OpoSERGASEste tema del PIR trata de cómo se diseña una investigación para poder sacar conclusiones y de cómo se resumen muchos estudios en uno solo con el meta-análisis. El PIR no es una prueba del SERGAS, sino la prueba estatal del Ministerio de Sanidad, y no tiene numeración oficial de temas: aquí lo llamamos tema 28 por el orden de nuestro temario. Las dudas típicas: cómo clasificar un diseño, qué amenaza a la validez explica un resultado y cómo se lee un meta-análisis. La parte de contraste de hipótesis, potencia y tamaño del efecto está en contraste de hipótesis, errores, potencia y tamaño del efecto.
Cómo cae este tema en el examen
En nuestro banco hay más de 110 preguntas de este tema, y tenemos clasificadas 59 preguntas de exámenes oficiales: 14 de PIR Enero 2022 (Convocatoria 2021), 16 de PIR Enero 2023 (Convocatoria 2022), 16 de PIR Enero 2024 (Convocatoria 2023), 6 de PIR Enero 2025 (Convocatoria 2024) y 7 de PIR Enero 2026 (Convocatoria 2025). De las más de 400 respuestas registradas en OpoSERGAS en este tema hasta el 5 de noviembre de 2026, el 28,4 % fueron fallos.
Lo habitual es que el enunciado describa un caso (un estudio con pacientes, un programa en un colegio, un meta-análisis con una figura) y pida clasificar el diseño, identificar la amenaza a la validez o interpretar un índice. Como el examen puntúa +3 por acierto y −1 por error (Orden SND/854/2026), conviene tener la clasificación clara antes de arriesgar.
¿Qué distingue un diseño experimental, uno cuasiexperimental y uno ex-post-facto?
Se distinguen por dos preguntas: si el investigador manipula la variable independiente y si asigna los participantes al azar a las condiciones. Solo el experimento cumple las dos y por eso es el diseño que permite la inferencia causal más sólida.
| Diseño | Manipulación de la VI | Asignación aleatoria | Inferencia causal |
|---|---|---|---|
| Experimental | Sí | Sí | Fuerte |
| Cuasiexperimental | Sí | No | Moderada, con amenazas por selección |
| Ex-post-facto (selectivo) | No | No | Débil: solo asociación |
Ejemplo ex-post-facto: comparar a niños con y sin TDAH en conducta agresiva, porque «tener TDAH» se selecciona, no se manipula. Los estudios de cohortes y de casos y controles se clasifican como observacionales; para su lógica en clave de Enfermería tienes cohortes, casos y controles y ensayos clínicos.
¿Qué amenaza a la validez interna explica este resultado?
Depende de qué haya cambiado en el caso, y la clave es buscar la explicación alternativa a la intervención. Campbell y Stanley (1963) enumeraron ocho amenazas a la validez interna: historia, maduración, prueba (pretest), instrumentación, regresión estadística, selección, mortalidad experimental e interacción de la selección con la maduración. Cook y Campbell (1979) ampliaron el marco a cuatro tipos de validez: interna, externa, de constructo y de conclusión estadística. Las confusiones más preguntadas:
| Si el caso dice... | Amenaza |
|---|---|
| Ocurrió un acontecimiento externo durante el estudio | Historia |
| Los sujetos cambian por el simple paso del tiempo | Maduración |
| Se eligió a los sujetos por puntuaciones muy extremas y en la segunda medida puntúan más cerca de la media | Regresión a la media |
| Los grupos eran distintos al empezar | Selección |
| Abandonan más sujetos de un grupo que de otro | Mortalidad experimental |
| Cambia el observador o el instrumento de medida | Instrumentación |
La frontera que más se confunde es regresión frente a maduración: la regresión aparece cuando el grupo se seleccionó por una puntuación extrema; la maduración, por cambios evolutivos espontáneos.
¿Para qué sirve el contrabalanceo y en qué se diferencia de la aleatorización?
El contrabalanceo controla los efectos de orden en un diseño intrasujeto, mientras que la aleatorización controla la selección y la asignación a grupos; son procedimientos distintos para problemas distintos. Si cada persona pasa por todas las condiciones, el orden puede contaminar (práctica, fatiga, arrastre), y se reparten los órdenes: el contrabalanceo completo usa todas las permutaciones (k! órdenes), y el incompleto, por ejemplo con un cuadrado latino, hace que cada condición aparezca una vez en cada posición.
¿Qué controla el diseño de Solomon?
Controla el efecto del pretest sobre el tratamiento, es decir, la reactividad al pretest. Tiene cuatro grupos: dos con pretest (uno tratado y otro control) y dos sin pretest (uno tratado y otro control). Se analiza como un factorial 2×2 (pretest sí o no, tratamiento sí o no), lo que permite separar el efecto del tratamiento, el del pretest y su interacción. Exige el doble de participantes.
¿Cuáles son los diseños cuasiexperimentales que más se preguntan?
Los más preguntados son el diseño con grupo control no equivalente, las series temporales interrumpidas y la regresión-discontinuidad. En el primero, con grupos ya formados, la amenaza principal es la selección y se corrige en parte con ANCOVA usando el pretest como covariable. Las series temporales interrumpidas miden muchas veces antes y después de la intervención en un mismo grupo; controlan bien la maduración y la regresión, y su amenaza principal es la historia. En la regresión-discontinuidad se asigna a tratamiento según un punto de corte en una variable continua y se busca un salto en ese punto. Más débil aún es el pretest-postest de un solo grupo sin control, que Campbell y Stanley (1963) no consideran cuasiexperimental sino preexperimental.
¿Qué indica el índice I² en un meta-análisis?
Indica el porcentaje de la variabilidad total entre estudios que se debe a heterogeneidad real y no al azar del muestreo. Se calcula como I² = (Q − gl) / Q × 100, siendo Q la prueba de Cochran. Como referencia clásica de Higgins y colaboradores (2003), 25 %, 50 % y 75 % se interpretan como heterogeneidad baja, moderada y alta.
| Modelo | Supuesto | Ponderación e intervalos |
|---|---|---|
| Efectos fijos | Un único efecto verdadero; las diferencias son error de muestreo | Peso por el inverso de la varianza |
| Efectos aleatorios | Hay una distribución de efectos verdaderos entre estudios | Añade la varianza entre estudios (tau²); intervalos más amplios |
Con heterogeneidad alta se exploran moderadores con análisis de subgrupos o meta-regresión. En el forest plot cada estudio es un cuadrado con su intervalo de confianza y el diamante final es el efecto global: si cruza la línea de no efecto, el efecto agregado no es significativo.
¿Cómo se detecta el sesgo de publicación?
Se explora con el funnel plot (gráfico de embudo): sin sesgo, los estudios se reparten de forma simétrica alrededor del efecto global; una asimetría sugiere que faltan estudios pequeños con resultados nulos o negativos. Se complementa con el test de Egger, una regresión sobre la precisión, y con la corrección trim-and-fill de Duval y Tweedie (2000). Con pocos estudios (menos de 10) tienen poca potencia, y la asimetría puede deberse también a la heterogeneidad. El informe de una revisión sistemática o un meta-análisis sigue la declaración PRISMA 2020 (Page y colaboradores, 2021), con su lista de verificación y su diagrama de flujo.
Truco para recordarlo
Para el diseño: manipulo y aleatorizo, experimento; manipulo sin aleatorizar, cuasi; no manipulo, ex-post-facto. Para las ocho amenazas, memorízalas en cuatro parejas: historia y maduración (el tiempo), prueba e instrumentación (la medida), regresión y selección (quién entra) y mortalidad con la interacción selección-maduración (quién se queda y cómo evolucionan). Es una regla propia, no una sigla oficial.
Tres preguntas tipo test de ejemplo
1. Un psicólogo escolar aplica un programa de habilidades sociales a una clase y usa otra clase del mismo centro como comparación, sin asignación al azar. El diseño es:
A) Experimental. B) Cuasiexperimental. C) Ex-post-facto. D) De caso único.
Solución: B. Manipula la intervención, pero los grupos ya estaban formados. A exigiría aleatorización; C, ausencia de manipulación; D, un solo participante.
2. Se selecciona a personas con puntuaciones muy altas en un test de ansiedad, se les aplica un tratamiento sin grupo control y en la segunda medida puntúan menos. ¿Qué amenaza explica mejor la mejoría sin descartar el tratamiento?
A) Mortalidad. B) Instrumentación. C) Regresión a la media. D) Interacción selección-tratamiento.
Solución: C. Con puntuaciones extremas en la primera medida, la segunda tiende a acercarse a la media. A requeriría abandonos desiguales, B un cambio en el instrumento y D se refiere a la validez externa.
3. Un meta-análisis informa I² = 80 %. Esto significa que:
A) El 80 % de los estudios es significativo. B) El 80 % de la variabilidad total se debe a heterogeneidad real entre estudios. C) La probabilidad de error de tipo I es 0,80. D) Existe sesgo de publicación.
Solución: B. I² es el porcentaje de variabilidad atribuible a heterogeneidad. A mezcla significación con heterogeneidad, C confunde I² con alfa y D se estudia con el funnel plot.
Preguntas frecuentes
¿Qué diferencia hay entre un diseño cuasiexperimental y uno ex-post-facto?
En el cuasiexperimental el investigador manipula la variable independiente sin asignación aleatoria; en el ex-post-facto no hay manipulación y se seleccionan grupos por una característica ya existente.
¿Cuál es la diferencia entre contrabalanceo y aleatorización?
El contrabalanceo equilibra el orden de las condiciones en diseños intrasujeto; la aleatorización asigna a los participantes a las condiciones al azar para controlar la selección.
¿Para qué sirve el diseño de Solomon?
Para separar el efecto del tratamiento del efecto del pretest y de su interacción, mediante cuatro grupos con y sin pretest.
¿Qué indica un I² alto en un meta-análisis?
Que gran parte de la variabilidad entre estudios es real y no azar; conviene explorar moderadores y suele preferirse el modelo de efectos aleatorios.
Referencias
- Orden SND/854/2026 (BOE núm. 195, 10 de agosto de 2026): convocatoria de la prueba PIR 2027, con 200 preguntas más 10 de reserva y puntuación +3 / −1. Sede: boe.es.
- Campbell, D. T. y Stanley, J. C. (1963), Experimental and quasi-experimental designs for research; Cook, T. D. y Campbell, D. T. (1979), Quasi-experimentation: design and analysis issues for field settings.
- Higgins, J. P. T. et al. (2003), Measuring inconsistency in meta-analyses, BMJ 327:557-560; Page, M. J. et al. (2021), declaración PRISMA 2020, BMJ 372:n71.
- Los contenidos metodológicos son de manual estándar de métodos de investigación en psicología; no dependen de una norma española.
Sigue practicando
- Landing de la oposición: preparación del PIR.
- Repaso global: estadística y diseño de investigación para el PIR.
- Medición: psicometría, fiabilidad y validez.
- Para practicar las preguntas de este tema: crear cuenta y empezar con el PIR.