TEMA IV

ESQUEMA GENERAL

Definición
Clasificación
Diseño simple de medidas repetidas
Diseño factorial de medidas repetidas
Diseño factorial mixto

DISEÑOS DE MEDIDAS REPETIDAS

 Definición

En el diseño medidas repetidas todos los sujetos de la

muestra reciben todos los tratamientos. De este modo,
el uso del procedimiento de medidas repetidas
proporciona un control más efectivo de las fuentes de
variación extrañas asociadas, por lo general, a las
características individuales; es decir, se consigue una
reducción de la varianza del error. Esto es así porque la
variabilidad debida a las diferencias individuales es
eliminada del error. De este modo, el diseño de
medidas repetidas constituye una estructura más
potente que los diseños completamente aleatorizados.
..//..
El principal problema de los diseños de medidas
repetidas son los efectos de orden que se derivan de la
propia estructura del diseño. Estos efectos deben ser
neutralizados para que no confundan los efectos de los
tratamientos.
 Tipos de efectos de orden

A) Efecto de período

B) Efecto residual
 Efecto de período
Los efectos de período ocurren cuando,
independientemente del tratamiento aplicado,
el sujeto responde al período o posición que,
en la secuencia, ocupa el tratamiento (período
de administración). Cabe, por lo tanto, la
posibilidad de que el sujeto responda mejor al
período que al tratamiento en sí mismo.
Cuando esto ocurre, el efecto de período
confunde la acción del tratamiento.
Solución: contrabalanceo o aleatorización de
los tratamientos.
 Efecto residual

El efecto residual, conocido por error

progresivo, se caracteriza por la persistencia de
la acción de un tratamiento más allá del
período o tiempo de aplicación. Representa la
progresiva acumulación tanto de los efectos
facilitadores de la respuesta (efecto de la
práctica, aprendizaje, etc.) como de los efectos
obstaculizadores (como la fatiga mental,
cansancio físico, etc.) ..//..
Cuando, como es frecuente en esos casos, se
produce una persistencia del efecto del
tratamiento anterior sobre el tratamiento
siguiente, se corre el riesgo de que los efectos
queden contaminados.
Solución: Aumentar el intervalo de tiempo
entre un tratamiento y el siguiente.
 Clasificación

Simple (S x A)
De un grupo o muestra Factorial (S x A x B,
S x A x B x C, etc.)

Multigrupo o Factorial Mixto (S(A) x B)

Diseño simple de medidas repetidas
 Estructura del diseño

La estructura del diseño de medidas repetidas

simple es similar al formato factorial de dos
variables independientes. A diferencia del diseño
factorial, la variable de sujetos no se manipula ya
que se trata de un pseudo-factor. La variable de
tratamiento está manipulada por el
experimentador y se considera como un auténtico
factor.
 Ejemplo

Se pretende estudiar el efecto de la frecuencia

de tres tonos auditivos de igual intensidad (65
db) sobre el tiempo de reacción para identificar
el tono. De la variable independiente se eligen
tres valores: 300 cps. (condición A1), 600 cps.
(condición A2) y 1200 cps. (condición A3)
 Modelo de prueba de hipótesis

Paso 1. Se asume, por hipótesis de nulidad,

que los efectos de los tratamientos son nulos.
Es decir,

H0: µ1 = µ2 = µ3
Paso 2. Según la hipótesis experimental o
hipótesis de efectividad se asume que, uno o
más tratamientos o efectos es significativo
(distinto de cero). En términos estadísticos se
afirma que:
H1: µ1 ≠ µ2, o µ1 ≠ µ3, o µ2 ≠ µ3
Por lo menos una desigualdad
Paso 3. Se asume un modelo ANOVA de
medidas repetidas. El estadístico de la prueba
es la F normal, a un nivel de significación de α
= 0.05. El tamaño de la muestra experimental
es N=n=3.

Paso 4. El cálculo del valor empírico de F se

realiza a partir de la correspondiente matriz de
datos, una vez ejecutado el experimento.
 Matriz de datos

TONOS

Sujeto A1 A2 A3 medias

1 3.8 3.6 2.5 3.3

2 4.4 5.0 2.3 3.9
3 6.9 4.5 3.0 4.8
medias 5.03 4.37 2.6 4.0
Modelo estructural del ANOVA de
medidas repetidas

Y ij = µ + η i +α j + ε ij
 Descripción y supuestos
Yij = la puntuación del i sujeto bajo la j
condición experimental o tratamiento
µ = la media global de todos los datos del
experimento
ηi = µi – µ = el efecto asociado al iésimo
sujeto
αj = µj – µ = el efecto de jésimo nivel de la
variable de tratamiento A
εij = el error experimental asociado al i
sujeto bajo el j tratamiento
..//..
Asimismo, para que el modelo sea válido, se
asume que:

a) ηi ∼ NID(0,ση²)
b) εij ∼ NID(0,σε²)
c) Σ = ση²11' + σε²I
 Cuadro resumen del ANOVA

F.V. SC g.l CM F p

Sujetos 3.42 (n-1)=2 1.71 2.11 >0.05

Tratamiento 9.49 (a-1)=2 4.75 5.86 >0.05
Residual 3.25 (n-1)(a-1)=4 0.81

Total 16.16 an-1=8

F0.95(2/4) = 6.94
 Modelo de prueba de hipótesis

Paso 5. Dado que el valor empírico de F es

menor que el teórico, se acepta la hipótesis de
nulidad relativa a la variable de sujetos y a la
de tratamiento, a un nivel del riesgo del cinco
por ciento.
Condición de aplicación: Supuesto
de esfericidad

Esta condición requiere que las varianzas de

las diferencias entre todos los pares de
medidas repetidas sean iguales (prueba de
esfericidad de Mauchley, 1940)
 Prueba de esfericidad de Mauchly

Prueba de esfericidad de Mauchly b

Medida: MEASURE_1

a
Epsilon
Chi-cuadrado Greenhous
Efecto intra-sujetos W de Mauchly aprox. gl Sig. e-Geisser Huynh-Feldt Límite-inferior
FACTOR1 ,619 ,479 2 ,788 ,724 1,000 ,500
Contrasta la hipótesis nula de que la matriz de covarianza de error de las variables dependientes transformadas es
proporcional a una matriz identidad.
a. May be used to adjust the degrees of freedom for the averaged tests of significance. Corrected tests are displayed in the
Tests of Within-Subjects Effects table.
b.
Diseño: Intercept
Diseño intra sujetos: FACTOR1
Alternativas de análisis del diseño de
medidas repetidas
F normal
ANOVA
F ajustada
Diseño de
medidas
repetidas

MANOVA
Fórmulas para el cálculo de los grados
de libertad
Grados de F normal F ajustada
libertad de F
Numerador (a-1) ε(a-1)

Denominador (n-1)(a-1) ε(n-1)(a-1)

ε de Greenhouse y Geisser (1959)

 ANOVA de medidas repetidas

Pruebas de efectos intra-sujetos.

Medida: MEASURE_1
Suma de
cuadrados Media
Fuente tipo III gl cuadrática F Sig.
FACTOR1 Esfericidad asumida 9,487 2 4,743 5,832 ,065
Greenhouse-Geisser 9,487 1,448 6,550 5,832 ,097
Huynh-Feldt 9,487 2,000 4,743 5,832 ,065
Límite-inferior 9,487 1,000 9,487 5,832 ,137
Error(FACTOR1) Esfericidad asumida 3,253 4 ,813
Greenhouse-Geisser 3,253 2,897 1,123
Huynh-Feldt 3,253 4,000 ,813
Límite-inferior 3,253 2,000 1,627
Diseño factorial de medidas
repetidas
 Formato del diseño factorial de medidas repetidas,
S xAxB
Tratamientos
A1 A2 … Aj
B1 … Bk B1 … Bk … B1 … Bk Medias
S1 Y111 .. Y11k Y121 .. Y12k … Y1j1 .. Y1jk Y1..
S2 Y211 .. Y22k Y221 .. Y22k … Y2j1 .. Y2jk Y2..
Sujetos

. …………………………………………… .
. …………………………………………… .
. …………………………………………… .
Sn Yn11 .. Yn1k Yn21 ..Yn2k … Ynj1 ..Ynjk Yn..

Medias Y.11 .. Y.12 Y.21 .. Y.2k … Y.j1 .. Y.jk Y…

Diseño factorial mixto
 Estructura del diseño

El diseño factorial mixto combina, en un mismo

experimento, el procedimiento de grupos
independientes y el procedimiento con sujetos
de control propio. Se trata de un diseño donde
están presentes, por lo menos, dos variables
independientes: una variable entre o de
agrupación y una variable intra o de medidas
repetidas
 Ejemplo

Un experimentador pretende estudiar el efecto

que sobre la memoria icónica tienen dos
variables: campo pos-exposición y tiempo de
presentación. De la variable entre, selecciona dos
valores: campo pos-exposición brillante (A1) y
campo pos-exposición oscuro (A2). De la segunda
intra, elige cuatro valores: B1 = 45 c/sg, B2 = 90
c/sg, B3 = 180 c/sg, y B4 = 240 c/sg. ..//..
Para ejecutar este experimento, confecciona
tarjetas donde aparecen letras consonantes,
seleccionadas al azar y las dispone en matrices
3 x 4. La tarea a realizar por los sujetos
consiste en identificar, de forma correcta, la
máxima cantidad de letras. A su vez, decide
que cada sujeto ejecute 40 ensayos (diez
tarjetas por tiempo de presentación). La
variable dependiente es la cantidad de
identificaciones correctas en bloques de 10
ensayos.
 Matriz de datos
DISEÑO FACTORIAL MIXTO
TRATAMIENTOS TOTALES
Nº Suj. B1 B2 B3 B4 Suj. V.A
A1 1 25 26 27 34 112
2 31 35 37 39 142
3 24 33 28 40 125
4 21 30 31 35 117 496
A2 5 13 14 20 30 77
6 16 19 30 38 103
7 31 34 36 41 142
8 21 22 33 38 114 436
TOTALES 182 213 242 295 932
 Modelo de prueba estadística

Paso 1. Formulación de las hipótesis de

nulidad:
H0: α1 = α2 = 0
H0: ß1 = ß2 = ß3 = ß4 = 0
H0: αß11 = αß12 = αß13 = αß14 = αß21 =
αß22 = αß23 = αß24 = 0
Paso 2. A cada hipótesis de nulidad está
asociada la siguiente hipótesis alternativa:

H1: por lo menos una desigualdad

Paso 3. Se asume el modelo ANOVA de
medidas repetidas. El estadístico de la prueba
es la F normal (bajo el supuesto de
homogeneidad y simetría), con un nivel de
significación de α = 0.05. El tamaño de la
muestra experimental es N = an = 8 y la
cantidad de observaciones abn = 32.

Paso 4. Se calcula el valor empírico de F a

partir de la correspondiente matriz de datos del
experimento.
 Modelo estructural del diseño

Yijk = µ + [αj + ηi/j] + [βk + (αβ)jk + (ηβ)ik/j ] + εijk

 ANOVA de medidas repetidas y
supuestos
Yijk = la puntuación del i sujeto bajo el j valor A y
el k valor de B
µ = la media común a todos los datos del
experimento
αj = es el efecto de j nivel de la variable A
ηi/j = el efecto asociado al i sujeto dentro de j nivel
de A
ßk = el efecto del k nivel de B
(αß)jk = el efecto de la interacción de Aj y Bk
(ηß)ik/j = el efecto de la interacción de Si y Bk, intra Aj
εijk = el error de medida
..//..
Dado que sólo hay un dato por casilla
–combinación de S, A y B–, no hay
variabilidad intra-casilla, Así, SxB/A estima la
varianza del error.
Se asume que:
a) ηi ≈ NID(0,ση²)
b) (ηß)ik/j ≈ NID(0,ση ß²)
b) εijk ≈ NID(0,σε²)
 Prueba de esfericidad de Mauchly

Prueba de esfericidad de Mauchlyb

Medida: MEASURE_1

a
Epsilon
Chi-cuadrado Greenhous
Efecto intra-sujetos W de Mauchly aprox. gl Sig. e-Geisser Huynh-Feldt Límite-inferior
FACTOR1 ,783 1,157 5 ,950 ,888 1,000 ,333
Contrasta la hipótesis nula de que la matriz de covarianza de error de las variables dependientes transformadas es
proporcional a una matriz identidad.
a. May be used to adjust the degrees of freedom for the averaged tests of significance. Corrected tests are displayed in the
Tests of Within-Subjects Effects table.
b.
Diseño: Intercept+VA
Diseño intra sujetos: FACTOR1
 Modelo de prueba estadística

Paso 5. De los resultados del análisis, se

infiere la aceptación de la hipótesis de nulidad
para la variable A y su no-aceptación para la
variable B y la interacción AxB, con una
probabilidad de error del 5 por ciento.
 Factor intra-sujetos
Pruebas de efectos intra-sujetos.

Medida: MEASURE_1
Suma de
cuadrados Media
Fuente tipo III gl cuadrática F Sig.
FACTOR1 Esfericidad asumida 878,625 3 292,875 37,723 ,000
Greenhouse-Geisser 878,625 2,664 329,852 37,723 ,000
Huynh-Feldt 878,625 3,000 292,875 37,723 ,000
Límite-inferior 878,625 1,000 878,625 37,723 ,001
FACTOR1 * VA Esfericidad asumida 95,125 3 31,708 4,084 ,022
Greenhouse-Geisser 95,125 2,664 35,712 4,084 ,028
Huynh-Feldt 95,125 3,000 31,708 4,084 ,022
Límite-inferior 95,125 1,000 95,125 4,084 ,090
Error(FACTOR1) Esfericidad asumida 139,750 18 7,764
Greenhouse-Geisser 139,750 15,982 8,744
Huynh-Feldt 139,750 18,000 7,764
Límite-inferior 139,750 6,000 23,292
 Factor entre-sujetos

Pruebas de los efectos inter-sujetos

Medida: MEASURE_1
Variable transformada: Promedio
Suma de
cuadrados Media
Fuente tipo III gl cuadrática F Sig.
Intercept 27495,125 1 27495,125 255,274 ,000
VA 91,125 1 91,125 ,846 ,393
Error 646,250 6 107,708
Medias de grupos de tratamiento

B1 B2 B3 B4
A1 25.25 31 30.75 37
A2 20.25 22.75 30.5 37
Identificaciones correctas
Gráfico de interacción
40
38 37
36
34 30.75
32 31
30
28 30.5 A1 (Campo brillante)
25.25
26 A2 (Campo oscuro)
24
22 22.75
20
18 20.25
16
14
)

g)

g)
/sg

/sg

c/s

c/s
5c

0c

80

40
(4

(9

(1

(2
B1

B2

B3

B4