Muestreo de la realidad: por qué la aleatoriedad es poco frecuente y el rigor triunfa en la investigación moderna

El concepto de muestreo aleatorio es fundamental para la investigación estadística. En su forma más pura, significa que cada individuo de la población objetivo tiene una probabilidad conocida y distinta de cero de ser seleccionado. Este es el ideal detrás del margen de error (MOE), que cuantifica en qué medida los resultados de una muestra pueden diferir de la población total.

Pero esta es la verdad en el contexto de la investigación comercial moderna: el verdadero muestreo aleatorio rara vez, o nunca, se logra en la investigación de mercados. Esto no se debe a que el ideal sea erróneo, sino a que la logística es prohibitiva y poco práctica en términos de velocidad y escala. Exploremos por qué es así, qué métodos se utilizan hoy en día y por qué esto no es necesariamente un problema. Exploremos por qué es así, qué métodos se utilizan hoy en día y por qué esto no es necesariamente un problema.

‍

¿Qué se necesitaría para lograr una verdadera muestra aleatoria?

Para realizar una muestra probabilística real en la actualidad, un investigador necesitaría:

• Una lista completa y actualizada de todos los miembros de la población de interés
• Un mecanismo verdaderamente aleatorio para seleccionar a los participantes de esa lista
• La capacidad de contactar y hacer un seguimiento con las personas seleccionadas hasta que participen o se excluyan definitivamente

Esto es difícil de lograr y aún más difícil de financiar.

Veamos ahora los principales métodos cuantitativos que se utilizan en la actualidad y cómo se comparan.

‍

Una mirada más cercana a los métodos cuantitativos comunes

Paneles web
Estas son muestras de conveniencia. Los panelistas se inscriben y solo pueden ser seleccionados los que ya están en el panel, lo que, por definición, excluye a las personas que no son miembros del panel. Si bien los paneles web no pueden ofrecer un verdadero muestreo aleatorio, se utilizan ampliamente debido a su velocidad, asequibilidad y acceso a grupos de población especializados o de difícil acceso. Los investigadores suelen utilizar el muestreo y la ponderación por cuotas para mejorar la representatividad.

Las investigaciones respaldan la confiabilidad de este enfoque. Un estudio de la Universidad del Sur de Florida descubrió que una muestra de un panel web extraída de un panel arrojó estimaciones más confiables que una encuesta telefónica sobre llamadas en frío. Esta es una refutación contundente de la suposición de que las metodologías antiguas siempre son mejores.

Encuestas telefónicas
Las encuestas telefónicas, que antes se consideraban el estándar de referencia para el muestreo probabilístico, ahora enfrentan grandes desafíos. No todo el mundo tiene un teléfono fijo y muchos utilizan teléfonos móviles con números que no figuran en la lista. Las listas de llamadas prohibidas y la verificación del identificador de llamadas reducen la participación. Estas limitaciones comprometen la capacidad de crear un marco de muestreo completo, lo que significa que la muestra resultante ya no es verdaderamente aleatoria.

Encuestas por correo
Las encuestas por correo pueden respaldar técnicamente el muestreo aleatorio, especialmente cuando existe una lista completa de clientes o componentes. Cuando se toman muestras aleatorias de una lista de este tipo y se les hace un seguimiento persistente, las encuestas por correo pueden lograr resultados bastante representativos. Sin embargo, tienen costos elevados, tiempos de respuesta lentos y, a menudo, tasas de respuesta bajas, a menos que se combinen con incentivos y múltiples oleadas de recordatorios. En la mayoría de los contextos comerciales, no son prácticos a gran escala.

Encuestas puerta a puerta
Esto es lo más cerca que estamos hoy del verdadero muestreo probabilístico. Sin embargo, este método es prohibitivamente caro y, a menudo, inviable para estudios nacionales o a gran escala en un entorno comercial.

Bases de datos de clientes y listas de correo electrónico
Estas también son muestras no probabilísticas. La muestra se limita a las que ya están en la base de datos, por lo que, si bien puede ser muy relevante para ciertos objetivos empresariales, no es aleatoria en un sentido estadístico.

‍

Entonces, ¿qué pasa con el margen de error?

Se puede calcular un margen de error para las muestras no probabilísticas. La fórmula solo requiere el tamaño de la muestra e, idealmente, una estimación del tamaño de la población. Sin embargo, los investigadores deben dejar claro que esta cifra calculada es estadísticamente inapropiada como estimación del error total de la población. Desde un punto de vista técnico, el MOE es más significativo cuando se aplica a una muestra aleatoria verdadera. En el caso de los paneles opcionales y otras muestras no aleatorias, es mejor interpretar el MOE como un punto de referencia necesario para comparar la calidad de los datos. No tiene en cuenta el sesgo de selección ni otras fuentes de error, como la autoselección o la falta de cobertura, que vienen con los métodos no probabilísticos.

‍

En clausura

El ideal del muestreo aleatorio puro es, para la mayoría de las aplicaciones comerciales, un obstáculo logístico que es demasiado costoso y lento de superar. Si bien el cálculo del margen de error puede resultar estadísticamente inadecuado para las muestras no probabilísticas, los investigadores deben interpretarlo con transparencia como un punto de referencia necesario para comparar la calidad de los datos. La realidad de la investigación moderna no consiste en lograr un ideal teórico, sino en reconocer las limitaciones prácticas de los métodos clásicos y centrar la atención en los controles que realmente importan. En mi próxima publicación, analizaré las poderosas metodologías (desde la estratificación hasta la calibración basada en la inteligencia artificial) que emplean los investigadores para corregir los sesgos y garantizar los niveles más altos de calidad y procesabilidad de los datos.

‍

Referencias

1. Braunsberger, K., Wybenga, H. y Gates, R. (2007). Comparación de la confiabilidad entre las encuestas telefónicas y las basadas en la web. Revista de investigación empresarial, 60 (7), 758—764.
   https://digitalcommons.usf.edu/fac_publications/1883

Kirsty Núñez es el presidente y principal estratega de investigación de Q2 Insights, una firma de consultoría de investigación e innovación con alcance internacional y oficinas en San Diego. Q2 Insights se especializa en muchas áreas de la investigación y el análisis predictivo y utiliza activamente productos de inteligencia artificial para mejorar la velocidad y la calidad de la entrega de información y, al mismo tiempo, aprovechar los conocimientos y la experiencia de los investigadores humanos. La IA solo se usa en los datos de los encuestados.