Diseños

experimentales de
dos grupos al azar

Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

Objetivos D. 2G A

• Conocer las características mínimas exigibles a un

diseño experimental mediante uno de los esquemas
de recogida de datos más frecuentes en investigación
• Convencerse de la transcendencia que posee un
grupo de comparación equivalente para legitimar la
inferencia de relaciones causales entre variables
• Aprender las técnicas de análisis estadístico
aplicables a los diseños de dos grupos al azar

Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

1
 continua
Esquema general D. 2G A

• Caracterización del diseño Conceptualización

• Clasificación
• Control de variables extrañas
• Modelado estadístico
• Matriz de datos y codificación de efectos
• Lectura del fichero de datos
• Análisis descriptivo
• Representación gráfica
• Especificación de modelos
• Estimación de parámetros

VD
• Selección de un modelo
• Evaluación del modelo
• Interpretación del modelo

• Análisis estadístico paramétrico convencional

• Modelado estadístico con VD ordinal
• Análisis estadístico no paramétrico convencional

D V
• Potencia estadística
• Tamaño del efecto
• Tamaño muestral
• Ventajas e inconvenientes
• Conclusiones Resumen
Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

Un ejemplo para empezar... D. 2G A

Formación de impresiones (Asch, 1952)

• Problema: ¿Qué información acerca de una persona resulta

más importante en la formación de un juicio valorativo sobre
ella: la primera (efecto de primacía) o la última (efecto de
recencia)?

• Diseño experimental:
Variable independiente: orden de presentación de los
adjetivos que describían a la persona en cuestión
Grupo A1: 1º) adjetivos + 2º) adjetivos -
Grupo A2: 1º) adjetivos - 2º) adjetivos +
Variable dependiente: impresión subjetiva de esa persona
(informe escrito)

• Resultado: Parece producirse un efecto de primacía

Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

2
 Caracterización D. 2G A

• Existencia de un único factor o VI

• Presencia de tan sólo dos niveles o tratamientos
• Se emplean...
– para averiguar si la VI influye sobre la VD
– si la VI influye, para averiguar su dirección
(directa o inversa) y su magnitud
– como etapa previa para planificar experimentos
más complejos
– especialmente en investigación animal

Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

Clasificación D. 2G A

criterio: número de grupos experimentales

diseños con dos grupos

experimentales

A1 A2

diseños con un grupo experimental A1 A2

y un grupo de control

Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

3
Control de variables extrañas D. 2G A

aleatorización

Universo o
población

Muestra
experimental

Grupo I equivalencia Grupo II

Tratamientos
experimentales

Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

Un ejemplo ilustrativo D. 2G A

Estrés y experiencia previa

Estrés y estrategias de afrontamiento ya se lo decía yo
Y = estrés (escala de 0 a 100) a la psicóloga...
Y = estrés (escala de 0 a 100) ¡los ordenadores
X = experiencia previa (sí - no) muerden!
X = afrontamiento (test de 0 -100)
N = 27
N = 27

Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

4
Matriz de datos + codificación de efectos D. 2G A
61 0 -1
26 1 1
32 1 1
22 1 1
38 1 1 nº de variables ficticias = categorías -1
80 0 -1
17 1 1
d=c-1
10 1 1
47 1 1
15 1 1 codificación respecto a...
50 0 -1
25 1 1
50 1 1 categoría de referencia promedio de las categorías
30 1 1
78 0 -1
10
35
1
0
1
-1
A1 → 0 A1 → -1
31 1 1 A2 → 1 A2 → 1
4 1 1
6 1 1
categoría de referencia
7 1 1
17 1 1
37 0 -1
45 0 -1
50 0 -1
67 0 -1
70 1 1 Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

Lectura de datos y variables D. 2G A

> datos <- read.table("c:\\archiv~1\\R\\datos\\estres.data")

> estrés <- datos$V1
> experiencia <- datos$V2
> estrés
[1] 61 26 32 22 38 80 17 10 47 15 50 25 50 30 78 10 35 31...
> experiencia
[1] 0 1 1 1 1 0 1 1 1 1 0 1 1 1 0 1 0 1 1 1 1 1 0 0 0 0 1
> experiencia<-factor(experiencia,labels=c("sin exp","con exp"))

indica que la variable es nominal

etiquetas de los
niveles de la VI

Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

5
 Análisis descriptivo D. 2G A

> mean(estrés)
[1] 35.55556
> sd(estrés)
[1] 22.36641
> tapply(estrés,experiencia,mean) media aritmética
sin exp con exp
55.88889 25.38889
> tapply(estrés,experiencia,sd) desviación típica
sin exp con exp
16.58647 17.53027
> tapply(estrés,experiencia,length) N
sin exp con exp
9 18
> tapply(estrés,experiencia,summary)
$"sin exp"
Min. 1st Qu. Median Mean 3rd Qu. Max.
35.00 45.00 50.00 55.89 67.00 80.00
$"con exp"
Min. 1st Qu. Median Mean 3rd Qu. Max.
4.00 11.25 23.50 25.39 31.75 70.00

Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

Representación gráfica D. 2G A

sin con
boxplot(estrés[experiencia==0], estrés[experiencia==1],
main="Diagrama de cajas",xlab="experiencia previa",
ylab="nivel de estrés", col="orange")

Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

6
 modelo estructural matemático D. 2G A

Yij = µ + α j + ε ij
Yij = i-ésima observación registrada correspondiente al j-ésimo nivel del factor A
µ = efecto combinado de todos los factores constantes del experimento
αj = efecto principal del tratamiento j del factor A
equivalentes
εijk = error experimental o término de perturbación
m. de regresión con variable categórica

Yij = β o + β1 X j + ε ij
Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

Especificación de modelos D. 2G A

Modelo nulo Yˆ = b0 [MN]

Modelo ampliado Yˆ = b0 + b1 X [MA]

estimación de β0 Modelo estructural matemático estimación de β1

parámetro de intercepción parámetro de pendiente

Comandos de R

> MN <- glm(estrés~1, family=gaussian)

> MA <- glm(estrés~1+experiencia, family=gaussian)

Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

7
Estimación de parámetros D. 2G A

> glm(estrés ~ experiencia, family=gaussian)

> # codificación respecto a una categoría de referencia

Coefficients:
(Intercept) experiencia
55.89 -30.50 Yij = 55.89 - 30.50Xj
Degrees of Freedom: 26 Total (i.e. Null); 25 Residual
Null Deviance: 13010
Residual Deviance: 7425 AIC: 234.3

> glm(estrés ~ experiencia, family=gaussian)

> # codificación respecto al promedio de categorías

Coefficients:
(Intercept) experiencia
40.64 -15.25 Yij = 40.64 - 15.25Xj
Degrees of Freedom: 26 Total (i.e. Null); 25 Residual
Null Deviance: 13010
Residual Deviance: 7425 AIC: 234.3
Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

Selección de un modelo D. 2G A

• La comparación entre modelos se basa en la diferencia de discrepancias

• La desvianza o discrepancia (D) es una medida de la diferencia entre valores
observados y pronosticados
n n
DMN = SCEMN = ∑ ( yi − yˆ MN ) 2
DMA = SCEMA = ∑ ( yi − yˆ MA ) 2
i =1 i =1

DMA ≤ DMN

( DMN − DMA ) /( pMA − pMN ) reducción del error por parámetro adicional
F=
DMA /( n − pMA ) reducción potencial del error
por parámetro adicional
refleja el error que en promedio reduce cada variable del
MA respecto a la reducción producida por variables triviales

> anova(MN,MA)
Analysis of Deviance Table
Resid. Df Resid. Dev Df Deviance
Model 1 estrés ~ 1: 26 13006.7
Model 2 estrés ~ 1 + exp 25 7425.2 1 5581.5
Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

8
 Evaluación del modelo D. 2G A

El coeficiente de determinación R2 es una medida del efecto de X sobre Y

interpretaciones

% de la variabilidad de Y debida a X
(explicada por la ecuación de regresión)

% de reducción del error en la predicción de

Y (respecto al valor promedio esperado)

DMN − DMA SCregresión R2 = 5581.5/13006.67 = 043

2
RMA = = 43% del estrés es explicado
DMN SCtotal por la experiencia previa

Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

Interpretación del modelo D. 2G A

y0 = b0

y1- y0 = b1

y1

MA : Yˆ = b0 + b1 × exp

Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

9
 Interpretación del modelo D. 2G A
> mi.modelo
estrés exp valor ajustado residual
[1,] 61 0 55.88889 5.1111111
[2,] 26 1 25.38889 0.6111111
[3,] 32 1 25.38889 6.6111111 > mi.modelo<-rep(0,27*4)
[4,] 22 1 25.38889 -3.3888889 > dim(mi.modelo)<-c(27,4)
[5,] 38 1 25.38889 12.6111111
[6,] 80 0 55.88889 24.1111111 > mi.modelo[,1]<-estrés
[7,] 17 1 25.38889 -8.3888889
> mi.modelo[,2]<-experiencia
[8,] 10 1 25.38889 -15.3888889
[9,] 47 1 25.38889 21.6111111 > mi.modelo[,3]<-fitted.values(MA)
[10,] 15 1 25.38889 -10.3888889 > mi.modelo[,4]<-residuals(MA)
[11,] 50 0 55.88889 -5.8888889
[12,] 25 1 25.38889 -0.3888889 > colnames(mi.modelo)<-c("estrés",
[13,] 50 1 25.38889 24.6111111 "exp","valor ajustado","residual")
[14,] 30 1 25.38889 4.6111111
[15,] 78 0 55.88889 22.1111111
[16,] 10 1 25.38889 -15.3888889
[17,] 35 0 55.88889 -20.8888889
[18,] 31 1 25.38889 5.6111111 datos = modelo + error
[19,] 4 1 25.38889 -21.3888889
[20,] 6 1 25.38889 -19.3888889 estrés = ajustado + residual
[21,] 7 1 25.38889 -18.3888889
[22,] 17 1 25.38889 -8.3888889 estrés2 = 26 = 25.39 + 0.61
[23,] 37 0 55.88889 -18.8888889
[24,] 45 0 55.88889 -10.8888889
[25,] 50 0 55.88889 -5.8888889
[26,] 67 0 55.88889 11.1111111
[27,] 70 1 25.38889 44.6111111
Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

Interpretación del modelo D. 2G A

intervalo de confianza (IC)

Permite conocer entre qué dos valores se encontrará el valor

esperado de yi para un determinado valor de X

• la amplitud del IC para xi dependerá de la distancia entre xi y media (x)

• los valores de y son predichos con más exactitud a medida que xi se
aproxima a x
bandas de confianza

intervalo de predicción (IP)

Permite conocer el rango de valores entre los que se encontrará yi para

los sujetos de la población de origen con un determinado valor de X

bandas de predicción

Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

10
Análisis estadístico convencional D. 2G A

Prueba no NO SÍ Prueba
paramétrica VD = cuantitativa paramétrica

NO SÍ Prueba de
VD = ordinal homoscedasticidad

NO
Grupos
variable variable homogéneos
nominal ordinal SÍ
P. “t” de Student
para m. independs.
χ2 como prueba Prueba “U”
de homogeneidad de
de respuesta Mann-Whitnney NO
¿ha actuado
v. extraña?
Interpretación SÍ
de resultados ANCOVA

Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

A. estadístico convencional: t de Student D. 2G A

> t.test(estrés[experiencia==1], estrés[experiencia==0],

alt="less", var.equal=TRUE)

Two Sample t-test

data: estrés[experiencia == 1] and estrés[experiencia == 0]

t = -4.335, df = 25, p-value = 0.0001044
alternative hypothesis: true difference in means is less than 0
95 percent confidence interval:
-Inf -18.48203
sample estimates:
mean of x mean of y si p < α entonces H0
25.38889 55.88889

Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

11
 A. estadístico convencional: t de Student D. 2G A

> t.test(estrés[experiencia==0], estrés[experiencia==1],

alt="greater", var.equal=TRUE)

Two Sample t-test

data: estrés[experiencia == 0] and estrés[experiencia == 1]

t = 4.335, df = 25, p-value = 0.0001044
alternative hypothesis: true difference in means is greater than 0
95 percent confidence interval:
18.48203 Inf
sample estimates:
mean of x mean of y si p < α entonces H0
55.88889 25.38889

Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

Modelado estadístico con V.D. ordinal D. 2G A

[1,] 61 0 23.0
[2,] 26 1 11.0
>estrés.ord<-rank(estrés) [3,] 32 1 14.0
[4,] 22 1 9.0
>lm(estrés.ord~1+experiencia) [5,] 38 1 17.0
[6,] 80 0 27.0
Call: [7,] 17 1 7.5
[8,] 10 1 4.5
lm(formula = estrés.ord ~ 1 + experiencia) [9,] 47 1 19.0
[10,] 15 1 6.0
Coefficients: [11,] 50 0 21.0
[12,] 25 1 10.0
(Intercept) experiencia [13,] 50 1 21.0
21.22 -10.83 [14,] 30 1 12.0
[15,] 78 0 26.0
[16,] 10 1 4.5
[17,] 35 0 15.0
[18,] 31 1 13.0
[19,] 4 1 1.0
[20,] 6 1 2.0
[21,] 7 1 3.0
Yˆ = b0 + b1 X = 21.22 - 10.83X [22,]
[23,]
17
37
1
0
7.5
16.0
[24,] 45 0 18.0
[25,] 50 0 21.0
[26,] 67 0 24.0
[27,] 70 1 25.0

Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

12
 Tamaño del efecto D. 2G A

• Un valor estadísticamente significativo no implica necesariamente un

resultado experimental relevante
• El valor empírico del estadístico (o la probabilidad asociada al mismo)
dependen también del tamaño de las muestras
• ¿Cómo determinar entonces el verdadero efecto de la VI sobre la VD?

efecto de la VI αj = µj −µ

varianza de las J medias σ α2 =

∑ (µ j − µ )2
=
∑α 2
j

J J

no existe NO SÍ
efecto del factor
σ α2 ≠ 0 efecto del factor

Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

D. 2G A
efecto del factor

σ α2
ϕ2 =
σ α2 + σ e2

MEDIDAS DEL TAMAÑO DEL EFECTO

SCI SCI − ( J − 1) MCE SCI − ( J − 1) MCE

η2 = ε2 = ω2 =
SCT SCT SCT + MCE
Kelley (1935) Hays (1963, 1988)
Pearson (1905)
Cohen (1966)

Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

13
 Ventajas e inconvenientes D. 2G A

• Los diseños de dos grupos constituyen la estrategia más simple

posible para inferir relaciones causales
• Son suficientes para una gran cantidad de situaciones (investigaciones
exploratorias, efectividad de un nuevo tratamiento, etc.)
• El análisis de los datos resulta simple y de fácil interpretación

• Se necesitan efectos relativamente grandes para ser detectados (pues

generan una considerable varianza de error)
• Se precisa un número relativamente elevado de unidades de
observación (sujetos) para que el azar funcione correctamente como
técnica de control de variables extrañas
• No permite evaluar el efecto de variables con más de dos niveles (algo
que suele ser habitual en variables psicológicas)

Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

Conclusiones D. 2G A

• Los diseños de dos grupos al azar son la puerta de entrada a los

diseños de investigación que permiten inferir causalidad
• El sistema de codificación de la VI debe realizarse atendiendo a un
objetivo predeterminado, pues condiciona la interpretación de los
resultados
• Resulta esencial aplicar un modelo de análisis estadístico ajustado a
la naturaleza de la VD (continua, recuento, ordinal, binaria, etc.)
• Seleccionar el MA desde el enfoque ME es equivalente a indicar que
la VI ha influido significativamente sobre la VD desde el enfoque RE
• No debe confundirse la significación estadística con la significación
sustantiva, la cual viene dada por el tamaño del efecto

Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

14
 Conclusiones D. 2G A

Enfoque VD Análisis
continua • Regresión con v. categórica binaria
Modelado ordinal • Regresión con transformación ordinal
estadístico binaria • Regresión logística
frecuencia • Regresión logit
recuento • Regresión de Poisson
“Recetario” continua • Prueba t de Student para muestras independs.
estadístico ordinal • Prueba U de Mann-Whitnney

Metodología experimental en las ciencias del comportamiento. U. de Málaga © M.R.S. 2003

15