Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Los objetivos del análisis de datos de medidas repetidas son examinar y comparar las
tendencias de respuesta a lo largo del tiempo. Esto puede implicar comparaciones de
tratamientos en momentos específicos o promediados a lo largo del tiempo. También puede
implicar comparaciones de tiempos dentro de un tratamiento. Estos son objetivos comunes a
cualquier experiencia factorial.
Hay varios métodos estadísticos utilizados para analizar datos de medidas repetidas. Desde los
más básicos hasta los más sofisticados, estos incluyen
El desarrollo de métodos estadísticos para datos de medidas repetidas ha sido un área activa
de investigación en las últimas dos décadas debido a los avances en hardware y software de
computación.
El análisis de datos en cada momento examina los efectos del tratamiento por separado en
momentos de observación individuales y no realiza comparaciones estadísticas entre
momentos. No se extrae ninguna inferencia sobre las tendencias a lo largo del tiempo, por lo
que este método no es realmente un análisis de medidas repetidas. El uso del análisis en cada
punto de tiempo generalmente se encuentra en una etapa preliminar del análisis de datos y no
es un método preferido para la publicación final porque no aborda los efectos del tiempo.
completa y los animales en momentos particulares como unidades de subparcela. Este enfoque
también se conoce como parcela dividida en el tiempo análisis (Damon y Harvey, 1987).
Las variables de contraste en los datos de medidas repetidas son combinaciones lineales de las
respuestas a lo largo del tiempo para animales individuales. Un ejemplo familiar de la
metodología estadística básica es el de los polinomios ortogonales (Snedecor y Cochran, 1980),
que representan tendencias lineales, cuadráticas, cúbicas, etc., a lo largo del tiempo. Otro
ejemplo es el conjunto de diferencias entre respuestas en puntos de tiempo consecutivos, es
decir, cambios del tiempo 1 al tiempo 2, del tiempo 2 al tiempo 3, y así sucesivamente. Se
puede usar un conjunto de variables de contraste para analizar tendencias a lo largo del tiempo
y hacer comparaciones entre tiempos en datos de medidas repetidas.
Los modelos lineales mixtos se pueden implementar con los procedimientos GLM o MIXED en
el Sistema SAS. Sin embargo, el procedimiento GLM es en realidad un procedimiento de efectos
fijos con características accesorias, como la declaración RANDOM, para que sea útil para
analizar ciertos aspectos de los datos del modelo mixto. La mayoría de las pruebas de hipótesis
en un ANOVA se pueden calcular correctamente con GLM pero requieren especificaciones
opcionales, como la instrucción TEST. Los errores estándar de las declaraciones LSMEANS y
ESTIMATE en GLM generalmente no se calculan correctamente. El procedimiento MIXTO se
escribió desde el principio como un procedimiento de modelo mixto y casi siempre realiza
cálculos válidos para pruebas de hipótesis y errores estándar de estimaciones.
Tanto PROC GLM como PROC MIXED ofrecen análisis de medidas repetidas que dan cuenta de
la covariabilidad dentro del sujeto, y las siguientes dos secciones comparan sus métodos. La
primera sección resume y compara sus estrategias generales de análisis, y la segunda aplica y
contrasta estas.
La ventaja del método PROC MIXED es que puede acomodar cualquier tipo de estructura de
covarianza, pero la desventaja es que los grados de libertad del denominador para las pruebas
deben asignarse utilizando otros criterios. Para los análisis REPETIDOS, PROC MIXED obtiene los
grados de libertad dividiendo los grados de libertad residuales en partes entre y dentro del
sujeto y asignándolos a efectos entre y dentro del sujeto, respectivamente.
Ramírez Pérez Carmen ISP-530
A diferencia de PROC MIXED, PROC GLM no promedia las medidas repetidas y no calcula los
errores estándar que representan la estructura de covarianza adecuada. Además, puede
permitir que AGE sea un efecto continuo en un análisis PROC MIXED LS MEANS pero no en
PROC GLM.