En la literatura metodológica es frecuente encontrar autores que confunden la investigación explicativa con la investigación confirmatoria, como si explicar un evento equivaliera a someter a prueba una hipótesis causal mediante el control de variables. Desde esa perspectiva se reconoce como explicativo aquel estudio que demuestra que un evento produce otro, y se descalifica cualquier intento de explicación que no incorpore controles de variables extrañas, diseños experimentales o cuasiexperimentales. Sin embargo, autores como Grosz (2023) sostienen que los estudios con diseños no experimentales también pueden aportar evidencia sobre relaciones causales, siempre que comuniquen con transparencia sus supuestos y sus limitaciones. En el caso de la investigación explicativa, esos supuestos se refieren a la relación lógica entre los eventos y a los resultados de investigaciones previas.
Ahora bien, la confusión entre investigación explicativa e investigación confirmatoria es un remanente del predominio que tuvo el positivismo durante muchos años, y de la ausencia de definiciones claras acerca de los tipos de investigación en esas épocas (Hurtado de Barrera, 2026). En consecuencia, no se hacía una distinción explícita entre el proceso de investigación que generaba la teoría y el proceso de investigación que la verificaba empíricamente.
La confusión se acentuó, pues los resultados de la investigación confirmatoria fortalecen o debilitan los planteamientos de las teorías, y se pensó que la teoría se construía en el mismo acto de su verificación. Sin embargo, la teoría debe existir previamente para que sea posible derivar de ella las hipótesis que se someten a prueba en la investigación confirmatoria. Una hipótesis no surge de la nada: es una consecuencia lógica de un conjunto de supuestos acerca de la forma como se relacionan los eventos (Kerlinger, 1981). era mostrar el proceso mediante el cual se llegaba a la teoría que luego se iba a verificar. Ese proceso quedaba relegado al terreno de la intuición, de la creatividad personal o incluso del azar, y se consideraba ajeno a la metodología.
Ese proceso ha sido abordado desde otras perspectivas, como los estudios de Hanson (1958) sobre los patrones del descubrimiento o la teoría fundamentada de Glaser y Strauss (1967). La comprensión holística de la ciencia lo sistematizó a través del concepto de investigación explicativa, y lo organizó en una secuencia de estadios que se expresa en la espiral holística de la investigación. Al revisar cómo los científicos construyeron sus teorías, es posible percibir que estas fueron el resultado de inferencias a partir de información obtenida en los estadios anteriores de investigación: exploraciones, descripciones, análisis y comparaciones. Sólo después de ese recorrido fue posible pasar a la verificación empírica, pues para desarrollar una investigación confirmatoria se requiere una teoría previa de la cual se puedan derivar hipótesis (Hurtado de Barrera, 2010). La comprensión holística reconoce así la explicación y la confirmación como estadios distintos de la espiral del conocimiento, cada uno con su propio propósito, sus propios criterios metodológicos y sus propias técnicas de análisis.
El propósito de este artículo es argumentar por qué los análisis de correlación constituyen una vía legítima para sospechar relaciones de causalidad en una investigación explicativa, dado que la correlación permite estimar la variación concomitante entre los eventos de estudio. En este texto, sospechar causalidad significa formular explicaciones causales plausibles que todavía no han sido sometidas a contrastación. Para ello se presenta la definición de investigación explicativa desde la comprensión holística de la ciencia, se describen los tipos de explicación, se examinan los y los métodos de Stuart Mill (1843/1974) para identificar causalidad, se precisa el propósito de la teoría que se genera en este tipo de investigación y se discute la pertinencia de la correlación frente a otras técnicas de análisis.
La investigación explicativa desde la comprensión holística de la ciencia
La investigación explicativa se ocupa de la generación de teorías. Explicar se ha entendido convencionalmente como precisar la causa de algo, detectar el porqué de algo, así como encontrar los procesos que permiten comprender de qué manera ocurre un evento. El término proviene del latín explicare, formado por el prefijo ex, que significa “fuera de” o “desde”, y la expresión plicare, que significa “enlazar”, “entrelazar”, “plegar”. Explicar significa entonces sacar, extraer, evidenciar las relaciones, los vínculos, los “pliegues” que permiten dar cuenta de la aparición de uno o de varios eventos (Hurtado de Barrera, 2010).
En la investigación explicativa se pretende detectar relaciones entre eventos, particularmente aquellas que permiten comprender por qué los eventos ocurren y bajo cuáles condiciones. La clave de este tipo de investigación está en que el investigador conoce el evento a explicar, pero muchas veces desconoce las razones, situaciones y condiciones que dan lugar a este, es decir, los procesos explicativos o procesos generadores (Hurtado de Barrera, 2010). Las investigaciones explicativas no solo dan lugar al surgimiento de teorías, sino que también se aplican cuando se desea reconstruir una teoría ya existente, reformularla, fundamentarla o ampliarla.
Conviene precisar que, en la comprensión holística, los tipos de investigación se definen por su objetivo y no por el diseño ni por la técnica de análisis. Un rasgo que distingue la investigación explicativa de la investigación confirmatoria es que en la primera no se ejerce control de variables ni se experimenta. Si bien a la investigación explicativa le corresponde formular las teorías, es en la investigación confirmatoria donde estas teorías se ponen a prueba (Hurtado de Barrera, 2010). La investigación explicativa recorre de manera progresiva los estadios exploratorio, descriptivo, analítico y comparativo antes de llegar al estadio explicativo propiamente dicho, y en ese recorrido, incorpora inestructurados (caológicos)para captar la variedad de situaciones que podrían vincularse a la explicación, estructurados ()configurar.
La investigación explicativa puede tener tres grados de elaboración (Hurtado de Barrera, 2010). El nivel de identificación consiste en identificar posibles eventos explicativos cuando el investigador conoce el efecto y desea saber cuáles son los factores que han contribuido a que ese evento aparezca con ciertas características y en cierto contexto. En el nivel de ponderación el investigador, después de haber identificado los posibles eventos explicativos, lleva a cabo análisis que le permiten estimar la contribución que cada uno de ellos hace a la varianza total del evento a explicar, de modo que puede jerarquizar los posibles procesos explicativos según la intensidad de su asociación con el evento a explicar. Esta jerarquía indica qué relaciones merecen mayor atención en la construcción de la teoría, no cuál es el efecto causal de cada evento. Finalmente, en el nivel de modelo teórico el investigador identifica y describe los procesos, es decir, las dinámicas relacionales y la forma de ocurrencia que permiten entender cómo y por qué una cierta configuración de eventos es capaz de generar el evento que se pretende explicar.
Los tipos de explicación
A lo largo de la historia se ha hecho énfasis en la explicación basada en relaciones lineales de causa y efecto, de tal manera que se ha entendido “explicar” únicamente como asociar unos eventos considerados como causa a otros eventos definidos como efecto. Sin embargo, la explicación causal lineal no es la única que permite dar cuenta del cómo y del porqué de la ocurrencia de ciertos eventos. Existen explicaciones basadas en diferentes tipos de relación, y no todas ellas se fundamentan en un vínculo de causa y efecto (Hurtado de Barrera, 2010). Por lo tanto, las explicaciones se clasifican con base en los procesos que se utilizan para dar cuenta de las relaciones.
La explicación contingente vincula la presencia de ciertas condiciones con el evento a explicar. El investigador identifica las situaciones y circunstancias que aparecen recurrentemente cada vez que ocurre el evento, aunque todavía no está en capacidad de establecer vínculos causales ni de precisar los mecanismos a través de los cuales esas condiciones dan lugar al evento. Por otra parte, la explicación estructural da cuenta del evento en función de su estructura o de sus componentes, y hace referencia a la combinación de estos, pero sin desarrollar necesariamente su dinámica. Este tipo de explicación es típica del modelo epistémico estructuralista, pero no exclusiva de él.
La explicación causal intenta establecer relaciones tales que se pueda afirmar que uno o más eventos (causas) inciden, influyen, determinan o generan a otros eventos (efectos), de manera que la variación de los primeros implica la variación de los segundos. La explicación circular o cíclica enfatiza la secuencia de ciertos eventos en un ciclo que se repite, de modo que las diferentes situaciones son a la vez causa y efecto, según el lugar del ciclo en que se ubique la interpretación; este tipo de explicación incorpora la realimentación.
La explicación dinámica o algorítmica permite comprender los procesos mediante los cuales ciertos eventos dan lugar al evento a explicar; se basa en el proceso como tal más que en la presencia o ausencia de condiciones, e involucra secuencialidad, puntos de decisión, realimentación y homeostasis. La explicación teleológica se fundamenta en la finalidad del evento a explicar, en su sentido, en su para qué, y establece nexos de medios y fines entre un estado futuro y el evento. Por último, la explicación sintagmática se sustenta en la profunda relación que existe entre los aspectos de una situación, que son manifestaciones de una misma unidad, de modo que una transformación en uno de esos aspectos implica una transformación en el resto (Hurtado de Barrera, 2010).
Los tipos de explicación son complementarios, en cuanto algunos contienen a otros. Un aspecto de especial interés para el propósito de este artículo es que, en la clasificación propuesta por Hurtado de Barrera (2010), todos ellos comparten una misma característica básica: la variación concomitante, entendida como la propiedad según la cual el cambio en un aspecto de la situación se acompaña de cambios en otro. Los tipos de explicación se diferencian por los elementos que añaden (combinación de componentes, precedencia temporal, realimentación, referencias evolutivas, relación medios-fines, entre otros), pero ninguna prescinde de ella.
Esta observación anticipa uno de los planteamientos centrales de este trabajo: , al menos cuando los eventos de estudio se miden de manera cuantitativa. En las explicaciones construidas con información cualitativa, la variación concomitante se reconoce por otras vías, como las coocurrencias.
La explicación causal: los criterios de Hume y los métodos de Stuart Mill
Aun cuando la relación de causalidad no es el único tipo de relación explicativa, ha sido la forma más difundida de presentar la explicación. Una causa puede definirse como la condición que da lugar a una consecuencia. La discusión acerca de cómo identificar esa condición tiene en David Hume uno de sus referentes clásicos. En el Tratado de la naturaleza humana, Hume dedica una sección a las “reglas por las cuales juzgar acerca de causas y efectos”, y las introduce de la siguiente manera:
Puesto que es posible que todos los objetos lleguen a ser causas o efectos unos de otros, convendrá fijar algunas reglas generales mediante las cuales podamos saber cuándo lo son realmente. 1. La causa y el efecto deben ser contiguos en el espacio y en el tiempo. 2. La causa debe ser anterior al efecto. 3. Debe haber una unión constante entre la causa y el efecto. (Hume, 1739/2000, 1.3.15.2-5; traducción propia)
En esa misma sección Hume formula otras reglas que anticipan los métodos que más tarde sistematizaría Stuart Mill. Según la quinta regla, cuando varios objetos diferentes producen el mismo efecto, la causalidad debe atribuirse a la circunstancia en la cual se descubre la semejanza. Según la sexta, la diferencia en los efectos de dos objetos semejantes debe proceder del rasgo particular en el cual difieren. Y según la séptima, cuando un objeto aumenta o disminuye con el aumento o la disminución de su causa, ha de considerarse como un efecto compuesto, derivado de la unión de los diferentes efectos que surgen de las distintas partes de la causa (Hume, 1739/2000, 1.3.15.7-9). En esta última regla se encuentra ya, en germen, la idea de variación concomitante como indicio de causalidad, idea que, mucho tiempo después, la estadística permitiría estimar mediante coeficientes de correlación. Hume añade una acotación: que una relación puede cambiar de sentido según el rango de valores, y que una variación concomitante observada en un rango no puede generalizarse automáticamente a otros; Hume ilustra esto con el siguiente ejemplo: cierto grado de calor produce agrado y, si el calor disminuye, el agrado disminuye; pero no se puede afirmar que el placer aumente indefinidamente con el calor, pues más allá de cierto punto el calor se convierte incomodidad o en dolor (Hume, 1739/2000). El ejemplo muestra que una relación puede cambiar de sentido según el rango de valores.
La literatura metodológica contemporánea ha reinterpretado los planteamientos de Hume en términos de tres requisitos para detectar causalidad (Díez Medrano, 1992). El primero es la variación concomitante: los dos eventos deben variar de manera conjunta, de modo que cuando cambian los valores de uno también cambian los valores del otro. El segundo es la precedencia temporal: el evento considerado como causa debe aparecer antes que el evento reconocido como efecto. El tercero es la eliminación de otras posibles explicaciones: el investigador debe descartar que la variación conjunta se deba a un tercer evento relacionado con ambos, caso en el cual se habla de relación espuria. Shadish, Cook y Campbell (2002) atribuyen a Stuart Mill una formulación equivalente de estas tres condiciones, que constituyen hasta hoy la base de la inferencia causal en los diseños experimentales y cuasi-experimentales. La base de estos diseños es el tercer requisito, y corresponde ya a la investigación confirmatoria, no a la explicativa.
Es importante advertir la forma en que cada uno de estos requisitos se atiende según el tipo de investigación. En la investigación explicativa, la eliminación de explicaciones alternas se hace a través de comparaciones múltiples durante el estadio comparativo, mientras que en la investigación confirmatoria corresponde al control de variables extrañas (Hurtado de Barrera, 2010). Esta distinción es decisiva: la investigación explicativa no está obligada a cumplir los tres requisitos con el mismo rigor que la confirmatoria, porque su propósito no es verificar la relación causal, sino reconocerla como posible.
John Stuart Mill, en Un sistema de lógica, propuso un conjunto de métodos de investigación experimental, formulados como cánones, para identificar relaciones causales. El primero es el método de la concordancia:
Si dos o más casos del fenómeno que se investiga tienen solo una circunstancia en común, la circunstancia en la cual concuerdan todos los casos es la causa (o el efecto) del fenómeno dado. (Mill, 1843/1974, libro III, cap. VIII, §1; traducción propia)
El segundo es el método de la diferencia:
Si un caso en el cual ocurre el fenómeno que se investiga y un caso en el cual no ocurre tienen todas las circunstancias en común salvo una, que se presenta solo en el primero, la circunstancia en la cual difieren ambos casos es el efecto, o la causa, o una parte indispensable de la causa del fenómeno. (Mill, 1843/1974, libro III, cap. VIII, §2; traducción propia)
El tercero, denominado método conjunto de concordancia y diferencia, combina los dos anteriores:
Si dos o más casos en los cuales ocurre el fenómeno tienen solo una circunstancia en común, mientras que dos o más casos en los cuales no ocurre no tienen nada en común salvo la ausencia de esa circunstancia, la circunstancia en la cual difieren ambos conjuntos de casos es el efecto, o la causa, o una parte necesaria de la causa del fenómeno. (Mill, 1843/1974, libro III, cap. VIII, §4; traducción propia)
A estos métodos Mill añade el método de los residuos y el método de las variaciones concomitantes. Este último es el que mayor relación guarda con la correlación, pues establece que todo fenómeno que varía de cualquier manera siempre que otro fenómeno varía de alguna manera particular es una causa o un efecto de ese fenómeno, o está conectado con él por algún hecho de causalidad (Mill, 1843/1974, libro III, cap. VIII, §6). Sin embargo, aunque esto no lo plantea Mill, también podría ocurrir que uno de los eventos que varían concomitantemente fuese parte del otro evento con el cual varía, sinoUn ejemplo de teoría basada en una explicación estructural es la teoría de la inteligencia de Guilford (1956), quien planteó que la inteligencia no es una capacidad única, y la concibió como un conjunto de aptitudes distintas que se organizan según tres dimensiones independientes, representadas en un modelo cúbico.
Mill (op. cit) advierte que el método de las variaciones concomitantes es particularmente necesario cuando la causa no puede aislarse por completo, es decir, cuando no es posible observar casos en los cuales esté totalmente presente y otros en los cuales esté totalmente ausente, situación que es habitual en los eventos de las ciencias sociales y de la educación. El propio Mill valoró de manera distinta la capacidad de cada método. Señaló que el método de la concordancia tiene una imperfección característica, derivada de la pluralidad de causas: un mismo efecto puede ser producido por causas diferentes, de modo que la circunstancia común a varios casos podría no ser la causa.
Por esa razón, las conclusiones del método de concordancia, cuando el número de casos es pequeño, tienen valor como sugerencias que deben llevarse luego a la prueba del método de la diferencia. En cambio, consideró que el método conjunto, al que también llamó método indirecto de la diferencia es, después del método directo de la diferencia más poderoso (Mill, 1843/1974, libro III, cap. X, §2). Este método al ser perfeccionado con el control de variables extrañas y con los diseños experimentales y cuasi experimentales de grupo control, ya es propio de la investigación confirmatoria.
Los métodos de Stuart Mill ilustran cómo la comparación preliminar entre casos, y la búsqueda de semejanzas y diferencias, sin controles ni experimentación constituye un paso previo que aporta elementos para la explicación en un nivel de identificación (Hurtado de Barrera, 2010), pero en el caso de la investigación explicativa el objetivo no es verificar las hipótesis derivadas de una teoría, sino generar la teoría al hacer un descarte preliminar de otras posibles causas. Los métodos de concordancia, de diferencia y conjunto se asocian con las comparaciones múltiples propias del estadio comparativo y del nivel explicativo de identificación, pero en la versión más depurada con control de variables extrañas e intervención se asocian con la investigación confirmatoria (cuatro estadios más arriba que la explicativa); Por otra parte, el método de las variaciones concomitantes, se asocia con la estimación de la intensidad de las relaciones propia del nivel de ponderación y del nivel de modelo teórico.
La correlación como vía para sospechar causalidad
Algunos autores como Robinson y Wainer (2023) critican que los investigadores en educación infieran relaciones de causalidad a partir de análisis de correlación. Sin embargo, la correlación es una técnica estadística que permite estimar el grado en que dos eventos varían de manera conjunta, así como el sentido de esa variación: positiva, cuando el incremento de un evento se asocia con el incremento del otro, o negativa, cuando el incremento de uno se asocia con la disminución del otro. En otras palabras, la correlación es una medida de la variación concomitante. Si la variación concomitante es una condición de la causalidad, como lo plantearon Hume y Mill, entonces la correlación es el primer paso para sustentar la sospecha de una relación causal: , difícilmente puede sostenerse que un evento genera a otro.
Ahora bien, es cierto que la correlación por sí sola no basta para afirmar la causalidad. Una correlación significativa entre dos eventos puede deberse a que el primero genera el segundo, a que el segundo genera el primero, a que ambos son generados por un tercer evento no identificado, o a que existe entre ellos una relación donde uno forma parte del otro o ambos forman parte de un evento mayor. Por esa razón, en la investigación explicativa la correlación no se interpreta como prueba de causalidad, sino como evidencia de concomitancia que, junto con otros elementos, permite sospechar una relación causal, o como mínimo una relación de contingencia. Esos otros elementos tienen que ver, fundamentalmente, con la precedencia temporal y con la plausibilidad de la relación.
Conviene aclarar, que la ausencia de correlación no equivale a ausencia de relación. El coeficiente de Pearson estima asociaciones lineales, y los coeficientes de Spearman y Kendall, asociaciones monótonas. Una relación curvilínea, como la que Hume ilustró con el calor, que produce placer hasta cierto grado y dolor más allá de él, puede arrojar coeficientes cercanos a cero. Por esa razón, el análisis de correlación debe acompañarse de la inspección gráfica de los datos y, cuando se sospecha una relación no monótona, es necesario escoger técnicas apropiadas para ella.
Con respecto a la condición de, esta Para ello es importante distinguir dos tipos de anterioridad. La anterioridad lógica que se refiere a la relación de medio a fin entre los eventos; la anterioridad temporal, qe se refiere al orden en que ocurren los hechos observados. La anterioridad lógica es la existencia de una relación lógica en la cual la supuesta causa ya está reconocida, o incluso institucionalizada, como mecanismo para generar el efecto. Es el caso de las acciones didácticas en educación, estas se diseñan y se realizan con la finalidad expresa de generar aprendizaje. Por ejemplo, la institución escolar, los currículos, la formación docente y las normas que regulan la práctica pedagógica están organizados sobre el supuesto de que la didáctica antecede al aprendizaje y está orientada a producirlo En una situación de este tipo, afirmar que el aprendizaje está diseñado para producir la didáctica carece de sentido lógico. Si bien otros factores pueden influir en el aprendizaje (como el conocimiento previo o el apoyo familiar), esos factores se pueden incluir dentro de la investigación explicativa si se utiliza un diseño multivariable, o se pueden incorporar como variables extrañas en una investigación confirmatoria posterior. Algo parecido ocurre con las estrategias de gestión respecto al desempeño organizacional o con las intervenciones en salud respecto a las condiciones sanitarias que buscan modificar en el paciente.
La segunda condición que permite asumir precedencia temporal una investigación explicativa con diseños transeccionales es la existencia de varias investigaciones previas, realizadas en diversos contextos, cuyos resultados apoyan la relación entre los eventos. Cuando distintos investigadores, con distintas poblaciones y en distintas circunstancias, han encontrado una vinculación consistente entre la supuesta causa y el efecto, la sospecha de causalidad gana fuerza. Este criterio guarda relación con la observación de Mill según la cual la presunción en favor de una causa se fortalece a medida que los casos se multiplican y varían, y continúan sugiriendo el mismo resultado (Mill, 1843/1974, libro III, cap. X, §2). La consistencia entre contextos diversos reduce además la probabilidad de que la relación se deba a circunstancias particulares de un solo escenario.
Cabe preguntarse entonces por qué es necesario realizar una investigación explicativa si la relación entre la supuesta causa y el efecto ya está respaldada por la lógica institucional y por investigaciones previas. La respuesta es que, aun cuando se sabe que la didáctica incide en el aprendizaje, existe un rango de indeterminación acerca de cuáles aspectos de esa posible causa son los más vinculados al efecto esperado, en qué contexto, y cuál es la dinámica de las relaciones que se da entre esos aspectos y que permite explicar el efecto. Se sabe, por ejemplo, que la didáctica puede influir en el desarrollo de competencias científicas, pero no necesariamente se sabe si en un contexto determinado tiene mayor peso la planificación, la mediación o la evaluación, con mayor intensidad a cuáles componentes de las competencias, ni de qué manera se combinan entre sí para producir el efecto. Ese rango de indeterminación es el que justifica la investigación explicativa en los niveles de ponderación y de modelo teórico, y es allí donde la correlación aporta información valiosa, pues permite identificar los aspectos con mayor variación concomitante y las configuraciones de relación entre ellos.
En cuanto al tercer requisito, la eliminación de explicaciones alternas, la investigación explicativa lo atiende de manera parcial a través de las comparaciones múltiples del estadio comparativo y de la plausibilidad de la explicación. Cuando el nivel de medición lo permite, el investigador puede apoyarse también en técnicas como la correlación parcial, No obstante, la eliminación sistemática de las explicaciones alternas mediante el control de variables extrañas es tarea de la investigación confirmatoria, no de la explicativa.
Estos planteamientos conectan la investigación explicativa con los desarrollos contemporáneos de la inferencia causal. En una investigación confirmatoria es necesario definir con precisión el proceso causal de interés y explicitar los supuestos necesarios analizar los datos (Hernán y Robins, 2020), y los diagramas causales permiten representar esos supuestos y decidir qué eventos ajustar (Pearl, 2009). Ambos desarrollos requieren un modelo causal previo al análisis de los datos. La investigación explicativa justamente permite construir ese modelo: identifica los eventos, postula la dirección de sus relaciones y propone los eventos alternativos que deben considerarse.
El objetivo de la investigación explicativa
En una investigación explicativa no se pretende verificar la relación de causalidad, sino anticipar o reconocer una posible relación de causalidad configurada como una teoría preliminar, y en algunos casos sustantiva, de la cual se puedan derivar hipótesis que sirvan de base para futuras investigaciones confirmatorias. En estas investigaciones posteriores es posible incorporar los controles de variables pertinentes y desarrollar diseños cuasi-experimentales, o experimentales si las condiciones lo permiten.
Para comprender este propósito es necesario precisar qué se entiende por teoría. Hall y Lindzey (1979) plantean que las teorías son supuestos no demostrados acerca de la realidad; son un conjunto de convenciones creadas por el teórico, de modo que no constituyen necesariamente verdades demostradas. Barrera Morales (2019) define las teorías como un conjunto de “elaboraciones conceptuales mediante las cuales se accede a explicaciones sobre aspectos que se quieren conocer, en grado de posibilidad” (p. 9). Para Hall y Lindzey (1979), una teoría debe contener un conjunto de “supuestos pertinentes, relacionados entre sí de modo sistemático” (p. 29), vinculados con situaciones reales, que explican con claridad y coherencia lógica de esas relaciones. Vistos desde la investigación explicativa, esos “hechos” son los eventos de estudio: el evento a explicar y los procesos explicativos.
De esta definición se desprende una consecuencia importante. Si la teoría es un conjunto de supuestos no demostrados, deducciones, y es a través de esa contrastación que el respaldo de la teoría se fortalece o se debilita: esa contrastación corresponde a la investigación confirmatoria.
En consecuencia, exigir a una investigación explicativa que demuestre la causalidad es pedirle algo que no corresponde a su naturaleza. Su producto es la teoría, con sus proposiciones fundamentales (axiomas o postulados) y sus derivaciones. Para que esa teoría constituya un aporte, debe tener conceptos definidos, relaciones explícitas, correspondencia con la evidencia, condiciones de aplicación y consecuencias contrastables. Hurtado de Barrera (2010) incluye entre sus criterios de valoración la capacidad explicativa, la consistencia lógica, la claridad, la capacidad predictiva y el valor heurístico.
Una lista de correlaciones no es todavía una teoría: se convierte en ella cuando las relaciones encontradas se integran en un conjunto de proposiciones que explican cómo y por qué ocurre el evento, y cuando se indica qué resultados la debilitarían. Esta teoría puede tomar la forma de un modelo teórico. Un modelo, en general, es una representación de una parte o aspecto de la realidad (Frigg y Hartmann, 2025). Para Bunge (1972), un modelo teórico es una teoría específica, construida para explicar el comportamiento de un tipo particular de objeto. Bunge plantea que la teoría general es más abstracta y contiene a los modelos teóricos. La teoría general, por sí sola no puede contrastarse directamente con la realidad, y para someterla a prueba hay que especificarla en un modelo teórico. En este sentido, Bunge (1972) afirma que “sin modelo, no hay contrastación empírica” (p. 46).
Por su parte, plantea que los modelos son visiones simplificadas que facilitan la comprensión de lo que la teoría intenta explicar y enlazan lo abstracto con lo concreto. Además, el modelo teórico puede expresarse en forma verbal (proposiciones vinculadas), matemática (fórmulas con pesos y contribuciones de los procesos explicativos) o icónica (gráficos, flujogramas, mapas de relaciones).
Por otro lado, el producto de la investigación confirmatoria es la verificación, es decir, la corroboración o no, de las hipótesis derivadas de esa teoría o de ese modelo teórico bajo condiciones de control. La relación entre la investigación explicativa y la confirmatoria es de continuidad en la espiral holística. A partir de una teoría bien formulada pueden obtenerse deducciones acerca de lo que ocurrirá en distintas situaciones y bajo determinadas circunstancias; estas deducciones proporcionan hipótesis para la investigación confirmatoria. Si las hipótesis no quedan corroboradas por los resultados de investigaciones posteriores, la teoría debe ser objeto de un nuevo examen para considerar si debe ser descartada, o si alguna modificación la haría consistente con los resultados, por ejemplo, si se cumple solo bajo ciertas condiciones o en determinados contextos (Hurtado de Barrera, 2010). La explicativa identifica posibles relaciones; la confirmatoria las pone a prueba; y sus resultados retroalimentan la explicación.
Teoría sustantiva y teoría general
Las teorías pueden tener diversos grados de generalidad. Glaser y Strauss (1967) distinguieron entre teoría sustantiva y teoría formal. extensos La diferencia no reside, solo en el tamaño del territorio o de la población, sino en el nivel de abstracción conceptual. En este artículo se adopta la expresión teoría general para referirse a ese nivel de mayor abstracción. La teoría sustantiva está anclada en un contexto, una población y un conjunto de circunstancias específicas; la teoría general trasciende esas particularidades y aspira a explicar un tipo de evento en múltiples contextos.
El grado de generalidad no es lo que confiere carácter científico a una teoría. Hay teorías que permiten explicar eventos en contextos muy específicos, y justamente su aporte está en las particularidades que permiten identificar en esos ámbitos; hay otras de mayor alcance, ya sea por la amplitud del contexto en el cual se aplican o por la complejidad de los conceptos que involucran (Hurtado de Barrera, 2010). Una investigación explicativa realizada en una institución, un municipio o una región determinada produce, por lo general, una teoría sustantiva. Esta teoría tiene valor en sí misma, porque orienta las decisiones en ese contexto, y a la vez constituye un aporte que, al integrarse con otras teorías sustantivas sobre el mismo evento, contribuye a la construcción de teorías generales.
La multicausalidad no descalifica la teoría explicativa
En las ciencias sociales los eventos suelen estar influidos por múltiples causas. El propio Stuart Mill reconoció que en los fenómenos sociales la pluralidad de causas existe en un grado casi ilimitado y que los efectos se encuentran, en su mayor parte, inextricablemente entrelazados unos con otros (Mill, 1843/1974, libro III, cap. X, §8). El aprendizaje, por ejemplo, depende de la didáctica del docente, pero también de las condiciones familiares, de la motivación del estudiante, de sus conocimientos previos, de los recursos disponibles y de muchos otros factores.
Por esa razón, en una investigación explicativa no se pretende atribuir la totalidad del efecto a la causa identificada, . Cuando un coeficiente de correlación indica que dos eventos comparten una determinada proporción de su varianza,
Este reconocimiento no descalifica la teoría que se genera. Los investigadores rara vez están interesados en explicar o predecir los eventos en todos sus detalles; en general, lo que importa es explicar unas cuantas propiedades extraídas de la compleja realidad (Simon, 1979, citado en Hurtado de Barrera, 2010). El resultado de una teoría es, por lo tanto, parcial, circunstancial, relativo, flexible y temporal, porque el conocimiento es un proceso que se desarrolla como un continuo.
Una teoría no está obligada a abarcar la totalidad de los aspectos que integran una situación, del mismo modo que el modelo que la representa es siempre una visión simplificada de aquello que representa (Hurtado de Barrera, 2010). Lo que se exige a una teoría es que dé cuenta satisfactoriamente de los eventos que pretende explicar, con consistencia lógica y con claridad, no que agote todas las condiciones que podrían intervenir en ellos. Muchas de las causas identificadas en este tipo de investigación funcionan como condiciones contribuyentes, es decir, condiciones que aumentan la probabilidad de que ocurra el evento sin hacerlo seguro, y su reconocimiento como tales constituye un hallazgo valioso.
a controlar Por ello, en una investigación explicativa no se controlan variables, por el contrario, que deja actuar libremente a los eventos de estudio. La investigación explicativa ofrece a partir del cual los otros factores que no se asumieron como causas pueden incorporarse como variables extrañas a controlar en las investigaciones confirmatorias posteriores. Si se sabe que la didáctica explica una parte de la variación del aprendizaje, una investigación confirmatoria podrá controlar el nivel socioeconómico, los conocimientos previos o la motivación para estimar con mayor precisión el efecto de la didáctica. También es posible que esos otros factores se conviertan en condiciones moderadoras, mediadoras o contingentes en nuevas investigaciones explicativas que amplíen la teoría. En ambos casos, la teoría parcial no es un obstáculo, sino la base sobre la cual se construye el conocimiento posterior.
La pertinencia de la correlación en la investigación explicativa
La correlación no es la única técnica de análisis útil para las investigaciones explicativas, s y apoyar la sospecha de posibles relaciones de causalidad, en particular en los niveles de ponderación y de modelo teórico. La variación concomitante es una condición de la causalidad reconocida desde Hume, sistematizada por Stuart Mill, y retomada por científicos posteriores, La correlación permite con un coeficiente adecuado al nivel de medición de los eventos: Pearson para eventos medidos en nivel de intervalo o de razón, Spearman o Kendall para eventos en nivel de medición ordinal ,, el coeficiente de contingencia de Pearson o la V de Cramer. La elección no depende solo del nivel de medición: también se deben considerar la forma de la relación, los valores atípicos y, en el caso de los coeficientes de orden, el efecto de los empates.
En la investigación explicativa también es posible utilizar el análisis estructural, o análisis de ecuaciones estructurales, así como el análisis de vías (Path Analysis), si el nivel de medición y la cantidad de casos lo permiten. Sin embargo, avanzar en estos análisis más complejos, (Wolf etal., 2013), es más pertinente cuando ya existen referentes previos que aportan indicios de causalidad. La correlación cumple precisamente la función de aportar esos indicios iniciales.
Además, muchos de los análisis más complejos, como el análisis estructural, la regresión múltiple, el análisis factorial y el análisis de vías, se basan de fondo en correlaciones: los coeficientes de regresión se calculan a partir de la matriz de correlaciones o covarianzas entre los eventos, el análisis factorial descompone esa matriz para identificar dimensiones subyacentes, y el análisis de ecuaciones estructurales evalúa el ajuste de un modelo teórico a la matriz de covarianzas observada (Kline, 2016). En este sentido, la correlación no es una técnica menor frente a las técnicas multivariadas, sino su fundamento.
Cuando se trabajan investigaciones explicativas en el nivel de identificación, se utilizan además técnicas de análisis de comparación, en correspondencia con la lógica de los métodos de concordancia y de diferencia de Stuart Mill. Según el nivel de medición de los eventos de estudio y las características de los datos, pueden aplicarse la prueba t de Student, la U de Mann-Whitney, el análisis de varianza, el análisis de covarianza, la prueba de Kruskal-Wallis o la prueba chi cuadrado, entre otras. Estas técnicas permiten identificar en cuáles condiciones difieren los casos en los que el evento a explicar se presenta con mayor intensidad de aquellos en los que se presenta con menor intensidad, y de ese modo seleccionar los posibles procesos explicativos que luego se ponderan mediante técnicas de correlación.
En síntesis, la correlación es una vía pertinente para sospechar causalidad en una investigación explicativa porque estima la variación concomitante, primera condición de toda relación causal. Cuando a esa evidencia se suman la precedencia lógica y un conjunto de investigaciones previas que, en contextos diversos, respaldan la relación, , de causalidad adquiere la consistencia necesaria para configurarse como teoría. Esa teoría no pretende ser una verdad demostrada, sino un conjunto sistemático de supuestos que explica cuáles con mayor intensidad al efecto y de qué manera se relacionan entre sí. Su valor está en aportar las evidencias iniciales de las explicaciones causales y abrir el camino para que la investigación confirmatoria, con el control de variables que le es propio, y los diseños experimentales y cuasi experimentales, ponga a prueba las hipótesis que de ella se derivan.
Referencias
Bailey, D. H., Jung, A. J., Beltz, A. M., Eronen, M. I., Gische, C., Hamaker, E. L., Kording, K. P., Lebel, C., Lindquist, M. A., Moeller, J., Razi, A., Rohrer, J. M., Zhang, B. y Murayama, K. (2024). Causal inference on human behaviour. Nature Human Behaviour, 8(8), 1448–1459. https://doi.org/10.1038/s41562-024-01939-z
Barrera Morales, M. F. (2013). Filosofía de la ciencia. Construcción y validación de teorías. Ciea-Sypal.
Bunge, M. (1972). Teoría y realidad. Ariel.
Díez Medrano, J. (1992). Métodos de análisis causal (Cuadernos Metodológicos, 3). Centro de Investigaciones Sociológicas.
Frigg, R. y Hartmann, S. (2025). Models in science. En E. N. Zalta y U. Nodelman (Eds.), The Stanford Encyclopedia of Philosophy. https://plato.stanford.edu/entries/models-science/
Glaser, B. G. y Strauss, A. L. (1967). The discovery of grounded theory: Strategies for qualitative research. Aldine.
Grosz, M. P. (2023). Should researchers make causal inferences and recommendations for practice on the basis of nonexperimental studies? Educational Psychology Review, 35, Artículo 57. https://doi.org/10.1007/s10648-023-09777-7
Guilford, J. P. (1956). The structure of intellect. Psychological Bulletin, 53(4), 267–293. https://doi.org/10.1037/h0040755
Hall, C. S. y Lindzey, G. (1979). La teoría de la personalidad. Paidós.
Hanson, N. R. (1958). Patterns of discovery: An inquiry into the conceptual foundations of science. Cambridge University Press.
Hernán, M. A. y Robins, J. M. (2020). Causal inference: What if. Chapman & Hall/CRC.
Hume, D. (2000). A treatise of human nature (D. F. Norton y M. J. Norton, Eds.). Oxford University Press. (Obra original publicada en 1739)
Hurtado de Barrera, J. (2010). Metodología de la investigación: guía para una comprensión holística de la ciencia (4.ª ed.). Quirón Ediciones.
Hurtado de Barrera, J. (2026). Criterios para identificar el tipo de investigación: vacíos y aportes desde la comprensión holística de la ciencia. Revista Human@s Guajira. Vol. 1, n.° 1. Universidad de la Guajira. Criterios para identificar el tipo de investigación. Vacíos y aportes desde la comprensión holística de la ciencia | Human@sGuajira
Kerlinger, F. (1981). Investigación del Comportamiento. Técnicas y metodología. México: Interamericana.
Kline, R. B. (2016). Principles and practice of structural equation modeling (4.ª ed.). Guilford Press.
Mill, J. S. (1974). A system of logic ratiocinative and inductive: Being a connected view of the principles of evidence and the methods of scientific investigation (Books I–III) (J. M. Robson, Ed.; Collected Works of John Stuart Mill, Vol. 7). University of Toronto Press; Routledge & Kegan Paul. (Obra original publicada en 1843)
Pearl, J. (2009). Causality: Models, reasoning, and inference (2.ª ed.). Cambridge University Press.
Popper, K. R. (1959). The logic of scientific discovery. Hutchinson.
Reichenbach, H. (1938). Experience and prediction: An analysis of the foundations and the structure of knowledge. University of Chicago Press.
Robinson, D. H. y Wainer, H. (2023). It’s just an observation. Educational Psychology Review, 35, Artículo 83. https://doi.org/10.1007/s10648-023-09804-7
Shadish, W. R., Cook, T. D. y Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference. Houghton Mifflin.
Shmueli, G. (2010). To explain or to predict? Statistical Science, 25(3), 289–310. https://doi.org/10.1214/10-STS330
Wolf, E. J., Harrington, K. M., Clark, S. L. y Miller, M. W. (2013). Sample size requirements for structural equation models: An evaluation of power, bias, and solution propriety. Educational and Psychological Measurement, 73(6), 913–934. https://doi.org/10.1177/0013164413495237
Yurén Camarena, M. T. (1992). Leyes, teorías y modelos. México: Trillas.