Documentos de Académico
Documentos de Profesional
Documentos de Cultura
25
El valor esperado de cada variable aleatoria residual es cero. Esto significa que toda la variacin de
los valores esperados es debida a los parmetros (y/o variables aleatorias) que representan efectos
atribuibles. En la mayor parte de las situaciones este supuesto no es incorrecto.
2. Las variables aleatorias residuales son mutuamente independientes. Significa que entre las
observaciones no existe nexo alguno que no sea explicado por los factores controlados. El supuesto
no es tan claramente correcto como el primero, pero se puede mantener razonablemente si los
individuos se eligen al azar y la medicin se hace separadamente para cada uno.
3. Todas las variables aleatorias residuales tienen la misma desviacin tpica. Es el llamado supuesto
de homoscedasticidad o de igualdad de varianzas. Es el menos viable, pues los mtodos de medida
producen variaciones de diferente magnitud y sabemos que los valores esperados estn relacionados
con las desviaciones tpicas. Hay distintos mtodos para conseguir que tal supuesto sea satisfecho:
nmero igual de sujetos en los tratamientos, transformacin de las observaciones originales, etc.
4. Toda variable aleatoria residual se distribuye normalmente. Es probablemente, el menos vlido de
los cuatro. Sin embargo, se puede tolerar cierto alejamiento de la normalidad con mnimo efecto
prctico sobre las propiedades del ANOVA.
Los modelos del ANOVA son muchos y no vamos a desarrollarlos todos. Los que veremos son, quiz,
los ms representativos, pero no sirven para todas las situaciones. Tres son los criterios que vamos a
utilizar para clasificar los modelos: nmero de factores, muestreo de niveles y tipo de aleatorizacin.
a) Nmero de factores: Aquellos experimentos que utilizan una sola variable independiente o
factor y una variable dependiente se analizan mediante varianza llamado de un factor, de
clasificacin simple, unidireccional o de una va (one way). Se trata de comparar grupos o muestras
que difieren sistemticamente en un solo factor.
26
27
Por ejemplo, si quisiramos saber si tres mtodos de enseanza distintos influyen sobre el
rendimiento acadmico de tres grupos distintos de sujetos podramos realizar un ANOVA unifactorial
entregrupos o completamente aleatorizado de efectos fijos usando como Variable Dependiente el
Rendimiento y como factor el mtodo (nota: hay que incluir el factor mtodo como variable entera y no
de cadena al definir las variables). En este caso obtendramos una salida como esta:
ANOVA RENDIMIENTO
Suma de cuadrados gl Media cuadrtica
Inter-grupos
45,805
2
22,902
Intra-grupos
85,350
27
3,161
Total
131,155
29
F
7,245
Sig.
,003
28
Supongamos que un investigador est interesado en conocer el efecto que tiene la intensidad
luminosa de un estmulo y el color sobre el tiempo de reaccin. Para ello, eligi seis grupos de cinco
sujetos asignados aleatoriamente a los que present diez estmulos. A cada grupo le present los
estmulos con un color diferente (verde y azul) y con un nivel de intensidad distinto (baja, media y alta) y
calcul el tiempo de reaccin medio en los diez estmulos presentados a cada sujeto. Tiene efecto el
color y la intensidad de presentacin en el tiempo de reaccin? Lo se debera realizar para responder a
esta pregunta es un ANOVA con dos factores de efectos fijos y completamente aleatorizado. Si
utilizaramos el SPSS la ventana que aparecera tras introducir los datos y elegir en el men Estadstica y
la opcin Modelo lineal general y posteriormente MLG Factorial general ser:
Sig.
9,887
909,700
24,629
,097
,039
,000
,000
,000
,759
,962
La tabla que proporciona la salida contiene en las filas los componentes del modelo que
contribuyen a la variacin de la variable dependiente. La filas denominadas Modelo corregido e
interseccin contienen los valores para el modelo de regresin. Las columnas INTENSID y COLOR son
los efectos principales del modelo e INTENSID * COLOR es la interaccin entre los dos factores y el
Error hace referencia al trmino error del ANOVA. En estas filas debemos observar la suma de
cuadrados, los grados de libertad, la media cuadrtica, el valor del estadstico de contraste F y la
significacin del contraste (para considerar un contraste significativo la probabilidad debe ser menor de
0.05 o de 0.01). En este caso slo la variable Intensidad ha tenido efecto sobre la variable dependiente
Tiempo de reaccin.
29
Adems, el procedimiento MLG Factorial general permite trabajar con una serie de opciones que
pueden seleccionarse pulsando los botones que aparen en la ventana principal de este procedimiento. Las
posibilidades principales son:
a)
Modelo: permite especificar el modelo de ANOVA. Por defecto se entiende que el modelo
es Factorial completo que contiene todos los efectos principales y de interaccin. Si desea
puede realizar un modelo personalizado (por ejemplo, si tiene una variable de bloqueo no
incluir la interaccin de esta variable con las dems variables de tratamiento). Si
selecciona la opcin personalizado debe especificar los efectos principales e interacciones
que desee incluir en el modelo. En esta ventana tambin puede seleccionar el tipo de suma
de cuadrados (Tipo I, II, III y IV). Esta opcin determina el mtodo para calcular las sumas
de cuadrados. Para los modelos equilibrados y no equilibrados, el mtodo ms utilizado es
el Tipo III, que es el que se incluye por defecto.
b) Contrastes: se utiliza para contrastar las diferencias entre los niveles de un factor. Puede
especificarse un contraste para cada factor del modelo. Los contrastes disponibles son:
desviacin (compara la media de cada nivel con la media global de todos los niveles),
simple (compara la media de cada nivel con la media de un nivel especificado), diferencia
(Compra la media de cada nivel con la media de los niveles anteriores), Helmert (compara
la media de cada nivel con los niveles siguientes), Repetido (compara la media de cada
nivel con la media del nivel siguiente) y polinmico (compara el efecto lineal, cuadrtico,
cbico, etc.
c)
Grficos: Permite realizar grficos de perfil que sirven para comparar las medias
marginales del modelo.
d) Post hoc: Una vez que se ha determinado que hay diferencias entre las medias, las pruebas
de rango post hoc y las comparaciones pueden determinar qu medias difieren. Se realizan
las comparaciones para aquellos efectos significativos con la opcin de asumir o no
igualdad de varianzas.
e)
Guardar: La opcin guardar permite guardar los valores pronosticados por el modelo, los
residuos y las medias relacionadas como variables nuevas en el editor de datos Muchas de
estas variables se pueden utilizar para examinar supuestos sobre los datos.
f)
30
Como habitualmente, se utiliza una fila para cada sujeto y, por tanto, hay seis medidas de la
variable dependiente en seis casos distintos, desde dosis de droga baja por la maana (d1m1) hasta dosis
de droga alta por la tarde (d3m2). Una vez introducidos los datos debemos seleccionar el procedimiento
MLG Medidas repetidas. Cuando realizamos esta accin, la ventana que aparece es la siguiente:
En esta ventana debemos ir definiendo los factores o variables independientes uno a uno. En
nuestro caso tenemos dos factores. El factor dosis de droga con tres niveles (baja, media y elevada) y
momento del da con dos niveles (maana y tarde).
Cada vez debemos indicar el nombre del factor y el nmero de niveles y pulsar despus el botn
aadir. En nuestro caso podemos poner en el nombre del factor intrasujetos dosis y en el nmero de
niveles 3 y pulsar aadir, para posteriormente nombrar como momento y 2 niveles y volver a pulsar
aadir. Cuando hemos finalizado debemos pulsar el botn Definir y automticamente aparecer la
siguiente ventana.
31
Fuente
Como puede comprobarse slo el factor dosis ha tenido efecto significativo sobre la variable
atencin en el componente lineal y cuadrtico.
Como en el caso del procedimiento MLG Factorial general , en este caso tambin disponemos de
diversas opciones similares a las ya indicadas en el apartado anterior. La diferencia ms importante hace
referencia al botn Post hoc, ya que en MLG Medidas repetidas estas pruebas no estn disponibles si no
hay factores entregrupos.