Enfoques y metodologías

de las ciencias sociales

Una perspectiva pluralista
 Soo “4

D is e ñ o interior y c u b ie rta : R A G

R e s e r v a d o s t o d o s l o s d e r e c h o s . D e a c u e r d o a lo d i s p u e s t o e n
el art. 2 7 0 d e l C ó d i g o P e n a l , p o d r á n s e r c a s t i g a d o s c o n p e n a s
d e m u l t a y p r i v a c i ó n d e l i b e r t a d q u i e n e s s i n la p r e c e p t i v a a u t o r i z a c i ó n
re p ro d u z c a n , p la g ie n , d is trib u y a n o c o m u n i q u e n p ú b lic a m e n t e , en to d o o e n p a rte ,
u n a o b r a l i t e r a r i a , a r t í s t i c a o c i e n t í f i c a , f i j a d a e n c u a l q u i e r t ip o d e s o p o r t e .

^ • i-- (.5
*
rU k CSC
a i B L l O-, T EC
.. ... ,,,
■) 'K<">
<
*' ' p,
HE: ......
C : :. ■
Î4B: ,,,,,,
D(. . _____
T ítulo original
A p p r o a c h e s a n d M e í h o d o l o g i e s i n t h e S o c i a l S c i í f n c e s . /A P l u r a l i s t P e r s p e c t i v c

P u b l i c a d o o rig i n a lm e n te p o r C a m b r i d g e U n iv ersity Press, 2 0 0 8

© E d i c i o n e s A k a l . S. A ., 2 0 1 3
para le n g u a e sp añola

S ecto r Foresta, 1
28760 T res C antos
M adrid - E sp añ a

Te l. : 9 1 8 06 1 9 9 6
Fax: 9 1 8 0 4 4 0 2 8

w w w .a k a l.c o m

IS B N : 9 7 8 -8 4 -4 6 0 -3 0 6 2 -1
D e p ó s i t o le g a l: M - 7 . 7 3 7 - 2 0 1 3

I m p r e s o e n C o l a s . S. A
M ó stoles (M a d rid )
 D O N A TEL LA D E L L A PO R TA
Y M IC H A E L K EA T IN G (E D S .)

ENFOQUES
Y METODOLOGÍAS
DE LAS CIENCIAS
SOCIALES
Una perspectiva pluralista
Traducción:
Raquel Vázquez Ram il
 A N Á L IS IS C U A N T IT A T IV O

M a r k F r a n k lin

La cuantificación es una m anera de utilizar el m éto d o científico para

descubrir cosas sobre el mundo. En las ciencias sociales es ta m o s tratando
de descubrir cosas sobre el m undo social, pero el e n fo q u e q u e utilizam os
puede considerarse com o científico. El enfo q u e científico trata de abstraer
los rasgos sobresalientes de los m atices y detalles de u n a historia para
luego integrarlos en una declaración (o declaraciones) teórica(s) que
conserve(n) su validez en cualquier situación que p u e d a definirse de
acuerdo con los términos de las m ism a s abstracciones. Es de su p o n e r que
si esa declaración teórica no conserva su validez en alg u n a situación e s ­
pecífica se d ebe a que la teoría era erró n e a o a que no e stab a bastante
elaborada. La elaboración de teorías sociales, cuya finalidad consiste en ir
agregando rasgos del mundo que son necesarios para una explicación
completa de este, es un atributo im p o rta n te del e n fo q u e científico. Sin
embargo, para que la elaboración llegue lo m ás lejos p osible necesitam os
utilizar el análisis cuantitativo, tal c o m o este capítulo tratará de mostrar.
La transición desde los estudios de ca so al análisis cuantitativo d ep e n ­
de ampliamente del número de casos. D e un solo caso no es posible sacar
conclusiones causales. De dos casos se p u ede elim inar algo c o m o con di­
ción necesaria para algo distinto. D e tres casos se pueden elim in a r dos
cosas o tam bién es posible em p ez ar a hac er declaraciones cuantitativas
(por ejemplo, podría encontrarse algo q u e se aplique dos de ca d a tres ve­
ces). Tan p ron to com o em pezam os a d ec ir cosas c o m o «esto sucede dos
de cada tres veces», estamos h ac ie nd o un análisis cuantitativo. Pero si
queremos hac er tales declaraciones n ecesitam os ser ca p aces de abstraer
rasgos generales que son com unes a m u ch o s casos, lo cual hace que la
base teórica de un estudio cuantitativo d eb a ser m ás elab o rad a q u e la de
un estudio de caso. También nec esitam o s un núm ero bastan te m ás eleva­
do de casos.
 R ed es so cia les A u sen cia d e redes
m últip les con co n tra ste so c ia le s incluso
de h ip ó tesis (C 12) h o y día
G obernanza N o r te de Italia
dem ocrática
d e alta c a l i d a d

G obernanza m ediocre S u r d e Italia

F u e n te : a d a p t a d o d e P u t n a m (1 9 9 3 ) .

T a b la 1 3 .2 . G o b e r n a n z a y r e d e s s o c i a l e s
(d e s p u é s d e e s tu d io s a d ic io n a le s)

A m p lias redes so ciales A u sen cia d e redes

con co n tra ste so c ia le s incluso
de h ip ótesis (C 12) h o y d ía
G obernanza 2 0
dem ocrática
de alta c a li d a d

G obernanza m ediocre 1 3

Eo que no está claro es cóm o cuantiíicar la expresión «bastante más

elevado» y, en la práctica, existe una superposición bastante grande entre
lo que un investigador considera co m o «un estudio de casos múltiples»,
mientras que o tro lo denom inaría «un estudio reducido de N casos» (en la
tradición cuantitativa la letra N se refiere al «núm ero de casos»; basta con
que veam os caso s a los que se alude de esta m anera para que sepamos que
estam os ley en d o algo escrito de acuerdo con la tradición cuantitativa).
De esta m anera, el hecho de que uno haga estudios de caso o estudios
cuantitativos dep end e en gran medida, y con amplia superposición, de la
tradición en la q ue trabajemos, no de lo que estemos haciendo. Considere­
mos un ejem p lo del estudio de Robert Putnam sobre la dem ocracia en Italia
(1993) (tabla 13.1). Este famoso e jem p lo 1 fue puesto en entredicho pocos

1 M a k in q D e n io c r a c y W ork ¡ Q u e h a c e r p a r a q u e fu n c io n e la ¿ le rn o e r a e ia j, d e R obert Put-

n a m , e s t a b l e c i ó el c o n c e p t o de «cap ita l s o c ia l» e n la l i t e r a t u r a c o n t e m p o r á n e a d e las ciencias po­
lí tic as (q u e s e o r i g i n ó e n los tra b a jo s del s o c i ó l o g o J a m e s C o l e m a n ) . Hn su lib r o p o s te r io r, fío n ’linji
años después en una tesis doctoral de Harvard q ue estudió regiones de F ran­
cia y encontró un caso de pobre gobernanza incluso donde había redes so­
ciales desde hacía m ucho tiempo. ¿Qué se p odía hacer ante esta contrarie­
dad? Una posibilidad consistía en realizar estudios adicionales con la
e s p e r a n z a de descubrir que los resultados franceses o los italianos eran ca­
suales, tan poco habituales co m o para no preocuparse de ellos. Después de
mucho trabajo, uno habría p odido encontrarse con la tabla 13.2, en la que
dos casos de gobernanza de alta calidad y tres casos de gobernanza de baja
calidad igualarían los resultados de Putnam, m ientras que la excepción en­
c o n t r a d a en la tesis que acabam os de m encionar sería única.
Parece bastante definitivo q ue los resultados de P u tnam conservan su
validez mucho más a m e n u d o que lo contrario. A d e m á s , po dem os e x p re­
sar los resultados co m o u na condición que p arece necesaria para la b uena
„obernanza (ninguno de los ejem plos de g o b e rn a n z a de alta calidad en la
Tabla 13.2 ocurre sin dich a condición), incluso si esa condición no es su ­
ficiente para asegurar u na b u en a gobernanza.
Por supuesto, sería m u ch o más interesante q u e d escubriésem os p o r
q u é ocurría la excepción, para lo cual n ecesitaríam os utilizar casos adi­
cionales con el fin de d esc u b rir si había alguna otra condición que influ­
yese en la excepción. Si encontrásem os un ingrediente mágico (llam ém oslo
«espíritu em prendedor») al que atribuir la diferencia, podríam os realizar
la tabla 13.2. Esta p rue ba m ás elaborada nos p erm ite ver que hay dos
condiciones y que am b as d eben estar presentes p ara que exista una g o b er­
nanza de alta calidad dem ocrática: la que P u tn a m encontró necesaria y
una condición adicional que él desconocía y q u e parece ser responsable
del excepcional caso francés. Esta condición adicional resulta ser una s e ­
gunda condición necesaria para una gobernanza de alta calidad; el espíri­
tu emprendedor en au se n cia de amplias redes sociales no da lugar a una
gobernanza de alta calidad y tam po co lo hacen am plias redes sociales en
ausencia de un espíritu em prendedor.
Añadiré ahora los n o m b re s de las regiones c o n c ern id as en una tabla
más simple, en la que dos variables co n d icio n a n te s determ inan dón de
aparece cada región en la tabla, m ientras que la ca lid a d de la gob ern an za
en cada región está in d icad a por una 0 o una El (tabla 13.4). Incluso si
las dos tablas nos p erm iten utilizar la m ism a ló g ica deductiva, la tabla
13.4 es de las que uno e sp e ra ver en un estudio de casos m últiples, m ie n ­
tras que la tabla 13.3 es de las q u e uno espera ver en un estudio de an á li­
sis cuantitativo. (En la tabla 1 3.4 he utilizado la term in o lo g ía del auto r de
la tesis.)

Alone | S a i:' en ¡a b o le r a , tít u l o q u e h a c e r e f e r e n c i a al a l i m e n t o d e l i n d i v i d u a l i s m o e n la s o c i e d a d

estadounidense (TV. d e l T.)], el p r o p i o P u t n a m lo d e s a r r o l l ó , p e r o o tro s científicos políticos ta m b ié n
utilizaron las id e a s de M a k in g D e m o c r a c v W ork, de tal m a n e r a q u e en añ o s recientes los estu d io s
sobre el cap ita l s ocial se h a n c o n v e r t i d o e n a l g o p a r e c i d o a u n a ind u stria en c re cim iento.
 A u s e n c i a d e espíritu
E s p ír it u e m p r e n d e d o r
em prendedor
A usencia Ausencia
de redes de redes
G o b ern an za 0
de alta calidad

G obernanza
m e d i o c re

T a b la 1 3 .4 . C o m u n id a d e s con política territorial

A m p l i a s re d e s s o c i a le s
------
Sí No
E sp íritu e m p r e n d e d o r p o lí ti c o B retañ a Languedoc X

Toscana >/

A u s e n c ia d e e s p í r i t u e m p r e n d e d o r A q u itan ia X P rovenza X

L ig u ria X

F u e n te : S m y r l 1997.

P o r s u p u e s t o , c o n s o l o s e i s c a s o s p a r e c e d i f í c i 1 e s t a r s e g u r o d e que
uno ha agotado las posibilidades. P o d ría h a b e r nuevas e x c ep cio n es a la
vuelta de la e s q u in a y sería n ec esario te n e r en cuenta n uev as condicio­
nes. Pero p arece b a sta n te obvio q ue p a ra d es c u b rir m ás necesitaríamos
m uchos casos a d ic io n a le s y con m u c h o s ca s o s ad icionales el formato
utilizado en la ta b la 13.3 se vu elv e m á s útil q u e el de la ta b la 13.4. Si
dispusiéram os de d o c e n a s de n o m b re s en la tabla 13.4 en vez de solo
seis, la in fo rm ac ió n no sería m uy útil en ese formato. C o n m ás de diez
casos parece útil u tiliz a r n úm eros q u e re s u m a n lo que h e m o s aprendido,
sustituyendo la especificid ad p o r la g e n e ra lid a d . Pero con los «estudios
con pocos n ú m e ro s [N J de casos [small-A' studies, sA's] lo q ue puede
decirse con n ú m e ro s es bastante lim itado. D e sd e esta persp ectiv a, la si­
guiente línea d iv is o ria se en c u e n tra e n la tran sición a « e stu d io s con am­
plios TVcasos [la rg e -N studies, W sJ», en los q ue es p o sib le h a c e r uso de
toda la poten cia d e es o que se d e n o m in a «análisis m u ltivariado ». Pero,
de nuevo, los lím ites no son precisos. L os estudios con [sA's] se convier-
ten en e stL]d i o s c o n a m p l i o s N c a s o s [sTVs] e n a l g ú n l u g a r s i t u a d o e n t r e
los 3 0 y l ° s 3 0 0 c a s o s , c o n a n á l i s i s c a d a v e z m á s p o t e n t e s c o n f o r m e v a
a u m e n t a n d o e l v a l o r d e N.
E n to n c e s, ¿ q u é se p u e d e h a c e r c o n lo s e s t u d i o s c o n sN s q u e n o se
pueda c o n l o s e s t u d i o s d e c a s o y q u é s e p u e d e h a c e r c o n l o s e s t u d i o s c o n
p/s p e r o n o c o n l o s e s t u d i o s c o n siVs? P o d r í a m o s d e c i r q u e , c o n f o r m e
au m en ta el n ú m e r o d e c a s o s , e l i n v e s t i g a d o r v a s i e n d o m á s c a p a z d e :

• a) e s p e c i f i c a r l a s c o n d i c i o n e s b a j o l a s c u a l e s l o s e f e c t o s c a u s a l e s s e
n o ta n (la d is e m in a c ió n d e los d a to s );
b) e s p e c i f i c a r la n a t u r a l e z a d e l o s e f e c t o s c a u s a l e s ( l a p o t e n c i a d e l o s
d ato s);
c) especificar las posibilidades de que los efectos sean reales en vez
de casuales (la significación de los datos).

E l v o c a b u l a r io d e l a in v e s t ig a c ió n c u a n t it a t iv a

Las distinciones que acabo de hacer (entre efectos causales disem in a­

dos, potentes y significativos) nos llevan a la principal dificultad del análisis
cuantitativo. Para poder hablar cuantitativamente uno tiene que poder hacer
distinciones que no son naturales para la m ay oría de las personas. M u chas
de estas distinciones, y las palabras que utilizam os para hacerlas, suenan
bastante arbitrarias. En el español común, las distinciones entre potente,
diseminado y significativo no son obvias: todas ellas parecen ser variantes
de la palabra «importante», lo cual es verdad, p ero al igual que sucede con
las (quizá apócrifas) cincuenta palabras diferentes q u e los inuit tienen para
definir la nieve, las distinciones que parecen p o co im portantes desde un
punto de vista pueden parecer m uy importantes desde otros.
Dicho con pocas palabras, un supuesto efecto cau sal es potente si p a ­
rece tener efectos amplios; es d isem in ado si o cu rre en m uchas c irc u n sta n ­
cias y situaciones diferentes y es significativo si es im probable q ue sea
espurio o casual. C uando hab lam o s de accidentes so le m o s utilizar el m is ­
mo vocabulario y distinguim os entre un ac cid ente extraño, que p ro b a b le ­
mente nunca volverá a suceder, y un accidente significativo, que fo rm a
parte de un patrón predecible. Pero incluso un ac cid en te significativo p o ­
dría tener consecuencias leves o limitadas. P o r otra parte, sus c o n s e c u e n ­
cias podrían ser im portantes o disem inadas.
Hay q ue aprender un abun dante vocabulario para p od er hablar de fo r­
ma sensible sobre los resultados de la investigación social cuantitativa o
para entender la literatura sociológica que utiliza d ich o vocabulario. A lo
largo de este capítulo me o cu p a ré de algunas de las palabras más im p o r­
tantes al efecto. Está claro q u e el aprendizaje de la investigación social
cuantitativa necesita algo m ás que vocabulario: tam b ién hay que c o n tar
con las habilid ades correspondientes. Pero siem pre m e ha parecido que e]
vocabulario confunde a las personas m ucho m ás q u e las habilidades. Pue­
de que al lector le resulte útil escribir en una h oja de papel las palabras
entreco m illadas que siguen para disponer de una lista a la que echar m ano
cuando sea necesario.

F u e n t e s d e in f o r m a c ió n c u a n t it a t iv a

La in form ación cuantitativa se puede recoger exactam ente igual que

cualquier otra información: p o r m edio de entrevistas (en la tradición
cuantitativa suelen denom inarse «encuestas») o b u sca n d o en los diversos
co m p en d io s (o en internet). A u n qu e no existe una razón lógica para que
siem pre sean verídicas, las encuestas generalm ente requieren un «mues-
treo» (es decir, la selección de un subgrupo al que entrevistar, puesto que
hay d e m asia d o s individuos para poder entrevistarlos a todos), mientras
que la in form ación que buscam os es generalm ente exhaustiva (podemos
obtener datos de todo el «universo» de casos q ue nos interesan). Es im­
portante saber si la inform ación se recogió m ed ian te m uestreo en vez de
en un universo, porque las m uestras están sujetas a error si tratamos de
generalizar m ás allá de la m uestra. Pisto, por supuesto, se aplica por igual
a m uchos estudios de caso, en los q ue la posibilidad de un «caso no repre­
sentativo» es sinónim o de «mal m uestreo»; p ero hay ciertos tipos de
m uestras («m uestras probabilísticas») con las que es posible utilizar mé­
todos estadísticos para generalizar más allá de la m u e s tra con una proba­
bilidad c o n o c id a de que la generalización será verídica. Se trata de un
rasgo m u y potente de las «m uestras aleatorias», q ue quienes seleccionan
sus casos d e otra m anera no tienen a su disposición; en la tradición del
estudio de caso es estrictam ente imposible decir hasta qué punto un caso
es indicativo de algo. La m ayo ría de las encuestas se basan en muestras
aleatorias. A p esar de que hay diferentes tipos de m uestras aleatorias, que
necesitan distinguirse en la práctica, tales distinciones escapan del objeti­
vo de esta introducción.

L A BASF. DF. D A T O S Y LA M A T R I Z D E D A L O S

Tan p ro nto com o uno em p iez a a hablar de info rm ació n cuantitativa se

ve forzado a hablar de datos. L os datos (siem pre en plural; el uso del sin­
gular es erró neo ) surgen de una inform ación estandarizada. En este senti­
do, un co m p e n d io biográfico contiene datos p orque las características de
cada individuo están incluidas de forma estándar: sexo, fecha de naci­
miento, escolaridad, etc. U n a base de datos va tod avía m ás lejos en la
codificación de los datos estandarizados, pues suele utilizar términos nu­
méricos (por ejem p lo , 1 = mujer; 2 = varón) y ofrece un diccionario o un
«libro de códigos» q u e permite la interpretación de estos. C u an d o está
organizado de esa m anera, el libro de có digo s es conceptualm ente distin­
to de «la m atriz de datos», que es u na tabla organizada con diferentes
celdas en diferentes filas. En la tabla hay colum nas, cada una de las cuales
se ocupa de una característica particular (sexo, edad, renta o partido polí­
tico al que se vota). Estos datos son las «variables». Si se observa la inter­
sección de una fila particular con una c o lu m n a particular se pu ede enco n­
trar la característica particular o «valor» asociado a una celda particular.
De esta m anera, si la participación ciu d a d a n a en las elecciones al Parla­
mento E uropeo fuesen la variable de la tercera colum na de la tabla 13.5 y
Francia estuviese en la cuarta fila, bastaría con ver dónde se cruza la cuar­
ta fila con la tercera co lu m n a para saber q ue la participación de los fran­
ceses fue del 60,7 p or 100 en dichas elecciones.

V A R I A B L E S y N IV F.I. F.S D E M E D I D A

Hablar de variables es com plicado, p ues existen tres tipos distintos. Ya

hemos m encionado im plícitam ente dos: variables com o el sexo, en la que
los valores atribuidos son bastante arbitrarios, y variables co m o la edad,
en la que los valores atribuidos poseen un significado intrínseco (la edad
suele medirse en años). En el caso de una variable «nom inal» com o el
sexo, los varones podrían igual de fá cilm en te recibir el código « 1 » y las
mujeres el «2 » c o m o a la inversa, o bien los dos posibles valores podrían
calificarse co m o «V» y «F». Lo que hacen las variables nom inales es
distinguir las características que se aplican a casos diferentes de acuerdo
con los térm inos de dicha variable y lo único que hacen los valores que
utilizamos es n o m b rar las características (de ahí la palabra «nom inal», del
latín nomen, nom bre). Pero con las variables «intervalares», co m o la
edad, los intervalos entre los valores son significativos (un año o un dólar
o cualquier otra «un idad de medida»).
Hay otros dos niveles de medida q u e son im portantes para los investi­
gadores en ciencias sociales. Las variables pueden ser «ordinales» si los
valores siguen un orden implícito en sus valores num éricos (5 es superior
a 4), incluso si no existe unidad de m edid a; y pueden ser «variables ficti­
cias» si lo único q ue hacen es indicar la p resencia o la ausencia de algunas
características (por ejem plo, 0 = no español; 1 = español). C uan d o los
datos proceden de una encuesta de individuos, las variables m ás frecuen­
tes son nom inales y ordinales, m ientras q ue las variables que necesitam os
de verdad para po der realizar análisis m ultivariados (véase m ás adelante)
son las intervalares. Los investigadores necesitan m uch o tiem po para
«transformar» sus datos con el fin de solucionar este problem a. La solu­
ción que suele adoptarse en la investigación de ciencias políticas consiste
 M atriz, de d atos

P a rtic i­ P a r tic i­ A ños

P aís E le c c io n e s p ación p ación h asta O b ligatorio Prim er
PE n a cio n a l EN PE

gbr 19 79 32 ,2 76 4 0 1
din 19 79 4 7 ,8 86 0 ,3 6 0 1
bel ,1 97 9 9 0 ,4 95 2,4 1 1
fra 19 79 60 ,7 83 2 0 1
ale 1979 65,7 91 1,3 0 1
gre 1981 82,2 82 0 1 1
irl 1979 6 3 ,6 76 2 0 1
ita 1 97 9 84,9 91 4 1 1
lux 19 79 8 8,9 89 0 1 1
hol 1979 57 ,8 88 2 0 1
gbr 1984 3 2 ,6 73 3 0 0
din 1984 5 2 ,4 88 3,2 0 0
bel 1 98 4 9 2 ,2 95 1,3 1 0
fra 1984 56,7 71 1,7 0 0
ale 1 98 4 5 6 ,8 89 2,6 0 0
gre 1984 82,2 82 0 ,9 6 1 0
irl 1 98 4 4 7 ,6 73 2,7 0 0
ita 1 98 4 8 3,4 89 3 1 0
lux 1984 88 ,8 89 0 1 0
hol 1 98 4 5 0 ,6 81 1,9 0 0
p or 1984 7 2 ,4 73 0 0 1
e sp 1984 6 8 .9 70 2,4 0 1

L ibro de códigos
V a ria b le s S i g n i f i c a d o (y v a lo r e s )

País C ó d i g o I D c o n tre s letras

E le c c i o n e s F e c h a d e las e l e c c i o n e s (a ñ o ) l
P a r t ic i p a c ió n P E P a r t ic i p a c ió n en las e le c c io n e s al P a r l a m e n t o E u ro p e o
( p o r c e n ta j e )
P a r t ic i p a c ió n P a r t ic i p a c ió n a n t e r i o r en las e l e c c i o n e s a los
n a c io n a l p a r l a m e n t o s n a c i o n a l e s ( p o r c e n ta j e )
A ños h asta E N A ñ o s q u e fa lta n h a s t a las sig u ie n te s e l e c c i o n e s a los
p a r l a m e n t o s n a c i o n a l e s (a ñ o s y p a r t e s d e a ñ o s )
O b lig a t o r i o Voto o b l i g a t o r i o e n el m o m e n t o d e las e l e c c i o n e s al
P a r l a m e n t o E u r o p e o (0 = no; 1 = sí)
P rim eras P E P r i m e r a s e l e c c i o n e s al P a r l a m e n t o E u r o p e o cele b rad as
en el p a ís (0 = n o ; 1 = sí)

1 E s d e s e ñ a l a r q u e G r e c i a , q u e c e l e b r ó s u s p r i m e r a s e l e c c i o n e s al P a r l a m e n t o E u r o p e o en 1981.
n o se s u e l e d i s t i n g u i r d e los p a í s e s q u e c e l e b r a r o n las e l e c c i o n e s d e 19 7 9 .
 Información adicional
contenida
Variable intervalar* L a b o r is ta s 4 3 % ; C a n t i d a d (los
D e m ó c r a t a s lib e ra le s 1 0 % ; co n se rv a d o re s o b tie n e n un
C onservadores 47 % 4 % m á s q u e lo s l a b o r i s t a s )

Variable o rd in a ria 1 = L a b o ris ta s; O r d e n (s itu a c i ó n r e l a ti v a

2 = D e m ó c r a t a s li b e r a l e s ; d e rech a-izq u ierd a)
3 = C onservadores

Variable n o m in al 1 = L a b o ris ta s; E x clu siv id ad m u tu a

2 = D em ócratas liberales;
3 = C onservadores
Variable ficticia 0 = N o labo ristas; N o s e ,a p l ic a
1 = L a b o ris ta s

* A veces, las v a r ia b le s i n t e r v a l a r e s s o n o b j e t o d e u n a d i s t i n c i ó n a d i c i o n a l : la s q u e t i e n e n u n
«punto c e r o re a l» , q u e s u e l e n d e n o m i n a r s e v a r i a b l e s « a e s c a l a c o c i e n t e » , p e r o d i c h a d i s t i n c i ó n
no es n e ce s aria e n la s c i e n c i a s s o c i a l e s .

en tratar variables ordinales como si fuesen intervalares (sie m p re que

haya suficientes categorías) y en recodificar variables n om inales p a ra c o n ­
vertirlas en sus equivalentes ficticias, q u e p u e d e n con sid erarse c o m o va­
riables intervalares honorarias con una u n id a d de m edid a que es la p re­
sencia o la ausencia del atributo en cu estión . Este proceso ex ig e m u c h a
habilidad, pero si se hace correctam ente n o altera los datos2.
En la tabla 13.6 no solo vemos ejem plos de diferentes tipos de variables,
sino también un resumen de la información adicional necesaria para m o d i­
ficar una variable en un nivel más elevado q ue el que está situado deb ajo en
la tabla; esta es también la información adicional transmitida po r esa co di­
ficación. Puede considerarse que las variables ficticias son las q u e tra n s m i­
ten el nivel más bajo de información: la p resencia o la ausencia de un atri­
buto. Las descripciones realizadas en un lenguaje ordinario g eneralm ente
consisten en hileras de atributos («el h o m b re tiene ojos azules»). El hecho
de hablar de atributos nos permite poner juntos diferentes atributos del m is­
mo tipo («el hom bre tiene un ojo azul y otro verde»). Basta con q u e su b a ­
mos hasta el nivel nominal para poder afirm ar que los atributos son m u tu a ­

• La m u tu a e x c l u s i v i d a d d e las v a r ia b le s de n iv e l n o m i n a l ( v é a s e m á s a b a j o ) n o e s a l g o c u y o
conocimiento s ea d e m a s i a d o ú ti l, a s í q u e la a u s e n c i a d e e s t a i n f o r m a c i ó n n o e s m u y c o s t o s a . El
hecho de p r e te n d e r q u e h a y u n a u n i d a d de m e d i d a p a r a u n a v a r i a b l e d e niv e l o r d i n a l n o n o s
cuesta gran c o s a en la p r á c t i c a .
m ente exclusivos; solo se nos permite votar a un partido político, de manera
q ue el código «conservador» excluye a «laboristas» y «demócratas libera
les». Si dam os un paso más en dirección al nivel ordinal introducimos algún
co ncepto adicional que nos permite ordenar los valores y que también intro
duce la posibilidad de codificar erróneamente la variable según este con
cepto, tal com o sucede en el ejemplo de la tabla, en el que los comentaristas
discuten sobre si los «laboristas» y los «dem ócratas liberales» han inter­
cam biad o escaños recientemente en términos de izquierda-derecha.
H a b lar de variables requiere de nosotros que hagam os una nueva dis­
tinción, entre las variables que estamos tratando de explicar (variables
depend ientes) y las variables que estamos utilizando para explicarlas (va­
riables independientes). En el ejemplo cjue hem os utilizado m ás arriba, la
c alid ad de la gob ern an za democrática era la variable dependiente porque
estáb a m o s tratando de responder a la pregu nta «¿D e qué depende la cali­
d ad de la gobernanza?». La amplitud de las redes sociales y la disponibi­
lidad del talento em presarial eran variables independientes, porque en
este análisis no es tá b a m o s preguntando de q u é dependían. (N ótese que
en otros trabajos de investigación cualquiera de esas variables podría con­
siderarse dependiente si, por ejemplo, q uisiéram os saber de qué depende
la disponibilidad del talento empresarial.)

U n id a d e s y n iv e l e s d e a n á l is is

Los análisis cualitativo y cuantitativo pueden centrarse en muchos ti­

pos diferentes de entidad. Es posible analizar países, años, regiones, ciu­
dades, escuelas, p ersonas o acontecimientos y muchas cosas más. Las
entidad es que analizam os se denominan unidades de análisis o casos. E l
n ú m e ro de casos, tal c o m o ya se ha dicho, se representa m ediante el sím­
b olo TV. Las unidades de análisis pueden distinguirse por el nivel de análi­
sis en que están situadas: la unidad nacional se encuentra en un nivel más
alto que el individuo que vive en esa ciudad y en ese país. En la tabla 13.6
el ejem plo que se ofrece de una variable intervalar es el de una variable
d eterm in ada en un nivel más alto, no solo de medida, sino también de
análisis. Para p od er decir que el Partido Laborista obtuvo el 43 por 100
del voto, uno tiene que referirse a una sum a de individuos (probablemen­
te a todos los que han otorgado su voto en unas elecciones particulares de
un país particular), no a un individuo en particular. Dado que los niveles
m ás altos de análisis se refieren muy a m e n u d o a una inform ación sobre
m u ch o s individuos, los datos concernidos suelen denom inarse com o «da­
tos agrupados». Los otros ejemplos de la tabla son ambiguos en lo que se
refiere al nivel del análisis (podrían referirse tanto a partidos políticos
c o m o a individuos), pero es probable que se trate de variables medidas en
el nivel individua] del análisis.
 Aunque es posible investigar cuestiones que se refieren a unidades en
diferentes niveles de análisis, es im portante d ejar claro de qué m anera
estas unidades se relacionan entre sí. Esto es verdad tanto en los estudios
cualitativos co m o en los cuantitativos, pero con los estudios que cuentan
con un am plio N resulta m ás fácil confundirse en lo relativo al nivel del
análisis de los diferentes c o m p o n e n te s del estudio. L o más importante
que debe saberse sobre el nivel del análisis es que los tipos de variables que
encontramos en diferentes niveles tienden a ser diferentes. Ya he m encio ­
nado que con los datos de nivel individual o b ten em o s m uy pocas variá-
bles intervalares; con el fin de hallar un ejem plo de una variable de nivel
intervalar relacionada con las partes tuve que a sc en d er hasta un nivel de
agrupación del análisis. A d e m á s , los datos de nivel individual general­
mente contienen una gran ca n tid a d de errores o «ruido». Las personas
cometen errores cuando re sp o n d en a preguntas de encuestas o cuando
rellenan cuestionarios. Las p erso n as no com prenden las preguntas que se
les hacen o el significado de las respuestas que dan y, m ás importante to­
davía, siem pre hay una disyuntiva entre la persona qüe diseña las pregun­
tas (y, por lo tanto, la codificación de tales preguntas) y la persona que las
responden (y que im plícitam ente proporcionó los valores que se codifica­
rán). Por eso, las preguntas a m e n u d o no logran c o m u n ica r exactam ente
el significado que se pretendía. T odo esto da lugar a errores. En los datos
de mayor nivel suele haber g en e ralm en te m enos error, ya que este a nivel
individual se descarta durante el proceso de agrupación. También tene­
mos muchas m ás posibilidades de encontrar variables intervalares en los
datos agrupados debido a que el acto de agrupar produ ce variables que
cuentan el n ú m ero (o la p ro p o rció n o el porcentaje) de individuos en las
diferentes categorías o con d iferen tes características. El porcentaje de in­
dividuos que votan por el Partido C onservado r (el porcentaje es un fenó­
meno de agrupación) es definitivam ente una variable intervalar, m ientras
que la m ism a variable a nivel individual (la p erso n a que votó al Partido
Conservador) es una variable nom inal, tal co m o ya h em o s visto.
Esto podría sonar co m o una b u en a razón para centrarnos en datos
agrupados en vez de en datos individuales, pero hay un p rob lem a a la hora
de deducir un co m portam iento a nivel individual a partir de datos a nivel
agrupado y viceversa. Por ejem p lo , el hecho de d escubrir que los estados
de Estados U nidos que se ca racterizan por u n a elevada proporción de
negros en su población son estad o s con una elevada proporción de analfa­
betismo, no nos permite d e d u c ir q ue los negros tienen m ás probabilidades
de ser analfabetos. En un fa m o so artículo (R obinso n 1950) se encontró
que en tales estad os no hab ía d ife re n c ia algun a en tre los índices de alfa­
betismo de los blancos y de los negros, pues a m b o s tenían m en os p ro ­
babilidades d e alfabetización. El e rro r de d e d u c ir re la cio n es a nivel in ­
dividual a partir de resultados o b tenidos a nivel agru pad o se d enom ina
«falacia ecológica». Existe una «falacia individualista» correspondiente
si se ded u c en relaciones a nivel agrupado a partir de relaciones de nivel
individual. P or ejem plo, la p otente relación d irecta que se encuentra a
nivel individual entre la ed u c ació n y el voto no se traslada a una relación
directa correspondiente a nivel nacional. Por el contrario, los dos países
cuyo s sistem as educativos se encuentran entre los m ejores del planeta
(E stados Unidos y S uiza) son los que cuentan con los índices de voto más
bajos (Franklin 2004).
P o r eso, los datos d eb e n recogerse y analizarse en el nivel apropiado
de análisis de la p reg unta q u e se investiga y los analistas han de evitar las
generalizaciones en un nivel de análisis distinto del nivel de los datos que
dieron lugar a los resultados. Este requisito es u na instancia de un requi­
sito m á s general, c o m ú n a to d o s los tipos de in vestig ació n (cuantitativa
o cualitativa), el de p e n s a r co n cuidado cuantas variables se m iden y las
d e d u c c io n e s que p u e d e n s a c a rs e de diferentes tip o s de variables utiliza­
das d e diferentes m aneras. El error de m ed id a es siem pre una amenaza
p ara la deducción, ya se trate de trabajos cualitativos o cuantitativos (véa­
se K ing, Keohane y Verba 1994).

E s t a d ís t ic a s

P ara poder hablar de re sultado s cuantitativos en la investigación hay

que utilizar las estadísticas. D e sd e el punto de vista técnico, las estadísti­
cas son «coeficientes» q ue re su m e n cosas de interés sobre los datos. Las
estadísticas son tam b ién procedim ientos m ediante los cuales se llega a
tales coeficientes, g en e ra lm e n te denom inados «análisis estadístico» por
qu ien es los realizan. Un p o rc en taje o una m ed ia es un coeficiente estadís­
tico (den o m in a d o g en e ra lm e n te «estadística descriptiva» porque describe
un « con ju nto de datos», pero m u ch o más interesantes para los científicos
sociales son los coeficientes q ue se ocupan de las tres cuestiones resumi­
das m á s arriba: « d isem in ación» , «potencia» y «significación». Em pezare­
m os p o r el últim o de ellos.

G r a d o d e s ig n if ic a c ió n

L a «significación» se refiere a las p osibilidades de error cuando se

hace u n a afirmación. L os m éto d o s estadísticos nos perm iten determinar
las posibilidades de error so b re conclusiones alca n zad a s a partir de una
m uestra al azar (aleatoria). P o r extensión, la m a y o ría de los investigado­
res aplican estos m éto d o s a cu alqu ier base de datos en la que no existe
razón alg una para d u d a r d e su naturaleza representativa. Las cuestiones
de significación p u eden aplicarse a lo q u e se d e n o m in a «estimaciones
p u n tuales» (por ejem plo, las estadísticas pueden decirnos cuáles son las
probabilidades de equivocarnos si estim a m o s que el P artid o D e m ó c ra ta
obtendrá el 53 p o r 100 del voto b ip artid ista en las sig uientes elec cio n es
presidenciales de Estados U nidos); p e ro m u ch o m ás interesante para los
científicos sociales son las preg untas sobre la significación de una r e la ­
ción entre variables. Si utilizam os el eje m p lo anterior de la relación en tre
la extensión de las redes políticas y la c alidad de la g o b e m a n z a , valdría la
pena conocer las posibilidades de q ue las relaciones h alladas p or P u tn a m
y Smyrl sean significativas, es decir, q u e tengan p o ca s p ro bab ilid ades de
deberse a la casualidad y, por lo tanto, qu e tengan m u ch as de repetirse u n a
y otra vez co nfo rm e exploram os otras regiones y países.
La significación de una relación d e p e n d e de tres cosas:

1) la potencia de la relación;
2) el n ú m e ro de casos investigados al establecer la relación;
3) el grado de certeza necesario antes de q u e e stem o s dispuestos a
acep tar una afirmación c o m o verdadera.

Em pezando po r este últim o punto, si se necesita un 100 por 100 de

certeza (la cual, generalm ente, se d e n o m in a «confianza»), se deducirá q u e
ninguna relación es significativa. En las ciencias sociales p rá cticam en te
todas las afirmaciones son de natu ra leza probabilística (ya sean p ro c e d e n ­
tes de m étod os cuantitativos co m o cualitativos). El e s tá n d a r industrial en
las ciencias sociales cuantitativas co nsiste en aceptar c o m o verdadera u n a
afirmación si es probablem ente c o rrec ta en el 95 p or 100 de los casos en
los que p u e d e generalizarse, lo cual equivale a d ec ir q ue la afirm ación
será falsa en el 5 por 100 de tales casos, razón p or la cual se d e n o m in a
«significación de nivel 0,05 por 100. E s de señalar q u e no se trata de u n a
prueba m u y estricta. Si el 5 por 100 de las situaciones en las que p u e d e
generalizarse un resultado no m u e s tra la relación co n c ern id a, eso signifi­
ca que una de cada veinte situaciones no las m ostrará. Igualm ente, si n o
podemos establecer un resultado en el nivel 0,05 de significación, tod avía
nos queda u na posibilidad entre 20 de que esa relación sea verdadera. Si
queremos u na m ay o r certeza, n ec esitam o s realizar una p ru e b a m ás e s tric ­
ta, por ejem plo , exigiendo una significación en el nivel 0,01, lo cual i m ­
plicaría q u e sería errónea solo una vez de cada 100 si g e n e raliza m o s a
partir del resultado. Pero para eso n ecesitarem o s m ás casos, có m o v am o s
a explicar a continuación.
Si q u erem os estar en co nd icio nes de afirmar qu e existe una relación
entre la abundancia de redes sociales o políticas y la calidad de la gober-
nanza dem ocrática, cuantos m ás ca s o s investiguem os p ara llegar a ella,
mejor será. Si exam inásem os cada ca s o im portante y en c o n trásem o s q u e
todos ellos m uestran la m ism a relación, estaríam os m uy seguros de n u e s ­
tra afirmación. Con un ejem plo ap ro p ia d o de casos esc o g id o s al azar p o ­
demos d ecir lo seguros que estam o s de q ue todos los casos no ex a m in a d o s
m ostrarían la m is m a relación que la en con trad a entre los caso s investiga­
dos. B astantes caso s pueden lograr que sea significativa cu alqu ier rela­
ción en cu a lq u ie r nivel de significación q ue no sea cero, de m anera que
con un n ú m ero suficiente de casos la cuestión de la significación deja de
ser interesante; pero, en general, cuantos m ás casos tengam os, m ejor será
Sin em b arg o , tam b ién es im portante darse cuenta de que, incluso con
un núm ero re lativ am ente reducido de TV, las relaciones p ued en ser signifi­
cativas si son b a sta n te potentes, que es el tercer punto nec esario para la
significación (el p rim ero de los tres en um erad as aquí arriba). Ya debería
estar claro qu e se necesitan m uchos casos para establecer q u e una rela­
ción débil sea significativa, mientras que u n a relación m uy potente puede
establecerse in clu so con relativamente poco s casos. En la infrecuente si­
tuación en q ue e s p e rem o s relaciones tajantes del tipo «todas las X son Y»
o «ninguna X es Y», únicam ente necesitarem os suficientes casos para
descartar el e rro r en la medida. Si esperam os encontrar u na relación me­
nos d eterm in ística (y, co m o ya se ha m encionado, la m ay o ría de las rela­
ciones en las cien c ias sociales son probabilísticas, no determinísticas),
necesitarem os m á s casos para estar seguros de nuestros resultados.

G r a d o d e po t e n c ia

Con el fin de estab le cer la potencia de una relación d e b e m o s determi­

nar la cantidad d e cam bios en la variable dependiente que da lugar al
cam bio (o a los ca m b io s) en la variable (o variables) indepcndiente(s). Un
pequeño cam bio tiene más probabilidades d e ser casual que un gran cam­
bio, pero lo m ás im portante es que un pequeño cambio no es m u y interesan­
te, incluso si se probase que es significativo. Cuando hablam os de potencia
en las relaciones vale la pena pensar en un gráfico en el q u e la variable
dependiente está presentada en el eje horizontal (abscisa) y la variable inde­
pendiente en el eje vertical (ordenada). C ualq u ier m ov im ien to a lo largo
del eje horizontal tiene su correspondencia en el eje vertical, c o m o puede
verse en la figura 13.1.
En este gráfico vem os cómo aumentan las posibilidades de una victoria
del Partido C o n serv a d o r desde solo el 20 por 100 hasta alrededor del 60 por
100 conform e la popularidad del líder conservador aum enta de abajo arri­
ba. Esto corresp o n d e a un 40 por 100 de diferencia (60 por 100 - 20 por 100
o a un «efecto» de 0,4, puesto que los efectos suelen expresarse, co m o pro­
porciones). Se p u e d e p en sa ren la inclinación de la línea según la influencia
que m uestra la variable independiente sobre la variable dependiente. Una
línea casi plana correspo nde a una influencia muy pequeña. U n a línea muy
inclinada corresp o n d e a una influencia m ucho mayor. Un efecto de 0,4 in­
dica m ucha influencia. Por el contrario, está claro que un efecto de solo
0,04 (4 por 100) daría una línea casi plana, casi sin influencia. También es
 100

80

60
%
40

20

0
B a ja A lta
P o p u la rid a d d e l líd e r c o n s e r v a d o r

posible una inclinación descendiente e indicaría una relación negativa: los

valores en aum ento de la variable independiente corresponderían a valores
en descenso de la variable dependiente.
La relación que se m uestra en una tabla (com o las utilizadas más arriba)
puede plasmarse fácilmente en un gráfico c o m o el de la figura 13.1 si se
porcentúa la tabla en la dirección de la variable dependiente. Así, en la tabla
13.2 mostrada aquí arriba (la primera de las relativas a la teoría de Putnam
que incluía cualquier num ero), la variable d ependiente (calidad de la gober-
nanza) desciende; si porcentuam os hacia abajo encontraremos que el 67 por
100 de las regiones con amplias redes sociales (2 de 3) tienen una gober-
nanza de alta calidad, m ientras que 0 por 100 de las regiones sin amplias
redes sociales tienen una gobem anza de alta calidad. Al restar, encontram os
que las redes sociales dan lugar a una diferencia de 67 —0 = 67 por 100 en
la calidad de la go bernanza (a saber, las redes sociales tienen un efecto so­
bre la gobernanza de 0,67). Se trata de un efecto m uy potente en una escala
que va de 0 a 1 y que, trasladada a un gráfico, m ostraría una línea todavía
más pendiente que la de la figura 13.1. La pendiente de la inclinación en
este ejemplo corresponde con nuestra intuición de que una única excepción
a la regla de Putnam no indica gran cosa; pero el limitado número de casos
impediría incluso que un efecto tan potente co m o este fuese estadísticamen­
te significativo incluso en los casos escogidos al azar.

C O R R E L A C ÍO N E S E N T R E VARIA BLES

En este punto nec esitam os desviarnos un p oco para hablar de las c o ­

rrelaciones. En vez de referirnos al efecto de una variable sobre otra c u a n ­
do se ocupan solam ente de dos variables, los científicos sociales a m e n u ­
do hablan sobre la «correlación» entre ellas, generalm ente indicada con el
sím bolo r (o, a veces, R ). R sustituye a «relación» y el hecho de hablar
sobre relaciones (entre variables no nos ex ig e que distingam os entre va­
riables dependientes e independientes. D o s variables están relacionadas
entre sí si sus valores tienden a ir juntos (las p ersonas m ás altas tienden a
p esar más, de m an era que existe una relación entre altura y peso). Tam­
bién se dice que existe una relación negativa o inversa si dos variables
tienden a cam biar a la inversa (cuanto m á s espesas sean las n ub es menos
luz del día habrá). Si am b as variables se sitúan en una escala entre 0 y i
(o, en general, se suele m ed ir a las dos co n la m ism a escala), las medidas
de correlación tendrán ap ro xim ad am ente los m ism os valores que los
efectos de que hem o s hablado. Los efectos d e 0,4 y de 0,67 a los que nos
hem os referido co rresp ond erían a correlacio nes de 0,4 y 0,67 o estarían
m u y cerca de estos valores. Sin em bargo, las correlaciones son preferibles
para algunos fines, p o rq ue el valor de un coeficiente de correlación no
depende de la escala de la m edida de las variables concernidas. Si estuvié­
sem os investigando la relación entre ed a d en años y renta en euros, el
efecto de la ed a d so b re la renta sería s e g u r a m e n te m u cho m a y o r de 1,0
(el aum ento de un año en la edad daría lu g ar seguram ente a varios cientos
de euros m ás en la renta) y sería difícil de interpretar, m ientras que el
coeficiente de correlación estaría en algún lu g ar entre la am plitud que va
de - 1 , 0 a +1,0, igual q u e los coeficientes de los que hem os estad o hablan­
do. La tabla 13.7 m u estra el significado ap ro xim adam ente sustantivo que
debe aplicarse a coeficientes de correlación de diferentes magnitudes
cu ando utilizam os datos de nivel individual y de nivel conjunto (los lími­
tes no son estrictos y algu nos analistas los pondrían en entredicho).
C om o hem os dicho antes, es difícil encontrar relaciones potentes si se
utilizan datos de nivel individual, porque quienes diseñan las categorías de
las preguntas no suelen ser quienes las responden, de m anera que puede
darse cualquier tipo de malentendidos. A sim ism o , los individuos, con fre­
cuencia, dudan de có m o responder incluso las preguntas que entienden co­
rrectamente y a m en u d o no se molestan en p en sa r con cuidado sus respues­
tas. Esto da lugar a una gran cantidad de errores que están prácticamente
ausentes en los datos agrupados o bien se elim inan cuando se agrupa la in­
formación de nivel individual. Por eso, es de esperar una correlación más
potente (y efectos m ás potentes) con los datos agrupados que con los datos
de nivel individual. D e hecho, las correlaciones de nivel individual por en­
cim a de 0,8 no son tan infrecuentes com o para sugerir que alguna parte del
análisis fue errónea porque algo de los datos está mal. M uy a m enudo en
tales casos el analista ha utilizado dos variables que son en realidad medi­
das diferentes de la m ism a cosa, de tal m anera que el resultado es una «tau­
tología». Con los datos agrupados las correlaciones por encim a de 0,9 son
bastante alcanzables (aunque infrecuentes) y solo las correlaciones por en­
cim a de 0,95 sugieren que la pm eba ha alcanzado relaciones tautológicas.
 P o ten cia In te rp reta ció n con In te rp re ta c ió n co n
de la correlación d a to s a nivel in d iv id u a l d a to s a g ru p a d o s
r/R = 0 ,0 0 -0 ,0 6 In s ig n ific a n te In s ig n if ic a n te
r/R = 0 ,0 7 -0 ,1 9 L ig e ra In s ig n if ic a n te
r/R = 0 ,2 0 -0 ,3 4 M o d erad a L ig e r a
r/R = 0 ,3 5 -0 ,4 9 P o te n te M o d erad a
r/R = 0 ,5 0 -0 ,6 5 E s p e c ta c u la r P o te n te
r/R = 0 ,6 6 -0 ,8 0 M u y e s p e c ta c u la r M u y p o te n te
r/R = 0,81 -0 ,9 5 S ospechosa E s p e c ta c u la r
r/R = 0 ,9 6 -1 ,0 0 M uy sospechosa S o sp ech o sa

Sota: las i n t e r p r e t a c i o n e s s e a p l i c a n a r en el a n á l i s i s b i v a r i a d o y a R2 e n el a n á l i s i s
mult iv a ri ado ( v é a s e m á s a b a j o ) .

G rado d e d isem in a c ió n

La diseminación de una relación depende del n ú m e ro de situaciones en

la que se encuentra. U na relación que se encuentra solo cuando existen a m ­
plias redes sociales es m enos disem inada que otra q ue tam bién se encuentra
cuando no existen redes sociales. Para conocer la disem inación de la rela­
ción, hay que utilizar múltiples variables independientes con el fin de e s p e ­
cificar las diferentes circunstancias en las que esa relación aparece o no. En
el ejemplo de Putnam con el que hem os em pezado, la relación entre redes y
gobemanza solo se daba en el caso de que existiese espíritu empresarial, de
manera que esta relación no era tan disem inada c o m o en un principio su p u ­
so Putnam. Cuando una relación se da solo en ciertas circunstancias se dice
que está sujeta a una «interacción». En este caso hab ía una interacción entre
el espíritu empresarial y la am plitud de las redes sociales, de tal m anera que
cada circunstancia ejercía su efecto solo en presencia de la otra. Para p oner
aprueba los efectos de la interacción es necesario utilizar muchas variables
independientes, una por cada una de las circunstancias en las que un efecto
podría, o no, considerarse verdadero. Pero tam bién necesitamos múltiples
variables independientes por otra razón, com o v erem os aquí abajo.

A n á l is is m u l t iv a r ia d o

Hasta ahora, excepto cuando exam inábam os la tesis de Putnam, hem os

hablado solamente de las denom inadas relaciones «bivariadas», que pueden
encontrarse cuando una variable dependiente única se examina en relación
con u n a variable independiente única. Es poco frecuente que se pueda explj
car m u ch o del mundo de las relaciones bivariadas, en parte porque hay tantos
errores en nuestros datos (sobre todo en nuestros datos de nivel individual)
que a m e n u d o necesitan medirse y especificarse para estim ar correctamente
los efectos de las variables de interés3. Pero lo más im portante es que el mun­
do social es un lugar complejo. C om o acabo de explicar, todas las circuns­
tancias que podrían afectar a cóm o es la diseminación de una relación pue­
den tam bién contribuir a una explicación de la variable dependiente de
interés. C u an d o aportamos variables independientes adicionales lo que esta­
mos haciendo es «elaborar» nuestra explicación, tal co m o se mencionó en el
párrafo inicial de este capítulo. De hecho, la necesidad de tener en cuenta
m últiples efectos simultáneos sobre una variable dependiente ocurre en la
práctica con m ayor frecuencia que la necesidad de tener en cuenta los efectos
de interacción. Pero tan pronto com o vamos más allá del análisis bivariado
necesitam os nuevas herramientas para pensar relaciones y cuando utilizamos
tales herram ientas estamos realizando un «análisis multivariado».
H a b la n d o con propiedad, los análisis que realizamos en las tablas 13.3
y 13.4 eran multivariados porque constaban de m ás de una variable inde­
pendiente única. Sin embargo, las herramientas que utilizam os (tablas, por­
centajes, diferencias porcentuales) pertenecían a un análisis bivariado.
C u a n d o pasam os a un análisis multivariado necesitam os pensar en
efectos c o m o si fuesen ecuaciones y este es otro paso que muchos cientí­
ficos sociale s en ciernes encuentran bastante desalentador, a menos que se
les ex p liq u e que las ecuaciones son herramientas perfectam ente sencillas
que to d o s utilizam os im plícitam e n te cada vez q ue .sumamos los impor­
tes qu e d e b e m o s abonar en la próxim a factura del teléfono móvil.
U n a fa ctu ra típica de un teléfono móvil tiene un total que es el resulta­
do de s u m a rle a la tarifa b ásica los importes de llam adas en exceso de un
m áxim o , q u iz á los gastos de itinerancia (roam ing) en el extranjero, quizá
un p o rc e n ta je de impuestos, etc. El resultado es una sum a que puede ex­
presarse c o m o u na ecuación sim ilar a esta:

Total = tarifa básica + exceso en m inutos*tarifa , +

p o r m in u t o
+ itinerancia* tarifa de roaming° p o r m i n u t o

^ E s t o p u e d e p e n s a r s e e n t é r m i n o s d e m e d i d a d e los d i v e r s o s c o n t a m i n a n t e s q u e podrían
a m e n a z a r la f i a b i l i d a d d e los r e s u l t a d o s c u a n t i t a t i v o s . E n a l g u n a s d e la s c i e n c i a s na tu ra le s, la
c o n t a m i n a c i ó n p u e d e e v ita r s e l i m p i a n d o c u i d a d o s a m e n t e los i n s t r u m e n t o s c i e n tíf ic o s . En algu­
n a s c i e n c i a s s o c i a l e s los c o n t a m i n a n t e s h a n d e m e d i r s e y d e b e m o s i n c l u i r i n d i c a d o r e s im p o r ta n ­
te s e n c u a l q u i e r a n á l i s i s q u e e s p e r e l l e g a r a r e s u l t a d o s c o r r e c t o s ( e s o q u e l o s e c o n ó m e t r o s d e n o ­
m i n a n « s i n s e s g o » ) . M u c h a s d e las v a r i a b l e s i n c l u i d a s e n los a n á l i s i s m u l t i v a r i a d o s c a r e c e n de
i n t e r é s e n s í m i s m a s , p e r o se i n c l u y e n p o r q u e se s a b e q u e a f e c t a n a la v a r i a b l e d e p e n d i e n t e y el
h e c h o d e d e j a r l a s f u e r a d a r ía lu g a r a la « o m i s i ó n d e un s e s g o v a r i a b l e » . M e d i r e in c lu ir la conta ­
m i n a c i ó n p u e d e i n c l u s o s u s tit u ir al u s o d e m u e s t r a s a le a to r ia s si la s f u e n t e s d e e r r o r e s tá n e s p e ­
c i f i c a d a s d e f o r m a s u f ic ie n te y a m p l i a .
( q u iz á con otro co m p o n e n te relativo a los im puestos). En la ecuación, el
signo más (+) significa sum a y el signo asterisco (*) significa multiplica­
ción. La gente e n c u en tra bastante sencillo m ultiplicar el n ú m ero de minu­
tos por Ia tarifa p o r m inuto y el n ú m e ro de m inutos de itinerancia por la
tarifa por m in u to de itinerancia y añ a d ir esos dos productos a la tarifa
básica. Lo que les resulta difícil es que las palabras que se utilizan en la
ecuación estén re em p lazad as por s ím b o lo s co m o los siguientes:

Y — ci -(- b ^X ^ + b^Xn

Aquí, el total a p agar ha sido re e m p la z a d o por el sím bolo Y, la tarifa

básica por el s ím b o lo a, el núm ero de m in u to s en exceso por el sím bolo X
con un subíndice de 1 y el núm ero de m in u to s de itinerancia p o r el sím­
bolo X con un su bín d ice de 2. C ad a b es la tarifa por m in uto del número
correspondiente de m inutos (con su sub índ ice apropiado).
El uso de s ím b o lo s en vez de palabras p uede parecer bastante com pli­
cado pero es m u y potente. P or co nvención, siem pre utilizam os el símbolo
yen lugar de la variable dependiente y el sím b o lo X (con diferentes subín­
dices) en lugar de las variables independientes. El sím bolo a se utiliza
siempre para d e n o ta r una constante, q ue p u ed e ser cero si, en un ejemplo
como el de la factura del teléfono m óvil, no existe coste añ ad ido alguno.
Es evidente que p o d e m o s am pliar la ecuació n con m u cho s m ás signos X
sin agotar el espacio de la línea y cjue p o d e m o s hablar conceptualm ente
de lo que estam o s h aciendo sin tener q u e utilizar ningún e jem p lo especí­
fico de variables reales.
En el ejem plo de P utnam p o dríam os represen tar la ecuación que esta­
ñamos evaluando im plícitam ente e x a ctam en te com o la de. arriba, en la
que Y representa la calidad de la g o b e rn a n z a dem ocrática, Aj la amplitud
de las redes sociales/políticas y X9 la dispon ibilidad del espíritu em pren­
dedor. En la práctica, en este ejem plo el térm in o constante (a) era implí­
citamente cero, p o rq u e la calidad de la g ob ern an za era m uy deficiente en
ausencia de las dos condiciones n ec esaria s4. Es de señalar que no pode­
mos estimar re alm en te los efectos inherentes en la tabla 13.2 sin giros
considerables. El único ejem plo que calc u lam o s —el efecto 0,67 de las

4 En re a lid a d , e s t o p o d r í a n o s e r c i e r t o . L a n e c e s i d a d d e e s p e c i f i c a r un t é r m i n o c o n s t a n t e en
una ecu ación l l a m a la a t e n c i ó n , p u e s h a y a l g o q u e t a h a d e la c a r a c t e r i z a c i ó n h a b i t u a l d e los re ­
sultados de P u t n a m . S u p u e s t a m e n t e la c a l i d a d d e la g o b e r n a n z a e n la It a li a s e p t e n t r i o n a l no era
cero y qu iz á e r a d i f e r e n t e e n d i f e r e n t e s r e g i o n e s d e l s u r. lo c u a l i n d i c a la n e c e s i d a d d e e la b o ra r
la teoría de P u t n a m . A v e c e s , el h e c h o d e t r a t a r d e e s p e c i f i c a r n u m é r i c a m e n t e r e s u l t a d o s e m p í r i ­
cos puede p o n e r d e r e l i e v e el h e c h o d e q u e n o h e m o s p r e g u n t a d o las c u e s t i o n e s o b v i a s en un
estudio de c a s o . I g u a l m e n t e , el r e c u r s o a u n e s t u d i o d e c a s o p u e d e s u g e r i r la n e c e s i d a d d e varia­
bles a dic io nale s (o d i f e r e n t e s ) e n u n a n á l i s i s c u a n t i t a t i v o . L o s d o s tip o s d e i n v e s t i g a c i ó n d e bería n
ir de la m a n o , p u e s c a d a u n o d e e llo s p u e d e i l u m i n a r al o t r o . F r a n k i i n ( 2 0 0 4 ) u t i l i z a a m b o s e n f o ­
gues ju n to s d e e s t a m a n e r a ( v é a s e t a m b i é n la n o t a 7, in fr a ).
redes sobre la calidad en el caso de q ue el espíritu e m p re n d e d o r estuviera
disp onible— es lo que se d e n o m in a un «efecto parcial», un efecto que se
aplica solo a una circunstancia específica.
P ara calc u lar efectos de variables independientes sobre variables de­
pend ien tes en un análisis m u ltiv ariado hay varios m é to d o s disponibles
pero el m ás utilizado se d e n o m in a «análisis de la regresión».

- A n á l is is d e l a r e g r e s ió n

Este tipo de análisis debe su n om bre, por extraño q ue parezca, al he­

ch o de q ue fue desarrollado po r un genetista para estu d iar la manera en
que los d escend ien tes que son m ás altos o m ás b ajo s q ue sus padres tien­
den a ten er hijos cuya altura «reg resa hacia la m edia». En esta breve in­
tro ducció n no tenem os necesidad algu na de ex plicar la m an era en que se
realizan los cálculos. Todo lo q ue n ecesitam os es s a b e r que, con cualquier
variable d epen diente Y el análisis de la regresión p ro d u c e valores parala
con stan te a y p ara cada una de las b utilizadas en la investigación de las
relaciones concernidas. El análisis d ebe p rop orcion ar los datos para Y, así
co m o para ca d a una de las X, q u e gen eralm ente estarán incluidas en una
m atriz de d atos co m o la que h e m o s presentado m ás arriba. Al utilizares-
tos m is m o s datos de la tabla 13.5, p odem o s investigar si el grado de par­
ticipación en el voto en las eleccion es al P arlam ento E u ro p e o en diferen­
tes países es predecible en relación con el grado de participación en las
eleccio nes nacionales más recientes en cada uno de los países junto con el
periodo de tiem p o que debe tran scurrir hasta las p ró x im a s elecciones na­
cionales, junto con una corrección debida a la o b ligatoriedad en el voto
(los países con obligatoriedad en el voto suelen v otar m u c h o menos que
los d e m á s en las elecciones al P arlam ento Europeo). Los resultados pue­
den e x p resarse en la siguiente ecuación:

E lec cio n es al PE = 24,7 + 0,30*participación nacional +

+ 32,9 *v oto obligatorio + 7 ,2 *P rim eras PE

E sta ec u ació n nos diría que existe un m ínim o en la participación en las

eleccion es al Parlam ento E uro pe o de alrededor del 25 po r 100, al cual hay
que aña dirle una pequeña p ro p o rció n (0,30) de la participación en la elec­
ción nacional, pero con una co rrección que añade casi un 33 por 100 en
países con voto obligatorio y otros 7,2 por 100 en el caso de que se trate
de las p rim era s elecciones al P arlam ento E u ro p e o q u e se celebran en el
país en cuestión.
P o r supuesto , la extracción de la inform ación sobre la participación en
un p a q u e te estadístico no es nada sencilla. La tabla 13.8 reproduce una
porción de esa participación o b ten id a de un paq u e te inform ático típico.
 P a rticip ación
en las elec cio n es C oeficien te e.e. t P r o b a b ilid a d
al P arlam ento E u ro p eo
P a rtic ip a c ió n e n la s
e leccio n es n a c i o n a l e s 0 ,3 0 0 ,1 8 1,66 0 ,1 0
O b lig ato rio 3 2 ,9 0 3 ,3 0 9 ,9 5 0 ,0 0
Prim eras 7 ,1 6 2 ,9 0 2 ,4 7 0 ,0 2
(C o n stan te) 2 4 ,6 7 1 4 ,0 2 1,76 0 ,0 8

N úm ero d e o b s e r v a c i o n e s 64
F (3, 60) 6 6 ,3 8
Prob > F 0 ,0 0
R2 0 ,7 7
R 2a ju sta d a - 0 ,7 6

que da lugar a la ecuación de aquí arriba. Los nom bres de las variables apare­
cen abajo a la izquierda (las variables dependientes en primer lugar). Los coe­
ficientes en la segunda columna son los utilizados en la ecuación. O tros coefi­
cientes se describen después o son ajenos a este capítulo, pero la colum na
titulada Probabilidad (a veces, Probabilidad está abreviada com o P) ofrece el
nivel de significación de cada efecto. El hecho de que el efecto de la participa­
ción nacional tenga una probabilidad de 0,10 de ser falsa indica que la partici­
pación en las elecciones al Parlamento Europeo no se ve probablem ente afec­
tada por la participación en las elecciones nacionales anteriores, de m anera
que este componente de la ecuación debería ser eliminado en la práctica (y
será eliminado en la tabla 13.9 conforme avancem os en nuestra historia).
Los resultados del programa de la regresión tam bién nos in dica la R 2
asociada con el análisis, entre otras m uchas estadísticas. N o constituye sor­
presa alguna que la R 2 sea el cuadrado de R (o r), que es el coeficiente que
a menudo se utiliza para describir relaciones bivariadas descritas antes. Se
obtiene el valor al cuadrado en el análisis m ultivariado en parte p o rq u e con
más variables independientes es más fácil alcan zar un valor elev ado de R.
Al elevar este coeficiente al cuadrado se obtiene un coeficiente m ás bajo y
más apropiado para el uso en el análisis m ultivariado (una p ro po rción de
una proporción es una proporción más pequeña, por ejemplo la m itad de una
mitad es un cuarto). Con el fin de evaluar los valores de R 2 p uede utilizarse
la tabla 13.7 para interpretar valores diferentes de r. Un resultado m ultiva­
riado espectacular de nivel individual es el q u e obtiene un valor R 2 superior
a 0,5, mientras que con datos agrupados la R 2 tendría que ser su p erio r a 0,8
para ser espectacular, etc. La tabla 13.8 tam b ién enum era una R 2 ajustada,
que es el valor que se com unica generalm ente.
 En el resto de esta sección describiremos el análisis que siguió al des
cu brim ien to (ilustrado en la tabla 13.8) de qu e la participación en las elec
c io n es al Parlam ento E urop e o (PE) no se vio significativamente afectada
p o r la participación en las elecciones nacionales anteriores en cada pafs
E ste resultado co n stituyó una sorpresa, p o rq u e las elecciones al Parla
m e n tó E uropeo se supone que son secundarias a las elecciones nacionales
( R e if y Schm idt 1980), lo cual dem uestra rasgos de la situación nacional
m á s q ue de las eleccion es al Parlamento E u ro p e o en sí mismas.
Así, aunque p arece natural teorizar que un determ inante principal de
la participación en las elecciones al Parlam ento Europeo es la participa­
ció n en las elecciones nacionales, el coeficiente im portante no es signifi­
ca tivo en la tabla 13.8.
L a tabla 13.9 presen ta los resultados de u na serie de diferentes análisis
de la regresión (descritos com o «modelos» en la tabla), cada uno de los
cu a le s utiliza variables independientes ligeram ente distintas, con el fin de
llegar al lector a través de los resultados que llevaron a rechazar la teoría
supu estam en te m ás atractiva y a aceptar un m o d elo (quizá sorprendente
p ara algunos) que no utiliza la participación en las elecciones nacionales
c o m o variable independiente. La tabla está dispuesta a la m anera de los
a rtíc u lo s en p e rió d ic o s contem poráneos, con los n om bres de las varia­
b les independientes en la colum na de la izquierda y un par de coeficientes
p a ra ca d a variable y ca d a m odelo. El p rim e ro d e cada par de coeficien­
tes para cada m o d elo es el coeficiente de m a y o r interés, el coeficiente b
q u e podría tom arse del resultado de un p ro g ra m a inform ático (como se
ilustra en la tabla 13.8) y convertirse en una ecuación (com o la presentada
m á s arriba). El seg u n d o coeficiente de cada par está encabezado por e.e.
(es decir, el «error están dar», que puede en c on trarse también en la tabla
13.8), el cual m id e cuánto error puede haber en cada coeficiente b; a veces
el error estándar entre paréntesis aparece bajo su coeficientes b correspon­
diente. Para los fines de este capítulo no es im portante com p ren der estos
coeficientes, pero se utilizan con el fin de d e term in a r el nivel de significa­
ción del efecto (los coeficientes de P robabilidad de la tabla 13.8), que en
las tablas publicadas parecidas a la tabla 13.9 está generalm ente indicado
p o r uno o más asteriscos después del coeficiente. La cuestión fundamen­
tal q u e estos coeficientes responden es, «¿cu án to error hay en el coefi­
cie n te b con respecto a su tamaño?»; c o n fo rm e la cantidad de error se
a c e rc a o excede al tam añ o del coeficiente, la significación se reduce. En
la tabla 13.9 los coeficientes tienen un asterisco para m ostrar que son
significativos en el nivel 0,05 y dos asteriscos p ara m ostrar que son signi­
ficativos en el nivel 0,01, pero también p u ed e n verse otras convenciones?

El c o c i e n t e d e c a d a c o e f i c i e n t e d i v i d i d o por su e r r o r e s t á n d a r se o f r e c e e n la c o l u m n a t en
la t a b l a 13.8. E s te c o c i e n t e d e t e r m i n a el ni v e l de s i g n i f i c a c i ó n d e c a d a e f e c t o , la « P robabil id ad»
e n la t a b l a 13.8 o el n ú m e r o d e a s t e r i s c o s en Ja ta bla J 3 .9 .
 M o d e lo A M o d e lo B M o d e lo C M o d e lo D
V ariab les
b ( e .e .) b ( e .e .) b (e .e .) b ( e .e .)
in d e p e n d ie n te s

Participación EN 0,30 (0,18)

Obligatorio 32,90 (3,30)« 36.22 (2,66)** 38,30 (2,98)** 38,62 (2,74)**
Primeras 7,15 (2,90)* 8,30 (3,86)* 1,51 (5,38)
Primeras * 9,41 (6,34) 10,92 (3,31)**
no obligatorio
(Constante) 24,67 (14,02) 47,80 (1,62)** 47,15 (1,66)** 47,14 (1,65)**
p} ajustada 0,76 0,75 0,75 0,76
¿V 64 64 64 64

Nota: la v a r ia b le d e p e n d i e n t e e s P a r t i c i p a c i ó n PH ; p ~ * 0 , 0 5 , * * 0 , 0 1 .

La significación que se da a los asteriscos siempre se expresa en una nota al

pie de la tabla. Cuando los datos proceden de una m uestra aleatoria existe
solo una posibilidad entre 100 de error cuando afirmamos que los efectos
con dos asteriscos son reales. Pin las dos últimas filas, al pie de cada modelo,
se presenta el núm ero de casos incluidos en el análisis (N ) y la R 2 asociada
con el análisis, las cuales ya se describieron en relación con la tabla 13.8.
Tras esta m ín im a introducción podem os explicar p or qué la noción a
priori más sugerente (a saber, q ue la participación en las elecciones al
Parlamento E u rop eo dependería de la participación en las elecciones n a­
cionales) fue rechazada y se esc o g ió otra explicación q u e ni siquiera alu­
de a las elecciones nacionales. El m odelo A es el ya presentado en la tabla
13.8, repetido co m o referencia. Se trata del m odelo q ue teóricamente se
esperaba; sin em bargo, la participación nacional d em o stró que no es sig ­
nificativo (ausencia de asteriscos en el efecto de 0,30). En el M odelo B
vemos qué sucede cuando s im p le m e n te elim inam os la participación n a ­
cional del m odelo. Las otras variables aum entan un poco sus efectos, pero
el efecto de las prim eras elecciones sigue siendo significativo solo en el
nivel 0,05 y la variante explicada (R 2 ajustada) d ism inuy e un poco. Al
pensarlo bien parece que quizá estam o s especificando m al nuestra prim e­
ra variable de elecciones, p orqu e teóricam ente el hecho de que haya algo
especial en unas elecciones no debería afectar a la participación en un
país cuyo voto es obligatorio. El hecho de especificar una interacción
apropiada entre las primeras elecciones y el voto obligatorio, además de
las primeras elecciones, da lugar a un m odelo (M odelo C) en el que nin­
guna de estas variables d em uestra ser significativa, pero el efecto de inte­
racción es el m ás potente de los dos efectos. Puesto que las primeras elec­
 %

cio nes eran significativas cuando se trataba de la única medida del

c o n c ep to (en el M o d elo B), su incapacidad para d em o strar significació
cu a n d o estaban a c o m p a ñ ad as por su nueva variante (en el M odelo C) h
de d eberse a que las dos variables miden a m p liam en te la m ism a cosa (est
se llam a «m ulticolinealidad»). Hay varias m an eras de hacer frente a |a
m ulticolinealidad, pero en este ejemplo lo h arem o s sim plemente elimj
n a n d o la m enos potente de las dos m edidas alternativas. El resultado es el
M o d elo D, en el que todos los efectos son altam ente significativos y ia
varianza vuelve dond e estaba en el M o d elo A 6. (Para una presentación
detallada de estas ideas, véase Franklin 2001.)

E l c a m in o po r r e c o r r e r

T odavía queda m u ch o p o r aprender sobre el análisis cuantitativo. En

particular, hay m uchos tipos de análisis m ultivariados, muchos de ellos
d iseñad os para situaciones especializadas de investigación, y la elección
entre ellos se ve dictada p o r la naturaleza de los datos que se analizan. Por
ejem plo , los datos en los qu e los casos constituyen diferentes puntos tem­
porales requieren todo un grupo de p ro ced im ien tos especializados, igual
q u e los datos m edidos en diferentes niveles de agrupación.
N o obstante, el análisis de la regresión es c o m o un «estándar indus­
trial» en el análisis m ultivariado. Para ser c a p ace s de com prender los coe­
ficientes que se presentan en los artículos de investigación publicados que
p ro ced en de análisis de la regresión (junto con el vocabulario utilizado
para describir tales coeficientes y los análisis qu e dan lugar a estos), los
científicos sociales principiantes necesitarán recorrer un largo camino. Si
son capaces de «llevar a cabo» análisis de la regresión en sus propias in­
vestigaciones, eso les ay u d a rá a ser co nsum id ores críticos de los resulta­
dos de esas investigaciones. Tales destrezas, relativam ente sencillas, tam­
bién cubrirán la m ay o ría de las situaciones q ue puedan encontrar en el
m u n d o de la investigación cuantitativa.
Este capítulo se ha o c u p a d o también de un rasgo del análisis cuantita­
tivo q ue con frecuencia suele pasarse p or alto. A m enu do se dice que el
m é to d o científico p ro c ed e de m anera deductiva pon ien d o a prueba propo­
siciones derivadas de teorías que se originaron en otro sitio (véase Héri-

f1 H a b l a n d o c o n p r o p i e d a d , u n t é r m i n o d e i n t e r a c c i ó n n e c e s i t a e s t a r a c o m p a ñ a d o por las
v a r i a b l e s d e la s q u e e s tá c o m p u e s t o y n o s o t r o s h a b r í a m o s r e t e n i d o la p r i m e r a v a r i a b l e elegida si
el t é r m i n o i n t e r a c c i ó n h u b i e s e s i d o s ig n if ic a tiv o . P e r o e n e s t u d i o s c o n u n r e d u c i d o N a menudo
e s t o n o e s fa c tib le . P o d e m o s j u s t i f i c a r la e l i m i n a c i ó n d e u n c o m p o n e n t e de la in te r a c c ió n sobre
la b a s e d e q u e el e f e c t o d e e s t a a u m e n t a ( d e 9 , 4 ! e n el M o d e l o C a 1 0 . 9 2 e n el M o d e l o D) en la
c a n t i d a d d e l c o m p o n e n t e e l i m i n a d o ( 1 , 5 1 ) . T é c n i c a m e n t e , p r e f e r i m o s el M o d e l o D p o r esta ra­
z ó n , e n v e z d e su m a y o r v a r i a n z a e x p l i c a d a . El M o d e l o B (la a l t e r n a t i v a ) n o t i e n e n a d a que ver
en e sto s e fecto s. (V éase B ra m b e r, C la r k y G o ld e r 2 0 0 6 .)
tier cap. IV). Sin embargo, más típico d e la investigación científica (y no
soló en las ciencias sociales) es el e je m p lo q u e se h a d a d o en el apartado
anterior sobre có m o com prender la m a n e ra en que se elab o ró la participa­
ción en las elecciones al Parlam ento E u ro p e o . Los científicos no utilizan
datos únicamente para poner a p ru e b a sus teorías. T am b ién utilizan datos
nara revisar sus teorías o llegar a otras nuevas. A rq u ím e d e s d escu brió su
principio al observar cóm o se d e sb o rd a b a el agua del recip ien te en que se
estaba bañando y, en última instancia, p rácticam ente c u a lq u ie r descubri­
miento científico se basa en la observación . A veces, las observaciones
son directas (com o lo fueron las de A rq u ím e d e s o P u tn a m ) y a veces son
indirectas, sobre la base de un análisis de datos re cogido s p ara otros pro­
pósitos, com o en el ejem plo notificado en la tabla 13.9. E sta distinción tan
importante se explica en otra parte de este libro. B u e n a p arte de lo que
sabemos sobre el m undo se basa en análisis de datos y esto es especial­
mente verdad en las ciencias sociales. En tales disciplinas, las relaciones
son a m enudo tan com plejas que m u c h a s variables d eb e n observarse y
manipularse sim ultáneam ente para c o n tro la r todas las cosas q u e suceden
en el mundo que carecen de interés, p ero q u e podrían c o n ta m in a r nuestros
resultados. A m enudo solo puede a lc a n zarse una visión d iáfa n a m ediante
un análisis cuantitativo de los datos. E sta visión d iáfana e stará general­
mente situada en un alto nivel de ab stracción, pero incluso sien d o abstrac­
ta puede ayudar enorm em ente a la co m p re n s ió n de d esarro llos específicos
en lugares particulares: puede a y u d a r a cjue quienes realizan estudios de
caso decidan en qué deben centrarse7, de la m ism a m an e ra qu e los estu­
dios de caso pueden ayudar a que los investigadores cu antitativos decidan
qué deben medir.

7 Q u i e n e s e s t u d i a r o n S u i z a n u n c a p e n s a r o n e n c o n s i d e r a r l o s a c u e r d o s d e la c o a l i c i ó n del
país c o m o f u e n t e d e d i s m i n u c i ó n e n la p a r t i c i p a c i ó n e l e c t o r a ! h a s t a q u e u n e s t u d i o c u a n t i t a t i v o
(el estudio « V o t e r T u r n o u t » [P a r t i c i p a c i ó n e l e c t o r a l ) m e n c i o n a d o e n la n o t a 4 ) l l a m ó su a t e n c i ó n
con re specto a la p r o b a b l e i m p o r t a n c i a d e la d e n o m i n a d a « r e g l a d e o r o » .
 ac u erdo y el m étodo de desacuerdo. En el m étodo de acuerdo se selec­
cio nan dos casos que d an lugar al mismo resultado y que se diferen ­
cian en todos los aspectos excepto en uno. Por eso, siguiendo la m ism a
lógica que el diseño de sistem as muy similares, este factor será re s­
po n sab le de cualquier diferencia en el resultado. En el m étodo del
d esa cu erd o se seleccionan dos casos que dan lug ar a resultados d ife­
rentes y son iguales en todos los aspectos excepto en uno. De nuevo,
este factor será respo n sa b le de cualquier diferencia en el resultado. Se
trata, asim ism o, de un e n fo q u e de diseño de sistem as muy diferentes.
El p rop io Mili re cono ció que, en la práctica, en las ciencias sociales es
difícil encontrar situaciones que se correspondan con estas co ndicio­
nes tan estrictas.
M é to d o s cu alita tiv o s U n m éto do cualitativo es cualquier m étodo no
cuantitativo. A veces, el térm ino se reserva para los métodos que se
basan en la interpretación —incluidos los enfoques etnográficos—p or
opo sición a los que bu sca n la explicación.
M é to d o s cu a n tita tiv os U n m étod o cuantitativo es cualquier m étodo que
c o n ten g a núm eros. En general, el término se aplica a los estudios con
un gran núm ero de caso s (estudios con amplio N).
M é to d o s etn o g rá fico s E n las ciencias sociales, los enfoques etnográficos
aspiran a co m p ren der a los actores en sus propios términos en vez de
o b ten er esa co m p re n sió n m ediante nociones teóricas preconcebidas.
Son sensibles al con tex to y a los diferentes significados que pueden
ten er las acciones. L os m éto do s etnográficos incluyen entrevistas no
estru cturadas y una o b serv ación participativa.
M o d elo s Un m odelo es u n a representación abstracta de un fenóm eno que
co ntiene solo aquellos aspectos de interés para el investigador. Los
m o d elo s descriptivos tratan de reproducir el fen ó m e n o empírico con la
m a y o r exactitud posible. Los modelos de tipo ideal representan una
fo rm a pura de un fe n ó m e n o específico con el qu e se pueden co m parar
los ejem plos del m u n d o real. Los modelos descriptivos ofrecen guías
para la acción al m o s tra r có m o podría ser el m undo.
M u ltico lin e a lid a d La m ulticolinealidad se produce en el análisis de re­
gresión cuando dos variables varían juntas, de tal m anera que no p o d e ­
m os determ inar cuál d e ellas provoca el efecto. L a multicolinealidad
perfecta se debe a que las variables no son independientes entre sí o
m iden la m ism a cosa.
O n to lo g ía En filosofía, la ontología es el estudio de la esencia de cierto
fe n ó m e n o (sin con sid erar su variación específica). En ciencias socia­
les es lo que pod em os conocer. Los positivistas y los constructivistas
tienen opiniones d iferentes sobre esto. La ontología también alude a
las unidades que integran el mundo social. Para algunos, la única re a ­
lidad es la de los individuos; otros funcionan con unidades sociales
más am plias.
O p era cio n a liza ció n La operacionalizació n es el acto de tomar un c o n ­
ce p to y convertirlo en algo susceptible de ser estu d iad o em píricam en­
te. Esto im plicar a veces u n a definición m ás co n c reta y la búsqueda de
indicadores de su p resencia y extensión.
P a rá m etr o s Los parám etros son aquellos aspectos de un proyecto de
investigación com parativa q u e no varían. L a param etrización se logra
seleccio nan do sistem as m u y similares o m ed ian te el control de las
variables que no interesan.
P a rsim o n ia La p arsim on ia es el principio seg ún el cual los resultados
deb e n explicarse m ed ian te el m en o r n ú m e ro po sib le de variables (o de
características). Tiende a h a b e r cierto c o m p ro m is o entre la parsim onia
y la exhaustividad de la explicación. Los especialistas en ciencias so­
ciales difieren en la im p o rtan cia que co n c ed en a u na u otra.
P o sitiv ism o En filosofía, el p ositivism o es la d o c trin a según la cual
solo p ueden aceptarse afirm a ciones sob re el m u n d o que puedan v e ­
rificarse o cuya fa ls e d a d se p u ed a d em ostrar. D e acuerdo con los
p ositiv istas lógicos, hay do s tipos de verdad: re alid a d e s contingentes
re v elad as m ed ian te d e d u c c ió n em p íric a y v e rd a d e s necesarias, que
son analíticas y aprio rística s (com o las v e rd a d e s m atem áticas). Todo
lo d e m á s es m etafísica o afirm aciones ac ien tíficas sobre la realidad.
En particular, los c o n c e p to s n o rm ativ os se c o n s id e ra n expresiones
de estad os/actitud es p s ic o ló g ic o s de los in d iv id u o s y, com o tales, se
co n s id e ra n «subjetivos« en vez de « ob jetiv os» o «públicos». L a in ­
siste n cia en la d e d u c c ió n e m p írica p la n te a el p ro b le m a de que las
únicas cosas de las q u e s o m o s d ire c ta m e n te co n s c ie n te s son nuestras
p ro p ias p ercepciones sen soriales. Los p o s itiv is ta s consideran que las
cien c ias sociales son sim ila re s a las c ie n c ia s naturales: tom an el.
m u n d o natural y am p lia s partes del m u n d o social c o m o entes dad os
q u e realm en te existen, y se centran en la in v estig ació n em pírica. A
ellos se op onen los c o n s tru c tiv istas y los interpretivistas (véase I n ­
terpretación), los cu a le s insisten en q ue ú n ic a m e n te m anejam os c o n ­
cep tos, construidos con un propósito. Q u e d a n m u y pocos positivis­
tas lógicos, pero los esp e c ia lista s en cie n c ia s sociales m antienen
o rien ta cio n es m ás o m e n o s positivistas.
P o sm o d ern ism o Existe un am p lio abanico de p o siciones posmodernas.
En general, rechazan la idea de que la Era M o d e r n a representa la c u l­
m inación del progreso histórico y la co n sid eran un m odelo social m ás
entre otros. Los po sm o d ern istas son escépticos ante las grandes teo ­
rías y discursos, y sub ray an la interpretación subjetiva. También nie­
gan la superioridad y universalidad de los c o n c ep to s occidentales del
liberalism o y la d em o cracia, así com o la p o sibilid ad de ciencias so cia­
les carentes de valores.
R eg resión En estadística, el análisis de regresión p erm ite cuantificar el
efecto graduado de u n a variable independiente sobre una variable d e ­
 pendiente. El análisis de re gresió n m últiple m id e los efectos de varias
variables independientes sobre u na variable d ep en dien te.
S eg u im ien to d e p ro cesos El seguim iento de p ro c eso s se utiliza en el
análisis causal para llenar la caja negra de la explicació n cuando se
observa una variable aso c ia d a a otra. Im plica el e x a m e n de a c o n te ci­
m ien tos para identificar los p aso s del proceso causal q u e condu cen al
resu ltad o en un contexto histórico particular. E n los en foq ues interpre-
tivistas busca identificar las m otivaciones de los actores. El seg ui­
m iento de procesos es sistem ático y los discursos analíticos expresan
nociones similares.
S eren d ip ia L a serendipia es un descubrim iento accidental, casual, no
basado en un diseño de investigación.
S in cró n ico Véase D iacrònico.
S u b su n ció n L a subsunción tiene lugar cuando una explicación teórica
p u ed e incorporarse ló g ic a m e n te (o subsum irse) en otra más amplia.
T axonom ía Véase Tipología.
T eleología L a teleología es el estudio de los fines. En historia es un m odo
de interpretación que considera que los acontecim ientos conducen a un
resultado específico; esto ofrece un marco de interpretación. En filosofía
es la creencia de que la actividad hum ana se orienta hacia un fin. La
ética teleologica es una m an era de juzgar las acciones por sus efectos
(véase C onsecuencialismo), en contraposición a la justificación d eo n to ­
lógica, en la cual las acciones se juzgan de acuerdo con su valor intrín­
seco. En ciencias sociales, la teleología es una m an era de explicar a c o n ­
tecim ientos según sus resultados, no según sus causas. A veces adquiere
forma de funcionalismo, es decir, la argumentación de que puesto que
un proceso sirve a una función social particular, esta debe ser el porqué
de aquel. Se considera una fo rm a falaz de razonam iento.
Teoría L a s teorías son g ru p o s de proposiciones q u e trascienden los casos
individuales y nos perm iten generalizar. Las teo ría s em píricas se b a ­
san en el estudio de casos y pretenden estab lecer relaciones causales
entre variables. Su validez d ep e n d e de la c a p acid ad de co m pro bar esas
relacio nes causales en casos concretos. D ichas pruebas inicialm ente
exigen la o peracio nalización de la teoría y la p rop osición de una h ip ó ­
tesis bajo la form a de «si te n em o s x, tendrem os y». Si esa relación se
m antien e, ¡a teoría q u e d a validada (véase Héritier, cap. IV). Las teo ­
rías m ás abstractas o analíticas explican p ro c eso s a gran escala m e ­
diante referencias a c o n c e p to s y procesos gen erales. Su validez d e p e n ­
de de la capacidad p ara d ar sentido a lo que s uce d e en el m undo social
pro p o rcio n an d o un e s q u e m a de interpretación (véa se tam bién Teoría
de alcance medio).
Las teo ría s d ed u ctiva s son ejem plos de lógica form al, com o en las
m atem áticas. Su validez d e p e n d e de la co h e ren c ia interna, sin c o rre s ­
p o n d en c ia alguna con el m u n d o de los hechos. En ciencias sociales
 ad optan la forma de suposiciones sobre un m u n d o hipotético seguidas
de un razonam iento lógico acerca de lo que sigue. L a teoría del j u e g o
es un ejem plo (véase C hw aszcza, cap. VIII). L a teoría deductiva se
co nsidera esencialm ente distinta de la teoría em p írica , aun que suelen
com b inarse.
Las teo ría s norm ativas im plican la articulación de valores, que luego
se utilizan para criticar pro cesos e instituciones sociales o para señalar
el c a m in o hacia otros m ejores. En décadas recientes, las term inologías
«teoría política» y «teoría social» se utilizan c a d a vez con m ay o r fre­
cu e n cia para referirse a la teoría norm ativa, q u e era previam ente e x ­
clusiva de la filosofía. Se co nsidera distinta de la teoría em pírica, a u n ­
que algu no s especialistas en ciencias sociales están en contra de una
separación dem asiado estricta entre lo em p írico o lo analítico y lo n o r­
m ativo (véase Baubóck, cap. III).
T eoría d e alca n ce m ed io Una teoría de alcance m e d io es la que fu nciona
en un n ú m ero limitado de contextos o busca e x p lic a r solo algunos a s ­
pectos de un fenóm eno. D ebe distinguirse de la teoría universal, que
pre d ic a la m ism a relación entre variables en tod as partes; y del e m p i­
rism o puro, que estudia el m u n d o sin un m a rc o teórico. La teoría de
alcance m edio se usa m u ch o en ciencias sociales, bien por razones
prag m á tic as o por la certidu m bre de que el co n o c im ie n to siem pre está
ligado al contexto.
T ip ología U na tipología es un e s q u e m a para clasificar casos o conceptos
bajo un núm ero limitado de en cabezam ien tos y en diversas d im en sio ­
nes. Las tipologías descriptivas perm iten d e s ta c a r los rasgos distinti­
vos de casos y los com unes. Los tipos ideales son representaciones
abstractas de fenóm enos que identifican sus ra sg o s definitorios; los
casos reales pueden exam inarse entonces por su c e rca n ía con respecto
a aquellos. Las tipologías tam bién contribuyen a la explicación c u a n ­
do se asocian con hipótesis sobre los efectos d e determ inad as c o m b i­
nacio nes de rasgos.
U na taxonom ía es una clasificación exhaustiva de cosas o conceptos.
La palabra procede de las ciencias naturales, d o n d e se utiliza para re ­
ferirse, por ejemplo, a la clasificación de las especies. En ciencias so­
ciales, las taxonomías se usan para clasificar casos bajo encabezam ien­
tos. U na categoría taxon óm ica es una form a de tipología descriptiva y,
por tanto, ha de distinguirse de un tipo ideal.
U tilita rism o El utilitarismo es una filosofía social según la cual las p rá c ­
ticas sociales y las políticas públicas deben evalu arse no por sí m is ­
mas, sino por su contribución al bien hum an o (utilidad) (véase C onse-
cuencialism o). El bien suele describirse en térm inos hedonistas.
Jerem y Bentham form uló el principio de la m a y o r felicidad del m a y o r
n ú m e ro posible com o el criterio de la práctica. L os críticos señalan
que hay muchos co nceptos diferentes del bien, y algunos im plican
 valores absolutos, co n independencia de su im pacto sobre la m ayoría.
Las su p osicion es utilitarias sobre la m axim ización de la utilidad están
disem inadas en la teoría de la elección racional.
V alidez La reg la de la validez se relacion a con la generalización interna
y externa. L a va lid ez interna observa si los indicadores utilizados para
m ed ir los valores em p írico s de variables m iden lo que se su p o n e que
deben medir. L a va lid ez externa estudia si las pretensiones q ue se ex­
ponen p ueden generalizarse a otros casos y hasta qué punto.
V ariab le U n a varia b le es una característica que varía en su incidencia
entre los casos. L as variables se utilizan en el análisis causal para tra­
tar de esta b le c e r los factores que sistem áticam ente causan otros. Las
variables c a u sales se conocen co m o variables independientes y los
efectos c o m o variables dependientes. Las variables solo indican la
presencia o la au s e n c ia de características específicas. Las variables
ordinarias p o se e n u n a serie de valores en orden ascendente. Las varia­
bles intervalares p o s e e n una serie de valores en pasos de igual tam año.
V ariación c o n c o m ita n te Si dos variables tienden a variar ju n ta s tenem os
un a variación co n c o m itan te o sim ultánea. El análisis estadístico se co­
noce tam bién c o m o correlación.
V ariab le in te r v in ie n te U n a variable interviniente es un factor q ue inter­
viene en la re la ción entre una variable independiente y una d e p e n d ie n ­
te de tal m a n e ra q u e cam bia la relación normal entre ambas.
 AUTORES

R ain er B a u b o ck es catedrático de Teoría social y política en el Insti­

tuto U niversitario Europeo de Florencia.
Z oé B r a y es profesora asociad a en el Centro de Estudios Vascos, U n i­
versidad de Nevada.
C h ristin e C h w a szcza es cated rática de Filosofía en la Universidad de
Colonia.
D o n a tella d ella P o rta es c a te d rá tic a de S o c io lo g ía en el D ep arta­
mento de C ie n c ia s Políticas y S o c ia le s del Instituto U niversitario E u ro ­
peo de F lo r e n c ia y c a te d rática de C ie n c ia P olítica en la U niversidad de
Florencia.
M ark F ra n k lin es catedrático de Política c o m p arad a en el Instituto
Universitario E u ro p e o de Florencia.
A d rien n e H éritie r es cated rática de Política pú blica en el Instituto
Universitario Europeo de Florencia.
M ichael K eatin g es catedrático de Política en el D epartam ento de Polí­
tica y R elaciones Internacionales de la Universidad de A berdeen; de 2000
hasta 2010 fue catedrático de C iencias Políticas y Sociales en el D eparta­
mento de C ien cias Políticas y S ociales del Instituto Universitario Europeo
de Florencia.
F ried rich K ra to ch w il es catedrático de R elaciones Internacionales
en el Instituto Universitario E u ro p e o de Florencia.
P eter M a ir era catedrático de P olítica com parada en el Instituto U n i­
versitario E u ro p e o de Florencia. Falleció en 2011.
A lessa n d ro P izzorn o es catedrático em érito de S o ciología en el Insti­
tuto Universitario Europeo de Florencia.
 P h ilip p e S ch m itte r es catedrático em érito de P olítica co m p arad a en
el Instituto U niversitario E u rop e o de Florencia.
S ven S tein m o es catedrático de P olítica pública en el Instituto Univer­
sitario E u ro p e o de Florencia.
P ascal V en n esson es catedrático de R elaciones Internacionales y P o ­
lítica de segu rid ad en el Instituto U niversitario Europeo de Florencia.
 ÍN D IC E D E F IG U R A S Y T A B L A S

F iguras
10.1. L a tr a n s a c c i ó n e n tr e c aso s y p r o p i e d a d e s ........................................................ 202
13.1. P o s i b i l i d a d e s d e u n a v icto ria e l e c to r a l d e lo s c o n s e r v a d o r e s ................ 269
14.1. El c i c l o d e la in v e stig a c ió n social y p o l í t i c a ................................................... 282
14.2. E s q u e m a d e la se le c c ió n d e c a s o s ........................................................................ 294
14.3. El c ic l o d e la in v es tig a ció n so cial y p o l í t i c a y sus c u a t r o l ó g i c a s 31 1

T ablas '
2.1. ¿ C u á n t a s o n t o l o g í a s y e p is te m o lo g í a s h a y e n las c i e n c i a s s o c i a l e s ? . . 36
2.2. ¿ C u á n t a s m e t o d o l o g í a s h ay en las c i e n c i a s s o c i a l e s ? ................................ 45
8.1. J u e g o 1: d i l e m a del p risio n e r o ( 1 ) ........................................................................ 160
8.2. J u e g o 1: d i l e m a del p risio n e r o (2) ........................................................................ 161
8.3. J u e g o 2: t r á f i c o ............................................................................................................. 164
8.4. J u e g o 3: t r a m p a s o c i a l ................................................................................................. 164
8.5. J u e g o 4: b a ta l la d e los s e x o s .................................................................................... 165
8.6. J u e g o 5: c a z a del c ie rv o ( s e g u r i d a d ) .................................................................. 171
1 0 .1. E s c a la d e a b s t r a c c i ó n de S artori .......................................................................... 198
11.1. D u r k h e i m fr e n te a W eber: las « l ó g i c a s » .......................................................... 217
I 1.2. D i s e ñ o d e in v e s tig a c ió n en las c o m p a r a c i o n e s b a s a d a s e n v a r i a b le s
fre n te a las c o m p a r a c io n e s b a s a d a s e n c a s o s ................................................. 222
13.1. G o b e r n a n z a y r e d e s s o c i a l e s ................................................................................. 256
13.2. G o b e r n a n z a y re d e s sociales ( d e p u é s d e e s t u d i o s a d i c i o n a l e s ) 256
13.3. G o b e r n a n z a y r e d e s s o c i a l e s ................................................................................. 258
13.4. C o m u n i d a d e s c o n po lític a t e r r i t o r i a l .................................................................. 258
13.5. P a r t ic i p a c ió n en las e le c c io n e s al P a r l a m e n t o E u r o p e o ( 1 ) .................... 262
13.6. T ip o s de v a r i a b l e s ........................................................................................................ 263
13.7. F u e r z a d e la c o r r e l a c i ó n ........................................................................................... 271
13.8. P a r t ic i p a c ió n en las e le c c io n e s al P a r l a m e n t o E u r o p e o ( 2 ) ....... 27 5
13.9. P a r t ic i p a c ió n en las e le c c io n e s al P a r l a m e n t o E u r o p e o ( 3 ) ....... 277
 A l b U - Bibliote ca

ÍN D IC E

Prólogo a la edición e sp a ñ o la .......................................................................................... 7

Prólogo.......................................................................................................................... 9

I. I n t r o d u c c i ó n ................................................................................................................. 13
D o n a tella della P orta y M ich a e l Keating

P R IM E R A PA R TE
E P IS T E M O L O G ÍA Y F IL O S O F ÍA D E L A S C IE N C IA S S O C IA L E S

II . ¿ C u á n t o s e n f o q u e s hay en c ie n c ia s s o c i a l e s ? I n t r o d u c c i ó n
E P I S T E M O L Ó G I C A ............................................................................................................................................ '.. 31 i
D o n a tella della P orta y M ich a e l Keating

III. T e o r í a po l ít ic a n o r m a t iv a e in v e s t ig a c ió n e m p í r i c a ............................. 53
R a in e r B aubóck

IV. E x p l ic a c ió n ca u s a i 75 .
A d rie n n e H éritier

V. C o n s t r u c t i v i s m o : q u e ( n o ) es y su i m p o r t a n c i a ........................................ 93
F riedrich K ratochw il

V I. C ul t u r a y c i e n c i a s o c i a i .......................................................................................... 111
M ich a e l Keating

V IL I N S T I T I J C I O N A L I S M O H I S T Ó R I C O ........................................................................................................... 131
S ven Steinm o
 V III. T e o r í a d e los j u e g o s .............................................................................................. 153
C h ristin e C hw aszcza

IX . R a c io n a l i d a d y r e c o n o c i m i e n t o ..................................................................... 177
[Link] P izzo rn o

SEG U N D A PARTE
E L D IS E Ñ O D E IN V E S T IG A C IÓ N

^ X. C o n cep to s y f o r m a c i ó n d e c o n c e p t o s ........................................................ 191

P eter M a ir

X I. A ná l is is c o m p a r a t i v o : la in v e s t i g a c i ó n b a s a d a en c a s o s f r e n t e
a l a i n v e s t i g a c i ó n b a s a d a en v a r i a b l e s ...................................................... 211
D o n a tella della Porta

X II. E s t u d i o s de c a s o y s e g u i m i e n t o de p r o c e s o s : t e o r í a s
y p r á c tic a s .................................................................................................................... 23 7
P ascal Vennesson

X III. A n á l i s i s c u a n t i t a t i v o ..................................................................................................................... 255

M a rk Franklin

X IV .' E l d i s e ñ o de la i n v e s t i g a c i ó n s o c ia l y p o l í t i c a ..................................... 281

P h ilip p e S ch m itter

XV. E n f o q u e s e t n o g r á f i c o s ......................................................................................... 3 13
Z o é Bray

X V I. C omparación en tr e e n f o q u e s , m eto d o lo g ía s y m é t o d o s .
C o n c l u s i o n e s f i n a l e s ............................................................................................. 333
D o n a tella della P orta y M ich a el Keating

B ib lio g r a fía ................................................................................................................................. 341

G lo s a r io ....................................................................................................................................... 377
In d ice o n o m á s tic o .................................................................................................................... 389
A u to r e s .......................................................................................................................................... 393
In d ice de fig u ra s y ta b la s ..................................................................................................... 395