Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!

ANOVA  mul)factorial  

Dept. of Marine Science and Applied Biology

Jose Jacobo Zubcoff
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!

Se puede examinar más de un factor simultáneamente (ANOVA de 2

factores, de 3 factores, etc.)

¿Por qué un único análisis para dos factores, en vez de dos análisis
separados?

•  eficacia
•  disminuir la probabilidad de cometer un error Tipo I
•  mayor información (efecto combinado de los factores)
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!

Ejemplo de diseño de 2 factores:

Hipótesis 1: la abundancia total de los peces

litorales mediterráneos responde a la
protección pesquera en las reservas marinas
R3

R2 Hipótesis 2: pueden haber diferencias

R1 regionales de abundancia, achacables a
variaciones puramente espaciales (debidas a
otros factores además de la protección)
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!

Tenemos dos factores experimentales:

nivel de protección P P NP p=2

región R R1 R2 R3 R1 R2 R3 r=3

réplicas
n=3

R1 R2 R3

P n n n

NP n n n

DISEÑO ORTOGONAL
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!

Diseño ortogonal
•  Buscamos explorar más de un factor experimental simultáneamente y en
combinación
•  Cada nivel de un factor está presente en el experimento en combinación
con cada nivel del otro factor (ortogonalidad)
•  Debemos asegurar la ortogonalidad con el fin de investigar las
interacciones entre factores

R1

R2

R3
P NP P NP
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!

Diseños Factoriales

•  Mas de un factor a la vez Diseño Factorial

•  Los efectos de un factor deben tener en cuenta los efectos de
otros factores. (mas real)
•  Cada observación proporciona información sobre todos los
factores Son experimentos mas eficientes
•  Se pueden estudiar las respuestas de un factor en diferentes
niveles de otro
•  Cuando los efectos de dos o mas factores no son
independientes Interacción
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!

Análisis para 2 factores

Posibles efectos de un factor
•  Efecto: Es un cambio en la respuesta medida ocasionado por
un cambio en el nivel de ese factor
•  Efectos Simples: comparaciones entre niveles de un factor
(contrastes)
•  Efectos principales: de un factor son comparaciones entre
los niveles de un factor promediados para todos los niveles
de otro factor
•  Efectos de Interacción: son las diferencias entre efectos
simples
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!

Ejemplo para Diseño factorial 2 x 2

B
B1 B2 Medias del
A Factor A

A1 68 60 64
EFECTO SIMPLE EFECTO
A2 65 97 81 PRINCIPAL

Medias del 66.5 78.5

Factor B
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!

Ejemplo para Diseño factorial 2 x 2

•  Efectos Simples: (para factor A) B

A B1 B2 Medias del

l1 µ21 - µ11 = 65 – 68 = -3
= A1 68 60
Factor A

64.0

Ef. 97 Ef.
l2 = µ22 - µ12 = 97 – 60 = 37 A2
Medias del
65

66.5 simple
78.5
81.0
princ.
Factor B

•  Efectos principales: (promedio de los dos efectos)

97
l3 = µ2. - µ1. = 81 – 64 = 17 Ef. B1
simple
68
B2
•  Efectos de Interacción: 65
60

l4 = 2 l - l1 = 37 – (-3) = 40 A1 A2
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!

Y el efecto del error aleatorio ¿cómo se mide?

B
B1 B2 Medias del
A Factor A
Error aleatorio r1

A1 68 r2 60 64
rn EFECTO
A2 65 97 81 PRINCIPAL

Medias del 66.5 78.5

Factor B
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!

Diseño ortogonal

¿Cuándo un factor es fijo?

Y ¿cuándo es aleatorio?

Ejemplos: Niveles de protección, Regiones, Estaciones, Años, etc.

Un factor será fijo si nos interesa saber si existen subconjuntos

homogéneos (hacer un contraste a posteriori).
En otro caso, será aleatorio.

El análisis con factores fijos es más potente, pero requiere más análisis
a posteriori, no siempre justificado y no siempre racional.
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!

Diseño ortogonal
•  Hipótesis nula:

H01: µ1 = µ2 = … = µi = … = µa
2º) Efectos
de los factores H02: µ1 = µ2 = … = µj = … = µb

Ef. de la H : las diferencias entre niveles del factor A son independientes de

1º) 03
Interacción las diferencias entre niveles del factor B

•  En nuestro ejemplo:
H01: µ1 = µ2 = µ3
H02: µ1 = µ2
H03: las diferencias entre niveles del factor P son independientes de
las diferencias entre niveles del factor R
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!

Diseño ortogonal

•  Modelo lineal:

X
Xijk = µ + Ai +Bj + ABij + ek(ij)

Aditividad y Efectos de los factores:

•  Si no hubiera interacción

µij = µ.. + αi + βj
Siendo: αi = µi. - µ..
βj = µ.j - µ..
•  Los Efectos de los factores son aditivos en ausencia de
Interacción
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!

Diseño ortogonal

•  Modelo lineal:

•  Si no hubiera interacción
X
Xijk = µ + Ai +Bj + ABij + ek(ij)
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!

Diseño ortogonal
•  Modelo lineal:

Xijk = µ + Ai +Bj + ABij + ek(ij)

Si existe la interacción

µij = µ.. + αi + βj + αβij

αβij = (µij - µ.. ) - (µi. - µ.. ) - (µ.j - µ.. )
αβij = (µij - µi. - µ.j + µ.. )

Suma de Cuadrados para los efectos de los factores

Σ Σ Σ(yijk – y…)2 = r Σ Σ(yij. – y…)2 + Σ Σ Σ(yijk – yij.)2
a b r SC Total SC Trat. SC Error
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!

Diseño ortogonal
•  Modelo lineal con interacción:

Xijk = µ + Ai +Bj + ABij + ek(ij)

Prueba de NO Aditividad
Ho: (αβ)ij = µij – µi. – µ.j + µ.. = 0
H1: (αβ)ij = µij – µi. – µ.j + µ.. ≠ 0

Finteracción = CM(AB) / CME

1 F crítico
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!

Diseño ortogonal
•  Modelo lineal con interacción:

Xijk = µ + Ai +Bj + ABij + ek(ij)

Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!

Diseño ortogonal

•  Importancia de definir si los factores considerados son fijos o aleatorios:

Matemáticamente se puede demostrar que el 2º término del estimador de la

SC es 0 cuando el factor es fijo, puesto que…
∑ABij = 0

En cambio, cuando uno de los factores (p.ej. B) es aleatorio, los valores Bj

constituyen una muestra de todos los posibles valores, y el sumatorio de las
interacciones será ≠ 0

En nuestro ejemplo?

Nivel de protección: FIJO

Región: ALEATORIO
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!

Diseño ortogonal:

Fuente de var. g.l. Est. MC

A (a–1) σe2 + nσ2AB + bnk2A

B (b–1) σe2 + anσ2B A fijo
AB (a–1) (b–1) σe2 + nσ2AB B aleatorio
Residual ab(n–1) σ2 e
Total abn–1
A (a–1) σe2 + bnk2A
B (b–1) σe2 + ank2B
(a–1) (b–1) A fijo
AB σe2 + nk2AB
ab(n–1) σe 2 B fijo
Residual
Total abn–1

A (a–1) σe2 + nσ2AB + bnσ2A

B (b–1) σe2 + nσ2AB + anσ2B A aleatorio
AB (a–1) (b–1) σe2 + nσ2AB B aleatorio
Residual ab(n–1)
σ2 e
Total abn–1
(distancia entre g.l.)
 Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!

Diseño ortogonal:
Comparaciones múltiples a posteriori (p.ej. SNK, Bonferroni,Tukey)
H0 no se rechaza Se rechaza H0
(Test no significativo) (Test significativo)

95% family-wise confidence level 95% family-wise confidence level

Lago3-Lago1
Lago3-Lago1

Lago3-Lago2
Lago3-Lago2

Lago4-Lago3
Lago4-Lago3

-2 -1 0 1 -3 -2 -1 0 1

Differences in mean levels of grupo Differences in mean levels of grupo

Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!

Diseño ortogonal:

Comparaciones múltiples a posteriori

Problema de la multiplicidad de tests

Si tenemos 6 test T simultáneos se incrementa el error Tipo I

Solución: corrección de Bonferroni

αB = 0,05 / 6 = 0,00833
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!

Diseño ortogonal:

Comparaciones múltiples a posteriori

A* SNK para A (bn casos)

A x B ns
B* SNK para B (an casos)
ANOVA

AxB* SNK para todas las

combinaciones de A y B STOP
Análisis estadístico y uso de bases de datos ! ! ! ! ! Diseños factoriales!

Diseños ortogonales
•  No hay límites matemáticos a la adición de factores ortogonales; ej:

Xijkl = µ + Ai + Bj + Ck + ABij + ACik + BCjk + ABCijk + el(ijk)

8 combinaciones de tipos de factores: fff

ffa
faf
aff
faa
afa
aaf
aaa

•  Los límites están en… … imaginar las hipótesis subyacentes

… interpretar las interacciones