TEMA 3: ANÁLISIS DE VARIANZA DE DOS FACTORES

PARTE 2

1. INTRODUCCIÓN AL ANÁLISIS DE VARIANZA DE DOS FACTORES

• Hasta ahora hemos visto situaciones en las que se estudiaba el efecto de una sola
variable independiente (VI) sobre una variable dependiente (VD).

• Sin embargo, existen situaciones en las que el investigador está interesado en el

efecto de más de una VI. En estas situaciones se aplica el ANOVA de dos
factores.

• Ejemplo:

Un grupo de investigadores quiere analizar el efecto de diversos tratamientos para

la hipertensión arterial. Para ello se divide a un grupo de 90 pacientes en tres
grupos (grupo A: control; grupo B: medicamento X; grupo C: medicamento Y) y se
comprueba la presión arterial. Se podría plantear que, quizás, la evolución de la
misma fuera diferente para los hombres y las mujeres, así que consideran incluir
también la variable sexo para analizar su influencia.

VD cuantitativa: presión arterial.

Dos VIs cualitativas (o factores): el tipo de tratamiento (tres niveles: grupo A,

grupo B y grupo C) y el sexo (dos niveles: hombre y mujer).

2. EFECTOS PRINCIPALES, EFECTOS SIMPLES E INTERACCIÓN

• Los modelos factoriales de análisis de varianza, entre los que se encuentra el

ANOVA de dos factores, son ampliamente utilizados como estrategia de análisis de
datos en muy diversas áreas de conocimiento.

• Una de las ventajas de esto modelos es que ofrecen la posibilidad de estudiar el

efecto de la interacción entre factores. Concretamente, en el ANOVA de dos
factores hay que considerar los siguientes efectos:

• Efectos principales de cada una de las dos VIs analizadas. Es decir, el efecto que
tiene cada una de las VI sobre la VD (sin considerar la otra VI).

• Efectos simples. Corresponden al efecto de una de las VI en cada uno de los

niveles de la otra VI.

• Efecto de interacción. Desde un punto de vista no formal, decimos que existe

interacción entre dos factores o dos VIs cuando el efecto de uno de los factores
sobre la VD no es el mismo en todos los niveles del otro factor. Es decir, el efecto
de una de las VI depende del nivel de la otra.
Ejemplo. Un grupo de investigadores quiere analizar el efecto de diversos tratamientos
para la hipertensión arterial. Para ello se divide a un grupo de 90 pacientes en tres grupos
(grupo A: control; grupo B: medicamento X; grupo C: medicamento Y) y se comprueba la
presión arterial. Se podría plantear que, quizás, la evolución de la misma fuera diferente
para los hombres y las mujeres, así que consideran incluir también la variable sexo para
analizar su influencia.

Ø Efectos principales. Dos posibles efectos principales: el efecto que tiene el tipo de
tratamiento sobre la presión arterial y el efecto que tiene el sexo sobre la presión
arterial.

Ø Efectos simples. Cinco efectos simples: 1) las diferencias en la presión arterial en

el grupo A en función del sexo; 2) las diferencias en la presión arterial en el grupo
B en función del sexo; 3) las diferencias en la presión arterial en el grupo C en
función del sexo; 4) las diferencias en la presión arterial en las mujeres en función
del tipo de tratamiento; 5) las diferencias en la presión arterial en los hombres en
función del tipo de tratamiento.

Ø Efecto de interacción. Un ejemplo de interacción sería si el efecto sobre la presión

arterial de uno de los tratamientos sólo se verificara en uno de los dos sexos.

Otro ejemplo. Supongamos que estamos analizando las diferencias en las calificaciones
de la PEvAU (Pruebas de Evaluación Bachillerato para Acceso a la Universidad) y
queremos ver si hay diferencias considerando dos variables: 1) Modalidad de Bachillerato
(Ciencias o Humanidades) y 2) Sexo (Chicas o Chicos). Supongamos que recogemos una
muestra y obtenemos las siguientes puntuaciones medias:

Ciencias Humanidades

Chicas 6 8

Chicos 7 5

Efectos principales. El primer efecto principal que podríamos analizar es la diferencia de

calificaciones en función de la “modalidad de bachillerato”. Hacemos el promedio de
todos/as los/as alumnos/as de ciencias (primera columna) y el promedio de todos/as los/as
alumnos/as de humanidades (segunda columna).

Ciencias Humanidades
Chicas 6 8
Chicos 7 5
6,5 6,5
Efectos principales. El otro efecto principal que podríamos analizar es el efecto de la
variable “sexo” sobre las puntuaciones en la PEvAU. En este caso, para analizar estas
diferencias, haremos los promedios por filas. Promediamos las calificaciones de todas las
chicas (independientemente de su modalidad de bachillerato) utilizando los valores de la
primera fila, y las de todos los chicos utilizando los valores de la segunda fila.

Ciencias Humanidades

Chicas 6 8 7

Chicos 7 5 6

En este caso, observamos que sí hay ciertas diferencias (tendríamos posteriormente que
analizar si estas diferencias son significativas). Pero de forma intuitiva, podríamos “inferir”
que hay efecto principal de la variable “sexo” (las chicas obtienen puntuaciones más altas
que los chicos) en las calificaciones de la PEvAU.

Efectos simples. Además de los efectos principales, en un ANOVA de dos factores

podemos analizar los efectos simples. Estos son los efectos que una VI tiene en cada uno
de los niveles de la otra VI. En un ANOVA 2x2 (dos VIs con dos niveles cada una,
encontraremos 4 efectos simples).

1º. Efecto de la modalidad de bachillerato sobre las puntuaciones en la PEvAU en las

chicas:

Ciencias Humanidades

Chicas 6 8

Chicos 7 5

¿Hay diferencias en las puntuaciones en la PEvAU en las chicas según la modalidad de

bachillerato?

2º. Efecto de la modalidad de bachillerato sobre las puntuaciones en la PEvAU en los

chicos:

Ciencias Humanidades

Chicas 6 8

Chicos 7 5

¿Hay diferencias en las puntuaciones en la PEvAU en los chicos según la modalidad de

bachillerato?
3º. Efecto del sexo sobre las puntuaciones en la PEvAU en los/as alumnos/as de
humanidades:

Ciencias Humanidades
Chicas 6 8
Chicos 7 5

¿Hay diferencias en las puntuaciones en la PEvAU entre los chicas y los chicos que han
realizado la modalidad de bachillerato de humanidades?

4º. Efecto del sexo sobre las puntuaciones en la PEvAU en los/as alumnos/as de ciencias:

Ciencias Humanidades

Chicas 6 8

Chicos 7 5

¿Hay diferencias en las puntuaciones en la PEvAU entre los chicas y los chicos que han
realizado la modalidad de bachillerato de ciencias?

Efecto de interacción. En un ANOVA de dos factores, existe efecto de interacción entre

dos VIs (o factores) cuando el efecto de una de las VI sobre la VD no es el mismo en todos
los niveles de la otra VI. Por ejemplo, recordad que había efecto principal de la variable
sexo (con puntuaciones de las chicas superiores a las de los chicos). Pero este efecto, ¿es
igual en ambas modalidades de bachillerato?

Ciencias Humanidades

Chicas 6 8 7

Chicos 7 5 6

No, vemos que en los/as alumnos/as de humanidades, las puntuaciones son superiores en
las chicas, mientras que en el caso de los/as alumnos/as de ciencias sucede al contrario.
Éste sería un efecto de interacción.
IMPORTANTE: Resaltar que cuando en un ANOVA de dos factores encontramos un
efecto de interacción, no procede interpretar los efectos principales.

Análisis de la interacción a través de la inspección de la gráfica de medias

Una forma visual de analizar los posibles efectos de interacción es a través de la gráfica de
medias marginales.
Caso 1. No hay ningún efecto. Supongamos que obtenemos una nueva muestra y que los
datos que obtenemos son los siguientes. Cuando representamos estos datos en la gráfica de
medias marginales, todos los grupos puntúan igual. No hay efecto principal de ninguna de
las dos VIs, ni efecto de interacción:

Ciencias Humanidades

Chicas 5 5
Chicos 5 5

No hay ningún efecto

Caso 2. Efecto principal de una de las VI. Supongamos que obtenemos una nueva
muestra y que los datos que obtenemos son los siguientes:

Ciencias Humanidades
Chicas 3 7
Chicos 3 7

Efecto de la VI modalidad de bachillerato

Ciencias Humanidades
Chicas 3 3
Chicos 7 7

Caso 3. Efecto principal de las dos VIs. Supongamos que obtenemos una nueva muestra
y que los datos que obtenemos son los siguientes:

Ciencias Humanidades
Chicas 4 8
Chicos 2 6

Efecto de ambas VIs, pero sin efecto de interacción

 Caso 4. Efecto de interacción sin efecto principal de las VIs. Supongamos que
obtenemos una nueva muestra y que los datos que obtenemos son los siguientes:

Ciencias Humanidades
Chicas 6 4
Chicos 4 6

No hay efecto principal, pero sí interacción

Caso 5. Efecto de interacción y efecto principal de algunas de las VIs. Supongamos que
obtenemos una nueva muestra y que los datos que obtenemos son los siguientes:

Ciencias Humanidades
Chicas 4 6
Chicos 0 10

Efecto principal de modalidad de bachillerato e

interacción

Ciencias Humanidades
Chicas 10 6
Chicos 0 4

Efecto principal de sexo e interacción

3. MODELO LINEAL GENERAL EN EL ANOVA DE DOS FACOTRES

yijk = μ + αi + ßj + (αß)ij + εijk

μ es una constante que representa la media global
αi representa el efecto del nivel i del factor A (primera VI)
ßj representa el efecto de nivel j del factor B (segunda VI)
(αß)ij representa la interacción del nivel i del factor A con el j del factor B
εijk es el efecto del azar y se considera N(0, σ)

VariabilidadVD (TOTAL) = VFACTOR A (ENTRE) + VFACTOR B (ENTRE) + VINTERACCIÓN + VERROR (INTRA)

Cada una de estas fuentes de variabilidad llevan a calcular un sumatorio cuadrado o suma
de cuadrados (SC). En el ANOVA de dos factores, la variabilidad total observada se
descompone en cada una de estas fuentes y a través del cálculo de medidas de variabilidad
(suma de cuadrados y medias cuadráticas) podemos analizar el efecto que tiene cada uno
de estos términos.
4. TABLA DE ANOVA DE DOS FACTORES Y TOMA DE DECISIONES

En el ANOVA de dos factores estamos interesados en contrastar varios grupos de

hipótesis:

1. Contraste de hipótesis referente al factor A. Para probar las siguientes hipótesis:

H0: α1 = α2 = … = αG à Las medias correspondientes a los niveles del factor A son

iguales. En el ejemplo anterior, las puntuaciones medias en la PEvAU serían
iguales en chicos y chicas.

H1: No todas αG son iguales à Hay efecto principal del factor A. En el ejemplo
anterior, existirían diferencias estadísticamente significativas en las puntuaciones
medias en la PEvAU entre chicos y chicas.

2. Contraste de hipótesis referente al factor B. Para probar las siguientes hipótesis:

H0: ß1 = ß2 = … = ßG à Las medias correspondientes a los niveles del factor B son

iguales. En el ejemplo anterior, las puntuaciones medias en la PEvAU serían
iguales en los/as alumnos/as de ciencias y humanidades.

H1: No todas ßG son iguales à Hay efecto principal del factor B. En el ejemplo
anterior, existirían diferencias estadísticamente significativas en las puntuaciones
medias en la PEvAU entre los/as alumnos/as de ciencias y humanidades.

3. Contraste de hipótesis sobre interacción. Para probar las siguientes hipótesis:

H0: (αß)ij = 0 à No hay efecto de interacción.

H1: No todas (αß)ij son iguales à Hay efecto de interacción. Por ejemplo, que en
los/as alumnos/as de humanidades las puntuaciones sean superiores en las chicas,
pero en el caso de los/as alumnos/as de ciencias suceda al contrario (sean superiores
en los chicos).

Para este conjunto de hipótesis calculamos el estadístico F observada del factor A (FobsA),
del factor B (FobsB) y de la interacción (FobsI).

La tabla del ANOVA de dos factores quedaría de la siguiente forma:

a = número de niveles del Factor A.

b = número de niveles del Factor B.
N = número totales de observaciones o sujetos.
Cada una de estas filas se ocupa de una de las fuentes de variación a tener en cuenta en el
ANOVA de dos factores. La fila del Factor A se utilizará para contrastar las hipótesis
relativas al factor A, la fila del Factor B para contrastar la hipótesis relativa al factor B y
la fila de la Interacción para contrastar las hipótesis con relación al efecto de interacción.

Para llegar a la toma de decisiones, en cada fila se transforma la suma de cuadrados (SC)
en medias cuadráticas (CM o MC) a través del cálculo de los grados de libertad. Al
dividir en cada componente las sumas cuadráticas o suma de cuadrados (SC) entre los
grados de libertad correspondientes se obtienen las medias cuadráticas (MC o CM).

Finalmente, para poder tomar decisiones en relación a las hipótesis formuladas,

calcularemos tres estadísticos: FobsA (FA), para la hipótesis en relación al factor A; FobsB
(FB), para la hipótesis en relación al factor B; y FobsI (FI), para la hipótesis en relación a la
interacción. Todos se calculan dividiendo la media cuadrática correspondiente (CMA,
CMB o CMI) entre la media cuadrática error (CME).

• Cada una de las F observadas, habrá que compararlas con el valor de F teórica
que localicemos en la tabla de la distribución F de Snedecor.

• Recordemos que el valor de la F teórica corresponde con el punto crítico, el punto

divide la zona de rechazo de la zona de aceptación.

• Recordemos también que la distribución F de Snedecor es una distribución

asimétrica positiva y que la zona de rechazo siempre queda a la derecha (en la
parte superior del eje).

• Para cada fuente de variación (factor A, factor B e interacción), tenemos que

localizar un valor de la F teórica.

• Los grados de libertad de cada F teórica corresponden a los grados de libertad del
numerador y denominador usados para cada F observada.

• Cuando tengamos las tres F observadas (Fobs) y las tres F teóricas (Ft), las
compararemos entre ellas (cada una con su correspondiente), para tomar la decisión
en cada uno de los conjuntos de hipótesis. Recordemos que las posibilidades son
las siguientes:
 Ø Fobs > Ft: Rechazo la hipótesis nula (H0) y concluyo que la variable
independiente (la que se esté comparando en ese momento) influye sobre la
dependiente. La variación entre los grupos es superior a la variación dentro de
los grupos. Cuando comparemos las F observada y F teórica correspondiente a
la interacción afirmaremos que hay efecto de interacción.
Ø Fobs ≤ Ft: Mantengo la hipótesis nula (H0) y concluyo que la variable
independiente (la que se esté comparando en ese momento) no influye sobre la
dependiente. La variación entre los grupos no es superior a la que existe dentro
de los grupos. Cuando comparemos las F observada y F teórica correspondiente
a la interacción afirmaremos que no hay efecto de interacción.

EJEMPLO. Con el fin de estudiar el efecto de ciertas variables motivacionales sobre el

rendimiento en tareas de logro, un psicólogo diseñó dos programas de entrenamiento
motivacional (A1 instrumental, A2 atribucional) y los aplicó a dos grupos de 15 sujetos
seleccionados al azar. También utilizó un tercer grupo de 15 sujetos que no recibió
tratamiento, actuando como grupo control (A3). Asimismo, el psicólogo quiso comprobar
el efecto que provocaba el clima de clase en el rendimiento (B1 cooperativo, B2
competitivo y B3 individual). El psicólogo obtuvo los siguientes resultados:

Utilizando un nivel de significación de 0.05 ¿qué concluirá el psicólogo sobre el efecto de

las VIs utilizadas y la interacción?

VD cuantitativa: Rendimiento en tareas de logro.

Dos VIs cualitativas (o factores): el programa de entrenamiento motivacional (tres

niveles: A1-instrumental, A2-atribucional y A3-grupo control) y el clima de clase (tres
niveles: B1-cooperativo, B2-competitivo y B3-individual).

• Para considerar los efectos de cada una de estas VIs, así como el efecto de interacción,
realizamos un ANOVA de dos factores. En este ANOVA de dos factores vamos a
contrastar tres conjuntos de hipótesis:

Ø Para el factor A (entrenamiento motivacional):

H0: α1 = α2 = … = αG à Las medias correspondientes a los niveles del factor A
son iguales.
H1: No todas αG son iguales à Hay efecto principal del factor “entrenamiento
motivacional”.

Ø Para el factor B (clima de clase):

H0: ß1 = ß2 = … = ßG à Las medias correspondientes a los niveles del factor B
son iguales.
H1: No todas ß G son iguales à Hay efecto principal del factor “clima de clase”.
 Ø Para la interacción:
H0: (αß)ij = 0 à No hay efecto de interacción.
H1: No todas (αß)ij son nulas à Hay efecto de interacción.

• En la tabla del ANOVA contamos con 5 filas, que corresponden a las 5 fuentes de
variación: variabilidad total, variabilidad debida al factor tipo de entrenamiento (factor
A), variabilidad debida al factor clima de clase (factor B), variabilidad debida a la
interacción y variabilidad error. Teniendo el valor de la suma de cuadrados (SC) de
cada fuente de variación, vamos a calcular el resto de elementos de la tabla.
Comenzamos con los grados de libertad (Gl):

Grados de libertad del factor A: (a-1) número de niveles de factor 3 – 1 = 2.

Grados de libertad del factor B: (b-1) número de niveles de factor 3 – 1 = 2.
Grados de libertad de la interacción: multiplicamos los dos anteriores: (3-1) (3-1) = 4.
Grados de libertad total: número total de observaciones o sujetos – 1: 45 – 1 = 44.
Grados de libertad del error: restamos a los grados de libertad totales el resto: 44 – 8 =
36.

• Una vez tenemos los valores de los grados de libertad, podemos calcular las medias
cuadráticas (MC) de cada fuente de variación dividiendo cada Suma de Cuadrados
(SC) entre sus grados de libertad:

• Finalmente obtenemos tres valores de F observada, una para el factor “entrenamiento

motivacional”, otra para el factor “clima de clase” y otra para la interacción. Las F
observadas se calculan dividiendo la MC correspondiente entre la MC error:
• Cada uno de los valores de la F observada lo utilizaremos para tomar una decisión en
cada conjunto de hipótesis.

• Para el factor A (entrenamiento motivacional), el valor de Fobs = 27.55. Este valor lo

comparamos con el valor de Ft con 2 y 36 grados de libertad. Para localizar los grados
de libertad, utilizamos los grados de libertad del numerador (gl factor A) y los grados
de libertad de denominador (gl error). Es decir, buscamos en la tabla para el nivel de
significación 0.05 la Ft (2, 36), que es = 3.23.

Como el valor de la Fobs (27.55) es mayor que el obtenido para la Ft (3.23) rechazo la
hipótesis nula, pudiendo afirmar (siempre que no exista efecto de interacción) que
hay un efecto principal del factor “entrenamiento motivacional” en el rendimiento en
tareas de logro (VD).

• Para el factor B (clima de clase) el valor de Fobs = 15.74. Este valor lo comparamos con
el valor de Ft con 2 y 36 grados de libertad. Para localizar los grados de libertad,
utilizamos los grados de libertad del numerador (gl factor B) y los grados de libertad de
denominador (gl error). Es decir, buscamos en la tabla para el nivel de significación
0.05 la Ft (2, 36), que es = 3.23.

Como el valor de la Fobs (15.74) es mayor que el obtenido para la Ft (3.23) rechazo la
hipótesis nula, pudiendo afirmar (siempre que no exista efecto de interacción) que
hay un efecto principal del factor “clima de clase” en el rendimiento en tareas de
logro (VD).

• Para la interacción el valor de Fobs = 3.93. Este valor lo comparamos con el valor de Ft
con 4 y 36 grados de libertad. Para localizar los grados de libertad, utilizamos los
grados de libertad del numerador (gl interacción) y los grados de libertad de
denominador (gl error). Es decir, buscamos en la tabla para el nivel de significación
0.05 la Ft (4, 36), que es = 2.61.

Como el valor de la Fobs (3.93) es mayor que el obtenido para la Ft (2.61) rechazo la
hipótesis nula, pudiendo afirmar que existe efecto de interacción.

*Debido a que existe efecto de interacción no tiene sentido interpretar los efectos
principales, siendo por tanto el efecto de interacción el que se debe analizar a través de
las comparaciones múltiples a posteriori.

5. COMPARACIONES MÚLTIPLES A POSTERIORI

• Cuando se estudió el ANOVA de un factor completamente aleatorizado vimos que

un valor de F observada mayor que el valor de F teórica indica que hay diferencias
estadísticamente significativas entre las medias (entre los grupos) pero no nos dice
entre qué medias está o están las diferencias.

• En el caso del ANOVA de dos factores las comparaciones múltiples a posteriori

también nos van a permitir saber dónde se producen los efectos de interacción.

• El análisis de interacción se lleva a cabo mediante el análisis de los efectos

simples de interacción. Para ello, a través de las comparaciones múltiples a
 posteriori se contrasta, de forma independiente, los efectos de una VI o factor en
cada uno de los niveles de la otra VI.

• Por tanto, considerando el ejemplo, en primer lugar, se compararán los efectos del
entrenamiento motivacional en cada nivel de clima (B1 cooperativo, B2
competitivo y B3 individual) y, a continuación, los efectos del clima dentro de cada
nivel de entrenamiento motivacional (A1 instrumental, A2 atribucional, A3
control).

Análisis de los efectos simples del entrenamiento motivacional en cada nivel de clima

Este análisis nos permitirá saber si, dentro de cada nivel de clima (cooperativo,
competitivo e individual) existen diferencias estadísticamente significativas en rendimiento
en tareas de logro en función del entrenamiento motivacional (instrumental, atribucional y
grupo control). Por tanto, llevaremos a cabo 9 pares de comparaciones y para cada una de
ellas tendremos un p-valor. Los pares de comparaciones serán los siguientes:

Por ejemplo, en la primera comparación

contrastaremos si existen diferencias en
rendimiento en tareas de logro en los que
tienen un clima de clase cooperativo entre
los que han participado en el programa de
entrenamiento motivacional instrumental y
los que han participado en el programa de
entrenamiento motivacional atribucional. Si
p-valor es menor de α (0.05) rechazaremos
la hipótesis nula y concluiremos que hay
diferencias entre ambos grupos en la VD.

Por ejemplo, en la primera comparación

contrastaremos si existen diferencias en
rendimiento en tareas de logro en los que han
participado en el programa de entrenamiento
motivacional instrumental entre los que tiene
un clima de clase cooperativo y competitivo.
Si p-valor es menor de α (0.05) rechazaremos
la hipótesis nula y concluiremos que hay
diferencias entre ambos grupos en la VD.

*Las comparaciones múltiples a posteriori las

llevaremos a cabo a través del programa
estadístico SPSS.

6. TAMAÑO DEL EFECTO

• Una vez que se ha determinado que hay algún tipo de efecto (efectos principales o
efectos simples de interacción), se puede determinar el tamaño del efecto, al igual
que se hacía con el ANOVA de un factor.
• El tamaño del efecto es un indicar de cómo de importante es el efecto o los
efectos (en el caso del ANOVA de dos factores) o cómo es la magnitud de las
diferencias. El estadístico del tamaño del efecto derivado del análisis de varianza
es la eta al cuadrado (η²).

• En el caso de ANOVA de dos factores, dependiendo de donde se encuentre el

efecto, el tamaño del efecto se puede estimar para los dos efectos principales (A y
B) o para el efecto de interacción. Por lo tanto, se pueden estimar hasta tres
tamaños del efecto mediante eta cuadrado:
2
η EFECTOA
= SCEFECTOA/SCTOTAL
2
η EFECTOB
= SCEFECTOB/SCTOTAL
2
η EFECTOAB
= SCEFECTOAB/SCTOTAL

• Los valores que puede tomar η² oscilan de 0 a 1, expresando la proporción de

varianza de la variable dependiente que puede ser explicada por el efecto del factor
A, factor B o de la interacción (A·B).

• Con los datos del ejemplo expuesto anteriormente para el ANOVA de dos factores,
el tamaño del efecto de la interacción medido a través de eta cuadrado sería:

η2EFECTOAB = 20/176 = .11

• Recordemos que una guía para orientar a partir de qué valores se puede considerar
un tamaño del efecto pequeño, medio o grande, es la siguiente:

• Valores de η² de .01 à Tamaño del efecto pequeño

• Valores de η² de .06 à Tamaño del efecto medio
• Valores de η² de .14 à Tamaño del efecto grande

• Por tanto, en el ejemplo el tamaño del efecto de la interacción es medio.

• Para el ANOVA de dos factores la estimación del tamaño del efecto también se
puede llevar a cabo mediante eta cuadrado parcial (η2p).

• Se trata de la proporción de varianza explicada por el efecto (efecto del factor A,

efecto del factor B o efecto de la interacción) más la del error que se puede atribuir
a dicho efecto o fuente de varianza.

• Para ello, se divide la suma de cuadrados del efecto a estimar entre la suma de
cuadrados de dicho efecto más la suma de cuadrados del error. En el ANOVA de
dos factores se pueden estimar hasta tres tamaños del efecto mediante eta cuadrado
parcial:
2
η pEFECTOA
= SCEFECTOA/(SCEFECTOA + SCERROR)
2
η pEFECTOB
= SCEFECTOB/(SCEFECTOB + SCERROR)
2
η pEFECTOAB
= SCEFECTOAB/(SCEFECTOAB + SCERROR)