Un enfoque científico
Se considera que los métodos de investigación cuantitativa son el enfoque preferido para la investigación académica, con pocas posibilidades de utilizar metodologías cualitativas cuando los sujetos de la investigación (la mayoría de las veces, sujetos humanos) se niegan a ser codificados en un constructo analítico sólido. Como su nombre indica, la investigación cuantitativa produce números que facilitan la medición, la evaluación y la inferencia.
Hipotética-Deductiva
Los defensores argumentan que la mayor fuerza de la investigación cuantitativa es la clara fundamentación en la teoría: se desarrollan hipótesis para probar variantes de las teorías establecidas con el fin de refinarlas en base a esas variables identificadas. Esto no demuestra las teorías establecidas, sino que las mejora con conjuntos de datos adicionales que apoyan o se alinean con los resultados originales.
Al utilizar una muestra de población que puede ser mucho mayor que la de un estudio cualitativo, los datos pueden recogerse con bastante rapidez utilizando herramientas de encuesta por correo electrónico o teléfono, y la disponibilidad de software estadístico permite un análisis de datos preciso y exacto. El potencial de sesgo de la investigación se limita al diseño del estudio, al diseño de la herramienta de encuesta y a la interpretación de los datos, a diferencia del riesgo más amplio de sesgo del observador en un estudio cualitativo.
El poder predictivo de la estadística
Dado que los datos de la investigación cuantitativa se entregan en forma numérica, podemos aplicar pruebas estadísticas a esos datos para producir mediciones descriptivas que luego pueden utilizarse para hacer predicciones dentro de los límites del grado en que la población de la muestra puede considerarse representativa de una población mayor. Comenzando con medidas descriptivas básicas como la media, la moda, la mediana y la desviación estándar, podemos establecer un marco de datos básico antes de pasar a pruebas más inferenciales como las pruebas t, los ANOVA y las medidas multivariantes como los cálculos de regresión múltiple (MRC).
El grado en el que los resultados pueden entonces generalizarse en una inferencia más amplia dependerá de la prueba p que se utilice para determinar la validez estadística de los datos. Siempre que el valor p sea inferior a 0,05, la probabilidad de que los datos sean el resultado del azar es inferior al 5 por ciento.
Irreproducibilidad y falsos positivos
La capacidad de delinear variables específicas en el desarrollo de una hipótesis proporciona a la investigación cuantitativa una reproducibilidad inherente. Dado que usted está probando variantes de una teoría establecida en lugar de proponer una nueva teoría, los investigadores que intentan validar su estudio con todos los mismos protocolos en su lugar, deben ser capaces de replicar sus resultados. Cuando eso no sucede, se examina el protocolo para verificar que coincide con el original, y si eso se comprueba, el conjunto de datos original debería ser el siguiente en la lista, asumiendo, por supuesto, que los autores del estudio que se intenta validar están dispuestos a compartir esos datos.
Si el estudio original se basó en un falso positivo, donde el análisis de los datos generó una significación estadística para algo que no estaba realmente allí, la probabilidad de ser capaz de replicar esos resultados sería escasa o nula, a menos que usted fuera capaz de mapear el análisis estadístico paso a paso.