Jefferson Jaramillo Marín - El helicoide de la investigación - metodología en tesis de ciencias sociales

Consideraciones sobre el sesgo de selección

El tema de esta sección suele tener un contenido técnico denso, de modo que sus principales ideas habitualmente están envueltas en formulaciones estadísticas relativamente sofisticadas —modelos Tobit, Cragg, Heckman—. [13]Para los propósitos de esta introducción hemos considerado que sería una tarea inútil intentar sintetizar y exponer, brevemente, el tratamiento del sesgo de selección desde la perspectiva estadística. En lugar de ello optamos por presentar lo que consideramos las ideas básicas en torno a este tema, pero no en abstracto sino vinculadas al proceso de investigación.

Las investigaciones sociales que emplean información generada a partir de muestras aleatorias disponen de un arsenal conceptual proporcionado por la estadística que permite hacer inferencias válidas sobre la población desde la cual se obtuvo la muestra. Dichas muestras pueden provenir de fuentes oficiales, como por ejemplo, la Encuesta Nacional de Ingresos y Gastos de los Hogares (ENIGH) o la Encuesta Nacional de Ocupación y Empleo (ENOE), o bien, ser diseñadas específicamente para analizar un problema determinado (movilidad social, migraciones, consumo de drogas, etcétera).

Las muestras aleatorias se caracterizan, en lo esencial, porque el mecanismo de selección de las observaciones queda en manos del azar, lo que mirado desde otro punto de vista significa que las observaciones que formarán parte de la muestra son elegidas sin la intervención del ser humano, sea éste un estadístico experto en muestreo o un investigador. El supuesto es que la intervención del azar evita que se introduzcan sesgos explícitos o implícitos al seleccionar el conjunto de casos que se analizará; la aleatoriedad sería garantía suficiente de que las variables o indicadores dan cuenta de los fenómenos o procesos a los cuales refieren, así como de sus relaciones. Por ejemplo, en principio, el ingreso corriente total de la ENIGH sería un buen reflejo de su distribución en el país, no sólo en cuanto al ingreso con que contarían los hogares mexicanos sino también en cuanto al promedio y la desigualdad, así como también haría visible la relación del ingreso con la educación. Del mismo modo, la ENOE arroja información válida acerca de la situación del desempleo trimestre a trimestre y de su relación con los ingresos laborales.

En teoría, la selección aleatoria evita sesgos. Sin embargo, hay que considerar que en no pocas ocasiones las muestras suelen presentar variables con una significativa proporción de valores omitidos. Por ejemplo, la variable ingreso laboral en la ENOE registra alrededor de 20% de personas con ingreso nulo aunque son ocupados que debieran recibir un pago por su trabajo. A pesar del volumen de casos perdidos, la muestra podría reflejar adecuadamente los ingresos de la población laboral si se distribuyeran al azar. Si por el contrario, aquellas personas que no respondieron conforman una subpoblación particular, distinta a los que sí lo hicieron, entonces la población original se desdoblaría quedando conformada por dos distribuciones distintas: los que sí respondieron el ingreso devengado y los que no. Si la subpoblación que no proporcionó la información se rehusó a entregarla debido a un conjunto de características particulares —como, por ejemplo, habitantes urbanos con altos niveles educativos y de ingreso—, entonces la muestra deja de representar adecuadamente a toda la población y se limita a aquellos que accedieron a dar la información. Si este fuera el caso, la inferencia sobre el total de la población adolecerá de sesgo de selección y, a pesar de que la muestra se seleccionó siguiendo los cánones de la aleatoriedad, la inferencia sobre la población carecería de validez. De hecho, la muestra sólo permite inferencias válidas sobre una parte de la población, es decir, representa adecuadamente sólo a la población de los que respondieron la pregunta de ingreso.

En el análisis de datos de panel hay que enfrentar una situación similar provocada por la pérdida de casos a lo largo del tiempo, ya que los desertores suelen tener características distintas de los que permanecen en el estudio.

Una manera sintética de expresar la idea de que la no respuesta suele dividir a la población en dos partes distintas es la siguiente:

Whereas the implications of censoring were not well appreciated twenty years ago, they are much better understood today. In particular, social scientists have devoted substantial attention to the selection problem. This is the problem of identifying conditional probability distributions from random sample data in which the realization of the conditioning variables are observed but the realizations of the outcome are censored (Manski, 1995: 22).

En los términos de Manski, “outcome” sería el ingreso laboral y las variables condicionantes serían aquellas que tienen incidencia sobre la probabilidad de responder las preguntas del cuestionario.

No siempre es posible ni apropiado utilizar el muestreo probabilístico para obtener la información que se requiere para llevar adelante una investigación. Por un lado, muchas veces las restricciones presupuestarias y el tiempo disponible hacen imposible contar con tamaños de muestra grandes y, por otro, tomar muestras aleatorias cuando el número de casos es pequeño puede generar sesgos (King, Keohane y Verba, 2000: 136-138) como, por ejemplo, si al tomar una muestra al azar de regímenes políticos para estudiar la transición a la democracia no se incluyese a España o Chile.

De acuerdo con estas ideas, si el número de casos a considerar en el estudio necesariamente debe ser pequeño, entonces lo aconsejable, desde el punto de vista práctico y teórico, es que la selección sea intencional en lugar de aleatoria. Ahora bien, la pregunta que surge es ¿cómo seleccionar los casos? Por ejemplo, para estudiar la transición a la democracia: ¿qué países, además de Chile y España, se debería considerar en la muestra? Y para otros temas: ¿qué casos hay que seleccionar para el estudio del pasaje de los niños en situación de calle a la vida en sociedad? o ¿a quiénes seleccionar para hacer una indagación sobre las condicionantes del divorcio?

Dado que no es conveniente emplear el azar para elegir los casos —no olvidar que el azar garantiza que el criterio de selección no se relaciona con los fenómenos o los procesos, es decir, con las variables que los representan—, la atención se debe centrar en las relaciones que pudiesen existir entre los criterios de selección y las variables examinadas.

Una regla fundamental es que “la selección tiene que permitir que se produzca, al menos, alguna variación en la variable dependiente” (King, Keohane y Verba, 2000: 139). Ésta es una condición lógica elemental, ya que si se desea indagar sobre el cambio en una variable, ¿cómo hacerlo si la variable no cambia? Para satisfacer esta regla, por ejemplo, el análisis de las causales del divorcio podría remontarse al pasado de la pareja y al estudio del entorno de la ruptura, o bien, compararla con matrimonios equivalentes que aún permanecen unidos, pero no centrarse, única y exclusivamente, en la situación actual de los divorciados. Si sólo se analizaran niños en situación de calle que tuvieron éxito en incorporarse a la sociedad civil, la variable dependiente éxito no variaría y, por lo tanto, no se podrían identificar los factores que se asocian con el tránsito.

Seleccionar los casos en función de la variable dependiente aumenta el riesgo de introducir sesgo de selección. En efecto, en la medida que se incluyen casos cuya variable explicada se relaciona con el criterio de selección —por ejemplo, sólo niños que han pasado de situación de calle a incorporarse plenamente a la sociedad, o bien, únicamente parejas en proceso de divorcio—, se viola el supuesto de independencia condicional, ya que los valores que asumen las variables explicativas son función de los valores de la variable dependiente. La doble dependencia funcional de Y con respecto a X, por un lado, y de X con respecto a Y, por el otro, trae como consecuencia que la estimación del efecto de X sobre Y sea sesgada. [14]En los casos en que las observaciones provienen de una muestra aleatoria se dispone de varias formas relativamente estandarizadas de abordar el problema (Wooldridge, 2006: 532-533; Green, 2008: 357-361). Cuando las observaciones se han seleccionado intencionalmente, la solución consiste en ampliar el rango de observación de la variable dependiente (King, Keohane y Verba, 2000: 140).