STATGRAPHICS – Rev.

4/d/yyyy

ANOVA Multifactorial

Resumen
El procedimiento ANOVA Multifactorial está diseñado para construir un modelo estadístico
describiendo el impacto de dos o más factores categóricos Xj de una variable dependiente Y. Se
realizan pruebas para determinar si hay o no diferencias significativas entre las medias a
diferentes niveles de los factores y si hay o no interacciones entre los factores. Además, los datos
pueden desplegarse gráficamente de varias maneras, incluyendo un gráfico múltiple de
dispersión, una gráfica de medias y una gráfica de interacciones.

Este procedimiento está diseñado para experimentos relativamente simples, tales como
experimentos factoriales con efectos fijos. El procedimiento Modelos Lineales Generales debe
ser usado para situaciones más complicadas.

StatFolio Muestra: anova.sgp

Datos de Muestra:
El archivo stresstest.sf6 contiene datos de una prueba de estrés de n = 36 individuos, reportado
por Kutner et al. (1996). En el estudio, cada uno realizó sus ejercicios diarios y se registró el
número de minutos requeridos para alcanzar un nivel predefinido de estrés. La tabla de abajo
muestra una lista parcial de datos en ese archivo:

Subject Body fat Gender Smoking Minutes

(Sujeto) (Grasa corporal) (Sexo) (Fumador) (Minutos)
1 baja masculino ninguno 34
2 baja masculino ninguno 32
3 baja masculino ninguno 31
4 baja masculino ligero 27
5 baja masculino ligero 24
6 baja masculino ligero 23
7 baja masculino pesado 20
8 baja masculino pesado 21
9 baja masculino pesado 24
10 baja femenino ninguno 25
11 baja femenino ninguno 35
12 baja femenino ninguno 26
13 baja femenino ligero 22
14 baja femenino ligero 22
15 baja femenino ligero 20
16 baja femenino pesado 15
17 baja femenino pesado 10
18 baja femenino pesado 13
19 alta masculino ninguno 21
20 alta masculino ninguno 20

3 individuos fueron seleccionados de 12 combinaciones de los siguientes factores:

© 2006 por StatPoint, Inc. ANOVA Multifactorial - 1

 STATGRAPHICS – Rev. 4/d/yyyy
Cantidad de grasa corporal: baja o alta
Sexo: masculino o femenino
Historial de fumador: ligero, pesado o ninguno.

El estudio es un diseño factorial replicado de 2 por 2 por 3.

Entrada de Datos
Los datos consisten en una sola columna que contiene mediciones y múltiples columnas
indicando los niveles de los factores experimentales.

• Variable dependiente: columna numérica que contiene las observaciones.

• Factores: columnas numéricas o no numéricas que contienen niveles identificando cada

factor.

• Covariación: columnas numéricas opcionales que contienen valores de variables

cuantitativas que varían junto con la respuesta y cuyos efectos deben ajustarse antes de
comparar niveles de factores categóricos.

• Seleccionar: subconjunto a seleccionar.

© 2006 por StatPoint, Inc. ANOVA Multifactorial - 2

 STATGRAPHICS – Rev. 4/d/yyyy
Resumen del Análisis
El Resumen del Análisis muestra el número de factores y el número total de observaciones n.

ANOVA Multifactorial - minutos

Variable dependiente: minutos
Factores:
grasa corporal
sexo
fumador

Número de casos completos: 36

Gráfico de Dispersión
El panel Gráfico de Dispersión grafica por niveles los datos de un nivel seleccionado.

Dispersión por Código de Nivel

40

30
minutes

20

10

0
high low
body fat

Si hay muchas variables comunes, tal vez deseé agregar a la gráfica una pequeña cantidad de
jitter horizontal presionando el botón Jitter en la barra de herramientas análisis:

Esto compensa cada punto aleatoriamente en dirección horizontal de tal forma que valores
idénticos no se grafican uno encima del otro.

© 2006 por StatPoint, Inc. ANOVA Multifactorial - 3

 STATGRAPHICS – Rev. 4/d/yyyy

Dispersión por Código de Nivel

40

30
minutes

20

10

0
high low
body fat

La gráfica anterior sugiere que hay tres diferencias entre individuos con alta grasa corporal e
individuos con baja grasa corporal.

Panel de Opciones

• Factor: factor a graficar en el eje horizontal.

Tabla ANOVA
Para determinar si los factores tienen o no un efecto significativo en la variable dependiente, se
realiza un análisis de varianza. Los resultados son desplegados en la Tabla ANOVA:

Análisis de Varianza para minutos - Suma de Cuadrados Tipo III

Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
EFECTOS PRINCIPALES
A:grasa corporal 702.25 1 702.25 79.10 0.0000
B:sexo 210.25 1 210.25 23.68 0.0000
C:fumador 343.056 2 171.528 19.32 0.0000
INTERACCIONES
AB 2.25 1 2.25 0.25 0.6189
AC 204.167 2 102.083 11.50 0.0003
BC 21.5 2 10.75 1.21 0.3142
RESIDUOS 230.833 26 8.87821
TOTAL (CORREGIDO) 1714.31 35
Todas las razones-F se basan en el cuadrado medio del error
© 2006 por StatPoint, Inc. ANOVA Multifactorial - 4
 STATGRAPHICS – Rev. 4/d/yyyy
residual

La tabla divide la variabilidad total entre las n mediciones en varios componentes:

1. Un componente atribuible al Efecto Principal de cada factor, que mide la variabilidad

entre las respuestas medias a cada nivel del factor.

2. Un componente atribuible a la Interacción entre diferentes factores. Ocurre una

interacción si el efecto de un factor depende del nivel de otro factor.

3. Si hay Covariación presenta un componente atribuible a cada covariación.

4. Un componente Residual, que mide la variabilidad entre sujetos a niveles idénticos de

los factores.

Los F-radios son de particular importancia así como sus P-Valores asociados. P-Valores
pequeños (menores que 0.05 si se opera a un nivel de significancia del 5%) corresponden a
efectos significativos.

En este ejemplo, todos los efectos principales son estadísticamente significativos como los es
también la interacción entre factores A y C (grasa corporal y fumador).

Panel de Opciones
El cuadro de diálogo Panel de Opciones controla cómo se calculan las F-pruebas:

• Suma de Cuadrados: el tipo de descomposición usada para calcular las sumas de cuadrados
en la tabla ANOVA. La selección por defecto es Tipo III, que cuantifica el incremento del
© 2006 por StatPoint, Inc. ANOVA Multifactorial - 5
 STATGRAPHICS – Rev. 4/d/yyyy
error en la suma de cuadrados que ocurriría si cada efecto se removiese del análisis, dado que
todos los otros efectos permanecen. En contraste, la suma de cuadrados Tipo I representa la
reducción en el error de suma de cuadrados que ocurre cuando cada variable es añadida al
modelo, en el orden mostrado en la tabla ANOVA. En un experimento balanceado (un
experimento con igual número de observaciones de todas las combinaciones de factores) tal
como en este ejemplo, ambos tipos de sumas de cuadrados arrojan resultados idénticos. En
casos no balanceados, habrá diferencia. Tipo III es por defecto pues cuantifica la
contribución marginal de cada efecto dado que todos los demás efectos han sido computados.

• Término de Error: la media cuadrática a usarse como denominador de la F-prueba al probar

la importancia de cada efecto. En un diseño en el que todos los factores se cruzan y no son
aleatorios, la selección de Residual es correcta. Para tipos de diseños más complicados, el
analista tal vez deseé especificar otro denominador para ciertos efectos. Nota: el
procedimiento Modelos Lineales Generales determina automáticamente del denominador
propio de muchos tipos de modelos involucrando factores aleatorios y anidados y
normalmente deben usarse para analizar esos tipos de diseños experimentales.

Opciones de Análisis
El cuadro de diálogo Opciones de Análisis especifica las interacciones a incluirse en el análisis.

• Máximo Orden de Interacción: número máximo de factores para los que se estimará una
interacción.

• Excluir: Presione este botón para quitar del análisis una o más interacciones.

Ejemplo – Removiendo Interacciones Insignificantes

Para remover del análisis una o más interacciones, presione el botón Excluir en el cuadro de
diálogo Opciones de Análisis. Esto despliega un segundo cuadro de diálogo:

© 2006 por StatPoint, Inc. ANOVA Multifactorial - 6

 STATGRAPHICS – Rev. 4/d/yyyy

Haciendo doble clic en cualquier interacción, esta puede moverse de derecha a izquierda o
viceversa. Cualquier interacción especificada en el campo Excluir no será estimada.

Luego de remover los dos efectos insignificantes de los datos de las pruebas de estrés, la tabla
de arriba muestra los efectos remanentes:

Análisis de Varianza para minutos - Suma de Cuadrados Tipo III

Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
EFECTOS PRINCIPALES
A:grasa corporal 702.25 1 702.25 79.99 0.0000
B:sexo 210.25 1 210.25 23.95 0.0000
C:fumador 343.056 2 171.528 19.54 0.0000
INTERACCIONES
AC 204.167 2 102.083 11.63 0.0002
RESIDUOS 254.583 29 8.77874
TOTAL (CORREGIDO) 1714.31 35

Todas las razones-F se basan en el cuadrado medio del error

residual

Gráfica ANOVA
La Gráfica ANOVA, desarrollada por Hunter (2005), es una técnica para desplegar gráficamente
la importancia de cada factor en el análisis. Es una gráfica de efectos escalados de cada factor,
donde el “efecto” de un factor es igual a la diferencia entre la media de mínimos cuadrados para

© 2006 por StatPoint, Inc. ANOVA Multifactorial - 7

 STATGRAPHICS – Rev. 4/d/yyyy
el nivel del factor y la media total estimada. Cada uno de los efectos es multiplicado por un
factor escalador.

ν R ni
(1)
νT n

donde νR es los grados de libertad residuales, νT es los grados de libertad del efecto principal del
factor, ni es igual al número de observaciones en el i-ésimo nivel del factor, y n es el número
promedio de observaciones a todos los niveles del factor. Esto escala los efectos de tal forma que
la varianza natural de los puntos en el diagrama es comparable a la de los residuales, los cuales
son desplegados debajo de la gráfica.

La gráfica para los datos de muestra se ve a continuación:

ANOVA Gráfico para minutes

heavy light none

smoking P = 0.0000

female male
gender P = 0.0000

high low
body fat P = 0.0000

Residuos
-24 -14 -4 6 16 26

En la parte derecha del display están los P-Valores de los efectos principales, tomados de la tabla
ANOVA.

Comparando la variabilidad entre los efectos del tratamiento en la gráfica anterior y los
residuales, es fácil ver que todos los factores muestran diferencias de una magnitud mayor que la
que podría atribuirse solamente a error experimental. Dependiendo de la localización relativa de
los efectos, podría ser posible en algunos casos identificar visualmente qué niveles son diferentes
significativamente de qué otros, lo cual se hace formalmente con las Pruebas de Rangos
Múltiples descrita a continuación.

Pruebas de Rangos Múltiples

Para factores que muestran P-Valores significativos en la tabla ANOVA y que no interactúan con
otros factores, se puede realizar un análisis posterior seleccionando las Pruebas de Rangos
Múltiples.

Contraste Múltiple de Rangos para minutos por sexo

Método: 95.0 porcentaje LSD

© 2006 por StatPoint, Inc. ANOVA Multifactorial - 8

 STATGRAPHICS – Rev. 4/d/yyyy
sexo Casos Media LS Sigma LS Grupos Homogéneos
femenino 18 16.7222 0.698361 X
masculino 18 21.5556 0.698361 X

Contraste Sig. Diferencia +/- Límites

femenino - * -4.83333 2.01994
masculino

* indica una
diferencia significativa.

La mitad de arriba de la tabla despliega cada uno de los estimadores medios de mínimos
cuadrados en orden creciente de magnitud. Muestra:

• Conteo – el número de observaciones al nivel especificado del factor.

• LS Media – la media estimada por mínimos cuadrados. En el caso de un diseño

balanceado, la media de mínimos cuadrados es equivalente al promedio de todas las
observaciones al nivel indicado. En diseños no balanceados, la media de mínimos
cuadrados es el valor predicho de la variable dependiente cuando el factor especificado se
fija a un nivel particular mientras los demás factores se fijan a sus niveles medios. Las
medias de mínimos cuadrados ajusta cualquier desbalanceo en los datos, haciendo
predicciones a un nivel común para todos los factores.

• LS Sigma – el error estándar estimado de la media de mínimos cuadrados.

© 2006 por StatPoint, Inc. ANOVA Multifactorial - 9

 STATGRAPHICS – Rev. 4/d/yyyy
• Grupos homogéneos – una ilustración gráfica de cuáles medias son significativamente
diferentes de cuáles, basada en los contrastes desplegados en la segunda mitad de la tabla.
Cada columna de X’s indica un grupo de medias entre las que no hay diferencias
estadísticamente significativas. En el ejemplo hay 2 columnas, cada una conteniendo una
sola X, indicando que los dos sexos caen en grupos significativamente diferentes.

La segunda mitad de la tabla despliega una comparación entre cada par de medias de nivel.

• Diferencia – la diferencia entre las dos medias de mínimos cuadrados.

• Límites – un estimador de intervalo de esa diferencia, usando el procedimiento

seleccionado de múltiples comparaciones.

• Sig. – Se pone un asterisco junto a cualquier diferencia que sea estadísticamente

significativamente diferente de 0 al nivel de significancia seleccionado, i.e., cualquier
intervalo que no contenga al 0.

Panel de Opciones

• Método: el método usado para hacer las comparaciones múltiples.

• Factor: el factor a desplegarse.

• Nivel de Confianza: el nivel de confianza usado por el procedimiento seleccionado de

comparaciones múltiples.

Los métodos disponibles son:

• LSD - forma un intervalo de confianza para cada par de medias al nivel de confianza
seleccionado, usando la distribución t de Student. Este procedimiento se le atribuye a
© 2006 por StatPoint, Inc. ANOVA Multifactorial - 10
 STATGRAPHICS – Rev. 4/d/yyyy
Fisher y se conoce como el procedimiento Diferencia Menos Significativa, pues la
magnitud de los límites indica la menor diferencia entre dos medias cualesquiera que
puedan representar una diferencia estadísticamente significativa. Sólo debe usarse cuando
la F-prueba de la tabla ANOVA indique diferencias significativas entre las medias
muestrales

• Tukey HSD – ensancha los intervalos para permitir comparaciones múltiples entre todos
los pares de medias usando la t de Tukey. Tukey llamó a su procedimiento el de
Diferencia Honestamente Significativa ya que controla la tasa de error experimental a α.
Si todas las medias son iguales, la probabilidad de declarar a cualquiera de los pares
como significativamente diferentes en todo el experimento es igual a α. El procedimiento
de Tukey es más conservador que el procedimiento LSD de Fisher, pues hace más difícil
declarar cualquier par particular de medias como significativamente diferentes.

• Scheffe – diseñado para permitir la estimación de todos los posibles contrastes entre las
medias muestrales (no solo en comparaciones por pares). Usa una múltiple relacionada
con la distribución F. En esta instancia, es probable que el procedimiento sea muy
conservador, pues sólo se están estimando pares.

• Bonferroni – diseñado para permitir la estimación de cualquier número preseleccionado

de contrastes. Estos límites son usualmente más anchos que los de Tukey cuando se
hacen todas las comparaciones por pares.

• Student-Newman-Keuls – A diferencia de los métodos previos, éste no crea intervalos

para las diferencias por pares. En vez de eso, ordena las medias en orden creciente y
luego comienza a separarlas en grupos de acuerdo a valores del rango distribución
Studentizada. Eventualmente, las medias se separan en grupos homogéneos en los que no
hay diferencias significativas.

• Duncan –similar al procedimiento Student-Newman-Keuls, excepto que usa un valor

crítico distinto al rango de la distribución Studentizada al definir los grupos homogéneos.
Una discusión detallada de los procedimientos de Duncan y de Student-Newman-Keuls la
dan Milliken y Johnson (1992)

Esto sólo debe usarse cuando la F-prueba en la tabla ANOVA indique diferencias significativas
entre las medias muestrales. La probabilidad de hacer un error Tipo I α aplica a cada par de
medias de manera separada. Si se hace más de una comparación, la probabilidad total de llamar
al menos a un par de medias significativamente diferentes cuando no lo son puede ser
considerablemente mayor que α.

La elección entre un procedimiento LCD y uno de múltiples comparaciones como el HSD de

Tukey debe depender del costo relativo de hacer un error Tipo I (llamar diferentes a un par de
medias que realmente no lo son) contra el costo de hacer un error Tipo II (no llamar diferentes a
un par de medias que sí lo sean). En las primeras etapas de una investigación, tal vez uno no
quiera ser tan conservador como cuando ya se han hecho las verificaciones finales

© 2006 por StatPoint, Inc. ANOVA Multifactorial - 11

 STATGRAPHICS – Rev. 4/d/yyyy

Tabla de Medias
Esta tabla despliega las medias de mínimos cuadrados para cada nivel de los factores y para
pares de niveles de cualquier interacción bifactorial incluida. Cada media se muestra junto a su
error estimado estándar y un intervalo de confianza:

Tabla de Medias por Mínimos Cuadrados para minutos con intervalos de confianza del 95.0 %
Error Límite Límite
Nivel Casos Media Est. Inferior Superior
MEDIA GLOBAL 36 19.1389
grasa corporal
alta 18 14.7222 0.698361 13.2939 16.1505
baja 18 23.5556 0.698361 22.1272 24.9839
sexo
femenino 18 16.7222 0.698361 15.2939 18.1505
masculino 18 21.5556 0.698361 20.1272 22.9839
fumador
pesado 12 15.6667 0.855314 13.9174 17.416
ligero 12 18.5833 0.855314 16.834 20.3326
ninguno 12 23.1667 0.855314 21.4174 24.916
grasa corporal por
fumador
alta,pesado 6 14.1667 1.2096 11.6928 16.6406
alta,ligero 6 14.1667 1.2096 11.6928 16.6406
alta,ninguno 6 15.8333 1.2096 13.3594 18.3072
baja,pesado 6 17.1667 1.2096 14.6928 19.6406
baja,ligero 6 23.0 1.2096 20.5261 25.4739
baja,ninguno 6 30.5 1.2096 28.0261 32.9739

Panel de Opciones

• Nivel de Confianza: el nivel de confianza asociado a cada intervalo.

© 2006 por StatPoint, Inc. ANOVA Multifactorial - 12

 STATGRAPHICS – Rev. 4/d/yyyy
Gráfica de Medias
Las medias de nivel pueden graficarse junto a intervalos de incertidumbre-

Medias y 95.0% de Fisher LSD

25

23

21
minutes

19

17

15

13
high low
body fat

El tipo de intervalo desplegado depende de las configuraciones del Panel de Opciones.

Si todos los tamaños de muestra son los mismos (o cercanos), el analista puede determinar cuáles
medias son significativamente diferentes de cuáles otras usando los procedimientos LSD, Tukey,
Scheffe o Bonferroni simplemente viendo si un par de intervalos se traslapan en dirección
vertical o no. Un par de intervalos que no se traslapan indica una diferencia estadísticamente
significativa entre las medias al nivel de confianza seleccionado.
En este caso, note que el intervalo para alta grasa corporal no se traslapa con el intervalo de baja
grasa corporal, indicando una diferencia estadísticamente significativa entre las medias a esos
dos niveles.

Panel de Opciones

© 2006 por StatPoint, Inc. ANOVA Multifactorial - 13

 STATGRAPHICS – Rev. 4/d/yyyy
• Intervalos: el método usado para construir los intervalos.

• Factor: el factor a graficarse.

• Nivel de Confianza: el nivel de confianza asociado a cada intervalo.

Los tipos de intervalos que pueden ser seleccionados.

• Intervalos de Confianza – despliega intervalos de confianza para las medias de nivel

usando el error cuadrático medio de la tabla ANOVA.

• Intervalos LSD – diseñados para comparar cualquier par de medias con el nivel de
confianza establecido.

• Intervalos HSD Tukey – diseñados para comparar todos los pares de medias. El nivel de
confianza establecido aplica para toda la familia de comparaciones par a par.

• Intervalos Scheffe – diseñados para comparar todos los contrastes. No son muy
relevantes aquí.

• Intervalos Bonferroni – diseñados para comparar un número seleccionado de contrastes.

Los intervalos de Tukey son usualmente más ajustados.

Gráfica de Interacción
Cuando existan una o más interacciones significativas, deben examinarse juntas usando la
Gráfica de Interacción.

Gráfico de Interacciones

32 body fat
high
29 low

26
minutes

23

20

17

14
heavy light none
smoking

La gráfica de interacción despliega las medias por mínimos cuadrados en todas las
combinaciones de dos factores. Si los factores no interactúan, las líneas en la gráfica deben ser
aproximadamente paralelas. Si no, entonces el efecto de un factor depende del nivel de otro, que
es la definición de interacción.

© 2006 por StatPoint, Inc. ANOVA Multifactorial - 14

 STATGRAPHICS – Rev. 4/d/yyyy

Note que el efecto de fumador es mucho mayor en individuos con baja grasa corporal que en
aquellos con alta grasa corporal.

Panel de Opciones

• Intervalo – el tipo de intervalo (si hay) a ponerse alrededor de cada media.

• Nivel de Confianza – el nivel de confianza del intervalo.

• Interacción – la interacción a graficarse. Se desplegará un punto mostrando el valor medio

predicho para cada combinación de factores en la interacción seleccionada.

• Graficar en Ejes – el factor de la interacción seleccionada que será utilizada para definir el
eje horizontal. Líneas separadas se retirarán de cada nivel del otro factor.

Ejemplo – Gráfica de Interacción con Intervalos Tukey

Añadir intervalos Tukey HSD permite una comparación por pares entre las seis combinaciones
de fumador y grasa corporal:

© 2006 por StatPoint, Inc. ANOVA Multifactorial - 15

 STATGRAPHICS – Rev. 4/d/yyyy

Interacciones y 95.0% de Tukey HSD

35 smoking
heavy
31 light
none
27
minutes

23

19

15

11
high low
body fat

Examinando el traslape de los intervalos, tres grupos homogéneos son identificables:

Grupo 1: individuos no-fumador, baja grasa corporal, cuyos tiempos en la prueba son
significativamente más largos que los de los demás individuos.

Grupo 2: individuos ligero-fumador, baja grasa corporal, cuyos tiempos en la prueba son
menores que los del Grupo 1, pero significativamente mayores que los de otros.

Grupo 3: los demás. Note que todos sus intervalos se traslapan, indicando que no hay
diferencias estadísticamente significativas entre los individuos restantes.

Gráficas de Residuales
Como en todo modelo estadístico, es una buena costumbre examinar los residuales. Los
residuales son iguales a los datos observados menos los valores predichos por el modelo
estadístico subyacente.

El procedimiento ANOVA Multifactorial crea 3 gráficas de residuales:

1. contra nivel de factor.

2. contra valor predicho.
3. contra número de observación.

Residuales contra Nivel de Factor

Esta gráfica es de ayuda para visualizar cualquier diferencia en la variabilidad de varios niveles
de un factor.

© 2006 por StatPoint, Inc. ANOVA Multifactorial - 16

 STATGRAPHICS – Rev. 4/d/yyyy

Gráfico de Residuos para minutes

5
residuos

-1

-4

-7
heavy light none
smoking

El residual promedio de cada nivel es igual a 0.

Panel de Opciones

• Factor: factor a desplegarse en el eje horizontal.

Residuales contra Predicho

Esta gráfica es de ayuda para detectar cualquier heteroescedasticidad en los datos.

Gráfico de Residuos para minutes

5
residuos

-1

-4

-7
0 10 20 30 40
predichos

© 2006 por StatPoint, Inc. ANOVA Multifactorial - 17

 STATGRAPHICS – Rev. 4/d/yyyy
La heteroescedasticidad ocurre cuando la variabilidad de los datos cambia como lo hace la
media, y puede necesitarse transformar los datos antes de realizar el ANOVA. Usualmente es
evidenciado por un patrón de forma de embudo en la gráfica de residuales.

Residuales contra Observación

Esta gráfica muestra los residuales contra el número de fila en la hoja de datos:

Gráfico de Residuos para minutes

2
residuos

-1

-4

-7
0 10 20 30 40
número de fila

Si los datos se arreglan en orden cronológico, cualquier patrón de los datos puede indicar una
influencia exterior. No es evidente ningún patrón así en la gráfica de arriba.

© 2006 por StatPoint, Inc. ANOVA Multifactorial - 18

 STATGRAPHICS – Rev. 4/d/yyyy
Guardar Resultados
Los siguientes resultados pueden guardarse en la hoja de datos:

1. Recuentos por Nivel – el número de observaciones a cada nivel de los factores y a cada
par de factores.
2. Medias por Nivel – la respuesta media a cada nivel de factores y a cada par de factores.
3. Errores Estándar por Nivel – el error estándar a cada nivel de factores.
4. Medias de Mínimos Cuadrados – la media por mínimos cuadrados a cada nivel de
factores.
5. Residuos – los n residuales.

Cálculos

Modelo Estadístico
Para ajustar un modelo a los datos, STATGRAPHICS construye una matriz de n por p de
variables X independientes. La matriz incluye:

• Una columna de 1’s para representar una constante.

• Variables indicatrices para cada factor. Para un factor con k niveles, k – 1 variables
indicatrices se construyen. La j-ésima variable indicadora para un factor contiene el valor 1
para cada observación igual al j-ésimo nivel del factor, -1 para cada observación igual al k-
ésimo nivel y 0 para cualquier otro caso.

• Una columna conteniendo los valores de cada covariación, si hay.

• Productos – cruz de las variables indicadoras y las columnas covariadas para representar
cualquier interacción.

Entonces se ajusta un modelo usando estimación lineal de mínimos cuadrados:

β̂ = ( X ′X ) −1 X ′Y (2)

Medias por Mínimos Cuadrados

Las medias por mínimos cuadrados son la respuesta predicha

Yˆp = X ′p ( X ′X ) −1 X ′Y (3)

donde X p es el vector de variables independientes en las que cada variable indicadora

correspondiente a factores no incluidos en el efecto especificado se fija a 0 y cada covariación se
fija a su nivel medio observado.

© 2006 por StatPoint, Inc. ANOVA Multifactorial - 19

 STATGRAPHICS – Rev. 4/d/yyyy
Errores Estándar
Estimados a partir de

s.e. p = X ′p MSE ( X ′X ) −1 X p (4)

donde MSE es igual al error cuadrático medio en la tabla ANOVA.

Procedimientos de Comparaciones Múltiples

Vea la documentación ANOVA de una vía.

© 2006 por StatPoint, Inc. ANOVA Multifactorial - 20