Guía para la elaboración

de propuestas de
investigación cuantitativa
Elaborado por: Alejandro Granda Sandoval
Conclusiones y recomendaciones finales

De acuerdo a lo presentado en la guía, el trabajo de un investigador tiene su

inicio en el surgimiento de una primera percepción del problema, la cual, a
pesar de ser algo vaga, debe ser acompañada tanto de los conocimientos
previos como de la revisión del estado del arte sobre el tema. La idea inicial
tiene su primer desafío al transformarse en un problema de investigación, este
primer desafío implica entender a cabalidad el vacío de conocimiento que
piensa cubrir dicha idea.

La rigurosidad con la que el investigador haya superado este primer desafío,

marca de manera importante el trabajo de investigación. Tan pronto el
investigador tenga claridad en las virtudes y limitaciones de su idea inicial,
deberá describir, delimitar, definir, plantear y formular el problema de
investigación. Esto es, deberá manejar todos los puntos que rodean al
problema de investigación, las relaciones entre los elementos que forman parte
de ese horizonte, definiendo luego la elección del tema específico que piensa
discutir además del alcance del mismo. En esa medida, el investigador podrá
plasmar de manera clara los objetivos generales, específicos y la hipótesis,
elementos que se reflejarán en el planteamiento y formulación del problema.

En una etapa posterior, el investigador plantea una estrategia de investigación

que decanta en la elección de un método considerando el problema a tratar, la
naturaleza y el tratamiento de la información disponible, así como la posibilidad
de contar con información estructurada o no estructurada. Efectivamente, el
investigador no debe basar la elección de un método en función del
desconocimiento de los otros.

En la parte central de la guía se introdujeron una serie de recomendaciones en

relación al empleo de bases de datos. Tal y como resalta Worswick (1972),
buena parte de los aportes de la econometría se han concentrado resolver

1
problemas de estimación con modelos complejos que asumen cierta calidad de
la información, existiendo escasa información sobre la modelación con datos de
poca calidad. Debido a ello, algunos investigadores van descartando sus
propuestas de investigación debido a la brecha existente entre los
conocimientos de econometría teórica y las posibilidades de modelación 1. La
guía pretende efectivamente cubrir dicha brecha con una serie de
recomendaciones que se inician en el tratamiento de la información disponible.

El investigador debe estar al corriente de las limitaciones muestrales, es decir,

el nivel de inferencia, los sobremuestreos generados, las concentración de las
tasas de no respuesta. Al mismo tiempo, la guía elabora una serie de
recomendaciones relacionadas al emparejamiento de bases de datos, tanto en
el caso de contar con las mismas unidades muestrales (panel de datos) como
al contar con unidades diferentes (datos agrupados). Como se mencionó en el
documento, un elemento clave en el caso de emparejar bases de datos de
información transversal (variables adicionales) es el contar con los mismos
niveles de inferencia y los mismos diseños muestrales. Debido a que esta
posibilidad se encuentra rara vez disponible, se compartieron algunas
sugerencias basadas en técnicas y supuestos que permiten dar sustento válido
a un emparejamiento confiable.

Por último, se compartieron algunos problemas comunes al generar

regresiones empleando datos provenientes de encuestas de condiciones de
vida y desarrollo productivo. Se resaltaron aquellos problemas que
efectivamente vuelven inconsistente al método de MCO y aquellos que afectan
la eficiencia de los parámetros estimados. Buena parte de estos problemas
podría ser resuelto mediante tres métodos expuestos, efectos fijos con datos
de panel, variables instrumentales o el método de heckman para el caso de
sesgos de selección.

1
Leamer (1978) realiza una interesante analogía al decir que los econometristas teóricos viven
en el tercer piso del edificio mientras los economistas que modelan se encuentran en el
primero.

2
A continuación se presentan algunas recomendaciones finales basadas en el
aporte de algunos autores reconocidos:

a) Las mejores prácticas en estadísticas se basan en unir la experiencia y

el sentido común. Conviene analizar cuidadosamente el hecho social
que es sujeto de estudio antes de realizar una regresión que carezca de
sentido común (Preece, 1987).

b) Conviene cerrar primero el proceso de formulación del problema de

investigación, antes de plantear la estrategia de investigación. Si bien el
interés de aplicar un método original y novedoso puede ser una de las
principales motivaciones en la propuesta de investigación, el
investigador debe concentrarse en el problema no en el método. Si la
pregunta se encuentra mal planteada, es posible que la estrategia de
investigación permita alcanzar una muy buena respuesta a una pregunta
distinta a la que nos interesa (Tukey, 1962).

c) Las bases de datos acumulan cifras que representan un evento ocurrido

en un contexto, el investigador debe conocer plenamente ese contexto y
al mismo tiempo conocer a detalle las virtudes y limitaciones de la
información que se plantea emplear (restricciones operativas, protocolos
de levantamiento de información, métodos de imputación, selección de
la muestra, etc). Si bien el problema de investigación no es el estudio de
una base de datos, el investigador que decida emplear métodos
cuantitativos debe conocer la base de datos a detalle (Moore, 1990).

d) El análisis de la calidad de datos resulta fundamental cuando las

unidades de observación se encuentran a nivel de individuos, empresas
u hogares. El investigador debe incluir en su trabajo el análisis de
potenciales valores atípicos o truncamientos de muestreo que no son
reportados adecuadamente en las fichas técnicas. Esto implica ser algo

3
 escépticos con la bases de datos pero es un ejercicio indispensable para
llegar a resultados consistentes al emplear microdatos (Chatfield, 1985).

e) La modelación empleada debe intentar ser la más sencilla posible. Sería

ideal que todos pudiéramos estimar resultados a través de regresiones
que empleen el método de MCO, sin embargo, gran parte de los datos
disponibles no aseguran la consistencia de sus resultados. Pese a ello,
el investigador no debería definir su interés por investigar en función del
conocimiento sobre un método complejo, debe recordar que la
complejidad del modelo responde en gran medida a “problemas” en las
bases de datos. Es decir, las estimaciones con modelos sofisticados se
encuentran mucho más expuestas a errores e inconsistencias en los
datos (Griliches, 1985).