Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Donde:
Donde:
a es el número de situaciones diferentes o valores del factor se están
comparando.
b es el número de mediciones en cada situación se hacen o número de valores
disponibles para cada valor del factor.
Así lo que un simple test a partir de la F de Snedecor puede decidir si el factor o
tratamiento es estadísticamente significativo.
Existen tres clases conceptuales de estos modelos:
El Modelo de efectos fijos: asume que los datos provienen de poblaciones
normales las cuales podrían diferir únicamente en sus medias. (Modelo 1)
El Modelo de efectos aleatorios: asume que los datos describen una jerarquía
de diferentes poblaciones cuyas diferencias quedan restringidas por la jerarquía.
Ejemplo: El experimentador ha aprendido y ha considerado en el experimento sólo
tres de muchos más métodos posibles, el método de enseñanza es un factor
aleatorio en el experimento. (Modelo 2)
El Modelo de efectos mixtos: describe situaciones que éste puede tomar.
Ejemplo: Si el método de enseñanza es analizado como un factor que puede influir
donde están presentes ambos tipos de factores: fijos y aleatorios. (Modelo 3)
La técnica fundamental consiste en la separación de la suma de cuadrados (SS,
'sum of squares') en componentes relativos a los factores contemplados en el
modelo. Como ejemplo, mostramos el modelo para un ANOVA simplificado con un
tipo de factores en diferentes niveles. (Si los niveles son cuantitativos y los efectos
son lineales, puede resultar apropiado un análisis de regresión lineal)
Tipos de modelo
Modelo I: Efectos fijos
El modelo de efectos fijos de análisis de la varianza se aplica a situaciones en las
que el experimentador ha sometido al grupo o material analizado a varios factores,
cada uno de los cuales le afecta sólo a la media, permaneciendo la "variable
respuesta" con una distribución normal.
Modelo II: Efectos aleatorios (componentes de varianza)
Los modelos de efectos aleatorios se usan para describir situaciones en que
ocurren diferencias incomparables en el material o grupo experimental. El ejemplo
más simple es el de estimar la media desconocida de una población compuesta de
individuos diferentes y en el que esas diferencias se mezclan con los errores del
instrumento de medición.
Este modelo se supone cuando el investigador está interesado en una población
de niveles, teóricamente infinitos, del factor de estudio, de los que únicamente una
muestra al azar (t niveles) están presentes en el experimento.
Condiciones para aplicar el análisis de variables
En estadística, para poder aplicar el análisis de varianza (ANOVA) deben
cumplirse una serie de supuestos:
Normalidad: Esto quiere decir que las puntuaciones en la variable dependiente
(por ejemplo la ansiedad) deben seguir una distribución normal. Este supuesto se
comprueba mediante las llamadas pruebas de bondad de ajuste.
Independencia: Implica que no exista autocorrelación entre las puntuaciones,
es decir, la existencia de independencia de las puntuaciones entre sí. Para
asegurarnos del cumplimiento de este supuesto, deberemos realizar un MAS
(muestreo aleatorio simple) para seleccionar la muestra que vamos a estudiar o
sobre la que vamos a trabajar.
Homocedasticidad: Este término significa “igualdad de varianzas de las
subpoblaciones”. La varianza es un estadístico de variabilidad y dispersión, y
aumenta cuanto mayor sea la variabilidad o dispersión de las puntuaciones.
El supuesto de homocedasticidad se comprueba mediante la Prueba de Levene o
la de Barlett. En caso de no cumplirlo, otra alternativa es realizar una
transformación logarítmica de las puntuaciones.
Otros supuestos
Los supuestos anteriores deben cumplirse cuando se emplea el análisis de
varianza (ANOVA) intergrupal. Sin embargo, cuando se utiliza un ANOVA
intragrupo, deben cumplirse los supuestos anteriores y dos más:
Esfericidad: Si no se cumple, indicaría que las diferentes fuentes de error
correlacionan entre sí. Una posible solución si eso pasa es realizar un MANOVA
(Análisis Multivariado de la Varianza).
Aditividad: Supone la no interacción sujeto x tratamiento; si se incumple
engrosaría la varianza error.
El Análisis de Varianza (ANOVA) es un tipo de prueba paramétrica. Esto quiere
decir que deben cumplirse una serie de supuestos para aplicarla, y que el nivel de
la variable de interés debe ser, como mínimo, cuantitativo (es decir, como mínimo
de intervalo, por ejemplo el coeficiente intelectual, donde existe un 0 relativo)
Técnicas de análisis de varianza
Las primeras técnicas de análisis de varianza fueron desarrolladas en los años ‘20
y ‘30 por R.A. Fisher, un estadístico y genetista. Es por ello que el análisis de
Varianza (ANOVA) también se conoce como “Anova de Fisher” o “análisis de
varianza de Fisher”; esto también es debido al uso de la distribución F de Fisher
(una distribución de probabilidad) como parte del contraste de hipótesis.
El análisis de varianza (ANOVA) surge de los conceptos de regresión lineal. La
regresión lineal, en estadística, es un modelo matemático que se utiliza para
aproximar la relación de dependencia entre una variable dependiente Y (por
ejemplo la ansiedad), las variables independientes Xi (por ejemplo diferentes
tratamientos) y un término aleatorio.
Función de esta prueba paramétrica
Así, un análisis de varianza (ANOVA) sirve para determinar si diferentes
tratamientos (por ejemplo, tratamientos psicológicos) muestran diferencias
significativas, o si por el contrario, puede establecerse que sus medias
poblaciones no difieren (son prácticamente iguales, o su diferencia no es
significativa). Es decir, se utiliza la ANOVA para contrastar hipótesis acerca de
diferencias de medias (siempre más de dos). El ANOVA implica un análisis o
descomposición de la variabilidad total; ésta, a su vez, se puede atribuir
principalmente a dos fuentes de variación:
*Variabilidad intergrupo
* Variabilidad intragrupo o error
Tipos de ANOVA
Existen dos tipos de análisis de varianza (ANOVA):
Anova I
Cuando solo existe un criterio de clasificación (variable independiente; por
ejemplo, tipo de técnica terapéutica). A su vez, puede ser intergrupo (existen
varios grupos experimentales) e intragrupo (existe un único grupo experimental).
Anova II
En este caso, hay más de un criterio de clasificación (variable independiente).
Igual que en el caso anterior, esta puede ser intergrupo e intragrupo.
Referencias bibliográficas
https://psicologiaymente.com/cultura/analisis-de-varianza-anova