Fernando Martínez Abad, Jaime León González-Vélez
La suposición de relaciones causa-efecto en la investigación ex post facto es un problema ampliamente conocido en el ámbito de la metodología de investigación en ciencias sociales. Para abordar esta importante limitación, en los últimos años se ha extendido el empleo de técnicas de inferencia causal, un conjunto de procedimientos estadísticos establecidos para poder extraer conclusiones causales en investigaciones no experimentales. A pesar de su amplia popularidad y difusión en el ámbito de las ciencias sociales y de la salud, su uso en investigación educativa es todavía marginal. Así, este trabajo introduce las principales técnicas de inferencia causal disponibles para el investigador educativo cuando dispone de datos observacionales de panel. Tras abordar las características clave y el potencial de las técnicas de emparejamiento por puntuación de propensión, variables instrumentales y diseño de regresión discontinua, se presenta un ejemplo de aplicación de cada una de ellas empleando las bases de datos obtenidas en la evaluación PISA 2018. Se incluye la competencia matemática como variable dependiente en todos los modelos propuestos. Dada las diferentes características de cada una de estas técnicas, la variable independiente empleada varía en los tres modelos aplicados: asistencia a educación infantil en el emparejamiento por puntuación de propensión, expectativas académicas del estudiante en variables instrumentales y tamaño del municipio en el que se encuentra la escuela en diseño de regresión discontinua. Se concluye el artículo discutiendo el potencial de este conjunto de técnicas, teniendo en cuenta las necesidades y procedimientos metodológicos más habitualmente aplicados en la investigación educativa.
The assumption of cause-effect relationships in ex post facto research is a widely known issue in the field of research methods in social sciences. To address this important limitation, the use of causal inference techniques has become widespread in recent years. Causal inference establishes a set of statistical procedures for drawing causal conclusions in non-experimental research. Despite its wide popularity and diffusion in the social and health sciences, its use in educational research is still marginal. Thus, this paper introduces the main causal inference techniques available to the educational researcher when observational panel data are available. After addressing the key features and potential of propensity score matching, instrumental variables, and regression discontinuity design, we present an example application of each of these techniques. We used the available databases from the PISA 2018 assessments. We included the mathematical competence as the dependent variable in all the three models implemented. Given the different characteristics of each of these techniques, the independent variable used is different in the three models applied: attendance to early childhood education in propensity score matching; student academic expectations in instrumental variables; and size of the community in which the school is located in regression discontinuity design. The article concludes by discussing the potential of this set of techniques, taking into account the needs and methodological procedures most commonly applied in educational research.
يعد افتراض العلاقات بين السبب والنتيجة في الأبحاث بأثر رجعي مشكلة معروفة على نطاق واسع في مجال منهجية البحث في العلوم الاجتماعية. ولمعالجة هذا القيد المهم, انتشر في السنوات الأخيرة استخدام تقنيات الاستدلال السببي, وهي مجموعة من الإجراءات الإحصائية التي تم وضعها لتكون قادرة على استخلاص استنتاجات سببية في البحوث غير التجريبية. وعلى الرغم من شعبيتها وانتشارها الواسع في مجال العلوم الاجتماعية والصحية, إلا أن استخدامها في البحوث التربوية لا يزال هامشيًا. وبالتالي, يقدم هذا العمل تقنيات الاستدلال السببي الرئيسية المتاحة للباحث التربوي عند توفر بيانات لوحة المراقبة. بعد معالجة الخصائص الرئيسية وإمكانات مطابقة درجات الميل, والمتغيرات الآلية, وتقنيات تصميم الانحدار المتقطع, يتم تقديم مثال لتطبيق كل منها باستخدام قواعد البيانات التي تم الحصول عليها في تقييم PISA2018.تم تضمين الكفاءة الرياضية كمتغير تابع في جميع النماذج المقترحة.وبالنظر إلى الخصائص المختلفة لكل من هذه التقنيات, فإن المتغير المستقل المستخدم يختلف في النماذج الثلاثة المطبقة: الحضور في التعليم في مرحلة الطفولة المبكرة في مطابقة درجات الميل, والتوقعات الأكاديمية للطلاب في المتغيرات المفيدة والحجمللبلدية التي تقع فيها المدرسة في تصميم تراجعي متقطع.ويختتم المقال بمناقشة إمكانات هذه المجموعة من التقنيات, مع الأخذ في الاعتبار الاحتياجات والإجراءات المنهجية الأكثر شيوعًا في البحث التربوي
A assunção de relações de causa-efeito na investigação ex post facto é um problema amplamente conhecido no domínio da metodologia de investigação em ciências sociais. Para fazer face a esta importante limitação, a utilização de técnicas de inferência causal, um conjunto de procedimentos estatísticos estabelecidos para poder tirar conclusões causais em investigações não experimentais, tem vindo a generalizar-se nos últimos anos. Apesar da sua grande popularidade e disseminação no âmbito das ciências sociais e da saúde, a sua utilização em investigação educativa é ainda marginal. Assim, este documento introduz as principais técnicas de inferência causal disponíveis para o investigador educativo quando existem dados observacionais de painel. Depois de discutir as principais características e o potencial das técnicas de correspondência por pontuação de propensão, variáveis instrumentais e conceção de regressão descontínua, apresenta-se um exemplo da aplicação de cada uma delas utilizando as bases de dados obtidas na avaliação PISA 2018. A competência matemática é incluída como variável dependente em todos os modelos propostos. Dadas as diferentes características de cada uma destas técnicas, a variável independente utilizada varia nos três modelos aplicados: assistência ao ensino infantil na correspondência por pontuação de propensão, expectativas académicas do estudante em variáveis instrumentais e dimensão do município em que a escola se localiza em conceção de regressão descontínua. O artigo conclui discutindo o potencial deste conjunto de técnicas, tendo em conta as necessidades e os procedimentos metodológicos mais comummente aplicados na investigação educativa.
事后回溯研究中的因果关系假设是社会科学研究方法领域普遍公认的问题。为了了解这一局限性,最近几年开始广泛地使用因果推断技术。这项技术是指通过一系列已建立的统计学过程从非实验研究中提取因果结论的技术。虽然该技术在社会科学和健康科学领域有着广泛的认知度和使用度,但在教育领域它还处在边缘位置。因此,该研究导入可用的主要因果推断技术,帮助教育研究者分析观察性面板数据。研究首先详述了倾向性得分匹配、工具变量、断点回归设计的主要特点和潜力,然后分别展示了这些技术在2018年国际学生评估项目(PISA2018)测试数据上的应用示例。在所有的建议模型中,数学能力都作为因变量出现。考虑到每项技术的特殊性,三种模型使用不同的自变量:在倾向性得分匹配模型中的幼儿教育出勤率;在工具变量模型中的学生学业期待以及断点回归设计中学校所在的城区规模。在考虑到教学研究需求和常规方法论应用过程的基础上,该研究还对一系列技术的潜力进行了讨论。
© 2001-2024 Fundación Dialnet · Todos los derechos reservados