Está en la página 1de 6

VALIDACIN DE HIPTESIS BSICAS

Despus de calcular la tabla ANOVA hay que realizar un estudio en el que se contraste
las hiptesis bsicas del modelo:
Normalidad, Homocedasticidad e Independencia
Los estudios se podrn llevar a cabo mediante contrastes y anlisis grficos de los
residuos de nuestro modelo
ij
se distribuye segn una N(0,
2
) independientes.
1- NORMALIDAD

Comprobaremos la normalidad de los residuos mediantes grficos p-p (plot-
plot), histogramas y tambin a travs de Contrastes paramtricos.

El contraste que vamos a estudiar es el K-S (Kolmogorov-Smirnoff) (existiendo
tambin otros como el contraste Chi-cuadrado). En este caso el contraste ser
el siguiente:

H
0
: Los residuos se distribuyen Normalmente
H
1
: Los residuos NO se distribuyen Normalmente

Si se rechaza H
0
los errores no son normales y se debe realizar una
transformacin de la variable respuesta.
La transformacin para corregir la normalidad es la de BOX-COX (mirar
apndice de transformaciones). Con la nueva variable calculada mediante la
transformacin tendramos que volver a aplicar el Modelo.

2- HOMOCEDASTICIDAD

Significa que el error cometido en el modelo tiene siempre la misma varianza.
En este caso representaremos un grfico de residuos frente a predicciones. Las
predicciones las representaremos en el eje X y los residuos en el eje Y.

Si en nuestra grfica podemos distinguir claramente una nube de puntos
aleatoria, entonces diremos que nuestros residuos son homocedsticos.
Si en nuestra grfica podemos distinguir que la nube de puntos tiene
forma de embudo, entonces tendremos que realizar la comprobacin con un
contraste paramtrico: TEST DE LEVENE

H
0
: Homocedasticidad de los residuos
H
1
: No Homocedasticidad de los residuos

Si se rechaza la hiptesis nula tendremos que hacer una transformacin.
Tenemos dos opciones:

- ESTABILIZACION DE LA VARIANZA
- BOX-COX
(mirar apndice de transformaciones)

3- INDEPENDENCIA
Para el contraste de independencia utilizaremos el Test de las Rachas con el
siguiente contraste:

H
0
: Independencia de los residuos
H
1
: No Independencia de los residuos

Si se rechaza la hiptesis nula no existe ninguna transformacin posible, con lo
que habra que volver a asignar los niveles del factor tratamiento a las unidades
experimentales.

Todos los contrastes se realizarn a un nivel de significacin de 0.05.

TABLA ANOVA

Una vez se han validado todas las hiptesis bsicas analizamos la tabla ANOVA.
Buscamos si existen diferencias significativas entre las medias de los distintos factores
tratamiento. Si se rechaza la hiptesis nula diremos que existirn diferencias
significativas y tendremos que buscar donde estn las diferencias. Por el contrario, si
no se rechaza la hiptesis nula diremos que no existen evidencias y que todos los
niveles del factor tratamiento tienen el mismo comportamiento al nivel de
significacin estipulado. En este caso terminaremos aqu nuestro estudio.

TECNICAS DE COMPARACIN MULTIPLES

Si existen diferencias significativas entre los tratamientos tendremos que buscar dnde
se producen esas diferencias, para ello utilizaremos las tcnicas de comparacin
mltiples.
Lo primero que debemos tener en cuenta es el tipo de niveles de factor tratamiento
que tenemos. Podremos distinguir entre variables CUALITATIVAS y variables
CUANTITATIVAS.
En el caso de variables CUALITATIVAS y CUANTITAVAS NO EQUIESPACIADAS
tendremos los siguientes contrastes:

-BONFERRONI (LSD): este contraste nos asegura nivel de significacin global
-DUNNET: compara una muestra con el resto
-TUKEY: comparaciones dos a dos de todas las variables
-SCHEFFE: contrastes planificados y especficos

En el caso de variables CUANTITATIVAS Y EQUIESPACIADAS utilizaremos el Test de la
Tendencia de Polinomios Ortogonales.

En el caso de una variable CUANTITATIVA Y UNA CUALITATIVA utilizaremos una
regresin para predecir ms valores.

























APNDICE I: HIPTESIS BSICAS DEL MODELO

1.- CORRECCIN DE LA HOMOCEDASTICIDAD

Si a travs del Test de las Rachas, utilizando el contraste de hiptesis nula de
Homocedasticidad de los residuos, resulta que obtenemos un p-valor < nivel
significacin predeterminado (0.05) entonces rechazamos hiptesis nula y tendremos
que aplicar la ESTABILIZACIN DE LA VARIANZA:

Para la estabilizacin de la varianza tenemos que obtener un valor (pendiente
de la recta) de Ln = + Ln (regresin lineal). Dependiendo de este valor de la
pendiente haremos un cambio de variable para nuestra variable respuesta y. Este
nuevo valor ser de la forma:

Y
(1-)
si 1
h(y)=
Ln y si =1

Pasos a seguir:
a) Primero calculamos la media y desviacin para cada uno de los factores
estudio.
b) Haremos la regresin lineal para obtener el valor de la pendiente y
aproximaremos al valor de ms cercano.
c) Una vez hecho el cambio de variable volveremos a validar el modelo con h(y).
d) Si con esta transformacin no se corrige la Homocedasticidad tendremos que
realizar la transformacin de BOX-COX, que corrige tambin la Normalidad.

2.- CORRECCIN DE LA NORMALIDAD
Si a travs del histograma, grfico p-p o contraste K-S se rechaza la hiptesis
nula (residuos se distribuyen siguiendo una distribucin Normal) tendremos que
realizar tambin una transformacin en la variable respuesta. La transformacin que
puede corregir la Normalidad es la de BOX-COX:
a) Se calculan las nuevas variables Z
()
respuesta de la siguiente forma:

y

1 0
y(-1)
Z
()
=
y Ln(y) =0

El objetivo con este primer cambio es minimizar los errores (min SSE). El
ptimo ser aquel que minimice los errores de cada Z
()
. Con el ptimo la
transformacin que sugiere BOX-COX para corregir la no-normalidad ser:

y

1 0

y
(*)
=
Ln(y) =0


b) Con esta nueva variable volveremos a validar todas las hiptesis del modelo.

NOTA: Si falla normalidad y homocedasticidad se utiliza directamente BOX-COX para
corregir las dos hiptesis en un mismo cambio de variable.
















APNDICE II: TCNICAS DE COMPARACIN MLTIPLES
1.- Mtodo de Bonferroni
Lo aplicaremos siempre que se conozca el nmero de hiptesis experimentales
que se tienen que resolver (las llamaremos c). Las diferentes hiptesis se resolvern
con un nivel de significacin individual
ind
=
global
/c, para asegurar que todos se
resuelven al mismo nivel global.
Si el nmero c es grande el mtodo ser poco efectivo. El contraste a utilizar ser de la
forma:
H
0
: c
i

i
= 0 frente a la hiptesis alternativa H
1
: c
i

i
0
Basndonos en que la hiptesis experimental del mtodo de Bonferroni es la siguiente:
Si c
i

i
>F
/c;1;glerror
MSE c
i
2/n
i
entonces se rechaza la hiptesis nula.

2.- Mtodo de Dunnet
Este mtodo es la tcnica ms eficiente cuando se quiere compara un nivel del
factor respecto a los otros. El contraste a utilizar ser de la siguiente forma:
H
0
: c
i

i
c
j

j
= 0 frente a la hiptesis alternativa H
1
: c
i

i
c
j

j
0, con cada uno
de los factores. La hiptesis experimental del mtodo de Dunnet es la siguiente:
Si c
i

i
>D
;k;glerror
MSE c
i
2
/n
i
entonces se rechaza la hiptesis nula.

3.- Mtodo de Tukey
Es la tcnica ms eficiente cuando se quiere compara todos los contrastes dos a
dos de los niveles del factor tratamiento. En este caso la hiptesis experimental del
mtodo de Tukey es la siguiente:
Si c
i

i
> (q
;k;glerror
/2)

MSE c
i
2
/n
i
entonces se rechaza la hiptesis nula.

4.- Mtodo de Scheff
Es el ms apropiado cuando queremos realizar un contraste de hiptesis
experimental de tipo planificado. El contraste a realizar es el que nosotros
impongamos. En este caso la hiptesis experimental del mtodo es la siguiente:
Si c
i

i
>(k-1)F
/c;1;glerror
MSE c
i
2/n
i
entonces se rechaza la hiptesis nula.