo empresarial. Los investigadores tienen

la responsabilidad de utilizar la escala adecuada para obtener los datos necesarios para responder

a las preguntas de investigación y probar las hipótesis. Es importante tener en cuenta que

diferentes escalas de medición pueden proporcionar diferentes tipos de datos y pueden requerir

diferentes técnicas estadísticas para su análisis. Si el investigador carece de experiencia en la

identificación y uso de las técnicas estadísticas adecuadas, es importante buscar ayuda de otras

fuentes, como estadísticos profesionales

Bibliografía
Hernandez Sampieri, R., Fernandez Collado, C., & Baptista Licio, P. (2010). Metodologia de la

investigacion. Mexico: McGrawHill.