Documentos de Académico
Documentos de Profesional
Documentos de Cultura
En este tema, vamos a ocuparnos de diseños factoriales con dos o más variables
independientes (VIs). En concreto, aquellos diseños denominados de clasificación cruzada,
en los que todos los niveles de los factores se combinan, o anidan entre sí, para dar lugar a las
condiciones experimentales.
220
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
Estas cuatro condiciones que obedecen al anidamiento de los factores tipo de niño x tipo de
palabra se combinan de esta forma para dar lugar a una tabla 2 x 2. Donde se recogen las
distintas medias relativas a los posibles efectos a detectar en nuestro ejemplo.
B (Tipo de palabra)
Palabra Pseudo-palabra Aj
A Disléxico A1B1 A1B 2 A1
(Tipo de Niño)
No Disléxico A 2 B1 A 2 B2 A2
Bk B1 B2 GM
Si observamos la tabla anterior veremos que hay unas medias marginales de filas (J) y
columnas (K) referidas a las medias de los niveles del factor A (“tipo de niño”) y del factor B
(“tipo de palabra”). Dentro de la tabla tenemos las cuatro medias de las JK condiciones
experimentales. En el anova factorial A x B, como el que nos ocupa, podemos plantearnos la
búsqueda de 3 efectos. 2 efectos principales y un efecto de interacción. Los efectos
principales, ponen a prueba las hipótesis nulas de igualdad de las medias marginales de los
niveles de cada factor, mientras que el efecto de interacción es un poco más complicado de
explicar. Por ello vamos a crear distintas tablas de medias desde las cuales entender dicho
concepto de interacción.Veamos la siguiente tabla donde se presentan las medias de un diseño
A x B (2 x 2).
tabla.1=matrix(c(4,2,5,3),ncol=2)
colnames(tabla.1)=c('B1','B2')
rownames(tabla.1)=c('A1','A2')
tabla.1
B1 B2
A1 4 5
A2 2 3
media.A=apply(tabla.1,1,mean); media.A
A1 A2
4.5 2.5
media.B=apply(tabla.1,2,mean); media.B
B1 B2
3 4
221
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
En las dos gráficas de la izquierda hemos dibujado las medias de las cuatro condiciones
experimentales correspondientes a los valores ficticios de tabla.1. En la primera hemos
puesto fuera de la gráfica (eje X) al factor A, mientras que en la segunda lo hemos hecho con
el B. Tal y como se puede ver en la gráfica superior izquierda, la media de la variable VD es
mayor en A1 que en A2 tanto en B1 como en B2. En la gráfica inferior izquierda, podemos ver
que B1 es menor que B2 tanto en A1 como en A2. En ambas gráficas las líneas son paralelas. En
las gráficas de la derecha, hemos incluido las medias marginales de A y B (línea central de
color negro). Podemos apreciar que este paralelismo nos indica que los efectos de A sobre VD
no se ven afectados por el nivel de B en que nos encontramos ni viceversa.
Para generar las gráficas que acabamos de comentar, hemos usado las siguientes líneas:
mat=matrix(c(1:4),ncol=2,byrow=T)
layout(mat,widths=c(2.5,1),heights=c(1,1))
plot(c(1,2),c(2,5),axes=F, type='n',xlab='A',ylab='media')
axis(1,1:2,labels=c('A1','A2')); axis(2); box()
lines(1:2,tabla.1[,1],col='red',lwd=2)
lines(1:2,tabla.1[,2],lwd=2,lty=2)
lines(1:2,media.A,lwd=4)
plot(0,0,axes=F,type='n',xlab='',ylab='',xlim=c(0,3),ylim=c(2,4))
legend(0,3.5,c('B1','B2'),lty=1:2,col=2:1,lwd=2)
plot(c(1,2),c(2,5),axes=F, type='n',xlab='B',ylab='media')
axis(1,1:2,labels=c('B1','B2')); axis(2); box()
lines(1:2,tabla.1[1,],col='red',lwd=2)
lines(1:2,tabla.1[2,],lwd=2,lty=2)
lines(1:2,media.B,lwd=4)
plot(0,0,axes=F,type='n',xlab='',ylab='',xlim=c(0,3),ylim=c(2,4))
legend(0,3.5,c('A1','A2'),lty=1:2,col=2:1,lwd=2)
Veamos otro ejemplo de tabla de medias de una VD ficticia de nombre vd en las distintas
condiciones experimentales anidadas de A y B.
tabla.2=matrix(c(4,2,3,5),ncol=2)
colnames(tabla.2)=c('B1','B2'); rownames(tabla.2)=c('A1','A2')
222
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
tabla.2
B1 B2
A1 4 3
A2 2 5
media.A=apply(tabla.2,1,mean);media.A
A1 A2
3.5 3.5
media.B=apply(tabla.2,2,mean);media.B
B1 B2
3 4
par(mfrow=c(1,1)) # Retornamos la matriz gráfica 1 ventana.
* Para estas gráficas hemos usado el mismo código que antes aunque sustituyendo tabla.1 por tabla.2.
223
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
En el tema 4 vimos que la variable dependiente Y podía expresarse como una combinación
lineal de tres factores aditivos mediante la ecuación del modelo lineal general.
Yij = µ + α j + εij
Sin embargo, ahora con dos factores, necesitamos incluir en el modelo un término nuevo que
recoja precisamente la influencia de éste:
Yijk = µ + α j + βk + εij
Este nuevo término (βk) es equivalente a la explicación que para αj dimos en su momento pero
en relación al segundo factor. Sin embargo, en este modelo no estamos considerando la
influencia conjunta o efecto atribuible a la combinación de los diferentes niveles de ambos
factores, a la cual llamaremos componente de interacción (αβ)jk.
Yijk = µ + α j + βk + αβ ( ) jk
+ ε ij
α j = µj − µ αˆ j = Y j − Y β k = µk − µ βˆk =Yk − Y
∑α = ∑ β
j
j
k
k =0
Yijk = µ + α j + β k + αβ( ) +ε jk ij
Yijk = Y + (Y − Y )+ (Y − Y )+ (Y
j k jk )(
− Y j − Yk + Y + Yijk − Y jkj )
Yijk − Y = (Y − Y )+ (Y − Y )+ (Y
j k jk
− Y − Y + Y )+ (Y
j k ijk
− Y jk )
∑ ∑ ∑ (Y )=
2
ijk
−Y
i j k
( ) ( ) ( )( )
2
224
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
∑ ∑ ∑ (Y )=
2
ijk
−Y
i j k
( ) + nJ ∑ (Y − Y ) + n∑ ∑ (Y ) + ∑ ∑ ∑ (Y )
2 2 2
nK ∑ Y j − Y
2
k jk
− Y j − Yk + Y ijk
− Y jk
j k j k i j k
SCTotal = SC A + SC B + SC AB + SC Intra
Grados de libertad: SCTotal = N − 1
SC A = J − 1
SCB = K − 1
SC AB = ( J − 1)( K − 1)
SCIntra = N − JK
glTotal = gl A + glB + gl AB + glIntra
Medias Cuadráticas
SC A SC B SC AB SC Intra
MC A = MC B = MC AB = MC Intra =
(J − 1) (K − 1) (J − 1)(K − 1) N − JK
6.1.3. La Tabla resumen del Anova de dos factores de efectos fijos completamente
aleatorizados
Fuente de Sumas Grados de Medias Estadístico
variación cuadráticas libertad Cuadráticas de contraste
SCA MC A
Factor A SCA J −1
J −1 MCIntra
SCB MCB
Factor B SCB K −1
K −1 MCIntra
Interacción SC AB MCAB
( J − 1)( K − 1)
(J − 1)(K − 1)
SCAB
AxB MCIntra
SCIntra
Error SCIntra N − JK
N − JK
Total SCT N −1
225
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
Es el momento de analizar nuestros datos de los 96 niños asignados aleatoriamente a los dos
factores estudiados (Tipo de niño x Tipo de palabra).
dos.factores= lee.archivo.fnc('06_dislexia.Rdata')
tr word niño
1 696.9731 palabra dislex
2 726.0590 palabra dislex
3 752.1260 palabra dislex
4 856.1712 palabra dislex
5 757.4594 palabra dislex
6 865.2772 palabra dislex
La base de datos recoge 3 variables: el tiempo medio de reacción para cada niño (tr), el
grupo de pertenencia de la condición de palabra o pseudopalabra (word) y si el niño es
disléxico o normolector (niño).
#------------------------------------------------------------------
# TABLA DE FRECUENCIAS
#------------------------------------------------------------------
$variables
[1] "word:niño"
$tabla
niño dislex normolector
word
palabra 24 24
pseudo 24 24
226
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
El diagrama de cajas de la interacción, nos informa de que el tiempo de reacción parece ser
“mayor” en los disléxicos que en los normolectores. Además los disléxicos parecen ser
especialmente lentos con la lectura de pseudopalabras. Los normolectores presentan un patrón
similar aunque de menor intensidad y variabilidad que los disléxicos.
#------------------------------------------------------------------
# ESTADISTICOS DESCRIPTIVOS
#------------------------------------------------------------------
*** VD: tr
$niño
dislex normolector
media 1005.582 604.523
dt 411.123 173.996
n 48.000 48.000
$word
palabra pseudo
media 606.151 1003.954
dt 199.615 400.972
n 48.000 48.000
227
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
$`niño-word`
$`niño-word`$media
palabra pseudo
dislex 694.597 1316.566
normolector 517.705 691.342
$`niño-word`$dt
palabra pseudo
dislex 207.475 317.042
normolector 148.504 155.182
$`niño-word`$n
palabra pseudo
dislex 24 24
normolector 24 24
Anticipamos efectos principales tanto del factor tipo de palabra como del tipo de niño dado
que aparentemente las palabras se leen mas rápido que las pseudopalabras y por otra parte los
disléxicos son 400 ms mas lentos que los normolectores. Estas diferencias parecen mas
acusadas en los niños disléxicos que en los normolectores.
Veamos las distintas hipótesis nulas implicadas. En primer lugar definiremos las Ho relativas
a los dos efectos principales de nuestro diseño: Efecto del tipo de niño (niño) y efecto del
factor tipo de palabra (word).
(αβ ) jk =µ jk -µ j -µ k +µ
H 0 ( Niño x Palabra ) :∑ (αβ ) jk = ∑ (αβ ) jk = 0
j k
228
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
B1 B2 AJ
A1 10 20 15
A2 5 15 10
Demostraremos que en esta tabla a pesar de las apariencias, no existe interacción de los
factores A y B (AxB). Veamos por qué.
A1 B1 − A1 B2 = B1 − B2 = −10 A1 B1 − A2 B1 = A1 − A2 = 5
A2 B1 − A2 B2 = B1 − B2 = −10 A1 B2 − A2 B2 = A1 − A2 = 5
#------------------------------------------------------------------
# ANALISIS DE LA VARIANZA
#------------------------------------------------------------------
Response: tr
Sum Sq Df F value Pr(>F)
(Intercept) 11579176 1 244.1621 < 2.2e-16 ***
niño 375492 1 7.9177 0.005986 **
word 4642135 1 97.8855 3.821e-16 ***
niño:word 1206006 1 25.4302 2.291e-06 ***
Residuals 4363020 92
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
La tabla resumen de Anova nos indica que hay efecto principal de todos los factores
implicados así como efecto de interacción niño x word (niño:word). Vemos que hay una suma
de cuadrados residual de 4363020 que dividida por sus grados de libertad (92) genera una
MCintra común a todos los efectos de 47424.13. Este valor es el denominados de cada ratio
F de cada uno de los 3 efectos implicados. La existencia de efectos principales si la
229
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
Solicitamos la interacción desde ambos puntos de vista: niño x word y word x niño. Con el
argumento opcional ylim seleccionamos aquellos valores del eje y (tiempos de reacción) que
mejor representen las variaciones entre los niveles de los factores.
Podemos ver que los tanto los disléxicos como los normolectores tardan “mas” en la lectura
de palabras que en la de pseudopalabras. Sin embargo esta diferencia es aparentemente
“mayor” para los niños disléxicos.
Observa que hemos escrito entre comillas los adjetivos que utilizamos para describir las
diferencias. La razón obviamente está en que esas distancias son absolutamente dependientes
de la escala utilizada para dibujar la gráfica y no necesariamente se corresponden con
diferencias realmente significativas. En apartados posteriores desarrollaremos los contrastes
que nos permitirán decidir con un criterio estadístico si esas distancias son realmente distintas
de cero.
230
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
Al igual que ocurría con el anova unifactorial intergrupo visto en el capítulo anterior, el anova
multifactorial intergrupo, requiere asimismo de la homogeneidad de las varianzas para cada
uno de los efectos estimados. La función Anova.fnc estima de forma automática la prueba
de levene para cada uno de ellos.
$prueba.levene
Levene's Test for Homogeneity of Variance (center = median)
Df F value Pr(>F)
niño 1 34.83 5.662e-08 ***
94
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$prueba.levene
Levene's Test for Homogeneity of Variance (center = median)
Df F value Pr(>F)
word 1 21.353 1.213e-05 ***
94
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$prueba.levene
Levene's Test for Homogeneity of Variance (center = median)
Df F value Pr(>F)
niño:word 3 3.8024 0.01279 *
92
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Todas las varianza son heterogéneas aunque dado que los tamaños de los grupos y
condiciones experimentales son idénticos esta particularidad no debe preocuparnos.
6.1.6. Medida del tamaño del efecto en el ANOVA de dos factores completamente
aleatorizados
Una vez determinados los efectos significativos, debemos, como siempre, calcular las
varianzas asociadas a cada uno de los efectos. Por supuesto, dado que sólo ha resultado ser
significativo el de la interacción esperamos valores muy pequeños para los efectos
principales.
SC A SC B SC AB
η(2A) = η(2B) = η(2AB ) =
SCTotal SCTotal SCTotal
ω (2A) =
( )
SC A − J − 1 ⋅ MC Intra
ω (2B) =
( )
SC B − K − 1 ⋅ MC Intra
MC Intra + SCTotal MCIntra + SCTotal
ω (2AB) =
( )(
SC AB − J − 1 K − 1 ⋅ MC Intra)
MCIntra + SCTotal
231
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
$eta2
eta.sp pnc power.obs
niño 0.03546843 81.4004 1.0000
word 0.43848939 80.0843 1.0000
niño:word 0.11391759 25.4302 0.9988
Vemos que el mayor tamaño de efecto se situa en el factor word (palabra vs pseudopalabra),
seguido de la interacción y por último del tipo de niño.
Otra medida del tamaño del efecto usada comúnmente en los paquetes estadísticos es la η2
parcial, cuya explicación sería la del porcentaje de varianza explicado por el efecto de la parte
no explicada por el resto. Su cálculo tiene el mismo numerado que la η2 semiparcial (varianza
del total que es explicada por el efecto) pero el denominador contiene solamente a la suma
cuadrática del efecto más la del error.
SC Efecto SC Efecto
ηSemiparcial
2
= η Parcial
2
=
SCTotal SC Efecto + SC Error
Dado que el denominador será siempre menor (si hay más de un factor) η2 parcial da siempre
un valor mayor que su relativo semiparcial. Veamos los resultados de η2parcial para nuestra
tabla resumen de Anova. En primer lugar asignaremos todas las varianzas a un solo objeto.
Como puedes comprobar la última suma de cuadrados con valor 4363020 corresponde a error.
Por lo tanto la varianza parcial si observas la fórmula tiene en el denominados cada una de las
sumas de cuadrados de interes mas la de error.
SC= c(375492,4642135,1206006,4363020)
SC.niño=SC[1]/(SC[1]+SC[4]); SC.niño
[1] 0.0792426
SC.word=SC[2]/(SC[2]+SC[4]); SC.word
[1] 0.5154975
SC.word_niño=SC[3]/(SC[3]+SC[4]); SC.word_niño
[1] 0.216556
232
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
Potencia observada.
Como ya sabemos del tema anterior debemos calcular los parámetros de no centralidad
asociados a cada uno de los factores y su interacción para poder así determinar la potencia
observada de cada uno de los efectos del anova ómnibus.
∑∑ (Y j −Y ) ∑∑ (Y −Y ) ∑∑ (Y − Y j − Yk + Y )
2 2 2
σˆ 2 σˆ 2 σˆ 2
σˆ 2 = MCintra
Anova.fnc nos da de forma automática junto a los tamaños de efecto los parámetros de no
centralidad y las potencias observadas a ellos asociados.
$eta2
eta.sp pnc power.obs
niño 0.03546843 81.4004 1.0000
word 0.43848939 80.0843 1.0000
niño:word 0.11391759 25.4302 0.9988
Las potencias observadas para los efectos principales encontrados son muy grandes indicando
claramente que llevamos un número de sujetos superior a los estrictamente necesarios para
detectar ese efecto.
Potencia planeada.
#------------------------------------------------------------------
# Potencia Planeada
#------------------------------------------------------------------
233
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
$pow.planeada
[1] 0.85
$eta2
[1] 0.15
$alfa
[1] 0.05
$tipo
[1] "intergrupo"
$n.condi
[1] 24
La ejecución de nuestra función nos informa de que necesitamos 24 sujetos por condición
experimental para poder detectar dicho efecto (si este existiese) con la confianza y la potencia
deseada (0.95 y 0.85 respectivamente). Ese es el motivo por el que hemos investigado a 96
niños (24x 4 condiciones) para valorar la influencia conjunta del tipo de niño y tipo de palabra
sobre el tiempo de reacción en la lectura.
Las gráficas de intervalos de confianza en los diseños factoriales son muy importantes porque
permiten valorar de forma muy rápida las distancias entre condiciones, tanto para los efectos
principales como para la interacción. Ya comentábamos anteriormente que cuantificar una
interacción desde una gráfica no es conveniente a menos que esta posea los intervalos de
confianza de las JK medias implicadas. Loftus y Masson (2003) desarrollan los algoritmos
necesarios para utilizar la varianza de error del diseño (MCError) como elemento básico del
cálculo de las barras de error de las medias implicadas.
ICJ = Y j ±
MCError
nj
( tcritica,gl = N −J ) ICJK = Y jk ±
MCError
n jk
( tcritica,gl = N − JK )
La fórmula anterior se adapta muy fácilmente para las gráficas de efectos principales
simplemente sustituyendo las medias apropiadas Yj e Yk así como los tamaños por niveles
apropiados (nj y nk).
MCError=47424.13
error.jk=sqrt(MCError/24)*qt(0.975,96-4)
error.jk
[1] 88.28607
La gráfica izquierda nos da las comparaciones entre los niveles de word en cada tipo de
niño. En ella vemos claramente que la diferencia de latencia entre la lectura de
pseudopalabra y palabra es claramente mayor para los niños disléxicos que para los
normolectores. En la gráfica derecha vemos las comparaciones entre niños disléxicos y
normolectores en cada nivel del factor word. En ella vemos que los niños disléxicos son
siempre mas lentos que los normolectores, sin embargo esta diferencia es mas acusada para la
lectura de pseudopalabras.
En este diseño tenemos un 2 x 2, lo cual significa que los efectos principales detectados como
es obvio se sitúan precisamente entre los niveles de cada factor (sólo hay dos niveles por cada
uno). En cualquier caso, como la interacción de ambos ha resultado significativa, no debemos
plantearnos diferencias pos-hoc entre ellos. La naturaleza de dicha diferencia está realmente
explicada en la interacción que vamos a explotar a través de los contrastes de efectos simples
que veremos a continuación. En el caso de factores con más de dos niveles que hubieran
resultado significativos con ausencia de interacción, el proceso de contrastes pos-hoc es
idéntico al planteado en el capítulo anterior para los anovas unifactoriales.
Necesitamos comparar, por tanto, los dos niveles de niño en cada nivel de word y los dos
tipos de word en cada nivel de niño. Para ello simplemente incluiremos el conocido
argumento poshoc con el nombre de la interacción como valor del argumento.
Interaccion: niño:word
palabra
pseudo
1200
1000
VD
800
600
dislex normolector
niño
Por defecto cuando solicitas efectos simples obtendrás la gráfica de interacción de líneas. En
ellas podemos ver lo que ya hemos advertido en la grafica de panel que solicitamos
anteriormente. Esto es que aparentemente tanto los disléxicos como los normolectores tardan
mas en la lectura de pseudopalabras que en la de palabras. Sin embargo observamos un mayor
tamaño del efecto para esa distancia en los niños disléxicos. Los contrastes simples nos
informarán precisamente de la presencia o no de dicha significación.
#------------------------------------------------------------------
# EFECTOS SIMPLES
#------------------------------------------------------------------
$que.vd
[1] "tr"
$interaccion
[1] "niño:word"
236
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
$medias
palabra pseudo
dislex 694.5975 1316.566
normolector 517.7050 691.342
$efectos.simples
$efectos.simples[[1]]
[1] "Contraste_word_en_cada_nivel_de_niño"
$efectos.simples$BinA
$efectos.simples$BinA$dislex
t df eta2 p p.hocberg
palabra-pseudo -8.041831 39.64655 0.62 0 0
$efectos.simples$BinA$normolector
t df eta2 p p.hocberg
palabra-pseudo -3.96034 45.9113 0.255 0.00026 0.00026
Vemos que efectivamente que en las comparaciones del factor word en cada nivel de tipo de
niño encontramos diferencias significativas en ambas comparaciones pero el tamaño del
efecto en los niños disléxicos lo duplica. Es decir la lectura de pseudopalabras es mas lenta en
ambos tipos de niños pero este efecto es mas intenso en los niños disléxicos.
$efectos.simples[[3]]
[1] "Contraste niño_en_cada_nivel_de_word"
$efectos.simples$AinB
$efectos.simples$AinB$palabra
t df eta2 p p.hocberg
dislex-normolector 3.396461 41.6673 0.217 0.00151 0.00151
$efectos.simples$AinB$pseudo
t df eta2 p p.hocberg
dislex-normolector 8.67735 33.42242 0.693 0 0
El otro punto de vista de la interacción está en las dos comparaciones entre los niños
disléxicos y normolectores en cada nivel del factor word (palabra y pseudopalabra). En estos
contrastes vemos que hay diferencias entre disléxicos y normolectores tanto en la lectura de
palabras como de pseudopalabras, pero el tamaño del efecto para ambas comparaciones es
mayor para la lectura de pseudopalabras.
237
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
Ejercicio 1
Deseamos conocer la influencia de un método de afrontamiento de la ansiedad sobre el rendimiento en una tarea
de destreza motora. Como suponemos que el nivel de ansiedad es una variable moduladora de este efecto se
define un factor de nombre ansiedad con 3 niveles: baja, moderada y alta. Se plantea un diseño factorial
completamente aleatorizado entrenamiento x ansiedad (2 x 3). El tamaño de efecto que anticipamos es grande:
η2=0.25 y deseamos una potencia del 85% para una confianza del 95%.
$pow.planeada
[1] 0.85
$alfa
[1] 0.05
$n
[1] 14
Una vez seleccionados a los sujetos (hemos elegido a 15 por condición por si hubiera alguno que fuese
necesario reemplazar por caso extremo), hemos entrenado a la mitad de ellos (45) y posteriormente los
hemos sometido a todos a tres condiciones de ansiedad en tres tareas de destreza motora (baja,
media y alta), durante la cual todos los sujetos han sido medidos en el rendimiento de destreza.
frecuencias.fnc(datos, 'entrena:ansiedad')
#------------------------------------------------------------------
# TABLA DE FRECUENCIAS
#------------------------------------------------------------------
$variables
[1] "entrena:ansiedad"
$tabla
ansiedad alta baja media
entrena
No 15 15 15
Si 15 15 15
Los niveles de ansiedad están ordenados alfabéticamente y no con el orden adecuado de intensidad
(baja, media y alta). Los reordenaremos mediante la función reordena.factor.fnc
indicando con el argumento niveles el nuevo orden que deseamos.
238
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
#------------------------------------------------------------------
# REORDENANDO NIVELES DEL FACTOR
#------------------------------------------------------------------
$hacer.NA
[1] FALSE
$niveles.antiguos
[1] "alta" "baja" "media"
$niveles.nuevos
[1] "baja" "media" "alta"
#------------------------------------------------------------------
# ESTADISTICOS DESCRIPTIVOS
#------------------------------------------------------------------
$entrena
No Si
media 13.644 14.733
dt 5.305 3.602
n 45.000 45.000
$ansiedad
baja media alta
media 11.300 18.567 12.70
dt 2.336 2.417 4.61
n 30.000 30.000 30.00
$`entrena-ansiedad`
$`entrena-ansiedad`$media
baja media alta
No 12.133 20.200 8.6
Si 10.467 16.933 16.8
$`entrena-ansiedad`$dt
baja media alta
No 2.588 1.781 1.682
Si 1.767 1.792 2.274
$`entrena-ansiedad`$n
baja media alta
No 15 15 15
Si 15 15 15
La media de la interacción nos habla de un patrón contrario al que parece que presentan las marginales
de entrenamiento y de ansiedad. Lo veremos mejor el gráfico de panel y el diagrama de cajas para
dicha interacción.
239
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
Vemos que en gráfica izquierda que en la condición sin entrenamiento previo hay un incremento del
rendimiento entre ansiedad baja y media para disminuir por debajo del nivel de comienzo para los
sujetos de la condición de alta ansiedad. En los sujetos que han sido entrenados vemos que al igual que
en los no entrenados se incrementa entre los niveles de ansiedad baja a media pero al contrario que en
los no entrenados los de la condición alta ansiedad no disminuyen su rendimiento sino que lo
mantienen. Si observas el diagrama de cajas de la condición media ansiedad sin entrenamiento previo
podemos ver una serie de puntos indicativos de valores atípicos para esa condición experimental.
Los sujetos no entrenados en estrategias de afrontamiento parecen puntuar mejor que los entrenados
en los niveles bajos y medios de ansiedad. Sin embargo, es en los niveles altos donde se observa una
caída dramática del rendimiento en los no entrenados. Esperamos por tanto un efecto de interacción
como el descrito en el anova multifactorial completamente aleatorizado que vamos a realizar.
#------------------------------------------------------------------
# ANALISIS DE LA VARIANZA
#------------------------------------------------------------------
Response: rendimi
Sum Sq Df F value Pr(>F)
(Intercept) 2208.27 1 547.5041 <2e-16 ***
ansiedad 1060.58 2 131.4766 <2e-16 ***
entrena 20.83 1 5.1653 0.0256 *
ansiedad:entrena 578.49 2 71.7135 <2e-16 ***
Residuals 338.80 84
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Con el argumento ylim estamos solicitando los límites inferior y superior que deseamos para las
gráficas de barras con los intervalos de confianza en el eje y. Vemos en la tabla resumen que todos los
efectos son significativos y especialmente el de interacción lo cual nos hará inicialmente obviar los
dos efectos principales.
240
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
$prueba.levene
Levene's Test for Homogeneity of Variance (center = median)
Df F value Pr(>F)
ansiedad 2 18.653 1.814e-07 ***
87
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$prueba.levene
Levene's Test for Homogeneity of Variance (center = median)
Df F value Pr(>F)
entrena 1 8.1047 0.005494 **
88
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$prueba.levene
Levene's Test for Homogeneity of Variance (center = median)
Df F value Pr(>F)
ansiedad:entrena 5 0.7555 0.5844
84
Hay heterogenediad de varianzas para los dos efectos principales, aunque no para la interacción. En
cualquier caso la igualdad de los tamaños de los grupos y condiciones experimentales hace que no
debamos preocuparnos por la heterogeneidad detectada.
$eta2
eta.sp pnc power.obs
ansiedad 0.53063491 221.1129 1.0000
entrena 0.01042177 6.6143 0.7198
ansiedad:entrena 0.28943313 143.4270 1.0000
Vemos que el efecto de entrenamiento aporta poco a la varianza total del rendimiento y es por un lado
el nivel de ansiedad y por otro la interacción de ambos factores. Tenemos potencias observadas
excelentes para los dos últimos factores y una potencia un poco baja para el factor de entrenamiento
que se explica perfectamente por el tamaño de efecto muy pequeño que hemos obtenido. La gráfica
de intervalos de confianza inferior nos indica que el incremento de la ansiedad desde los niveles bajos
a los medios incrementa el rendimiento en todos los sujetos. Sin embargo vemos que son los sujetos
que han entrenado los que conservan el mismo nivel de rendimiento en niveles de ansiedad alta. Para
demostrar estadísticamente dichas diferencias solicitaremos los efectos simples para la interacción que
hemos detectado y que reflejan las gráficas siguientes.
241
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
#------------------------------------------------------------------
# EFECTOS SIMPLES
#------------------------------------------------------------------
$que.vd
[1] "rendimi"
$interaccion
[1] "ansiedad:entrena"
$medias
No Si
baja 12.13333 10.46667
media 20.20000 16.93333
alta 8.60000 16.80000
$efectos.simples
$efectos.simples[[1]]
[1] "Contraste_entrena_en_cada_nivel_de_ansiedad"
$efectos.simples$BinA
$efectos.simples$BinA$baja
t df eta2 p p.hocberg
No-Si 2.059964 24.72853 0.146 0.05007 0.05007
$efectos.simples$BinA$media
t df eta2 p p.hocberg
No-Si 5.0085 27.999 0.473 3e-05 6e-05
$efectos.simples$BinA$alta
t df eta2 p p.hocberg
No-Si -11.22831 25.78826 0.83 0 0
$efectos.simples[[3]]
[1] "Contraste ansiedad_en_cada_nivel_de_entrena"
$efectos.simples$AinB
$efectos.simples$AinB$No
t df eta2 p p.hocberg
baja-media -9.946139 24.83258 0.799 0.00000 0.00000
baja-alta 4.434298 24.03772 0.450 0.00017 0.00034
media-alta 18.341210 27.90887 0.923 0.00000 0.00000
242
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
$efectos.simples$AinB$Si
t df eta2 p p.hocberg
baja-media -9.9519900 27.99487 0.780 0.00000 0.00000
baja-alta -8.5165470 26.39191 0.733 0.00000 0.00000
media-alta 0.1783765 26.54535 0.001 0.85978 0.85978
Los contrastes de efectos simples nos indican que los sujetos no entrenados rinden mejor que los
entrenados en los niveles bajos y medios de ansiedad. Es en los niveles altos donde el entrenamiento
impide la drástica caída del rendimiento para los que entrenan en estrategias de afrontamiento.
243
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
6.2. ANOVA factorial de medidas repetidas de efecto fijo. Modelo No Aditivo (NA)
Como ya sabemos, en los diseños de medidas repetidas uni o multifactoriales, el factor
sujeto es imprescindible en la adecuada descomposición de la componente de error de los
términos aditivos del anova. En la práctica, el supuesto de aditividad que supone la ausencia
de interacción de este factor sujeto con el resto de los componentes del modelo, es muy poco
realista. Por ello, dado que estas interacciones forman parte de la variabilidad de error
(MCintra), ésta debe ser descompuesta en las tres interacciones especificadas del factor
sujeto:
( )
Yijk = µ + α j + β k + αβ jk
( ) + (S β ) + (Sαβ )
+ Si + Sα ij ik ijk
+ ε ij
SCTotal = SCInter + SCS + SCIntra
( ) ( )
= SC A + SCB + SC AB + SCS + SC AS + SCBS + SC AB× S
= (Varianza explicada )+ SC + (Varianza de error )
S
6.2.2. La Tabla resumen del Anova de dos factores de medidas repetidas no aditivo
Grados
Fuente de Sumas Estadístico
de Medias Cuadráticas
variación cuadráticas de contraste
libertad
SC A MC A
Factor A SCA J −1 MC A =
J −1 MC AxS
(J − 1)(n − 1)
Error: SC AS
SC AxS MC AxS =
A x Sujetos ( J − 1)( n − 1)
SCB MC B
Factor B SCB K −1 MCB =
K −1 MC BxS
SCBS
Error:
SCBxS ( K − 1)( n − 1) MCBxS =
B x Sujetos ( K − 1)( n − 1)
SC AB MC AB
( J − 1)( K − 1)
Interacción
SCAB MC AB =
AB ( J − 1)( K − 1) MC ABxS
244
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
De aquí se deduce una primera diferencia fundamental con los diseños completamente
aleatorizados vistos hasta ahora. En los anovas multifactoriales de medidas repetidas no
aditivo, cada efecto tiene su propio error, que surge de la interacción del factor de que se
trate con el de sujeto.Es decir, la varianza de los tratamientos (medidas) a traves de los
sujetos. Dicho de otro modo, qué parte de la variabilidad error es debida a los propios sujetos.
Como ya sabemos del tema anterior, los niveles de los factores de medidas repetidas son
variables en sí mismos. En el caso de los diseños factoriales, habrá un anidamiento que va a
complicar la comprensión del concepto de condición experimental en este tipo de diseño. A
continuación presentamos un ejemplo que será de gran utilidad para comprender la puesta en
práctica del análisis de la varianza de este tipo de diseños.
tiempo.reaccion = lee.archivo.fnc('tiempoReaccion.Rdata')
En las 6 columnas tenemos en realidad el anidamiento de dos factores Ruido (Si y No) e
inclinacion de la presentación del estímulo con 3 niveles (0, 40 y 80 grados
respectivamente). Por ese motivo necesitamos del ya conocido objeto fac.intra donde
definiremos precisamente esta estructura anidada de medidas repetidas.
fac.intra
$ruido
[1] "No" "Si"
$inclina
[1] 0 40 80
245
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
En el tema anterior, vimos que aún cuando los datos provienen de un diseño intragrupo
(medidas repetidas) resulta muy conveniente transformarlos a su versión apilada (cada valor
de la variable dependiente ocupará una línea en la base de datos) creando una nueva variable
de nombre sujeto, con la cual controlar que las medidas son en realidad intragrupo y no
intergrupo.
tiempo.reaccion.ap= apila.los.datos.fnc(tiempo.reaccion,
fac.intra=fac.intra, col.empieza.mr=1)
#------------------------------------------------------------------
# APILADO DE LOS DATOS
#------------------------------------------------------------------
Ahora con los datos ya apilados podemos iniciar de forma mucho mas simple toda la
actividad exploratoria que caracteriza el trabajo previo con una base de datos. En primer lugar
llevaremos a cabo el cálculo de las medias de los factores y de la interacción.
descriptivos.fnc(tiempo.reaccion.ap, que.factor='ruido:inclina')
#------------------------------------------------------------------
# ESTADISTICOS DESCRIPTIVOS
#------------------------------------------------------------------
*** VD: vd
$ruido
No Si
media 500.000 638.000
dt 77.726 152.347
n 30.000 30.000
$inclina
0 40 80
media 477.000 585.000 645.000
dt 74.063 122.925 154.358
n 20.000 20.000 20.000
246
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
$`ruido-inclina`
$`ruido-inclina`$media
0 40 80
No 462 510 528
Si 492 660 762
$`ruido-inclina`$dt
0 40 80
No 56.921 86.023 78.994
Si 88.544 109.545 116.790
$`ruido-inclina`$n
0 40 80
No 10 10 10
Si 10 10 10
La tabla de medias conjuntamente con la gráfica de panel inferior nos indica que cuando la
inclinación es nula parece no haber diferencias entre las condiciones con y sin ruido. A
medida que aumenta la inclinación apreciamos claramente un incremento de la divergencia
entre las condiciones sin y con ruido.
grafica.panel.fnc(tiempo.reaccion.ap, que.factor='inclina:ruido',
ylim=c(400,800))
Para valorar el curso de cada sujeto a traves de las 6 condiciones experimentales podemos
solicitar nuevamente la misma gráfica de panel en la que incluiremos el argumento x.panel
con valor igual a la variable sujeto (x.panel='sujeto'). El argumento orden nos
permite definir la estructura gráfica. En este caso deseamos 5 filas y 2 columnas.
grafica.panel.fnc(tiempo.reaccion.ap, que.factor='inclina:ruido',
x.panel='sujeto', orden=c(5,2))
247
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
Las gráficas de panel nos muestra una tendencia de crecimiento lineal del tiempo de reacción
a medida que se incrementa la inclinación de los estímulos sólo en la condición de ruido
ambiental. Por otra parte, vemos que los sujetos 2 y 5 presentan unos tiempos claramente
divergentes con la aparente interacción que hemos definido en la gráfica de panel general que
hemos descrito anteriormente.
Es el momento de realizar el análisis de la varianza que ponga a prueba las 3 hipótesis nulas
de los efectos principales e interacción de los factores (ruido e inclina). Lo haremos
inicialmente con los datos en modo intergrupo utilizando la función aov( ).
248
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
#------------------------------------------------------------------
# ANALISIS DE LA VARIANZA
#------------------------------------------------------------------
Lo primero que nos llama la atención en esta tabla resumen de Anova es que ahora cada uno
de los efectos tiene su propia suma de cuadrados de error (Error SS) y por tanto una media
cuadrática de error exclusiva para cada efecto. En lo que a las significaciones se refiere, tal y
como esperábamos todos los efectos han resultado significativos (p < 0.001) y de forma
especial el de interacción. Esto hace que nos debamos centrar en este último y obviar los
principales, dado que se convierten en verdades “a medias”. Si observamos las medias de
ambos factores en la tabla anteriormente creada, veremos que ambos efectos principales
hablan de que a mayor inclinación mayor tiempo de reacción y dicha variable dependiente
tiene una media mayor en la condición con ruido ambiental que en la sin ruido. Sin embargo,
si vemos la gráfica de interacción lo que aparentemente podemos valorar es que a mayor
inclinación más tiempo de reacción sólo en presencia de ruido ambiental y por otra parte si el
grado de inclinación es cero entonces el ruido ambiental no parece afectar al tiempo de
reacción a los estímulos. No obstante, debemos realizar los contrastes de efectos simples para
valorar si las distancias comentadas son realmente significativas o no.
Como recordarás del tema anterior el anova de medidas repetidas requiere del supuesto de
esfericidad de la matriz de varianzas y covarianzas de las diferencias. Como tenemos un
factor con más de dos niveles, tanto este como la interacción requieren del cumplimiento de
esfericidad.
GG eps Pr(>F[GG])
inclina 0.96164 3.402e-07 ***
ruido:inclina 0.90398 3.454e-07 ***
249
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
HF eps Pr(>F[HF])
inclina 1.2176 2.087e-07 ***
ruido:inclina 1.1179 9.424e-08 ***
Observa en primer lugar que dado que el factor ruido solo tiene dos niveles, no se realiza la
prueba de Mauchly para el. En segundo lugar vemos que las dos matrices implicadas son
esféricas (p > 0.05). A pesar de ello la función calcula epsilon y la posterior corrección de
la probabilidad asociada (via grados de libertad) tanto por Greenhouse-Geisser como por
Huynh_Feldt.
ICJ = Y j ±
MCJxS
nj
(
tcritica , gl =( J −1)( n−1) ) ICK = Yk ±
MCKxS
nk
(
tcritica , gl =( K −1)( n−1) )
ICJK = Y jk ±
MCJKxS
n jk
(
tcritica , gl =( J −1)( K −1)( n−1) )
MCError.interac=20880/18
error.jk=sqrt(MCError.interac/10)*qt(0.975,18); error.jk
[1] 22.62762
Las gráficas con los intervalos de confianza aclaran la naturaleza de la interacción que hemos
encontrado. En la de la izquierda donde se comparan los niveles de ruido dentro de cada nivel
de inclinación, vemos que las diferencias en los tiempos de reacción son significativamente
mayores con ruido ambiental si el estímulo es presentado con un ángulo mayor de cero. La
250
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
gráfica de la derecha donde comparamos los niveles de inclinación dentro de cada nivel de
ruido, expone una diferencia clara: que la inclinación importa mucho menos cuando no hay
ruido ambiental que cuando si lo hay. En este último caso el tiempo de reacción aumenta
claramente a medida que lo hace el nivel de inclinación de la presentación del estímulo.
6.2.6. Tamaño del efecto y Potencia Observada en el ANOVA de dos factores de medidas
repetidas no aditivo
$eta2
eta.pr eta.sp pnc power.obs
ruido 0.790 0.3393443 33.7660 0.9992
inclina 0.819 0.3444048 81.4382 1.0000
ruido:inclina 0.834 0.1248753 90.6207 1.0000
En lo que a la potencia observada se refiere, hemos obtenido unos resultados con tamaños de
efectos muy grandes y casi grandes para la interacción. En cualquier caso, todos ellos generan
una potencia observada del 100% lo que nos hace concluir que tanto el ruido como la
inclinación así como la interacción de ambos tienen un efecto grande sobre el tiempo de
reacción a los estímulos. De haber realizado esta investigación con una potencia a priori
aceptable diríamos además que nuestros valores de potencia superan claramente los esperados
debido al tamaño de efecto encontrado para cada efecto, lo cual habla de una primera
replicación claramente favorable a los postulados teóricos que generaron la investigación.
251
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
$que.vd
[1] "vd"
$interaccion
[1] "ruido:inclina"
$medias
0 40 80
No 462 510 528
Si 492 660 762
$efectos.simples
$efectos.simples[[1]]
[1] "Contraste_inclina_en_cada_nivel_de_ruido"
$efectos.simples$BinA
$efectos.simples$BinA$No
t df eta2 p p.hocberg
0-40 -2.4494897 9 0.400 0.03679 0.07358
0-80 -3.4979930 9 0.576 0.00674 0.02022
40-80 -0.7092994 9 0.053 0.49610 0.49610
$efectos.simples$BinA$Si
t df eta2 p p.hocberg
0-40 -8.573214 9 0.891 0.00001 0.00005
0-80 -9.925397 9 0.916 0.00000 0.00000
40-80 -5.666667 9 0.781 0.00031 0.00124
252
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
$efectos.simples[[3]]
[1] "Contraste ruido_en_cada_nivel_de_inclina"
$efectos.simples$AinB
$efectos.simples$AinB$`0`
t df eta2 p p.hocberg
No-Si -1.245682 9 0.147 0.24433 0.24433
$efectos.simples$AinB$`40`
t df eta2 p p.hocberg
No-Si -4.442617 9 0.687 0.00162 0.00324
$efectos.simples$AinB$`80`
t df eta2 p p.hocberg
No-Si -11.20657 9 0.933 0 0
Los efectos simples de ruido en cada nivel de inclina nos indican que cuando el nivel de
inclinación tiene cero grados no hay diferencias en el tiempo de reacción entre los niveles de
ruido (con y sin ruido ambiental). Sin embargo, la disminución de la probabilidad asociada en
el resto de los niveles de inclinaciones, nos habla de que a mayor inclinación mayor tamaño
de efecto asociado al ruido ambiental.
#------------------------------------------------------------------
# POSHOC
#------------------------------------------------------------------
$vd
[1] "vd"
$factor
[1] "inclina"
253
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
$medias
0 40 80
492 660 762
$contrastes
[1] "tendencia"
$contrastes
Valor errT gl t p.val
inclina.Lineal 190.9188 15.5349 18 12.2897 0.0000
inclina.Cuadratico -26.9444 15.5349 18 -1.7344 0.0999
Rechazamos la hipótesis nula que declara la no linealidad con lo que consideramos que con
ruido ambiental, existe una relación lineal positiva entre el grado de inclinación y el tiempo de
reacción a los estímulos.
254
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
Ejercicio 2
En Hays, 1988, Table 13.21.2, p. 518 tenemos los datos de una investigación donde se ha encargado a unos psicólogos que
lleven a cabo un estudio que ayude a diseñar el panel de control de un dispensador de medicamentos intravenoso. El
propósito de la investigación está en encontrar la mejor combinación de forma y color para los botones de dicho panel que
disminuyan al máximo los errores en su manipulación por parte de médicos y enfermeros. Se desea probar dos
combinaciones de colores (claros y oscuros) y dos tipos de formas (círculos y cuadrados).
forma.color =data.frame(c1f1=c(49,47,46,47,48,47,41,46,43,47,46,45),
c1f2=c(48,46,47,45,49,44,44,45,42,45,45,40),
c2f1=c(49,46,47,45,49,45,41,43,44,46,45,40),
c2f2=c(45,43,44,45,48,46,40,45,40,45,47,40))
forma.color
c1f1 c1f2 c2f1 c2f2
1 49 48 49 45
2 47 46 46 43
3 46 47 47 44
4 47 45 45 45
5 48 49 49 48
6 47 44 45 46
7 41 44 41 40
8 46 45 43 45
9 43 42 44 40
10 47 45 46 45
11 46 45 45 47
12 45 40 40 40
Definamos la estructura interna de medidas repetidas mediante la creación del objeto fac.intra.
$forma
[1] "for1" "for2"
Ya podemos solicitar el gráfico de panel donde valorar los posibles efectos del diseño así como el
curso temporal de cada sujeto a través de las 4 condiciones experimentales.
255
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
La gráfica promedio nos indica que la combinación que genera el menor número de errores se sitúa en
la condición color 2 (oscuro) y forma 2 (cuadrado). No parece que exista efecto de interacción dado
que el color oscuro es siempre superior al claro y la forma cuadrada lo es a la redonda. El siguiente
gráfico por sujeto nos permite ver cómo han sido los valores registrados para cada sujeto de la
investigación. Vemos que la conducta es dispar entre los sujetos, por ello esperamos mucho error en la
varianza asociada a la interacción.
#------------------------------------------------------------------
# ANALISIS DE LA VARIANZA
#------------------------------------------------------------------
Vemos que hay efecto significativo del color y de la forma pero no interacción de ambos. Como
los factores tienen cada uno dos niveles no tendremos problemas de esfericidad ni para ellos ni para la
interacción. Por ese motivo no necesitamos la prueba de esfericidad de Mauchly ni por supuesto la
estimación de épsilon
$eta2
eta.pr eta.sp pnc power.obs
color 0.558 0.1472393 13.8947 0.9232
forma 0.407 0.1472393 7.5429 0.7060
color:forma 0.000 0.0000000 0.0000 0.0500
Ambos efectos tienen la misma importancia (14%), sin embargo la potencia observada es mucho
mayor para el efecto de color.
256
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
Como conclusión tenemos que en el diseño del panel, deben primar los colores oscuros para los
botones de mando F(1,11)=13.9 p < 0.01, η2=0.15, 1-β=0.92 y estos deben ser
cuadrados frente a redondos F(1,11)=7.5 p < 0.05 η2=0.15, 1-β=0.70, porque esa
combinación genera el menor número de errores en las prescripciones de fármacos a los enfermos
realizadas por los usuarios de la máquina.
En este apartado trataremos el último de los tipos de ANOVA multifactoriales de efecto fijo.
Hablamos de los ANOVAS split-plot. En ellos tenemos la combinación de los dos
anteriormente estudiados inter e intrasujetos. Un ejemplo lo tenemos en la base de datos
06_split_plot.dat donde disponemos de las puntuaciones de 30 sujetos que han sido
asignados aleatoriamente a tres tipos de tratamiento: A, B y C (factor intergrupo) y se les ha
medido a cada uno en tres ocasiones: antes, después del tratamiento y 6 meses después como
medida de seguimiento (factor intragrupo). Estamos pues ante un diseño split-plot
Tratamiento x Medida (3 x 3).
mixto = lee.archivo.fnc('06_split_plot.dat',hay.nombres=T)
257
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
En la ecuación del modelo lineal general para este tipo de diseños, tenemos el factor A
completamente aleatorizado (intersujetos) y el factor B de medida repetida, por ese motivo, se
estima la componente de interacción de dicho factor con el de sujetos.
Yijk = µ + α j + β k + αβ ( ) jk
+ Si + S β ( ) ik
+ ε ij
(
SCTotal = ( SC A + SCS ) + SCB + SC AB + SCSC( B×S ) )
Grados de libertad.
SCInter : nJ − 1 SCIntra : nJ ( K − 1)
SC A : J − 1 SCB : K − 1
SCS : J ( n − 1) SC AB : ( J − 1)( K − 1) SC( B×S ) : J ( K − 1)( n − 1)
Medias cuadráticas
MC A MCB MCAB
FA = FB = FAB =
MCS MC( B×S ) MC( B×S )
258
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
Sujetos SC S (
J n−1 ) SCS J (n − 1)
Intrasujetos
(K − 1)
MCB
Factor B SC B K −1 SC B
MCBxS
SC AB MC AB
( J − 1)( K − 1)
Interacción
(J − 1)(K − 1)
SC AB
AB MCBxS
SCBS
Error:
( )(
J K −1 n −1 )
( )( )
SC BS
B x Sujetos J K −1 n −1
Observa cómo el efecto de B y de AxB comparten la misma media cuadrática de error MCBxS.
nombres.var(mixto)
fac.inter='tratamiento'
fac.intra=list(tiempo= c('antes','despues','seguimiento'))
259
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
#------------------------------------------------------------------
# APILADO DE LOS DATOS
#------------------------------------------------------------------
$`tratamiento-tiempo`
$`tratamiento-tiempo`$media
antes despues seguimiento
A 13.92 33.597 30.766
B 15.92 39.597 44.766
C 17.92 35.597 23.766
$`tratamiento-tiempo`$dt
antes despues seguimiento
A 7.491 4.398 4.514
B 7.491 4.398 4.514
C 7.491 4.398 4.514
$`tratamiento-tiempo`$n
antes despues seguimiento
A 10 10 10
B 10 10 10
C 10 10 10
260
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
Vemos que, en general, todos los tratamientos provocan un cambio importante entre los
valores de la medida previa de línea base y el post-tratamiento (antes y despues). Sin
embargo, en la fase de seguimiento los sujetos del tratamiento A parecen conservar los
resultados terapéuticos así como los del B. Los enfermos del tratamiento C, sin embargo,
retroceden hacia valores próximos a los registrados antes del tratamiento. Analizaremos estos
datos mediante el análisis de la varianza para diseños split-plot.
GG eps Pr(>F[GG])
tiempo 0.79527 < 2.2e-16 ***
tratamiento:tiempo 0.79527 1.424e-11 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
HF eps Pr(>F[HF])
tiempo 0.837 < 2.2e-16 ***
tratamiento:tiempo 0.837 4.512e-12 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
261
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
La prueba de Mauchly resulta significativa (p < 0.05) tanto para el factor de medidas
repetidas tiempo como para la interacción de este con el tratamiento. Por este motivo
debemos corregir los grados de libertad del estadístico de contraste F con la épsilon de
Greenhause-Geisser estimada de 0.79. Dicha corrección nos sigue conduciendo al mismo
resultado de significación para ambos efectos (p < 0.001).
$eta2
eta.pr eta.sp pnc power.obs
tratamiento 0.359 0.152 15.1320 0.9186
tiempo 0.797 0.306 672.9069 1.0000
tratamiento:tiempo 0.712 0.193 133.5228 1.0000
El tamaño de efecto mayor corrresponde al factor de medidas repetidas tiempo seguido por la
interacción tratamiento:tiempo con un 19%. El tratamiento ha generado una varianza
explicada del 15%. En lo que a la potencia observada se refiere podemos ver que contamos
con valores de potencia del 100% para dos efectos y del 92 para el factor intergrupo
tratamiento..
ICJ = Y j ±
MCS
nj
(
tcritica ,gl = J ( n −1) ) ICK = Yk ±
MCKxS
n
(
tcritica , gl = J ( K −1)( n −1) )
ICJK = Y jk ±
MCKxS
n jk
(
tcritica ,gl = J ( K −1)( n −1) )
262
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
Para constatar y cuantificar estas diferencias, estudiaremos la interacción mediante los efectos
simples que solicitaremos mediante la inclusión de dicha interacción en el argumento
poshoc.
263
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
#------------------------------------------------------------------
# EFECTOS SIMPLES
#------------------------------------------------------------------
$que.vd
[1] "vd"
$interaccion
[1] "tratamiento:tiempo"
$medias
antes despues seguimiento
A 13.92021 33.59669 30.7664
B 15.92021 39.59669 44.7664
C 17.92021 35.59669 23.7664
$efectos.simples
$efectos.simples[[1]]
[1] "Contraste_tiempo_en_cada_nivel_de_tratamiento"
$efectos.simples$BinA
$efectos.simples$BinA$A
t df eta2 p p.hocberg
antes-despues -10.97323 9 0.930 0.00000 0.00000
antes-seguimiento -12.93737 9 0.949 0.00000 0.00000
despues-seguimiento 2.31089 9 0.372 0.04617 0.04617
$efectos.simples$BinA$B
t df eta2 p p.hocberg
antes-despues -13.203954 9 0.951 0.00000 0.00000
antes-seguimiento -22.153008 9 0.982 0.00000 0.00000
despues-seguimiento -4.220983 9 0.664 0.00224 0.00448
$efectos.simples$BinA$C
t df eta2 p p.hocberg
antes-despues -9.857861 9 0.915 0.00000 0.00000
antes-seguimiento -4.489700 9 0.691 0.00151 0.00448
despues-seguimiento 9.659246 9 0.912 0.00000 0.00000
264
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
$efectos.simples[[3]]
[1] "Contraste tratamiento_en_cada_nivel_de_tiempo"
$efectos.simples$AinB
$efectos.simples$AinB$antes
t df eta2 p p.hocberg
A-B -0.5970243 18 0.019 0.55793 0.55793
A-C -1.1940486 18 0.073 0.24796 0.55793
B-C -0.5970243 18 0.019 0.55793 0.55793
$efectos.simples$AinB$despues
t df eta2 p p.hocberg
A-B -3.050754 18 0.341 0.00688 0.04128
A-C -1.016918 18 0.054 0.32267 0.55793
B-C 2.033836 18 0.187 0.05698 0.28490
$efectos.simples$AinB$seguimiento
t df eta2 p p.hocberg
A-B -6.935298 18 0.728 0.00000 0.00000
A-C 3.467649 18 0.400 0.00275 0.01925
B-C 10.402946 18 0.857 0.00000 0.00000
Según los contrastes de efectos simples de diferencias par a par entre las tres medidas
repetidas tenemos que todos los tratamientos generan diferencias significativas entre antes y
después. Sin embargo, mientras que en el tratamiento A se produce una bajada significativa
de la variable dependiente entre el post-tratamiento y el seguimiento, esta caída es mucho más
acusada en el tratamiento C donde los sujetos pierden una proporción importante de los
beneficios de dicha terapia. Los sujetos del tratamiento B, sin embargo, mejoran entre el
postest y el seguimiento.
En lo que a las diferencias entre los tratamientos se refiere, en cada medida repetida tenemos
que todos los sujetos tienen el mismo nivel de la variable dependiente en la medida previa de
línea base (antes). Sin embargo, en el pos-test, vemos que el mejor es el tratamiento B
mientras que A y C generan el mismo resultado. En el seguimiento encontramos que hay
diferencias significativas entre todos los pares correspondiendo el mayor valor nuevamente
para el tratamiento B.
265
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
Ejercicio 3
Deseamos probar si la ideología política y el género del sujeto afectan a las medidas fisiológicas de conductancia
de la piel cuando dichos sujetos son sometidos a tres condiciones de medidas repetidas de visión de tres spots
publicitarios de carácter social. En el primero los sujetos observan un spot favorable al uso de preservativos para
los adolescentes. En el segundo otro contrario al aborto y el tercero uno favorable al ateísmo. Los datos
recogidos en 60 sujetos (30 hombres y 30 mujeres con la mitad de cada uno de ellos pertenecientes al partido A
y al B de ideología política opuesta) se encuentran en la base de datos 06_actitud.partidos.dat.
Nos encontramos ante un diseño split-plot con dos factores intergrupo (género y partido político de
pertenencia) y un factor intragrupo constituido por las tres medidas de conductancia de la piel en tres
condiciones de medidas repetidas relativas a la visión de tres spots publicitarios: preservativo, aborto y
ateísmo. Tenemos por tanto un diseño factorial split-plot Género x Partido x Conductancia ( 2 x 2 x 3).
Definimos la estructura del diseño con los dos factores intergrupo y el factor de medidas
repetidas mediante los objetos fac.inter y fac.intra.
fac.intra =list(actitud=c('preser','aborto','ateo'))
fac.inter= c('partido', 'genero')
266
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
$`media.partido:actitud:genero`
hombre mujer
$`dt.partido:actitud:genero`
hombre mujer
$`n.partido:actitud:genero`
hombre mujer
A preser 15 15
aborto 15 15
ateo 15 15
B preser 15 15
aborto 15 15
ateo 15 15
Vemos que tenemos 15 hombres que votan al partido A y otros 15 al partido B. Las mujeres
son igualmente 15 y 15 para ambos partidos. Tenemos por tanto un diseño equilibrado con el
mismo número de objservaciones por condición experimenta.
grafica.panel.fnc(datos.ap,
que.factor= 'actitud:partido', x.panel='genero', ylim=c(-0.5,1.5))
Con la siguiente gráfica de panel podemos valorar la posible interacción triple de actitud x
partido y por genero.
267
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
En la gráfica anterior hemos solicitado en cada panel (x.panel) los niveles del factor genero.
Es por tanto la forma ideal de explorar gráficamente la posible existencia de una interacción
triple. En ella vemos que hombres y mujeres tienen una actitud muy diferente hacia el ateismo
y el aborto según sean votantes del partido A o B.
Como deseamos ver el paso de cada sujetos (hombres y mujeres) por todas las condiciones
experimentales, solicitamos una lista (x.genero) mediante la función descrita en el capítulo
3 divide.por.factor.fnc que divide la base de datos apiladas en dos partes: hombres y
mujer. Cada uno de los elementos de esa lista los utilizaremos en dos nuevas gráficas de
panel indicando en el argumento x.panel la variable sujeto.
268
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
GG eps Pr(>F[GG])
actitud 0.84894 0.0019608 **
partido:actitud 0.84894 0.0709140 .
genero:actitud 0.84894 0.0002037 ***
partido:genero:actitud 0.84894 0.0003682 ***
269
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
HF eps Pr(>F[HF])
actitud 0.8727 0.0017689 **
partido:actitud 0.8727 0.0693752 .
genero:actitud 0.8727 0.0001737 ***
partido:genero:actitud 0.8727 0.0003187 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
La prueba de Mauchly ha resultado significativa (p <0.01) para todas las matrices implicadas. La
corrección de GH para la épsilon estimada de 0.82 conduce a una ligera disminución de las
probabilidades asociadas a los contrastes que resultaron significativos asumiendo espericidad pero no
cambian ninguna de las significaciones anteriormente encontradas.
$eta2
eta.pr eta.sp pnc power.obs
partido 0.043 0.025 0.1471 0.0664
genero 0.084 0.050 1.7480 0.2550
partido:genero 0.059 0.034 3.5066 0.4525
actitud 0.116 0.029 7.7282 0.6891
partido:actitud 0.049 0.011 8.1375 0.7130
genero:actitud 0.156 0.041 4.3901 0.4403
Los tamaños de efecto y potencias observadas son en general bajas como corresponden a la
gran variabilidad que hemos detectado en el análisis gráfico por sujetos. Es el momento de
solicitar los contrastes de efectos simples para la interacción triple. El estudio de una
interacción triple implica estudiar una interacción doble en cada nivel del tercer factor que
llamaremos pivote. En el ejemplo siguiente deseamos ivestigar la interacción actitud:genero
en cada nivel del factor intergrupo partido que actuará de pivote (se nombra en primer lugar
en la interacción). El segundo factor ocupará el eje y en las gráficas y el tercero definirán las
líneas en el interior de la gráfica. Si deseamos otro factor de pivotado u otro ordenamiento x e
y, basta con cambiar el orden de la interacción triple que deseamos.
#------------------------------------------------------------------
# INTERACCION TRIPLE
#------------------------------------------------------------------
$A # PARTIDO A
$A$que.vd
[1] "vd"
$A$interaccion
[1] "actitud:genero"
$A$medias
hombre mujer
preser 0.3438117 0.3160045
aborto 0.8920835 0.3850044
ateo 1.2382575 -0.2755531
270
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
$A$efectos.simples
$A$efectos.simples[[1]]
[1] "Contraste_genero_en_cada_nivel_de_actitud"
$A$efectos.simples$BinA
$A$efectos.simples$BinA$preser
t df eta2 p p.hocberg
hombre-mujer 0.07271414 27.23066 0 0.94257 0.94257
$A$efectos.simples$BinA$aborto
t df eta2 p p.hocberg
hombre-mujer 1.121369 27.64324 0.044 0.27178 0.54356
$A$efectos.simples$BinA$ateo
t df eta2 p p.hocberg
hombre-mujer 4.176647 27.67484 0.387 0.00027 0.00081
$A$efectos.simples[[3]]
[1] "Contraste actitud_en_cada_nivel_de_genero"
$A$efectos.simples$AinB
$A$efectos.simples$AinB$hombre
t df eta2 p p.hocberg
preser-aborto 2.406099 14 0.293 0.03051 0.09153
preser-ateo 3.237696 14 0.428 0.00596 0.03576
aborto-ateo -1.459501 14 0.132 0.16650 0.33300
$A$efectos.simples$AinB$mujer
t df eta2 p p.hocberg
preser-aborto 0.4409581 14 0.014 0.66598 0.66598
preser-ateo -2.4285742 14 0.296 0.02922 0.09153
aborto-ateo 2.9872017 14 0.389 0.00980 0.04900
$B #PARTIDO B
$B$que.vd
[1] "vd"
$B$interaccion
[1] "actitud:genero"
$B$medias
hombre mujer
preser 0.3208037 0.1547946
aborto 0.1604082 0.2910100
ateo 0.5461609 0.9345745
271
ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo
$B$efectos.simples
$B$efectos.simples[[1]]
[1] "Contraste_genero_en_cada_nivel_de_actitud"
$B$efectos.simples$BinA
$B$efectos.simples$BinA$preser
t df eta2 p p.hocberg
hombre-mujer 0.5214299 26.24147 0.01 0.60644 0.64501
$B$efectos.simples$BinA$aborto
t df eta2 p p.hocberg
hombre-mujer -0.4666482 23.71697 0.009 0.64501 0.64501
$B$efectos.simples$BinA$ateo
t df eta2 p p.hocberg
hombre-mujer -1.178798 25.97827 0.051 0.24916 0.64501
$B$efectos.simples[[3]]
[1] "Contraste actitud_en_cada_nivel_de_genero"
$B$efectos.simples$AinB
$B$efectos.simples$AinB$hombre
t df eta2 p p.hocberg
preser-aborto -0.8429244 14 0.048 0.41344 0.61338
preser-ateo 0.9588228 14 0.062 0.35392 0.61338
aborto-ateo -3.0097093 14 0.393 0.00937 0.05095
$B$efectos.simples$AinB$mujer
t df eta2 p p.hocberg
preser-aborto 0.5167696 14 0.019 0.61338 0.61338
preser-ateo 2.2102381 14 0.259 0.04424 0.17696
aborto-ateo -2.9672404 14 0.386 0.01019 0.05095
La interacción triple nos habla de que hombres y mujeres tienen una diferente respuesta de
conductancia en función de la ideología exclusivamente en los spots sobre ateismo. En este sentido,
las hombres del partido A tienen una respuesta superior a las mujeres del mismo partido. Las
comparaciones entre las respuestas a las distintas actitudes se refiere no resultan de interes para la
investigación.
272