Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Es una tecnica estadstica para analizar el efecto de dos variables independientes (factores) sobre
una variable respuesta. Hasta el momento hemos estudiado el efecto de un factor sobre la variable
respuesta, pero en muchas situaciones practicas es necesario investigar el efecto de varios factores.
Una forma de llevar a cab este objetivo es mediante los experimentos factoriales, en los que cada nivel
de un factor se combina con cada uno de los niveles de los otros factores para formar los tratamientos.
Estos tipos de dise nos permiten evaluar los efectos de las interacciones. Se dice que entre dos factores
hay interacci on si los efectos de un nivel de un factor dependen de los niveles del otro. La existencia
de interacciones indica que los efectos de los factores sobre la respuesta no son aditivos y por tanto
no pueden separarse los efectos de los factores.
0 1 2 3 4
tratamie
4
6
8
10
12
14
M
e
d
i
a
s
m
a
r
g
i
n
a
l
e
s
e
s
t
i
m
a
d
a
s
sexo
1
2
MODELO BIFACTORIAL DE EFECTOS FIJOS
Supongamos que se tiene una variable respuesta X y dos factores A y B, de los que estamos interesados
en los niveles i = 1, . . . , I para el factor A y los niveles j = 1, . . . , J para el factor B . Supongamos que
la variable respuesta bajo el tratamiento ij , X
ij
se comporta como una distribucion N(
ij
, ) y que se
dispone de un muestra aleatoria simple de tama no K (el modelo es equilibrado ya que en otro caso se
complica mucho la notacion y los desarrollos) para esta variable (x
ij1
, . . . , x
ijK
). Al igual que ocurra
en el modelo unifactorial las observaciones se descomponen de la forma x
ijk
=
ij
+ e
ijk
aunque los
errores son variables que no se puedan observar.
Las hipotesis basicas del modelo son e
ijk
N(0, ) e independientes, es decir los parametros del
modelo son = (
ij
, i = 1, . . . , I, j = 1, . . . , J, ) R
IJ+1
.
Se puede reparametrizar el modelo de la forma siguiente
i.
=
J
j=1
ij
J
,
.j
=
I
i=1
ij
I
,
..
=
I
i=1
J
j=1
ij
IJ
i
=
i.
..,
j
=
.j
..,
ij
=
ij
i.
.j
+
..
con lo que se tiene
x
ijk
= +
i
+
j
+
ij
+e
ijk
I
i=1
i
=
J
j=1
j
=
I
i=1
ij
=
J
j=1
ij
= 0
y, en este caso, el espacio parametrico sera = (,
1
, . . . ,
I1
,
1
, . . . ,
J1
,
11
, . . . ,
I1,J1
, )
R
IJ+1
.
Las hipotesis que se plantean son :
H
0
AB
:
ij
= 0 i, j No hay interaccion los factores inuyen aditivamente en la respuesta .
H
0
A
:
i
= 0 i No hay inuencia del factor A supuesto que el modelo es aditivo.
H
0
B
:
j
= 0 j No hay inuencia del factor B supuesto que el modelo es aditivo.
Para construir los estadsticos asociados a los test anteriores se descompone la variacion total de los
datos en los varios sumandos de la forma siguiente: SCT = SCA+SCB +SCI +SCE.
Donde:
La suma de cuadrados total recoge la variacion total de los datos, atribuible tanto al error
experimental como a los factores
SCT =
I
i=1
J
j=1
K
k=1
(x
ijk
x
...
)
2
La suma de cuadrado del error recoge la variacion dentro de los tratamientos o debida al error
experimental:
SCE =
I
i=1
J
j=1
K
k=1
(x
ijk
x
ij.
)
2
=
I
i=1
J
j=1
K
k=1
(e
ijk
e
ij.
)
2
La suma de cuadrados de la interaccion recoge la variacion debida a las interacciones y al error,
depende de
ij
y los errores.
SCI = K
I
i=1
J
j=1
(x
ij.
x
i..
x
.j.
+x
...
)
2
= K
I
i=1
J
j=1
(
ij
+e
ij.
e
i..
e
.j.
+e
...
)
2
La suma de cuadrados del factor A, depende de
i
y los errores
SCA = JK
I
i=1
(x
i..
x
...
)
2
= JK
I
i=1
(
i
+e
i..
e
...
)
2
a suma de cuadrados del factor B, depende de
j
y los errores
SCB = IK
J
j=1
(x
.j.
x
...
)
2
= IK
J
j=1
(
j
+e
.j.
e
...
)
2
Cada una de las sumas anteriores es una variable aleatoria y su comportamiento permite construir los
distintos estadsticos para realizar los contrastes ya denidos. Estos estadsticos estan basados en la
esperanza de las distintas sumas de cuadrados, que bajo el modelo propuesto son:
E
_
SCE
IJ(k1)
_
=
2
E
_
SCI
(I1)(J1)
_
=
2
+
K
(I1)(J1)
ij
2
ij
E
_
SCA
I1
_
=
2
+
KJ
I1
2
i
E
_
SCB
J1
_
=
2
+
KI
J1
2
j
Para buscar la distribucion de los distintos estadsticos necesito estudiar las distribuciones de varias
formas cuadraticas asociadas a los errores
Distribuciones asociadas a los errores:
Sean e
ijk
N(0, ), i = 1, . . . , I, j = 1, . . . , J, k = 1, . . . , K, independientes, se verica que:
e
ij.
N(0,
K
), e
i..
N(0,
KJ
), e
.j.
N(0,
KI
) , e
...
N(0,
IJK
).
Q =
ijk
(e
ijk
e
...
)
2
2
2
IJK1
.
Q
1
=
ijk
(e
ijk
e
ij.
)
2
2
2
IJ(K1)
.
Q
2
= K
ij
(e
ij.
e
i..
e
.j.
+e
...
)
2
2
2
(I1)(J1)
.
Q
3
= JK
i
(e
i..
e
...
)
2
2
2
I1
.
Q
4
= IK
j
(e
.j.
e
...
)
2
2
2
J1
.
Q = Q
1
+Q
2
+Q
3
+Q
4
y estas cuatro ultimas formas cuadraticas son independientes.
Utilizando estos resultados se tiene:
SCE = Q
1
2
IJ(K1)
por tanto el CME=
SCE
IJ(K 1)
es un estimador insesgado de
2
CMI
CME
H
0
AB
F
(I1)(J1),IJ(K1)
CMA
CME
H
0
A
F
(I1),IJ(K1)
CMB
CME
H
0
B
F
(J1),IJ(K1)
lo que termite construir la siguiente tabla
FV g.l. SC CM ECM F
Trata. IJ-1 K
ij
(x
ij.
x
...
)
2 SCtr
IJ1
2
+
K
IJ1
ij
(
ij
)
2 CMtr
CME
F1 I-1 JK
i
(x
i..
x
...
)
2 SCF1
I1
2
+
KJ
I1
2
i
CMF1
CME
F2 J-1 IK
j
(x
.j.
x
...
)
2 SCF2
J1
2
+
KI
J1
2
j
CMF2
CME
Inter (I-1)(J-1) K
ij
(x
ij.
x
i..
x
.j.
+x
...
)
2 SCI
(I1)(J1)
2
+
K
(I1)(J1)
ij
2
ij
CMI
CME
Error IJ(K-1)
ijk
(x
ijk
x
ij.
)
2 SCE
IJ(K1)
2
Total IJK-1
ijk
(x
ijk
x
...
)
2
La primera hipotesis que se contrasta es H
0
AB
ya que su rechazo implica que los efectos de los fac-
tores no son aditivos y por tanto no se pueden separar, en este caso se realiza un ANOVA sobre los
tratamientos.
En caso contrario se pasa a realizar los contrastes H
0
A
y H
0
B
, pudiendo aplicarse test a posteriori, en
el caso de su rechazo. Estos test son analogos son analogos a los del ANOVA unifactorial y tratan de
buscar que niveles son responsables del rechazo de la hipotesis nula.
As si se rechaza H
0
A
pero no H
0
AB
se verica, aplicando el metodo de Schee, que:
Pr {|x
i..
x
h..
| < c i, h} 1
siendo
c
2
= CME
2
JK
(I 1)F
I1,IJ(K1),
o formulado en terminos de region crtica
Pr
_
max
ih
|x
i..
x
h..
| >
_
CME
2
JK
(I 1)F
I1,IJ(K1),
_
aunque si las evidencias de que H
0
AB
es cierta son fuertes podra utilizarse la SCAB tambien como
estimador de
2
y entonces el estimador insesgado sera
SCAB +SCE
(I 1)(J 1) +IJ(K 1)
obteniendose
Pr {|x
i..
x
h..
| < c i, h} 1
siendo
c
2
=
2
JK
(I 1)F
I1,(I1)(J1)+IJ(K1),
SCAB +SCE
IJK I J + 1
Analogamente se pueden aplicar los procedimientos de Bonferroni y Tukey.
En este modelo las estimaciones de los parametros son
= CME = x
...
,
i
= x
i..
x
...
j
= x
j..
x
...
ij
= x
ij.
x
i..
x
.j.
+x
...
y las inferencias sobre estos parametros se basan, respectivamente en las siguientes funciones pivotales:
SCE
2
2
nIJ
,
x
...
_
CME
n
t
nIJ
x
i..
x
...
i
_
(I+1)CME
n
t
nIJ
,
x
.j.
x
...
j
_
(J+1)CME
n
t
nIJ
ij
ij
_
(I+1)(J+1)CME
n
t
nIJ
MODELO DE EFECTOS ALEATORIOS
Supone que los niveles de los factores se eligen al azar por lo tanto aparecen nuevas fuentes de alea-
torizacion. Se eligen I niveles al azar para el factor A y J niveles al azar para el factor B. El modelo
que se trabaja en este caso es:
X
ijk
= +
i
+
j
+
ij
+e
ijk
i
N(0,
A
)
j
N(0,
B
)
ij
N(0,
AB
) e
ijk
N(0, ) independientes
La hipotesis a contrastar en el ANOVA son:
H
0
AB
:
AB
= 0 H
0
A
:
A
= 0 H
0
B
:
B
= 0
.
Para su contraste se utilizan las mismas sumas de cuadrados que en el modelo de efectos jos y para
la b usqueda de las esperanzas y distribuciones asociadas se construyen las variables :
f
i
=
i
+
i.
+e
i..
N(0,
f
),
2
f
=
KJ
2
A
+K
2
AB
+
2
KJ
g
j
=
j
+
.j
+e
.j.
N(0,
g
),
2
g
=
KI
2
B
+K
2
AB
+
2
KI
h
ij
=
ij
+e
ij.
N(0,
h
),
2
h
=
K
2
AB
+
2
K
que permiten escribir las sumas de cuadrados como
SCA = KJ
i
(f
i
f)
2
KJ
2
f
2
I1
SCB = KI
j
(g
j
g)
2
KI
2
g
2
J1
SCI = K
ij
(h
ij
h
i.
h
.j
+h
..
)
2
K
2
h
2
(I1)(J1)
Variacion g.l. SC CM ECM F
Factor A I-1 JK
i
(x
i..
x
...
)
2 SCF1
I1
KJ
2
A
+K
2
AB
+
2 CMF1
CMI
Factor B J-1 IK
j
(x
.j.
x
...
)
2 SCF2
J1
KI
2
B
+K
2
AB
+
2 CMF2
CMI
Interaccion AB (I-1)(J-1) K
ij
(x
ij.
x
i..
x
.j.
+x
...
)
2 SCI
(I1)(J1)
K
2
AB
+
2 CMI
CME
Error IJ(K-1)
ijk
(x
ijk
x
ij.
)
2 SCE
IJ(K1)
2
Las estimaciones de los parametros son:
2
= CME
2
AB
=
CMI CME
K
2
A
=
CMACMI
JK
2
B
=
CMB CMI
IK
= x
...
Las inferencias sobre parametros se basan en:
SCE
2
2
nIJ
x
...
_
CMA+CMBCMI
n
= t
(CMA+CMB CMI)
2
CMA
2
(I1)
+
CMB
2
(J1)
+
CMI
2
(I1)(J1)
CMI CME
K
2
AB
1
(CMI CME)
2
CMI
2
(I1)(J1)
CME
2
nIJ
donde las aproximaciones a funciones de tipo
2
se basan en el siguiente lema
Lema: Sean F
i
variables aleatorias de tipo
2
r
i
independientes, se considera una variable combinacion
lineal de las anteriores, Y =
a
i
F
i
, que toma valores positivos, entonces
a
i
F
i
a
i
r
i
=
2
donde se
calcula para que los dos miembros de la aproximacion tengan la misma media y varianza.
MODELO DE EFECTOS MIXTOS (A jo, B aleatorio)
Hipotesis del modelo:
X
ijk
= +
i
+
j
+
ij
+e
ijk
i
= 0,
ij
= 0,
j
N(0,
B
),
ij
N(0,
I
) e
ijk
N(0, )
todas las variables aleatorias que intervienen son independientes entre si salvo las
ij
que tiene la
restriccion de la suma nula en el ndice i.
F.V. g.l. SC ECM F
F1 I-1 JK
i
(x
i..
x
...
)
2
KJ
2
i
(I1)
+K
I
(I1)
2
I
+
2 CMF1
CMI
F2 J-1 IK
j
(x
.j.
x
...
)
2
KI
2
B
+
2 CMF2
CME
I (I-1)(J-1) K
ij
(x
ij.
x
i..
x
.j.
+x
...
)
2
K
I
(I1)
2
I
+
2 CMI
CME
E IJ(K-1)
ijk
(x
ijk
x
ij.
)
2
2
Las estimaciones de los parametros son:
2
= CME
2
AB
=
CMI CME
K
2
B
=
CMB CMI
IK
= x
...
i
= x
i..
x
...
Las inferencias sobre el parametro se basan en la funcion pivotal
x
...
_
CMB
n
t
J1