CENTRO CULTURAL UNIVERSITARIO

GUADALUPE Y CALVO

MÉTODOS DE ANÁLISIS
DE VARIANZA
Breve Reseña

Alumno: David Prieto Enríquez

Catedrático: Mtra. Aurora Rodríguez Vizcarra
21/11/2021

Breve explicación de los modelos y sus interacciones.

Modelos de efectos fijos

La regresión múltiple se utiliza para la predicción de respuestas a partir de

variables explicativas. Los usos que mayormente se le dan son:
Identificación de variables explicativas. Nos ayuda a crear un modelo donde se
seleccionen las variables que puedan influir en la respuesta, descartando aquellas
que no aporten información.
Detección de interacciones entre variables independientes que afectan a la
variable respuesta.
Identificación de variables confusoras. Es un problema difícil el de su detección,
pero de interés en investigación no experimental, ya que el investigador
frecuentemente no tiene control sobre las variables independientes.

Modelos de efectos aleatorios

También conocido como modelo de componentes de la varianza, es una especie

de modelo lineal jerárquico. Se supone que el conjunto de datos que se analiza
consiste en una jerarquía de diferentes poblaciones cuyas diferencias se refieren a
esa jerarquía. La ventaja de este modelo consiste en que generará un estimador
insesgado más eficiente donde además se corrige la estimación de los errores
estándar por la posible covarianza dentro de un clúster.
En el modelo de efectos aleatorios, los niveles del facor son una muestra aleatoria
de una población de niveles. Este modelo surge ante la necesidad de estudiar un
factor que presenta un número elevado de posibles niveles, que en algunas
ocasiones puede ser infinito. En este modelo las conclusiones obtenidas se
generalizan a toda la población de niveles del factor, ya que los niveles empleados
en el experimento fueron seleccionados al azar.

2
Suposiciones del ANOVA
Surgen cuando la variable o variables predictoras son de tipo categórico, es decir,
factores con diferentes niveles de clasificación, de forma que cada sujeto es
medido para una combinación específica de los factores considerados. La variable
respuesta sigue siendo de tipo numérico y el objetivo principal es el estudio de la
media para los diferentes niveles del factor o combinaciones de los factores. No
solo se está interesado en comparar los diferentes grupos, sino además, en
cuantificar numéricamente esas diferencias.
La principal diferencia con los modelos de regresión es que en este caso no
modelizamos toda la respuesta observada sino la media observada del conjunto
de observaciones para cada nivel del factor.
El modelo ANOVA de una vía se plantea cuando tenemos una única variable
predictora de tipo categórico y una respuesta de tipo numérico. Dicho modelo se
puede describir de forma general, para una muestra de tamaño n, como:
Una variable respuesta, Y, de tipo numérico con observaciones y1,… yn.
Una variable predictora, F, de tipo categórica con I grupos o niveles distintos de
tamaños muestrales n1, n2, … nI, de forma que n=n1+n2+…+nI, y el vector de
observaciones de la respuesta se puede escribir como:
y11, …, y1n1, y21, … , y2n2, … , yI1, …
donde el primer subíndice indica el nivel del factor y el segundo la posición dentro
del conjunto de datos de dicho nivel del factor.
El modelo ANOVA de dos vías se presenta cuando consideramos dos variables
predictoras de tipo categórico. Dado que tenemos dos factores se hace necesario
añadir más restricciones de identificabilidad. Añadimos una por cada factor y la
que aparece de forma inmediata en la interacción de los dos efectos que estamos
tomando como cero.

3
 Infografía
http://bookdown.com
https://www.ub.edu/iasc/
https://web.udl.es/Biomath/Bioestadistica/