0.

INTRODUCCIÓN
La evaluación de datos consiste en una serie de métodos empleados
para formular conclusiones acerca de los cambios de conducta.
En la investigación aplicada que utiliza los diseños de caso único se suele
recurrir a criterios experimentales y terapéuticos para evaluar los datos.
La inspección visual es el método más comúnmente utilizado para
evaluar el criterio experimental, y consiste en un examen de una
presentación gráfica de los datos. Parece ser completamente subjetiva y
libre de los criterios específicos que determinan la toma de decisiones.
El análisis estadístico representa otro método de evaluación de los datos,
que proporcionan un método cuantitativo y un conjunto de reglas con el fin
de determinar si un efecto experimental en particular es significativo.
Hay grandes controversias entre la inspección visual y el análisis estadístico:
• La inspección visual es considerada como un método relativamente
insensible a la hora de determinar si una intervención ha sido
eficaz. Ésta solo considerará como relevantes los efectos muy
pronunciados. Los análisis estadísticos al contrario, pueden
identificar como significativos cambios sutiles de la actuación. Existe
la posibilidad de que en la evaluación estadística los hallazgos se
obtengan “por casualidad” (que no son reproducibles).
• La identificación de efectos significativos de la intervención no
requiere necesariamente una evaluación estadística, en la
investigación de caso único, la demostración de efectos
significativos está determinada por la replicación de la intervención
y los niveles basales de ejecución a lo largo de un experimento
como por ejemplo los diseños A-B-A-B. Varias características, tales
como variaciones de los valores medios, pendientes en ciertas
fases, cambios bruscos en la actuación en función de que una
intervención se presente o se retire (todas utilizadas en la
inspección visual), y otras pueden utilizarse para evaluar los efectos
de la intervención sin la estadística deductiva.
• El análisis estadístico es muy utilizado en las investigaciones de
grupos, porque estas investigaciones esconden la actuación del
sujeto individual.
Los análisis estadísticos reflejan la actuación del grupo como un
todo con datos característicos (medias, varianzas) , sigue siendo
difícil ver los efectos de la intervención en los individuos, y no se
sabe hasta que punto la actuación del grupo representa a los
sujetos individuales.
• Cuando la investigación intenta desarrollar una tecnología de
cambio conductual y trata de lograr resultados clínicamente
importantes, los análisis estadísticos tendrán decididamente escaso
valor. Los efectos pequeños que van más allá de un umbral de
niveles tradicionales de confianza pueden no ser significativos para
la investigación aplicada.
• Otro problema que merece mención es que el uso de pruebas
estadísticas puede tener implicaciones debido a la manera en que
 debe llevarse a cabo una intervención concreta. Por ejemplo una
asignación aleatoria de tratamientos a ocasiones o sujetos puede
entrar en competencia con prioridades de tipo clínico. Las
exigencias del contexto clínico pueden poner trabas a la
aplicabilidad de diversos procedimientos de los que dependen varias
pruebas estadísticas. Sin embargo, en numerosas situaciones hay
un criterio flexible para elegir el diseño de investigación. El
conocimiento que tenga el investigador de las pruebas estadísticas
pueden permitir correcciones de la intervención para que no haya
repercusiones en la atención clínica.
• El empleo de análisis estadístico en la investigación de caso único
probablemente aumentará debido a diferentes razones: a la
preocupación por la fiabilidad entre jueces de la inspección visual y
a la divulgación de análisis estadístico para diseños de caso único y
los respectivos programas informáticos para su ejecución.
Las investigaciones se practican en contextos cada vez más
diversos, y se vuelve más difícil lograr un control experimental
sobre los factores que minimizan la variabilidad. Los análisis
estadísticos pueden ser útiles para evaluar intervenciones en las
que las características de los datos no se ajustan a las exigidas por
la inspección visual.
Otra cuestión importante de comentar en dicha introducción es que
existen ciertas condiciones que afectan a la toma de decisiones dentro del
análisis visual. Algunos de éstas serán desarrolladas más profundamente en
los apartados del tema, pero citaremos ahora otras condiciones influyentes
en este tipo de análisis:
• En ocasiones, el tipo de entrenamiento recibido por los
observadores en el análisis de gráficas puede tener efectos
perniciosos. Por ejemplo, se ha estudiado el efecto negativo que
produce un entrenamiento en el análisis de las tendencias sobre
personas inexpertas en este campo. Dicho entrenamiento puede
llevar a los observadores a basar sus análisis en la pendiente de la
gráfica, obviando otras características no menos importantes.
• La tendencia y variabilidad de la línea base también puede ser una
condición influyente, por ejemplo, será más difícil estimar el efecto
de un tratamiento que provoca un aumento en la respuesta si la
tendencia de la línea base era por sí ascendente.
• Por último, la presencia o no de una fase posterior al tratamiento,
en la que éste no esté presente (última fase en un diseño ABA),
parece facilitar la toma de decisiones respecto a la influencia o no
del tratamiento en la conducta.
1. METODOS INTERPRETATIVOS

1.1. EXPOSICIÓN GRÁFICA.

A.- Representación de puntos centrales.

• Observaciones de caso único.

Por puntos centrales entendemos aquellos puntos representativos de

todo un grupo de datos dentro de una condición experimental. Por
ejemplo, y según la idoneidad del análisis que queremos hacer o de la
naturaleza de los datos, como puntos centrales podemos tomar la
media, moda, mediana, etc.
Los puntos centrales representan un nivel de respuesta dentro de
cada condición, para los expertos, diferentes niveles dentro y a lo
largo de la fase de tratamiento, pueden ser indicativos de la eficacia
de éste. En análisis clínicos, es la distancia existente entre los
diferentes niveles observados en cada fase experimental, inferida
subjetivamente, la que denota la eficacia del diseño.

• Datos en conjunto.

Para cotejar datos procedentes de varias observaciones, el análisis

visual puede simplificarse creando conjuntos de datos provenientes de
las diferentes observaciones y representativos de cada condición
experimental.
En ocasiones, en investigaciones de análisis de la conducta, la
mediana ofrece más ventajas que la media, ya que en ésta la influencia
de posibles datos extremos, se ve reducida. A pesar de eso, existe un
problema en la utilización de la mediana en conjuntos de datos, puesto
que en esta situación dicho estadístico sólo toma en consideración uno
o dos datos, de manera que acaba por perder sus ventajas con respecto
a la media. Una solución a esto, es utilizar la llamada “mediana ancha”
consistente en la media de las medianas de tres o cuatro partes del
conjunto de datos. A pesar de todo, media y mediana pueden ser unos
buenos representativos de nuestros datos.
Una forma muy clara para dibujar una medida de puntos centrales,
es una línea horizontal de referencia, superpuesta a la gráfica.

B.- Representación de variabilidad.

La variabilidad está constituida por datos que se desvían del nivel

estimado. Es importante representarla cuando va a hacerse un análisis
visual de una gráfica. Existen dos métodos que se usan habitualmente
en el análisis de la conducta para graficar información sobre la
variabilidad; el rango de líneas y el rango de barras.
 Rango de barras.- Se realiza conectando con una línea vertical tres
puntos; una estimación de la medida central, una línea con la pendiente
que relaciona los dos puntos máximos, y otra con la pendiente que
relaciona los dos puntos mínimos de la gráfica, a lo largo de cada fase.
Rango de líneas.- consiste en sendas líneas horizontales que pasan
por el máximo y el mínimo de la gráfica.
Críticas; - Un simple dato extremo influye excesivamente en estas
representaciones.
- La variabilidad puede confundirse con la tendencia, si no
se tiene en cuenta a ésta en el cálculo de la otra.

C.- Representación de Tendencias

La tendencia consiste en líneas que se superponen al gráfico, y que

tratan de mostrar de la mejor forma posible, como cambia el conjunto de
datos a lo largo del tiempo. Hay diferentes métodos para representar las
tendencias, como la inspección visual (eyeballing), regresión de la
diferencia cuadrática mínima ( Least-Square Regresión), método de las
dos mitades ( Split Middle) y ajuste lineal resistente ( Resistant Line
Fitting).

• Regresión de la diferencia cuadrática mínima.

Se representa como una línea recta, con una pendiente y un punto:

y=a+bx, donde b es la pendiente y a es el punto de referencia.
Puede existir confusión en el cálculo de una tendencia de conducta
debida a un tratamiento cuando existe en el sujeto un patrón de
comportamiento cíclico ajeno a la investigación. Una manera de
diferenciar este patrón de la influencia de nuestro tratamiento, es
fijarnos en el cambio sistemático a través de las fases producido por
éste, en oposición al cambio aleatorio propio de la variabilidad del
patrón de conducta.

• Método de las dos mitades.

Es útil cuando no se dispone de los datos originales de una gráfica,

ya que proporciona un bosquejo de la línea de tendencias sacadas de
gráficas publicadas tan buena como la proveniente de los datos
originales.
El método de las dos mitades consiste en:
1.- Se divide la serie de tiempo en dos mitades.
2.- Se halla la mediana de la variable tiempo y la mediana de la
variable dependiente en cada una de las dos mitades.
3.- Trazar una recta que una los dos puntos resultantes de las
intersecciones creadas por las medianas de cada una de las dos
mitades.
 Si el número de datos de la serie temporal es desigual, puede
hacerse aleatoriamente la división entre las dos mitades. De esta forma,
también pueden calcularse varias mitades que nos darían un indicativo
superficial de la fiabilidad del método.
Habitualmente, el método de las dos mitades proporciona una
estimación suficiente de la línea de tendencia, para series temporales
pequeñas (4<T<12).
Este método de dividir en dos mitades la serie temporal, puede
usarse tomando como referencia para crear la recta, los máximos y los
mínimos de cada mitad, así como la mediana de la serie temporal. Esto
nos daría un indicativo de la variabilidad de la línea de tendencia.

• Ajuste lineal resistente

Este método es el más usado cuando se trabaja con series

temporales más largas. Consiste en dividir los datos en tres secciones
temporales; izquierda, derecha y central. Si los datos no son divisibles
por tres, y el resto es uno, este punto extra se asigna a la sección
central, si el resto es dos, serán asignados a las secciones extremas.
Se sigue el mismo procedimiento que en el método de las dos
mitades (split middle) con respecto a las medianas de cada sección. Al
final, se traza una recta, entre las intersecciones de las secciones
extremas.
La ventaja de usar este método es que los datos extremos tienen
menor influencia que cuando simplemente se trazan líneas por
inspección visual. Con esto no queremos decir que haya que obviar los
datos extremos; en algunos casos dichos datos pueden ser interesantes
o revelarnos errores en la medición.
Un análisis de los residuales, puede darnos idea de los ajustada que
es nuestra línea de tendencias (los residuales de una línea de tendencias
apropiada tienden a cero).
En algunos casos sobre todo cuando se observan un patrón de
conducta cíclico, la línea recta que nos proporciona este método, así
como el de las dos mitades, puede no ser la forma más adecuada de
representación. En estos casos, sería más aconsejable utilizar
pendientes no lineales.

• Tendencias no lineales; Medianas deslizantes

Para el cálculo de medianas deslizantes tomamos como medida

central la mediana, para evitar los efectos perniciosos de los datos
extremos. Este método se calcula mediante la segmentación de los
datos provenientes de una serie temporal, hallando de cada uno de los
segmentos resultantes, su mediana correspondiente. La longitud de
cada segmento vendrá dada por el tamaño de la serie temporal.
Los datos provenientes del método de medianas deslizantes con
segmentos de tamaño tres (RM3) están determinados; tomando la
 mediana del primer segmento en t=2 y del último en t=T-1. Ya que de
cada tres datos, en este caso solo dibujamos uno, los datos de toda la
serie se reducen en dos. RM3 es usada en series temporales pequeñas
(6<T<10), pero para series temporales largas, el tamaño más grande
de los segmentos es mayor. RM4 se calcula con las medianas sucesivas
de segmentos de tamaño cuatro. Evidentemente el primer punto
dibujado se corresponde con el momento temporal T=2’5.
En RM5, el procedimiento a seguir es el mismo, con la consecuente
desventaja de la pérdida de más datos. Para paliar un poco esta pérdida
en el dibujo al principio y al final de la gráfica, suele calcularse además
la mediana de los puntos t=2 y t=T-2.

1.2 INSPECCIÓN VISUAL

A.- Significación.

La interpretación de los datos suele llevarnos a una atribución de

causalidad, que asume que diferencias significativas en la V. D.
observadas entre las fases de un tratamiento, revelan la efectividad de
éste.
Habitualmente se distingue entre significación estadística y
significación clínica.
La significación clínica se basa en los cambios que resultan
importantes desde el punto de vista de un experto, en la evolución de
una enfermedad, sin tener en cuenta los criterios estadísticos. Por lo
tanto, esta significación establece umbrales críticos exclusivos del
problema bajo estudio, desde el punto de vista de un experto,
funcionando por lo tanto como un criterio de referencia.
La significación estadística se refiere a los cambios en la investigación
no debidos al azar. Aquí, la variabilidad se describe como cambios
definidos operacionalmente por arriba y por debajo de un nivel
estadístico. Esta significación se basa en la hipótesis nula. Si los datos
observados de una investigación superan a los esperados por el azar, se
atribuirán los cambios de nuestro tratamiento. A pesar de esto, en
análisis visual inferimos causalidad aplicando a un grupo de datos
dibujadas en una gráfica, nuestro modelo heurístico.
Las atribuciones que hacemos basándonos en el análisis visual, serán
más fidedignas cuanto más estable y menos variable sea el
comportamiento del sujeto en la fase previa al tratamiento. Variaciones
entre las fases se asocian a los efectos del tratamiento. También resulta
el hecho de tomar muchas medidas de la conducta, pues así se nos
revelarán tendencias pequeñas pero importantes en el tiempo.
La validez interna y externa son elementos cruciales en la efectividad
de los diseños de intervención. Hay factores potenciales tales como: el
efecto de dependencia serial (carryover effect) y la autocorrelación de
residuales que influyan en el análisis estadístico, y también afectan a la
validez interna y externa. Las comparaciones de las medidas de la V. D.
proporcionadas por las condiciones de las V. I. , aportan datos objetivos
y replicables, de los cuales se sirve el análisis visual para inferir
resultados significativos.

B.– Limitaciones en el análisis de la inspección visual .

El análisis visual al igual que otros métodos de evaluación de

investigaciones está sujeto a ciertas limitaciones. Hay tres especialmente
importantes para este método; ciclicidad (efectos asociados, a ritmos
biológicos), efectos de dependencia serial (carryover effect) y los datos
extremos proporcionados por los sujetos.

• Ciclicidad

Los ritmos biológicos podrían confundirse con efectos de nuestros

tratamientos, si influyen en la conducta. Existen tres posibles razones
para que ocurra la ciclicidad; ritmos biológicos, ciclicidad de respuestas
encadenadas, y programas de reforzamiento. Su representación gráfica
suele ser función seno deformada por los errores aleatorios.

• Efecto de dependencia serial (carryover effect)

Cuando el aprendizaje u tratamiento cuyos efectos no pueden ser

eliminados (drogas) cambian la respuesta, la medida dependiente no
regresa a la línea base en las fases sin tratamiento. Éstas consecuencias
pueden ser temporales o permanentes. Cuando son temporales, puede
incorporarse un contrabalanceo para controlar el factor de confusión.
Cuando estos efectos son irresolubles, o su duración es indeterminada,
los diseños de cambio o retirada de tratamientos deben reemplazarse
por otros modelos, como los de línea-base múltiple.

• Datos extremos

Estos datos pueden representar factores confundidos o errores.

Operacionalmente los definiríamos como datos que quedan fuera del
margen de las desviaciones típicas normales. Pueden deberse a
influencias de variables ajenas a nuestro estudio que influyen a la vez
sobre nuestra VI y nuestra VD. Independientemente de su definición
operacional, estos datos son puntuaciones que parecen incongruentes o
aberrantes con respecto a otras medidas pendientes provenientes del
mismo grupo de datos.
El mejor método para acabar con los efectos perniciosos de los datos
extremos es el “sound treatment integrity”, ya que éste tiene en cuenta
los factores de confusión y variables molestas.
 • Residuales.

Los residuales se usan para hallar limitaciones de los datos. En un

buen modelo de regresión la media de los residuales es cero, su
varianza constante y no existe autocorrelación. Dibujar los residuales
pueden mostrarnos un mal ajuste del modelo, ciclicidad, valores
extremos o no linealidad. Para calcular el residual restamos el valor
observado del punto al valor predicho por nuestro modelo. El dibujo de
los residuales puede mostrarnos patrones cíclicos en la variabilidad y
nos permite determinar si los datos se distribuyen normalmente.

2. EVALUACIÓN DEL ANÁLISIS VISUAL

2.1 CUESTIONES ACERCA DE LA TÉCNICA

A.- Fiabilidad y validez.

La validez es el grado en el que medimos lo que queremos medir. La

fiabilidad es la precisión con la que se mide. La fiabilidad es una
condición necesaria pero no suficiente para que exista validez.
Diversos estudios han concluido que en análisis visual, la validez
proporcionada por las medidas de fiabilidad, no excede de 0,61.
Parece ser, que el mayor grado de validez en estos estudios, se da
cuando los cambios observados coincide que con las expectativas del
tratamiento. Esto viene a evidenciar que más que un indicativo de la
consistencia del conjunto de datos, en análisis visual se obtiene un
indicativo de la consistencia de la interpretación de los expertos.
Otras investigaciones parecen indicar que la autocorrelación de los
datos influyen negativamente sobre la precisión de un análisis visual; se
dan un alto nivel de acuerdo entre la significación estadística y la visual,
cuando no existe demasiada dependencia serial entre los datos.
Por último, estudios que valoran el acuerdo entre observadores
han concluido que las instrucciones dadas también pueden influir (por
ejemplo, pidiéndoles que traten de coincidir lo más posible con sus
compañeros). Parece ser que un acuerdo entre observadores del 0,8,
que es el habitualmente considerado como aceptable, sólo se da en
análisis visual, cuando en las gráficas se observan grandes cambios a lo
largo de las fases del experimento.
Todos estos experimentos han investigado sobre el diseño del tipo
AB, quedando la incógnita lo que ocurre con otro tipo de diseño.

B.- Error tipo 1

El error tipo 1 (α) se refiere a la probabilidad de equivocarnos cuando

desechamos la hipótesis nula; considerando así que un tratamiento es
significativo. Habitualmente en estadística se permite un error tipo 1 del
 5 al 1%, no considerándose la razones que podrían llevarnos a este
error. En el análisis visual, se poseen más datos sobre dichas razones. A
pesar de esto, se considera que el error tipo 1 en análisis visual es más
alto que en otros tipos de análisis, y que este error está influido por la
dependencia serial y la variabilidad de los datos. (a mayor índice de
éstas, mayor error tipo 1).

C.- Error tipo 2

El error tipo 2 (β) se refiere a la probabilidad de equivocarnos cuando

aceptamos una hipótesis nula; consideramos que un tratamiento no es
significativo. Algunos estudios han hallado que sólo existe un 48% de
concordancia entre los juicios de los expertos y la estadística en este tipo
de errores. Sin embargo, también se sabe que la autocorrelación o
dependencia serial de los datos influye menos en este tipo de error que
en el error tipo 1.

D. Limitaciones impuestas por la fisiología humana

Como en toda investigación en la que toma parte el ser humano, ésta

se ve limitada por la fisiología del investigador.
Así pues, se ha demostrado que la utilización de diferentes escalas
para un mismo gráfico, puede incidir de manera distinta en
observaciones, aunque este represente la misma realidad.
No sólo las características físicas de un gráfico pueden influir en los
juicios, sino que aprendizajes previos y la influencia social también
pueden hacerlo.
También hay algunas manipulaciones que se hacen en los gráficos, y
que pueden crear confusión. Por ejemplo, en algunas gráficas no se
dibuja el punto cero, esto puede ser deshonesto, ya que se tiende a
interpretar la parte más baja del gráfico como la total ausencia de
respuestas, y comenzar las gráficas en otro punto puede confundir a los
observadores. El dibujo del punto cero es una buena referencia de
partida.

2.2. APÓSITOS A LA INSPECCIÓN VISUAL

Paradójicamente, existen ocasiones en las que un entrenamiento

mejor y una mayor experiencia en el análisis visual pueden dificultar una
buena interpretación de un gráfico; puede haber cambios consistentes
pero pequeños, la autocorrelación puede no ser visualmente evidente,
etc... Una manera de evitar que ocurra esto puede ser un entrenamiento
especializado, el dibujo de los residuales, representaciones de
variabilidad y otros métodos ya citados.
 Efectos del entrenamiento

El entrenamiento de un analista visual es cualitativamente distinto del

de analistas estadísticos. Estudios comparativos entre los dos tipos de
entrenamiento han revelado que los sujetos entrenados en análisis
visual, atienden preferentemente a grandes cambios a través de las
fases ignorando la variabilidad, mientras que los sujetos entrenados en
el análisis estadístico, basaban sus juicios mayormente en la variabilidad
dentro de las fases.

La fiabilidad interobservadores en análisis visual mejora con el

entrenamiento, sin embargo, el entrenamiento extensivo no produce
efectos remarcables.

Los desacuerdos que se producen entre analistas estadísticos, se dan

al elegir el método adecuado para cada investigación, pero una vez
elegido éste, los resultados obtenidos son iguales para todos.
Desafortunadamente, este acuerdo final no puede aparecer en análisis
visual.

3. INTREGRACIÓN VISUAL CON EL ANÁLISIS VISUAL

3.1. Síntesis

Algunos autores como Kazdin, abogan por el análisis visual en los

diseños de caso único y series temporales, excepto en casos en los que
no puede establecerse una línea base estable, o cuando empezamos a a
evaluar un nuevo tratamiento, recurriendo entonces al análisis
estadístico.

De todas formas, siempre que se pueda, parece correcto utilizar

ambos tipos de análisis de manera integrada.

Fourlong y Warmpold, proponen un procedimiento para los casos en

los que el análisis estadístico no es posible, y la decisión ha de basarse
únicamente en el análisis visual:

1. Determinar la fiabilidad de los datos.

2. Determinar la presencia o ausencia de efectos del tratamiento.
3. Determinar si el cambio observado es trascendental.
4. Considerar cómo el tratamiento puede generalizarse a otras
situaciones.

En la actualidad, el análisis visual se utiliza en una gran cantidad de

campos. Por ejemplo, los controladores aéreos, cirujanos o cardiólogos lo
utilizan frecuentemente.
3.2. Recomendaciones y conclusiones

Catherine Carswell nos ofrece una serie de “remedios caseros” para

el dibujo de gráficos, utilizados habitualmente:

1. Poner las etiquetas de las condiciones de manera descriptiva,

centradas y localizadas encima de los datos.
2. Dibujar líneas verticales que separen las diferentes condiciones.
3. Que las líneas entre los datos no lleguen a tocarlos, de manera que
estos queden destacados en el gráfico.
4. Desplazar ligeramente el punto 0 hacia arriba para que los datos no
se apoyen en el eje de las X.
5. Flechas que unan las etiquetas con los datos correspondientes,
cuando éstos aparezcan más de una vez.
6. En la esquina inferior derecha, colocar un pequeño recuadro con los
nombres de los sujetos.
7. Si la escala de las X es discontinua, se utilizará un espacio en blanco.

Se sabe que las indicaciones 2 y 7 expuestas anteriormente, necesitan

cierta rectificación, pues la separación entre fases hecha con líneas
verticales, tienden a dar mayor importancia a diferencias ocurridas entre
los tratamientos que podrían ser inconsistentes. Así mismo, la rotura del
eje de las ordenadas para indicar su discontinuidad, crean la ilusión de
un aumento de la diferencia de los datos, que en realidad no existen.
Para evitar esto se hacen las siguientes recomendaciones:

1. Establecer diseños que permitan un desarrollo adecuado de las

hipótesis de ciclicidad
2. Balancear diseños para compensar los efectos de dependencia
serial (carryover effect) no esperados.
3. Siempre que sea posible, establecer condiciones de evaluación
que produzcan datos apropiados para los dos tipos de análisis.
4. Dibujar los residuales para demostrar como de ajustado es un
modelo lineal.
5. Proporcionar estimaciones de fiabilidad añadidas a los
porcentajes de acuerdo.
6. Incluir barras de rangos y tendencias cuando sea posible.

Vemos la inspección visual y el análisis estadístico como herramientas

complementarias para el desarrollo y verificación de hipótesis en
investigación, y práctica clínica. La inspección visual proporciona técnicas
para la generación de hipótesis, para incrementar la compresión de
problemas y para explorar explicaciones alternativas. El análisis
estadístico refina y verifica la hipótesis. Los modelos estadísticos pueden
ser útiles en las predicciones de futuros eventos y en la producción de
atribuciones de causalidad.
 La inspección es descriptiva por naturaleza. El análisis estadístico es
inferencial además de descriptivo. La panacea no existe, la combinación
de los dos tipos de análisis de datos puede incrementar la validez de una
investigación, pero no la asegura.