¡Descarga T2 Resumen Libro y más Resúmenes en PDF de Psicología solo en Docsity!
Tema 2: EL MÉTODO CIENTÍFICO DE LA PSICOLOGÍA.
La psicología sólo puede calificarse de científica en tanto en cuanto muestre en su hacer los rasgos del método científico.
Las tres modalidades más frecuentemente adoptadas por el método científico al investigar problemas específicos de la psicología son la observacional, la experimental y la selectiva.
- LA PLANIFICACIÓN DE UNA INVESTIGACIÓN.
La contrastación de la hipótesis exige que se diseñe un procedimiento de recogida de datos que permitan someterla a falsación.
Tres cuestiones básicas en el momento de diseñar una investigación:
- Medida.
- Control.
- Representación.
Las técnicas científicas implican teorías - las teorías auxiliares con respecto a la teoría que se pone a prueba- que se suponen ciertas en el momento de contrastar una hipótesis. De modo que cada una de ellas debería venir avalada por razones teóricas.
1.. La medición de variables
Existe un consenso general de que el progreso que ha experimentado la ciencia no sería posible sin la medición que sintetizó Nunnally en cuatro propiedades:
- Objetividad: la descripción cuantitativa tiene una significación más precisa e inequívoca que la verbal.
- Matematización: la medición posibilita el uso de técnicas potentes de análisis de datos.
- Comunicación: la objetividad del significado de los datos cuantitativos favorece su difusión y la revisión de los resultados de las investigaciones.
- Economía: los instrumentos estandarizados de medida facilitan extraordinariamente la obtención de los datos.
La medición:
- Representa un importante papel en la construcción y contrastación de las teorías psicológicas.
- Imponen un análisis profundo del constructo que se desea medir y de sus relaciones con otros constructos y con las conductas observables, lo que revierte en una mejora de las teorías.
- Permite emplear técnicas estadísticas para describir las características generales de los datos, revelar su estructura interna, efectuar estimaciones de los valores poblacionales o contrastar hipótesis de forma muy precisa.
1... Las escalas de medida.
Stevens constató las escalas nominal, ordinal, de intervalos y de razones. Lo determinante a la hora de elegir una técnica de análisis de datos es que las puntuaciones generadas en el proceso de medición cumplan una serie de supuestos, tales como que se distribuyan de una manera particular predicha por la estadística: curva normal. La principal crítica teórica a la clasificación de Stevens ha sido la referente a su falta de exhaustividad.
2... Medición representativa y medición de índice.
Medir es representar mediante números alguna característica de los objetos, de forma que las relaciones entre los objetos en dicha característica estén representadas por algunas de las relaciones que pueden establecerse entre los números. Los dos tipos de medición más frecuentes en el contexto de la investigación psicológica: la ley del juicio comparativo (LJC) y el test de aptitud verbal PMA – V.
La LJC fue propuesta por Thurstone. La tarea típica de la técnica de recogida de datos asociada a la LJC – denominada comparaciones binarias – consiste en pedirle a un observador un juicio sobre cuál de dos estímulos es más intenso. Thurstone supuso, razonablemente, que si dos estímulos tienen la misma intensidad psicológica y no se permiten respuestas de igualdad, la elección se realizará al azar. La LJC es un ejemplo de medición representativa. Para que sea posible hablar de este tipo de medida, tiene que ocurrir que los números asignados a los objetos reflejen de manera biunívoca las relaciones entre los objetos empíricos con respecto a la característica que se mide. Esta regla de correspondencia, denominada isomorfismo , implica la existencia de una correspondencia biunívoca entre las relaciones empíricas y las relaciones numéricas y verificable empíricamente.
de constructos relacionados – estrategia de validación convergente – o que las medidas reflejan diferencias entre grupos de sujetos a los que se supone distinto nivel en el constructo o bien predicen la ejecución en una tarea asociada al constructo – estrategia de validación de criterio–, estaremos hablando de procedimiento más empleado para la validación de las medidas de índice.
4... Tipos de variables.
Variable : cualquier aspecto mensurable de los objetos o sucesos. Se pueden clasificar en función del criterio de medida y del criterio de diseño.
Criterio de medida: las variables pueden dividirse en cualitativas y cuantitativas. Las variables cuantitativas se dividen a su vez en continuas (divisibles) y discretas (no divisibles).
Criterio de diseño: dividimos las variables en dependientes (VD) e independientes (VI). Con relación a un fenómeno, la VI es la presunta causa y la VD es el presunto efecto. La VI se puede dividir en manipuladas y no manipuladas. Hablamos de variables extrañas para referirnos a aquellas que, sin ser su influencia objeto de la investigación, pueden estar afectando a la VD. Variables de control son variables – previamente extrañas – que estamos controlando, diferenciándolas de aquella que manipulamos y cuyo efecto en la VD es el objeto de nuestra investigación.
2.. La validez de las inferencias: una cuestión de control
Hemos de reconocer que existen multitud de variables que pueden estar afectando a los resultados y que suponen amenazas a la validez das las inferencias que, a partir de ellos, se realicen.
El control implica diseñar investigaciones que hagan poco plausibles explicaciones alternativas de los resultados; y no olvidemos que, de éstas, la más parsimoniosa es el azar. Decimos que una investigación tiene mayor validez interna cuanto más potentes sean los controles ejercidos con respecto a las variables que podrían interferir en una adecuada interpretación de los resultados.
Cuatro formas generales de control:
- La manipulación.
- La eliminación
- La inclusión.
- El control estadístico.
La manipulación.
Implica que el investigador puede hacer variar a voluntad los valores de una variable (la VI). Si no es así, no podremos ejercer el control mediante manipulación. Cuando se incluyen instrucciones hay que constatar que el tratamiento fue uniformemente administrado y recibido. Además, los instrumentos de medida que registran los efectos de la manipulación han de ser fiables y válidos. [Tipo de control que caracteriza a la modalidad experimental ].
La aleatorización puede utilizarse como procedimiento de control externo para seleccionar muestras representativas de una determinada población, o bien como un procedimiento de control interno para igualar en las variables extrañas aquello que deseamos comparar, generalmente grupos de sujetos. En el primer caso hablamos de selección aleatoria de un grupo de unidades – denominado muestra – a partir de un grupo mayor, la población, en el que se encuentran todas las unidades que poseen la característica de interés. El segundo caso, asignación aleatoria de un conjunto de sujetos – seleccionados al azar o no – a los grupos definidos por las distintas modalidades de la VI.
La selección aleatoria de los sujetos es, además de un procedimiento de control externo característico de la modalidad selectiva , una de las formas de garantizar la representatividad de las muestras extraídas cuando existe variabilidad en la población.
Mientras que el control por aleatorización actúa sin necesidad de conocer las variables extrañas, tanto el control mediante eliminación como el ejercido por inclusión requieren identificar y aislar las variables extrañas relevantes. F 0 E 8Control experimental.
La eliminación.
Convertimos las variables extrañas en constantes (que pueden adquirir cualquier valor, incluido cero, de ahí el nombre). Entendiendo por constante un valor adecuado a los intereses del experimentador. Afectará a la posibilidad de generalizar los resultados de la investigación
- o validez externa – pero no a la validez de las inferencias extraída, a la validez interna. La inclusión.
Permite estimar los efectos de dichas variables extrañas y separarlos del efecto de la VI objeto de estudio; implica utilizar un diseño especial que permita estudiar los efectos de la
El muestreo focal y el muestreo de tiempo indican al observador cuándo debe empezar a observar las conductas de interés, de modo que su registro estará desencadenado por el comienzo de cada nuevo momento o intervalo temporal.
Las técnicas para mejorar la validez de constructo no suelen incluirse junto con las técnicas de muestreo, pero ya hemos mencionado que ambas se emplean con el mismo objetivo: aumentar la representatividad. Su estudio conjunto en la teoría de las facetas , más conocida por sus extensiones estadísticas en la teoría de la generalizabilidad que en relación con su fundamento teórico en la teoría de conjuntos. Para Guttman, toda investigación debe partir de una especificación sistemática de las áreas de interés o facetas, que sirva para dictar los límites de la investigación, definiendo el universo en que es aplicable; es esta especificación, y no la intuición del investigador, la que ha de guiar la generación de cuestiones y/o de observaciones.
El objetivo de un experimento aislado es inferir una relación de causalidad eliminado posibles causas alternativas y no realizar estimaciones probabilísticas del efecto en la población.
- FORMAS DE LLEVAR A CABO UNA INVESTIGACIÓN
5... La recogida de datos
Las técnicas de recogida de datos que habitualmente se utilizan en el ámbito psicológico suelen clasificarse en técnicas de observación y de autoinforme. Esta distinción permite discriminar entre fuentes de datos verificables públicamente – pues se basan en la observación – y fuentes privadas de datos, que sólo son posibles en sujetos con lenguaje, basadas en autoinformes de los mismos sobre sus contenidos de memoria o sobre otros estados internos.
Muchas investigaciones han sido llevadas a cabo utilizando bien la observación directa de la conducta, bien la observación mediada instrumentalmente , con ayuda de cámaras de vídeo, grabadoras, cronómetros, etc.
La recogida de datos mediante observación incluye medidas no – invasivas. En este contexto, el análisis de archivos, incluidos los documentos históricos, se considera un análisis secundario de datos recogidos por observación, por lo que suele requerir transformaciones de los datos; como cualquier análisis secundario, dependen de cuestiones tales como la veracidad o, dicho en términos psicométricos, la validez de las observaciones recogidas por el observador original.
Los procedimientos de observación no son sólo visuales, sino que pueden incluir la captación de información mediante otras sentidos. El nivel de detalle aumenta con la ayuda de técnicas que permitan, bien una codificación más fiable de las observaciones, bien una transformación más detallada a cualquier tipo de registro escrito, cuando éste se realiza antes de pasar al proceso de codificación. Pero, incluso cuando se utilizan equipos sofisticados para facilitar la recogida de datos, es el investigador el que debe codificar los datos mediante sistemas de categorías fiables y válidos.
El registro fisiológico se incluye entre las técnicas de observación que prácticamente siempre requieren equipo especializado.
Cuando resulta imposible observar los datos de interés o se necesita contrastar el significado de los datos recogidos por observación, se recurre a las técnicas de autoinforme: cuestionarios, entrevistas, tests.
Al hablar de los procedimientos de recogida de datos es imprescindible hacer referencias a los errores y sesgos que los afectan.
6... El contexto situacional
El lugar donde se desarrolla la investigación, varía en un continuo cuyos extremos son el laboratorio y el campo o situación en la que se desenvuelve la vida cotidiana de los sujetos. El debate entre quienes se adhieren a uno u otro extremos del continuo se ha centrado en la denominada validez ecológica : la validez externa referida a la posibilidad de realizar generalizaciones probabilísticas a otros sujetos y a otros contextos. Hoy se admite que las cuestiones sobre generalizabilidad son pertinentes en cualquier contexto.
Lo único que debe preocuparnos del contexto es que pueda dase la conducta que se pretende estudiar y, en su caso, que exista suficiente control de las variables extrañas.
7... El diseño de la investigación
El número de sujetos que participan en una investigación es una de las primeras cuestiones que debemos preguntar sobre ella. La tendencia dominante en la psicología científica actual es la investigación con grupos que se justifica al menos por dos razones:
- La mayor parte de los fenómenos sólo pueden medirse imperfectamente y se necesitan técnicas estadísticas – que requieren muestras aleatorias – para cuantificar los valores de las variables y las relaciones entre las mismas.
Los diseños correlacionales no implican ni manipulación experimental de la variable de tratamiento ni asignación aleatoria de los sujetos, aunque las muestras han de ser representativas de la población, para que la variabilidad o heterogeneidad de ésta quede fielmente reflejada y no puedan atribuirse las conclusiones de la investigación a la explicación alternativa más simple: los errores de muestreo. Estudian relaciones que ocurren de forma natural entre variables, para lo que miden distintas características – registran variables – de un único grupo de sujetos. El control que se ejerce es indirecto, basado fundamentalmente en la estandarización de las condiciones de la investigación y/o en ajustes estadísticos. Los resultados de este tipo de investigación pueden utilizarse para cuantificar el valor de una relación o para formular predicciones, pero no deben utilizarse para hablar de causalidad. Por otra parte el nombre el equívoco, pues aunque indique relación entre variables, co- rrelación, suele asociarse con un procedimiento de análisis estadístico, el coeficiente rxy de Pearson, procedimiento que no es necesario utilizar: son más frecuentes las diferencias entre las medias de los grupos.
Los diseños descriptivos no buscan un análisis formal de la relación entre variables, sino sólo un resumen de las observaciones realizadas.
9... Investigación con individuos
Investigación realizada con sujetos únicos o con muy pocos sujetos.
Los diseños de casos suelen enfocarse en un único sujeto, pero también existen investigaciones con pequeños grupos, tales como gemelos o familias. Se han venido utilizando únicamente para ilustrar trastornos o sucesos raros y generar hipótesis para futuras investigaciones. Es cierto que el hecho de que se trate de estudios con pocos sujetos, seleccionados sin acudir a una estrategia de muestreo, imposibilita la generalización, pero ya sabemos que éste no es el objetivo prioritario desde la perspectiva falsacionista de la ciencia. Partiendo de una teoría y utilizando medidas fiables y válidas los estudios de casos pueden ser decisivos en el rechazo de hipótesis científicas.
Los diseños experimentales de caso único o de N pequeño son procedimientos manipulativos que permiten poner a prueba hipótesis experimentales. Provienen históricamente del conductismo.
- Diferencias entre estudios de casos y diseños de caso único: aunque ninguno de los dos tienen una validez externa adecuada, debido a los problemas relacionados con la muestra, los diseños de caso único o N pequeño tiene una buena validez interna, ya que en su conducción intervienen varias formas de control. Para juzgar la validez de una investigación, es la adecuación de las observaciones o mediciones con respecto a la hipótesis de partida lo que debe centrar nuestro interés, más que la forma concreta de recoger los datos, y que la información sobre el contexto en el que se desarrolle la investigación sólo resulta relevante para decidir si se ha ejercido suficiente control sobre las variables extrañas que pudieran estar afectando a los resultados de la investigación, sin alterar pro ello la naturaleza del fenómeno de interés.
- EL ANÁLISIS DE LOS DATOS
Puesto que los números no recuerdan su origen, una análisis de los mismos sólo podrá ser interpretado coherentemente si el investigador ha comprendido su significado. Comprender el significado de un conjunto de números implica conocer la teoría que los relaciona con los objetos o sucesos sobre los cuales deseamos extraer conclusiones.
Hablamos de datos para referirnos a la representación simbólica de los objetos o sucesos.
Cuando los símbolos son palabras o figuras suelen denominarse datos cualitativos , lo cual puede resultar confuso si consideramos que para analizar tales datos de manera sistemática suele recurrirse al recuento de casos – análisis cuantitativo –, dando lugar a números denominados frecuencias.
Si los símbolos que deseamos analizar son números entonces hablamos de datos numéricos o cuantitativos. La distinción entre datos cualitativos y cuantitativos en el contexto del análisis es paralela a la establecida entre variables cualitativas y cuantitativas en el ámbito de la medición.
En el marco de la psicología científica actual, el análisis de datos se ayuda de técnicas estadísticas, cuyo conjunto suele denominarse, en este contexto, psicoestadística; si el objetivo es describir, organizar y sintetizar los casos o sucesos observados, la psicología recurre a las técnicas de la estadística descriptiva; si, aun sabiendo que existe un margen de error, se desea extraer conclusiones sobre objetos o sucesos que no han sido observados a partir de aquellos que sí lo han sido, se utilizan las técnicas de la estadística inferencial.
10... La descripción estadística.
R (^) XY· Z (^) X. Es en este contexto en el que se sustituye la terminología de VI y VD por la de predictores y criterios y la correlación entre ambos por el término coeficiente de validez.
Son pocas las ocasiones en que puede predecirse un fenómeno de interés a partir de una sola variable, de ahí que se utilicen modelos de regresión que especifican estadísticamente las relaciones entre un mayor número de variables. En ocasiones, tales modelos se denominan causales. Sin embargo, debemos recordar que la interpretación causal de los resultados de una investigación no depende del tipo de análisis de los datos , sino de consideraciones teóricas y metodológicas: la distinción entre diseños experimentales y no – experimentales de recogida de datos que vimos en el apartado anterior es crucial en este punto. La correlación no implica causación.
Los datos cualitativos suelen organizarse las frecuencias en tablas de contingencia cuyas filas y columnas se definen por las variables de interés. Existen procedimientos diversos para analizar estas tablas, dependiendo de sus dimensiones, aunque los más utilizados se basan en la distribución chi – cuadrado. Los modelos log – lineales permiten especificar las relaciones entre variables en tablas de contingencia de más de dos dimensiones en ocasiones se denominan modelos causales. La asociación entre una variable cualitativa dicotómica y otra cuantitativa puede también calcularse utilizando la fórmula de rxy si los datos cualitativos se han codificado como unos (1) y ceros (0). El resultado se denomina entonces coeficiente de correlación biserial – puntual y se simboliza rbp. Existen técnicas inferenciales específicas para calcular diferencias entre las medias de dos o más grupos. De hecho, es frecuente clasificar las técnicas estadísticas en función de si responden a una pregunta sobre diferencias o sobre relaciones. Pues bien, aunque es cierto que el análisis estadístico usual en la investigación psicológica se ha desarrollado diferencialmente en función de estas dos cuestiones, sus técnicas son aplicaciones específicas de un modelo matemático común, el Modelo Lineal General , por lo que la información contenida en uno u otro análisis puede ser transformada para responder a ambas cuestiones. Dependiendo del número de variables independientes y dependientes (predictoras y criterios) y de si éstas son cualitativas o cuantitativas, el modelo da lugar a diferentes técnicas estadísticas.
4.. La lógica de la inferencia estadística.
La denominada prueba de la significación de la hipótesis nula es el procedimiento principalmente utilizado en la investigación psicológica para diferenciar las explicaciones sistemáticas de aquellas que incluyen el azar como factor.
4...1... La prueba de la significación de la hipótesis nula.
Existen al menos dos tipos de factores aleatorios que añadan ‘ruido’ a los datos: los errores de medida y los errores de muestreo.
Utilizar la prueba de la significación de la hipótesis nula para responder a la pregunta inicial: ¿es diferente la aptitud matemática de los alumnos de psicología de la de los alumnos que cursan su primer año de estudios en la universidad? Pues bien, la respuesta a esta pregunta pasa por establecer una hipótesis que indique cómo se distribuirían los datos en caso de que la muestra perteneciera realmente a la población, es decir, en caso de que las diferencias entre la media de la muestra y la media de la población se debiera a un factor aleatorio: los errores de muestreo. En este caso, la hipótesis nula, simbolizada por H0, afirmaría que las puntuaciones de los sujetos son una muestra seleccionada al azar de la población de interés. Si el estadístico de contraste indica que la probabilidad de esos datos (o de datos aún más extremos), en caso de que H0 sea verdadera, es igual o menor que un valor preestablecido al que se denomina α – y suele ser, por convención, igual a 0,05 – entonces rechazaremos H0 y afirmaremos que existe evidencia que favorece a la hipótesis alternativa H1, la cual indica, simplemente, que H0 es falsa. Con una probabilidad asociada mayor que α no podemos rechazar H0. La explicación más parsimoniosa de las aparentes diferencias es el azar y por tanto no necesitamos recurrir a factores sistemáticos para explicarlas.
La probabilidad asociada a este valor, siendo H0 cierta, es p = 0,04 y por tanto podemos rechazar H0. Es decir, tenemos cierta evidencia de que un factor no aleatorio está produciendo las diferencias. Cuál sea ese factor tendrá que venir especificado por alguna teoría.
En general, partiendo de una teoría que prohíbe determinados resultados empíricos y predice otros, un investigador construye una hipótesis nula que indica la probabilidad de un conjunto de datos en el caso de que no existiera a) un patrón sistemático discernible, o b) una diferencia entre grupos, o c) una asociación entre variables y trata de demostrar que tiene evidencia empírica suficiente para rechazar tal hipótesis.
Convencionalmente, se considera como evidencia empírica suficiente para el rechazo de H aquella que ocurriría con una probabilidad igual o menor de 0,05 si la hipótesis nula fuera
suficiente explicación. Y, sin embargo, es fácil comprobar que, con una muestra de tamaño suficientemente grande, cualquier resultado puede ser significativo estadísticamente, incluso aunque su importancia teórica o aplicada sea nula. 12... Alternativas
En el enfoque clásico de la prueba de significación de la hipótesis nula, la hipótesis alternativa es inexacta: cualquier desviación de H0 que no pueda atribuirse razonablemente a los errores de muestreo sería H1 (es decir, H1 = no – H0). Se considera razonable rechazar H0 cuando la probabilidad de unos datos en su distribución es igual o menor que α. Quienes piensan que la psicología debería ocuparse de encontrar efectos de tamaño suficientemente grande como para ser de alguna relevancia práctica, suelen utilizar un enfoque complementario al anterior, que se conoce como el enfoque Neyman – Pearson y requiere del investigador un valor exacto para H1, la hipótesis alternativa. En este caso, el interés se extiende a una segunda probabilidad, β, la probabilidad de rechazar H1 cuando es verdadera, o, lo que es lo mismo, la probabilidad de aceptar una H0 falsa.
Este enfoque ha hecho resaltar en el panorama estadístico la importancia del tamaño del efecto (por ejemplo, d, la diferencia en desviaciones típicas entre las medias del grupo experimental y el grupo de control) y de la potencia de la prueba de significación para rechazar la hipótesis nula en el caso de que la hipótesis alternativa que predice tal efecto sea cierta. En la práctica, es posible calcular el número de participantes necesarios para hallar un efecto significativo partiendo de valores preestablecidos de α, β y del tamaño del efecto. Un investigador que se base en hallazgos previos para decidir el valor postulado por la hipótesis alternativa tiene la posibilidad de planificar una investigación en la que la probabilidad de cometer errores de tipo I y II, se establezca a priori, de manera que sea posible estimar el coste – en número de participantes – de hallar un efecto significativo: si el coste excede las posibilidades reales del investigador, o si resulta demasiado alto en relación con el beneficio estimado, entonces no tendría sentido comenzar el trabajo empírico. Los valores convencionales son para a = 0.05 y b = 0,20 – es decir, una potencia de 0,80 –.
El enfoque N-P es particularmente relevante en la investigación aplicada, en la que la evaluación tecnológica – evaluación de la eficacia de nuevas terapias, de programas educativos innovadores, etc. – es el objetivo prioritario de un gran número de investigaciones. En lo que se refiere a las teorías psicológicas, sin embargo, ya hemos mencionado que la mayor parte no están suficientemente desarrolladas como para realizar predicciones cuantitativas, por lo que las estimaciones del tamaño del efecto suelen ser subjetivas o basadas en reglas convencionales. Los defensores de la postura tradicional argumentan que las predicciones ordinales del enfoque clásico – las que indican que un efecto es mayor o menor que el predicho por la hipótesis nula sin indicar su tamaño - resultan suficientes en la
mayor parte de las investigaciones psicológicas, y particularmente efectivas en las que tratan de poner la prueba hipótesis teóricas.
El meta – análisis es un conjunto de procedimientos estadísticos para comparar y combinar el tamaño del efecto obtenido en diferentes investigaciones sobre un mismo constructo. Puesto que se trata de un tipo especial de análisis secundario de datos, es decir, de re – análisis de datos recogidos por otros investigadores, puede utilizarse como complemento de los dos enfoques anteriores, facilitando una revisión más objetiva de los enfoques anteriores, facilitando una revisión más objetiva de los resultados de un área de trabajo. En los últimos años, ha comenzado a perfilarse como alternativa metodológica a los dos enfoques anteriores, proponiendo que se reste importancia a las investigaciones particulares – cuyos resultados, incluso en condiciones de baja potencia, podrían considerarse en un nivel descriptivo – y dejando al meta – análisis la tarea de extraer las conclusiones pertinentes. La utilización del meta – análisis en la puesta aprueba de teorías ofrece un panorama realmente prometedor, pero no debemos olvidar que su uso adecuado requiere medidas fiables y válidas del constructo de interés, así como un número elevado de replicaciones de un mismo procedimiento.
Tanto el meta – análisis como el enfoque N-P prestan atención al tamaño del efecto, y no sólo a su significación; el meta – análisis, además, basa sus estimaciones en la replicación, lo que le permite superar la crítica de pretender resolver problemas científicos en un solo experimento (el denominado experimento crucial). La estadística bayesiana, por el contrario, utiliza una lógica diferente. Se basa en el teorema de Bayes, que pone en relación la probabilidad relativa de una hipótesis con respecto a sus oponentes antes y después de obtenido los resultados de una investigación. Mediante el uso de una simple fórmula, podemos calcular si tal probabilidad relativa ha aumentado y si, por tanto, nuestro apoyo a al hipótesis se refuerza. El teorema de Bayes nos dice lo que verdaderamente deseamos saber, la probabilidad de la hipótesis dados los datos, P(H|D), pero, a cambio, introduce la subjetividad en la estimación previa de la probabilidad relativa, pues raramente conocemos la probabilidad relativa de una hipótesis antes de ponerla a prueba. En estadios avanzados de un programa de investigación, cuando ya se tiene estimaciones adecuadas de la probabilidad previa de una hipótesis teóricamente interesante, la lógica bayesiana puede resultar muy útil.
Cada una de las alternativas sugeridas tiene sus ventajas y sus inconvenientes, además de un papel diferente en los distintos estadios del desarrollo de un programa de investigación científica. De lo que no cabe duda es que , sea cual sea la opción elegida, la puesta a prueba de hipótesis psicológicas no puede confiarse exclusivamente a los métodos de inferencias estadística y que se requiere urgentemente un perfeccionamiento de las mediciones – una
