Tamaño de muestra cualitativa

Justifica cuántas entrevistas planear y evalúa la saturación durante el trabajo de campo, con el modelo de Malterud, Siersma y Guassora (2016) y el método de Guest, Namey y Chen (2020).

¿Tu estudio es cuantitativo? Usa la calculadora de muestra cuantitativa.

Antes del campo: justifica tu muestra

Esta herramienta no calcula cuántas entrevistas necesitas. Te ayuda a razonar el tamaño de tu muestra con el modelo de poder de información (information power) de Malterud, Siersma y Guassora (2016): mientras más información relevante para tu pregunta aporta cada participante, menos participantes necesitas. Los propios autores advierten que su modelo no es una lista para calcular un número (p. 1756), y que sus cinco dimensiones se compensan entre sí. Por eso aquí no se suman.

¿Cómo vas a recolectar los datos?
Objetivo del estudio (study aim)¿Qué tan amplio es el objetivo de tu estudio?

Un objetivo amplio abarca un fenómeno más extenso y pide más participantes (p. 1754). Por ejemplo, entender cómo las personas recuperan una contraseña es más acotado que entender cómo gestionan su seguridad digital en general.

Especificidad de la muestra (sample specificity)¿Qué tan cerca están tus participantes de la experiencia que estudias?

La muestra es densa cuando quienes participan tienen justo la experiencia que te interesa y, además, varían dentro de ella. Si reclutas a quien esté disponible, sin criterios, la especificidad baja y necesitas más personas (p. 1755).

Teoría establecida (established theory)¿Tu estudio se apoya en teoría o en un marco existente?

Un marco teórico ayuda a explicar las relaciones entre los datos, y con él una muestra pequeña puede aportar algo nuevo. Un estudio que parte de cero tiene que construir su propia base, y suele necesitar más participantes (p. 1755).

Calidad del diálogo (quality of dialogue)¿Cómo esperas que sea la conversación en las entrevistas?

Depende de la habilidad de quien entrevista, de qué tan articulada es la persona entrevistada y de la química entre ambas. Malterud y sus coautores reconocen que es difícil de anticipar (p. 1755).

Estrategia de análisis (analysis strategy)¿Cómo vas a analizar los datos?

Comparar patrones entre participantes, como en un análisis temático, pide más participantes que analizar en profundidad el relato de unos pocos (p. 1756).

La herramienta no propone un número. Si ya tienes uno, se incluye en el párrafo de justificación.

Referencia empírica. En la revisión sistemática de Hennink y Kaiser (2022), la mayoría de 16 pruebas con entrevistas alcanzó la saturación entre 9 y 17 entrevistas (promedio de 12 a 13). Casi todas venían de investigación en salud, con poblaciones homogéneas y objetivos acotados. Tómalo como punto de partida, no como el número de tu estudio: los autores encontraron poca evidencia sobre cuánto influye cada característica del estudio.

Párrafo de justificación

Responde las cinco preguntas para armar el párrafo.

Durante el campo: evalúa la saturación

Malterud y sus coautores recomiendan revisar el tamaño de la muestra durante el trabajo de campo. Esta parte te ayuda a hacerlo con el método de Guest, Namey y Chen (2020): después de cada entrevista anotas cuántos códigos nuevos aparecieron, y la herramienta calcula qué proporción de información nueva aportan las últimas entrevistas comparada con las primeras.

Tamaño base (base size)

Las primeras entrevistas, que sirven de punto de comparación. Guest y sus coautores probaron bases de 4, 5 y 6, y el resultado casi no cambió; por eso proponen 4 por defecto.

Corrida (run length)

Cuántas entrevistas seguidas se revisan en cada evaluación. Las corridas se solapan: avanzan de a una entrevista. Con corridas de 3 la evaluación es más conservadora.

Umbral de información nueva (new information threshold)

Qué proporción de información nueva aceptas como señal de saturación. El 0 % es más exigente: pide más entrevistas antes de dar la saturación por alcanzada.

Códigos nuevos por entrevista

Un código nuevo es uno que no apareció en ninguna entrevista anterior. Anota las entrevistas en el orden en que las hiciste, y cuenta los códigos en un solo nivel de tu libro de códigos: el método se probó con libros de códigos de un nivel. Si trabajas con varios niveles, puedes hacer una evaluación para cada uno.

Necesitas al menos 6 entrevistas para la primera evaluación: 4 de base y 2 de corrida. Llevas 0.

Qué no te dice este cálculo

  • Cumplir el umbral no garantiza que la saturación se haya alcanzado. Los autores comparan el umbral con un valor p: es una convención transparente, no una prueba.
  • No dice si las entrevistas que no hiciste habrían aportado algo importante. Según los autores, eso no se puede saber sin hacerlas; lo que sí muestra la evidencia es que la información nueva tiende a disminuir y que los temas más comunes aparecen temprano, siempre que el guion y el perfil de participantes se mantengan.
  • El método se probó con análisis temático inductivo sobre preguntas acotadas. Su uso con otras perspectivas epistemológicas no se ha probado.
  • Contar códigos nuevos supone un análisis con libro de códigos. Braun y Clarke (2021) consideran que la saturación es en general coherente con ese tipo de análisis temático, pero no con el análisis temático reflexivo, donde el significado se construye al interpretar los datos y no se extrae de ellos. Si ese es tu enfoque, este cálculo no encaja con él; proponen razonar la muestra con conceptos como el poder de información de la parte anterior.
  • Si quieres una evaluación más conservadora, usa corridas de 3 o el umbral de 0 %.

Referencias

  • Braun, V., & Clarke, V. (2021). To saturate or not to saturate? Questioning data saturation as a useful concept for thematic analysis and sample-size rationales. Qualitative Research in Sport, Exercise and Health, 13(2), 201–216. doi.org
  • Guest, G., Namey, E., & Chen, M. (2020). A simple method to assess and report thematic saturation in qualitative research. PLOS ONE, 15(5), e0232076. doi.org
  • Hennink, M., & Kaiser, B. N. (2022). Sample sizes for saturation in qualitative research: A systematic review of empirical tests. Social Science & Medicine, 292, 114523. doi.org
  • Malterud, K., Siersma, V. D., & Guassora, A. D. (2016). Sample size in qualitative interview studies: Guided by information power. Qualitative Health Research, 26(13), 1753–1760. doi.org
Última actualización: