Síntesis explicativa: elegir niveles y mecanismos

La pregunta determina qué debe explicar un modelo

Un servicio observa que las dificultades de sueño, la fatiga y las ausencias a consulta aumentan durante los mismos meses. La asociación admite explicaciones distintas. Una modificación de los turnos laborales podría afectar simultáneamente el descanso y la disponibilidad para asistir. También podría existir una secuencia en la que dormir mal dificulta organizar el día y perder una consulta retrasa una ayuda que habría reducido el malestar. Una tercera explicación sitúa parte del problema en el servicio: al disminuir las plazas disponibles, una ausencia ocasiona una demora prolongada, aunque la persona intente reprogramar. Estas posibilidades pueden coexistir. Su evaluación exige precisar qué cambio observado se pretende explicar y qué comparación permitiría reconocer la contribución de cada proceso.

El caso que se desarrolla aquí es sintético. Sus cantidades se eligen para hacer visibles las diferencias entre representaciones y no describen una población clínica. El fenómeno inicial consiste en una covariación mensual. A partir de ella se formulan tres preguntas: por qué ciertos indicadores se agrupan entre personas; cómo se mantiene una dificultad dentro de una trayectoria; y por qué trayectorias inicialmente semejantes reciben respuestas asistenciales diferentes. Las preguntas comparten variables, pero requieren unidades de análisis y datos distintos. Una explicación adecuada de la covariación entre personas no queda automáticamente autorizada para describir la secuencia de una persona. Tampoco un mecanismo individual determina por sí solo la capacidad de una organización para responder.

Llamar «nivel» a estas diferencias puede resultar útil si se especifica el criterio. Aquí se distinguen individuos observados en un momento, estados de una persona a lo largo del tiempo y reglas de asignación que relacionan a muchas personas con un servicio. No se presupone una jerarquía en la que el último nivel sea siempre más profundo o el primero más real. Cada representación agrupa entidades y descarta variación. Un resultado sobre el tiempo de espera medio tiene una unidad distinta de un resultado sobre el cambio diario de fatiga. La elección debe justificarse por la pregunta y por la posibilidad de contrastar las relaciones propuestas.

Borsboom y colaboradores (2021) proponen construir teorías mediante una secuencia que parte de fenómenos empíricos, desarrolla principios explicativos, los formaliza y examina su adecuación. Ese planteamiento permite advertir una dificultad frecuente: disponer de ecuaciones no basta para saber qué fenómeno se ha explicado. En nuestro caso, obtener correlaciones positivas sería un logro insuficiente si la pregunta concierne al retraso de una consulta tras una ausencia. La formalización debe conservar el contraste que motivó el análisis. De lo contrario, un cálculo correcto puede responder con precisión a una pregunta diferente de la que importa.

Una causa común y una relación directa pueden dejar la misma covariación

Consideremos dos indicadores estandarizados, sueño alterado y fatiga, representados por $X$ e $Y$. En un modelo de causa común, una exposición no observada $U$ influye en ambos. Se toman variables gaussianas independientes, centradas y con varianza unidad, y se define:

Ambos indicadores tienen varianza unidad, porque las varianzas de los términos independientes se suman. La covarianza resulta del producto de las cargas sobre la exposición compartida y vale $0.48$. No hay una flecha causal directa entre los dos indicadores en este modelo. Una asociación positiva aparece porque ambos responden a una condición que varía entre observaciones. Si se interpreta la exposición como una característica del horario de trabajo, todavía sería necesario mostrar cómo se mide, cuándo cambia y qué otras consecuencias tiene. El símbolo no proporciona por sí mismo una explicación sustantiva de esa exposición.

Una segunda representación toma el primer indicador como causa del segundo:

La segunda representación produce exactamente la misma distribución conjunta gaussiana de los dos indicadores: medias nulas, varianzas unitarias y correlación igual a $0.48$. La coincidencia no depende de que una muestra sea pequeña. Incluso con una cantidad ilimitada de observaciones de esas dos variables, la distribución conjunta especificada no separa estas dos estructuras. El ejemplo muestra una falta de identificación respecto de la información observada. No demuestra que toda inferencia causal sea imposible; identifica qué información falta para distinguir dos hipótesis concretas.

import math
import numpy as np

cov_common = np.array([[0.8**2 + 0.6**2, 0.8*0.6],
                       [0.8*0.6, 0.6**2 + 0.8**2]])
beta = 0.48
cov_direct = np.array([[1.0, beta],
                       [beta, beta**2 + (1-beta**2)]])
assert np.allclose(cov_common, cov_direct)
assert np.all(np.linalg.eigvalsh(cov_common) > 0)
print(cov_common)

Las representaciones divergen al definir una intervención ideal sobre el primer indicador. Si se fija externamente su valor sin modificar la exposición compartida, el modelo de causa común mantiene inalterada la media del segundo indicador. El modelo de relación directa anticipa un desplazamiento proporcional a la intervención. Esta diferencia se deriva de las ecuaciones estructurales, no de una nueva propiedad de la correlación. Además, fijar un indicador no equivale necesariamente a aplicar un tratamiento real. Una intervención sobre el sueño podría cambiar horarios, expectativas o conductas que también afectan a la fatiga. Para interpretar un ensayo sería necesario describir esas vías adicionales y la versión concreta de la intervención.

La distinción entre observación e intervención evita convertir una equivalencia estadística en una disputa verbal. Se puede preguntar si existe una variación externa del horario que permita evaluar la causa común, o si una intervención bien definida modifica el primer proceso sin alterar directamente el segundo. También se puede ampliar la medición temporal para contrastar restricciones adicionales. Sin embargo, agregar variables indiscriminadamente no garantiza identificación. Algunas pueden ser consecuencias comunes de los procesos estudiados, y condicionarlas puede introducir asociaciones. La utilidad de una nueva medición depende de su posición en la explicación, de su calidad y del contraste para el que se recoge.

Interacciones locales y persistencia de una perturbación

Para estudiar la trayectoria se requiere otra representación. Se consideran dos desviaciones respecto de un estado de referencia: dificultad de sueño y dificultad para organizar actividades. Las variables son continuas y carecen aquí de unidades clínicas; los coeficientes describen un sistema didáctico. La evolución diaria se aproxima por una relación lineal en un entorno limitado del estado de referencia:

Los términos diagonales representan persistencia de cada desviación; los términos restantes representan efectos entre procesos en el paso temporal definido. Una perturbación de sueño puede propagarse a la organización y regresar después al sueño mediante la interacción recíproca. Los autovalores son $0.8$ y $0.3$. Al estar dentro del círculo unidad, las perturbaciones desaparecen en ausencia de entradas posteriores. La interacción prolonga algunas combinaciones de desviaciones, pero no produce inestabilidad en este ejemplo. Llamar «círculo vicioso» a cualquier realimentación positiva ocultaría esta diferencia cuantitativa: la magnitud total de la propagación determina si una perturbación decae o se amplifica.

Una perturbación inicial de una unidad en sueño y ninguna en organización produce al día siguiente valores $0.6$ y $0.3$. Dos días después, las desviaciones son $0.42$ y $0.33$. El segundo proceso puede aumentar mientras el primero disminuye. Por eso, observar que una variable mejora antes que otra no implica que estén desconectadas. Tampoco un máximo tardío demuestra una causa particular; muchos mecanismos distintos producen retardos. Aquí la secuencia se conoce porque se ha especificado el generador. En un estudio real habría que comparar modelos capaces de producir patrones semejantes y comprobar si el calendario de observación permite separarlos.

A = np.array([[0.6, 0.2], [0.3, 0.5]])
assert np.allclose(np.sort(np.linalg.eigvals(A)), [0.3, 0.8])
trajectory = [np.array([1.0, 0.0])]
for _ in range(20):
    trajectory.append(A @ trajectory[-1])
assert np.allclose(trajectory[1], [0.6, 0.3])
assert np.allclose(trajectory[2], [0.42, 0.33])
assert np.linalg.norm(trajectory[-1]) < 0.02
print(np.round(trajectory[:4], 4))

La representación dinámica permite formular preguntas que no cabían en la distribución transversal. Se puede estudiar cuánto dura una perturbación, qué combinación de procesos decae lentamente o cómo cambia la trayectoria al reducir una interacción. Sin embargo, un coeficiente temporal estimado a partir de registros no adquiere automáticamente interpretación interventiva. Un factor omitido que cambia con el tiempo puede afectar a ambos procesos; los errores de medición pueden distorsionar la persistencia; la persona puede modificar su conducta al anticipar una dificultad. Cada uno de estos mecanismos altera la relación entre el ajuste estadístico y la explicación causal.

El intervalo de muestreo también forma parte del modelo. Si el sistema anterior se observa cada dos días, la matriz de transición observable pasa a ser el cuadrado de la matriz diaria. Sus coeficientes incorporan rutas de dos pasos. Comparar directamente sus entradas con coeficientes diarios confundiría cambios de escala temporal con cambios de mecanismo. La matriz observada cada dos días contiene una contribución indirecta de sueño a organización y otra de organización a sueño, además de las persistencias. Una explicación que omita este detalle puede atribuir a una diferencia entre poblaciones lo que procede simplemente de calendarios de medición diferentes.

Las restricciones organizacionales cambian las consecuencias

La trayectoria individual todavía no explica cuánto tarda una persona en recuperar una consulta perdida. Supóngase que un servicio recibe ocho solicitudes diarias y dispone de capacidad media para diez atenciones diarias. Bajo una idealización de cola con llegadas de Poisson, tiempos de atención exponenciales, un servidor y régimen estacionario, el tiempo medio en el sistema es el inverso de la diferencia entre capacidad y llegadas. Con esas cantidades vale medio día. Si las solicitudes aumentan a nueve diarias, el tiempo medio sube a un día, aunque la capacidad permanezca igual. El ejemplo describe una propiedad matemática de una cola ideal, no una estimación de un servicio real.

La relación muestra por qué una restricción compartida puede modificar las consecuencias de una misma dificultad individual. Dos personas con igual probabilidad de faltar pueden experimentar demoras distintas si una utiliza un servicio cercano a saturación. No hace falta postular que sus mecanismos psicológicos sean diferentes para explicar esa divergencia. La organización transforma una interrupción breve en una espera prolongada. A la vez, una espera prolongada puede afectar después a la trayectoria individual. Esa posibilidad permite conectar representaciones, siempre que se especifique el mecanismo de conexión y se evite usar la palabra «contexto» como sustituto de una variable o una regla observable.

def queue_summary(arrival, service):
    if not 0 <= arrival < service:
        raise ValueError('Se requiere estabilidad de la cola')
    mean_time = 1.0/(service-arrival)
    return arrival/service, mean_time, arrival*mean_time

assert np.allclose(queue_summary(8, 10), [0.8, 0.5, 4.0])
assert np.allclose(queue_summary(9, 10), [0.9, 1.0, 9.0])
print(queue_summary(8, 10), queue_summary(9, 10))

La idealización tiene límites identificables. Una consulta programada no funciona necesariamente como una cola sin citas; existen prioridades, duraciones diferentes y varias especialidades. La llegada de solicitudes puede depender del calendario y de la capacidad percibida. Las personas pueden abandonar la espera o buscar otra vía. Estos rasgos no invalidan el ejemplo matemático, pero delimitan su uso. Sirve para mostrar una amplificación causada por capacidad finita. Para evaluar una reorganización concreta habría que representar las reglas que realmente asignan plazas, verificar los registros de solicitudes y distinguir entre tiempo administrativo y tiempo hasta recibir atención pertinente.

Complementariedad, rivalidad y compatibilidad

Las tres representaciones permiten ordenar una discusión que inicialmente parecía enfrentar una explicación «individual» con una explicación «social». El modelo de causa común explica una distribución entre observaciones; el modelo dinámico propone rutas de persistencia; la cola explica una transformación de demanda en demora. Hay complementariedad cuando cada representación responde a una pregunta diferente y sus afirmaciones pueden sostenerse conjuntamente. Existe rivalidad cuando dos modelos dan respuestas incompatibles al mismo contraste, como sucedía con la intervención ideal sobre el sueño. La distinción depende de la pregunta comparativa. Dos modelos pueden complementar sus descripciones observacionales y rivalizar respecto de una acción específica.

La compatibilidad requiere más que ausencia de contradicciones verbales. Supóngase que el modelo individual utiliza días y el organizacional utiliza semanas. Una demora de dos unidades en el segundo no puede introducirse como dos pasos en el primero. Supóngase también que «consulta» significa una cita reservada en el registro administrativo y una atención efectivamente realizada en el modelo clínico. Una conexión que ignore esa diferencia producirá una trayectoria aparentemente coherente con cantidades que representan sucesos distintos. Antes de acoplar ecuaciones deben acordarse unidades, eventos y reglas de transformación. Estas interfaces constituyen parte de la explicación y pueden ser una fuente importante de error.

Una síntesis útil puede conservar modelos separados y especificar sus relaciones sin ensamblarlos en una única simulación. Para explicar el aumento mensual de ausencias basta quizá con estimar la contribución del horario laboral y documentar cómo se reprograman las citas. La matriz dinámica podría reservarse para investigar una hipótesis de persistencia en una submuestra con registros diarios. Integrar todas las ecuaciones produciría más parámetros, más supuestos y más oportunidades de compensación entre errores. La decisión de mantener una familia de modelos tiene fundamento cuando cada uno aporta un contraste identificable y el acoplamiento completo no añade una respuesta que pueda evaluarse.

Weisberg (2007) analiza la idealización atendiendo a los objetivos que orientan la representación. Su distinción entre formas de idealización ayuda a preguntar qué simplificación se está realizando y con qué propósito. En el caso desarrollado, la cola omite heterogeneidad para aislar el efecto de capacidad finita; el sistema lineal aproxima una dinámica local; la causa común resume una fuente compartida de variación. Estas simplificaciones no son equivalentes ni se corrigen de la misma manera. Algunas pueden refinarse con más datos; otras se mantienen deliberadamente porque permiten estudiar una relación concreta. La exposición no exige atribuir a una sola representación la tarea de describir todos los detalles del servicio.

Un puente entre escalas que puede comprobarse

Para conectar las dos últimas preguntas, considérese una entrada externa constante sobre la organización diaria durante una espera. En el sistema lineal, una entrada sostenida produce un estado estacionario si se mantiene la estabilidad. El estado se calcula multiplicando la entrada por la inversa de la identidad menos la matriz de transición. Si la entrada vale una décima de unidad en el segundo componente, el equilibrio tiene desviaciones de un séptimo y dos séptimos en sueño y organización, respectivamente. La realimentación propaga una entrada inicialmente localizada. Esta cuenta describe el modelo construido; no establece que una demora asistencial tenga ese efecto en personas reales.

forcing = np.array([0.0, 0.1])
steady = np.linalg.solve(np.eye(2)-A, forcing)
assert np.allclose(steady, [1/7, 2/7])
assert np.allclose(A@steady+forcing, steady)
state = np.zeros(2)
for _ in range(150):
    state = A@state+forcing
assert np.allclose(state, steady)
print(np.round(steady, 6))

El puente explicativo tendría que precisar por qué la espera genera esa entrada. Una posibilidad sería que la persona deba reorganizar repetidamente actividades para intentar conseguir una nueva cita. Otra sería la incertidumbre sobre cuándo recibirá atención. Las posibilidades implican mediciones y acciones diferentes. Aumentar plazas podría reducir ambas; comunicar una fecha fiable podría reducir la segunda sin cambiar el tiempo total. Por tanto, una afirmación general sobre «estrés del sistema» resulta insuficiente. El mecanismo propuesto debe indicar qué experiencia o restricción cambia, en qué momento y mediante qué proceso afecta a la trayectoria representada.

La cuenta también muestra una trampa al interpretar el equilibrio. Si la espera dura pocos días, el sistema puede no acercarse al estado estacionario. Utilizar directamente ese estado exageraría las desviaciones alcanzadas. Si la entrada desaparece, el sistema vuelve a evolucionar sin ella y las desviaciones decaen. Para evaluar una espera de duración finita corresponde calcular toda la trayectoria y especificar el valor inicial. La aproximación estacionaria es útil para una pregunta de exposición sostenida; una pregunta sobre interrupciones breves requiere otra operación. La escala temporal del fenómeno decide cuál de las dos respuestas es pertinente.

En un modelo acoplado también podría aparecer una realimentación hacia la demanda: una demora aumenta las solicitudes repetidas y estas ocupan capacidad administrativa. Ese mecanismo debe distinguirse de un aumento de necesidad clínica. Contar mensajes como si fueran personas nuevas produciría una expansión artificial de la demanda. Una auditoría debería enlazar solicitudes de la misma persona y separar contactos de resolución, contactos repetidos y nuevas necesidades. El modelo puede revelar la importancia de esa distinción antes de ajustar parámetros. A veces su principal contribución consiste en mostrar que el registro disponible no representa la cantidad que la explicación necesita.

Qué evidencia haría cambiar la explicación

Una hipótesis explicativa debe permitir reconocer resultados que reduzcan su plausibilidad. Para la causa común del horario laboral, sería relevante observar si cambios del horario preceden cambios concordantes en sueño y asistencia, y si la asociación se mantiene bajo mediciones independientes. Para la interacción local, interesan secuencias temporales con resolución suficiente para distinguir las rutas propuestas. Para la restricción organizacional, debe examinarse si diferencias en capacidad y reglas de reprogramación explican demoras, incluyendo periodos en que la demanda permanece comparable. Estas observaciones no garantizan identificación por sí solas; permiten construir contrastes más discriminantes que una correlación agregada.

Una ausencia de asociación después de ajustar por horario no resuelve automáticamente la comparación. El horario puede medirse con error, variar dentro de categorías demasiado amplias o constituir una consecuencia de dificultades previas. Es necesario preguntar qué información añade el ajuste y qué caminos abre o bloquea. Del mismo modo, encontrar una interacción temporal significativa no prueba que una intervención sobre un componente produzca el cambio previsto. La significación describe una relación con un modelo estadístico y un procedimiento de incertidumbre; el significado causal depende de supuestos adicionales. El razonamiento debe hacer visibles ambos planos para que una discrepancia pueda discutirse con precisión.

La recuperación de parámetros y modelos ofrece una comprobación previa. Wilson y Collins (2019) explican cómo simular datos con parámetros conocidos, ajustar los candidatos y comprobar qué puede recuperarse. En nuestro ejemplo, se podrían generar trayectorias de longitud y ruido semejantes a los registros disponibles y evaluar si se distinguen una causa compartida fluctuante y una interacción recíproca. Si el procedimiento confunde ambas con frecuencia, la aparente preferencia por una de ellas en datos reales merece cautela. La comprobación no descubre la estructura verdadera del caso, pero puede demostrar que un diseño propuesto carece de capacidad para resolver la comparación que promete.

El resultado de una comparación depende del conjunto de alternativas. Ganar frente a un modelo sin memoria no acredita una realimentación específica si no se incluyó una alternativa con exposición persistente. Por eso conviene seleccionar rivales que representen explicaciones sustantivas, además de referencias estadísticas simples. Una explicación puede ajustarse mejor por representar una estructura temporal omitida por los demás candidatos, aunque su interpretación de esa estructura sea errónea. El informe debería separar el hallazgo de dependencia temporal, la preferencia entre candidatos incluidos y la interpretación mecanística. Cada afirmación necesita una justificación distinta y admite una incertidumbre diferente.

Resolución del caso y elección del detalle

Supóngase que el servicio dispone de registros administrativos completos durante un año y de entrevistas que identifican cambios de turno, pero solo tiene tres mediciones de síntomas por persona. Esta información permite describir reprogramaciones y evaluar asociaciones con horarios. Resulta insuficiente para estimar una matriz diaria individual con interpretación causal. La resolución razonada conserva un análisis organizacional y una comparación de exposición compartida, y deja la interacción local como hipótesis para una observación posterior. No se descarta porque sea poco interesante, sino porque el calendario de medición no identifica la dinámica propuesta. La decisión protege la correspondencia entre los datos y la escala de las afirmaciones.

El análisis administrativo comienza definiendo una interrupción: tiempo entre una cita perdida y la siguiente atención pertinente efectivamente realizada. Se distinguen cancelaciones del servicio, ausencias de la persona y cambios acordados. Se registra la prioridad asignada y la disponibilidad real, evitando tratar una plaza ofrecida en horario imposible como acceso efectivo. Con estas definiciones se comparan distribuciones de interrupción entre periodos y grupos. Un aumento de la mediana junto con una cola superior más larga exigiría examinar a quién afecta la demora. La explicación organizacional gana precisión al describir qué regla produce esa distribución y qué casos quedan fuera del registro.

Para el horario laboral se reconstruye cuándo cambió y si el cambio ocurrió antes de la interrupción. Las entrevistas permiten descubrir mecanismos plausibles, como incompatibilidad de horarios o falta de aviso, pero no se usan para asignar por sí solas una magnitud causal. Los datos administrativos pueden contrastar consecuencias observables de esas hipótesis: reprogramaciones rechazadas en ciertas franjas, concentración de ausencias después del cambio y diferencias cuando existen opciones alternativas. Si esos patrones no aparecen, la explicación debe revisarse. También puede ocurrir que una exposición importante no deje huella en los registros actuales; ese resultado señala una necesidad de medición, no una licencia para afirmar el mecanismo.

La combinación final tiene una arquitectura explícita. El horario laboral se plantea como exposición compartida; las reglas de agenda determinan qué alternativas están disponibles; una interrupción prolongada puede afectar a la trayectoria, pero su magnitud queda pendiente de evaluación. El sistema dinámico conserva una función didáctica: demuestra cómo una entrada persistente podría propagarse y ayuda a diseñar mediciones. Ninguna conclusión del servicio se presenta como prueba de sus coeficientes. Así se aprovecha la formalización para precisar preguntas sin confundir la simulación con evidencia empírica. Una síntesis puede ser completa respecto de lo que se sabe y, simultáneamente, dejar relaciones concretas sin resolver.

La elección del detalle puede expresarse mediante una comparación adicional. Si dos modelos producen la misma decisión sobre qué registro mejorar y anticipan los mismos contrastes observables, añadir estados latentes no tiene todavía una utilidad demostrada. Si, en cambio, el modelo más detallado predice que una intervención cambia el momento del deterioro aunque no su promedio, aparece una razón para conservarlo y medir esa diferencia. El detalle debe ganarse por una contribución identificable. No existe un número universal de variables adecuado; existe una relación entre pregunta, datos, supuestos y consecuencias que puede examinarse para cada propuesta.

Una comparación de sensibilidad que cambia la prioridad de medición

Antes de adoptar una interpretación de persistencia conviene examinar cuánto depende de una interacción concreta. En el ejemplo diario, la organización influye sobre el sueño con un coeficiente de dos décimas. Si se elimina esa ruta y se conserva la ruta opuesta, la matriz se vuelve triangular. El autovalor dominante desciende de ocho décimas a seis décimas. La entrada sostenida sobre organización deja entonces de propagarse al sueño: el equilibrio de sueño es cero y el de organización vale dos décimas. No se trata de una predicción terapéutica. Es una comparación entre dos estructuras matemáticas que identifica una relación decisiva para las conclusiones del modelo.

A_without_return = np.array([[0.6, 0.0], [0.3, 0.5]])
steady_without_return = np.linalg.solve(np.eye(2)-A_without_return,
                                       forcing)
assert np.allclose(steady_without_return, [0.0, 0.2])
assert math.isclose(max(abs(np.linalg.eigvals(A_without_return))), 0.6)
print(steady_without_return)

Esta sensibilidad orienta la observación. Si la ruta de retorno es la que sostiene una parte importante de la propagación, vale la pena medir con mayor cuidado qué ocurre después de una dificultad de organización. Quizá las personas acuestan más tarde para compensar tareas pendientes; quizá la asociación desaparece al registrar cambios de turno. Ambas explicaciones pueden generar una covariación temporal parecida, pero atribuyen el retorno a procesos diferentes. La medición necesaria incluye el momento de las tareas y la exposición laboral, además de los indicadores de sueño. Un cuestionario global al final del mes difícilmente resolvería esa diferencia.

Hay otra decisión posible: si las conclusiones administrativas no dependen de esa ruta, el servicio puede mejorar el registro de reprogramaciones sin esperar a resolverla. Esto separa prioridades de investigación que suelen confundirse. Una pregunta puede requerir estimar la interacción con precisión, mientras otra se responde con reglas y cantidades ya observables. El orden de trabajo se decide por la dependencia de las conclusiones respecto de cada incertidumbre. Así se evita convertir toda duda científica en una condición previa para cualquier mejora operativa, y también se evita presentar una mejora operativa como confirmación de una teoría psicológica.

La misma comparación aclara qué significa robustez explicativa. Una conclusión robusta se mantiene dentro de un conjunto especificado de alternativas o variaciones; no es una conclusión inmune a cualquier modelo imaginable. Si la explicación de una demora se mantiene bajo varios patrones de llegadas, puede ser robusta respecto de esa elección y sensible a la regla de prioridad. Esa información debe expresarse por componentes. Decir simplemente que el modelo es robusto ocultaría la diferencia entre supuestos secundarios y relaciones cuyo cambio altera la respuesta. La sensibilidad bien descrita convierte un límite en una guía concreta para observar mejor.

Revisar una síntesis sin perder lo aprendido

Una explicación combinada necesita reglas de revisión que permitan localizar el error. Si la capacidad aumenta y la demora no cambia, primero se comprueba si la capacidad anunciada se tradujo en atenciones pertinentes y si la demanda se modificó al mismo tiempo. Si ambas cantidades se verifican, la regla de cola utilizada puede ser inadecuada. Si la demora disminuye sin cambios apreciables en la trayectoria, queda cuestionado el puente hacia el proceso individual, dentro de la sensibilidad del estudio. No corresponde descartar simultáneamente todas las representaciones. La separación de componentes permite aprender de resultados negativos sin proteger indefinidamente cada hipótesis mediante explicaciones posteriores.

También hay que reconocer cuándo la aparente contradicción proviene de resultados diferentes. Una reorganización puede disminuir la espera promedio y aumentar la variabilidad; puede mejorar el acceso de quienes tienen horarios flexibles y empeorarlo para otras personas. Decir que «el modelo funciona» condensaría consecuencias incompatibles en una aprobación general. Una explicación profesional informa qué distribución cambió, para quién y con qué incertidumbre. Las valoraciones acerca de si ese cambio resulta aceptable requieren objetivos y preferencias adicionales. La explicación de un mecanismo no decide automáticamente cómo deben repartirse sus beneficios o sus cargas.

El producto final del caso consiste en una selección justificada de representaciones, sus interfaces y sus límites de inferencia. La causa común, la interacción local y la restricción organizacional dejan de competir por describirlo todo. Algunas de sus afirmaciones son rivales y necesitan nuevos contrastes; otras pueden sostenerse juntas porque responden a preguntas diferentes. El trabajo explicativo queda abierto a correcciones concretas: una exposición mejor medida, un intervalo temporal más adecuado o una regla de asignación distinta. Esa posibilidad de revisión hace que la síntesis sea utilizable sin exigir una descripción única del fenómeno ni convertir las partes todavía inciertas en certezas narrativas.

Referencias

Borsboom, D., van der Maas, H. L. J., Dalege, J., Kievit, R. A., y Haig, B. D. (2021). Theory Construction Methodology: A Practical Framework for Building Theories in Psychology. Perspectives on Psychological Science, 16(4), 756–766. https://doi.org/10.1177/1745691620969647

Weisberg, M. (2007). Three Kinds of Idealization. The Journal of Philosophy, 104(12), 639–659. https://doi.org/10.5840/jphil20071041240

Wilson, R. C., y Collins, A. G. E. (2019). Ten simple rules for the computational modeling of behavioral data. eLife, 8, e49547. https://doi.org/10.7554/eLife.49547