Por

Nathan Auyeung

—

26 may 2026

Ejemplos de diseño cuasiexperimental: tipos y casos de uso reales

Nathan Auyeung

Contador Senior en EY

Graduado con una Licenciatura en Contabilidad, completó un Diploma de Postgrado en Contabilidad.

Los diseños cuasi-experimentales ayudan a los investigadores a estudiar la relación de causa y efecto cuando la asignación aleatoria no es posible. En lugar de depender de grupos aleatorios controlados, estos estudios se realizan en entornos del mundo real como escuelas, clínicas, vecindarios o regiones.

Esto los hace especialmente útiles en educación, atención médica y políticas públicas, donde los investigadores a menudo necesitan respuestas pero no pueden controlar por completo quién recibe una intervención.

En esta guía, analizaremos los ejemplos cuasi-experimentales más importantes, explicaremos qué hace que cada diseño funcione y te mostraremos cómo elegir y aplicar el enfoque adecuado en tu propio estudio con total claridad y confianza.

¿Qué es un diseño de investigación cuasi-experimental?

Un diseño de investigación cuasi-experimental examina la causa y el efecto sin utilizar la asignación aleatoria.

En lugar de crear grupos aleatorios, utiliza grupos formados de manera natural que ya existen en entornos reales, lo que hace que el enfoque sea mucho más realista para la investigación aplicada. Los investigadores suelen trabajar con aulas, hospitales o comunidades ya existentes.

Como se explica en diseño cuasi-experimental, los cuasi-experimentos se utilizan ampliamente en estudios aplicados porque ofrecen un equilibrio muy práctico entre la viabilidad y una comprensión causal significativa.

A diferencia de un experimento verdadero, los participantes no se asignan al azar a las condiciones. Esto puede dificultar el descarte de explicaciones alternativas, ya que los grupos pueden diferir entre sí antes de que comience la intervención.

Como resultado, la validez interna puede ser un desafío en los diseños cuasi-experimentales. Aun con estas limitaciones, los métodos cuasi-experimentales siguen siendo esenciales en disciplinas como la sociología, la psicología y la economía.

Variable independiente: la intervención o el tratamiento
Variable dependiente: el resultado medido
Grupo de control: el grupo de comparación que no recibe el tratamiento
Grupo de tratamiento: el grupo que recibe la intervención

Tipos principales de ejemplos de diseño cuasi-experimental

Aquí tienes los principales tipos que verás en la práctica. Las explicaciones incluyen ejemplos sencillos y dónde se aplican realmente.

Diseño de grupo de control no equivalente

Se comparan dos grupos, pero no se asignaron al azar; ya existían previamente.

Ejemplo: Una clase en una escuela recibe un nuevo programa de matemáticas. Otra clase utiliza el método tradicional. Al final del trimestre, se comparan sus calificaciones en los exámenes.
Dónde se utiliza: Esto es sumamente común en la investigación educativa. Dado que los grupos no eran idénticos al inicio, los investigadores deben usar estadísticas (como ANCOVA) para intentar compensar las diferencias iniciales. El gran desafío es lidiar con las variables que no se tomaron en cuenta.

Diseño de preprueba-posprueba con un solo grupo

Se mide a un solo grupo, se introduce una variable y luego se vuelve a medir. No existe un grupo de control independiente.

Ejemplo: Una fábrica registra cuántos accidentes ocurren durante seis meses. Luego, implementa un programa de capacitación en seguridad. Después de eso, hace un seguimiento de los accidentes durante otros seis meses para ver si la cifra disminuyó.
Por qué es débil: La disminución de los accidentes podría deberse a la capacitación, o podría ser el resultado de otro factor externo ocurrido al mismo tiempo, como una desaceleración estacional de la producción. Es difícil tener la certeza de qué causó el cambio.
La compensación: Es muy fácil y económico de realizar, por lo que es común en estudios empresariales y del lugar de trabajo, aunque ofrece la evidencia más débil de causa y efecto.

Preprueba-posprueba con un grupo de control no equivalente

Esta es una versión mucho más sólida. Se cuenta con dos grupos existentes y se mide a ambos antes y después de introducir un cambio solo en uno de ellos.

Ejemplo: Una clínica inicia un nuevo programa para ayudar a las personas a dejar de fumar, mientras que otra clínica similar no lo hace. Se encuesta a los fumadores de ambas clínicas sobre sus hábitos. Tras un año de ejecutar el programa en la primera clínica, se vuelve a encuestar a todos.
Por qué es mejor: Si la clínica con el programa muestra una disminución del tabaquismo significativamente mayor que la otra clínica, se puede tener más confianza en que el programa realmente funcionó. Esto ayuda a descartar la posibilidad de que algún factor externo (como una nueva campaña de salud pública) haya afectado a todos al mismo tiempo.

Así es como se comparan estos tres primeros diseños:

Tipo de diseño	¿Grupo de control?	¿Preprueba?	Fuerza de la evidencia
Preprueba-posprueba con un solo grupo	No	Sí	Baja
Grupo de control no equivalente	Sí	Opcional	Media
Preprueba-posprueba con grupo de control	Sí	Sí	Alta

Diseño de series de tiempo interrumpidas

En lugar de realizar solo una medición de "antes" y "después", se recopilan datos en múltiples momentos durante un período prolongado. Se busca identificar un cambio en la tendencia tras un evento específico.

Ejemplo: Un país aprueba una ley que añade un impuesto a las bebidas azucaradas. Los investigadores analizan los datos nacionales de ventas de refrescos mes a mes durante años antes del impuesto y años después. Buscan comprobar si la tendencia a largo plazo de las ventas cae claramente o cambia de trayectoria justo cuando entró en vigor el impuesto.
Por qué es útil: Es sumamente potente para evaluar políticas y leyes. Observar un cambio en un patrón a largo plazo es mucho más convincente que un cambio entre dos puntos de tiempo aislados. Se puede encontrar un análisis detallado sobre esto en diseño de series de tiempo interrumpidas en estudios del mundo real, el cual muestra cómo se utilizan estos diseños basados en el tiempo en la investigación de la salud real.

Diseño de discontinuidad de regresión

Los participantes se asignan a un grupo de tratamiento en función de si se encuentran por encima o por debajo de un punto de corte específico en una escala.

Ejemplo: Una universidad otorga becas de tutoría a estudiantes cuyos ingresos familiares son inferiores a $50,000. Luego, los investigadores comparan las tasas de graduación de los estudiantes que apenas calificaron (por ejemplo, con ingresos de $49,500) con las de aquellos que por muy poco no lo lograron (por ejemplo, con ingresos de $50,500).
La lógica: La idea es que estos dos grupos de estudiantes son prácticamente idénticos en todos los aspectos, excepto por esa mínima diferencia de ingresos y la beca recibida. Cualquier diferencia importante en sus resultados puede vincularse con mayor seguridad a la beca. A los economistas y analistas de políticas les encanta este diseño por su lógica tan ingeniosa.

Diseño de emparejamiento y puntuación de propensión

Dado que no se puede realizar una asignación aleatoria, se intenta emular estadísticamente. Se identifican personas en el grupo de tratamiento y se "emparejan" con personas casi idénticas de un grupo que no recibió el tratamiento.

Ejemplo: Estás estudiando los cursos universitarios en línea frente a los presenciales. Tomas a cada estudiante en línea y buscas a un estudiante presencial con su mismo promedio de calificaciones de secundaria, edad y especialidad. Luego, comparas las notas de estas parejas emparejadas.
El inconveniente: Solo se puede emparejar a las personas en función de variables que se puedan medir y de las que se tengan datos. No puede compensar diferencias ocultas, como el nivel de motivación de un estudiante o su acceso a un lugar de estudio silencioso. Reduce el sesgo, pero no lo elimina.

Ejemplos reales de diseño cuasi-experimental por área

Encontrarás estos métodos en todas partes. Así es como se aplican en la práctica en algunas de las áreas más importantes.

Educación

Por lo general, las escuelas no pueden redistribuir a los niños de forma aleatoria para un experimento, por lo que trabajan con los grupos que ya tienen formados.

Cómo se ve: Un distrito escolar decide probar un nuevo programa de tutoría en línea. Lo implementan para todos los estudiantes de la escuela Lincoln. Mientras tanto, los estudiantes de la escuela Jefferson continúan con el sistema de estudio tradicional. Al final del semestre, los investigadores comparan las calificaciones de los exámenes finales de ambas escuelas.
Por qué se utiliza: Es una forma estándar y muy práctica de evaluar nuevas herramientas o programas de enseñanza cuando la aleatorización real no es una opción viable.

Atención médica

Los hospitales y clínicas utilizan grupos de pacientes existentes para estudiar nuevos procedimientos o sistemas.

Cómo se ve: Un hospital instala un nuevo sistema digital para que las enfermeras realicen el seguimiento de los signos vitales de los pacientes. Analizan el tiempo promedio de recuperación de los pacientes ingresados en los seis meses anteriores a la puesta en marcha del sistema y lo comparan con el tiempo de recuperación de los pacientes ingresados en los seis meses posteriores.
Por qué se utiliza: No se puede asignar al azar a algunos pacientes para recibir una atención de menor calidad. Este enfoque permite a los investigadores de la salud estudiar mejoras en el mundo real de manera controlada.

Políticas públicas

Cuando se introduce una nueva ley o impuesto, este afecta a toda la población. Los investigadores estudian los efectos analizando los datos a lo largo del tiempo.

Cómo se ve: Un estado eleva la edad legal para comprar tabaco de 18 a 21 años. Las autoridades de salud pública realizan un seguimiento de las tasas estatales de tabaquismo entre los adolescentes durante varios años antes y después del cambio de ley, buscando una caída en la línea de tendencia.
Por qué se utiliza: Esto suele ser un diseño de series de tiempo interrumpidas. Es la forma principal de determinar si una política a gran escala realmente causó el cambio positivo que todos esperaban.

Negocios y Marketing

Las empresas prueban nuevas ideas en un subconjunto de clientes antes de realizar un lanzamiento completo, a menudo porque no es posible realizar una prueba A/B real.

Cómo se ve: Una aplicación de redes sociales desarrolla una nueva función de video. La lanzan primero para todos los usuarios en Canadá. Durante tres meses, miden la frecuencia con la que los usuarios canadienses ven videos en comparación con los usuarios de mercados similares, como el Reino Unido y Australia, que aún no tienen la función.
Por qué se utiliza: Los analistas, incluso en foros como Reddit, llaman a esto un "lanzamiento escalonado". Permite a una empresa observar el uso en el mundo real y detectar problemas antes de un lanzamiento global, al mismo tiempo que recopila datos comparativos valiosos.

Este tipo de estudio a menudo se sitúa entre la comprensión cualitativa y la medición cuantitativa. Si no tienes del todo clara la diferencia entre estos enfoques, investigación cualitativa vs cuantitativa explica cómo cada método contribuye a las decisiones de diseño de investigación.

Ventajas y desventajas del diseño cuasi-experimental

Conocer los puntos fuertes de estos métodos, así como sus limitaciones, es clave para evaluar adecuadamente los estudios que los utilizan.

Ventajas

Su mayor fortaleza es que te permiten estudiar fenómenos cuando un experimento verdadero no es posible o ético.

Uso en el mundo real: Puedes investigar programas, políticas y tratamientos tal como ocurren realmente en escuelas, hospitales o ciudades, sin tener que crear un entorno de laboratorio artificial.
Viabilidad ética: A menudo, no se le puede negar de forma aleatoria un tratamiento potencialmente beneficioso a una persona. Los Institutos Nacionales de Salud señalan que muchos estudios clínicos deben utilizar diseños no aleatorizados precisamente por esta razón.
Eficiencia: Los investigadores con frecuencia pueden utilizar datos que ya existen, como registros escolares o de admisión hospitalaria. Esto hace que los estudios sean mucho más rápidos y económicos de realizar.
Escala: Estos diseños pueden aplicarse a grandes grupos o incluso a poblaciones enteras, lo cual es necesario para evaluar aspectos como nuevas leyes o campañas de salud pública.

Desventajas

La principal desventaja es que la relación de causa y efecto es menos sólida. No se puede tener la misma certeza de que el tratamiento que estás estudiando sea la verdadera razón detrás de cualquier cambio.

El problema central: Sin una asignación aleatoria, los grupos que estás comparando podrían haber sido diferentes desde el principio. Quizás los estudiantes del nuevo programa de matemáticas tenían padres que los apoyaban más, o tal vez los pacientes que recibieron una nueva terapia gozaban de mejor salud en general. Estas diferencias preexistentes pueden distorsionar los resultados.
Variables de confusión: Estos son factores no medidos que podrían ser los verdaderos responsables del resultado. Representan una amenaza constante en este tipo de investigación.
Sesgo de selección: La forma en que las personas terminan en un grupo u otro no es aleatoria. Quienes deciden unirse a un nuevo programa voluntariamente pueden estar más motivados que quienes no lo hacen, lo que de por sí podría conducir a mejores resultados.
Incertidumbre: Al final del día, obtienes una correlación fuerte, similar a la que se observa en la investigación correlacional, pero no una prueba definitiva de causalidad. La evidencia es sugerente, pero no infalible.

Una explicación más profunda de estos desafíos y cómo los abordan los investigadores se analiza en validez del diseño cuasi-experimental e inferencia causal, que explora los problemas de inferencia causal y validez en los diseños cuasi-experimentales.

Cómo diseñar un estudio cuasi-experimental paso a paso

Si necesitas llevar a cabo uno de estos estudios, aquí tienes una ruta muy clara y directa a seguir.

1. Define tu pregunta: Comienza con una pregunta clara de causa y efecto. Sé muy específico.

Débil: "¿Funciona el programa?"
Mejor: "¿Los estudiantes de secundaria que completan el nuevo programa de tutoría entre compañeros muestran un mayor aumento en las calificaciones del examen final de álgebra que aquellos que no lo hacen?"

2. Identifica tus grupos: No crearás los grupos al azar, sino que utilizarás los que ya existen.

Grupo de tratamiento: Las personas, aulas o regiones que recibirán la intervención (por ejemplo, las tres sucursales de la empresa que contarán con el nuevo software).
Grupo de control/comparación: Los grupos que continuarán de la forma habitual (por ejemplo, las dos sucursales que conservan el sistema antiguo). Tu objetivo es que estos grupos sean lo más parecidos posible desde el principio.

3. Elige tu diseño: Tu elección dependerá por completo de lo que sea práctico para tu situación.

Si solo tienes acceso a un grupo, utilizarás un diseño de preprueba-posprueba con un solo grupo.
Si tienes dos grupos existentes y puedes medirlos antes y después, utiliza una preprueba-posprueba con grupo de control no equivalente.
Si estás estudiando un cambio de política y tienes datos de muchos años, un diseño de series de tiempo interrumpidas es tu mejor opción.
Si el tratamiento se decide por un punto de corte estricto (como una puntuación de examen o nivel de ingresos), el diseño de discontinuidad de regresión es la opción más rigurosa.

4. Controla otras variables: Este es el paso analítico más crítico. Dado que no hubo aleatorización, debes intentar controlar otros factores estadísticamente y utilizar medidas que sean lo más confiables posible.

Emparejamiento: Asocia a cada persona del grupo de tratamiento con alguien del grupo de control que tenga características similares (edad, calificación previa, etc.).
Análisis de regresión: Utilízalo para aislar el efecto de tu tratamiento mientras mantienes constantes matemáticamente otras variables.
Diferencia en diferencias: Compara el cambio en el grupo de tratamiento con el cambio en el grupo de control. Esto ayuda a neutralizar las tendencias externas que afectaron a ambos grupos.

Si aún estás decidiendo cómo encajan estos métodos en tu enfoque de investigación general, los paradigmas de investigación pueden ayudarte a aclarar cómo se alinean los diferentes diseños con tus objetivos académicos.

5. Analiza y reporta con precaución: Interpreta tus números con cuidado.

No afirmes que "demostraste" que la intervención causó el cambio. Es mejor indicar que la evidencia "sugiere" o "respalda" un vínculo causal.
Sé honesto sobre las limitaciones del estudio. Enumera de forma explícita las otras variables que no pudiste controlar y que podrían haber influido en los resultados. Esta transparencia es lo que le da credibilidad y valor a tu investigación.

Al presentar tus hallazgos, la claridad en el estilo de cita también es fundamental para la credibilidad de tu trabajo. Si estás dando formato a un escrito académico, el ejemplo de et al en apa te ofrece una excelente guía sobre el uso adecuado de las citas en artículos de investigación.

Reflexiones finales sobre el diseño cuasi-experimental

Es muy probable que ya hayas experimentado lo difícil que es demostrar la causa y el efecto cuando no puedes controlarlo todo, lo que hace que los resultados a veces parezcan inciertos o fáciles de cuestionar. Puede ser frustrante. Estos diseños te permiten trabajar con las condiciones de la vida real al mismo tiempo que obtienes respuestas valiosas, incluso cuando no es posible contar con un escenario perfecto.

En lugar de darles demasiadas vueltas a las limitaciones, concéntrate en construir una estructura clara y explicar muy bien tus elecciones. Herramientas líderes como Jenni pueden ayudarte a organizar tus ideas mucho más rápido y a mantener una redacción impecable, para que pases menos tiempo bloqueado y más tiempo avanzando con éxito en tu investigación académica.

Índice de Contenidos