TEMA IX

ESQUEMA GENERAL

Definición general

Clasificación
Diseño de medidas repetidas simple. Modelo
estructural y componentes de variación
Supuesto de uniformidad o simetría compuesta.
Supuesto de esfericidad

DISEÑOS DE MEDIDAS REPETIDAS

 Diseño de medidas repetidas

El diseño de medidas repetidas es una extensión

del diseño de bloques, en que el sujeto sustituye
al bloque y actúa de control propio. Con este
formato, los sujetos de la muestra reciben todos
los tratamientos y repiten medidas o registros de
respuesta; asimismo, la comparación de los
tratamientos es intra-sujeto. ..//..
De este modo, el uso del procedimiento de
medidas repetidas proporciona un control más
efectivo de las fuentes de variación extrañas
asociadas, por lo general, a las características
individuales; es decir, se consigue una reducción
de la variancia del error.
..//..
Esto es así porque, al actuar el sujeto de
bloque, la variabilidad debida a las diferencias
individuales es eliminada del error. De este
modo, el diseño de medidas repetidas
constituye una estructura más potente que los
diseños completamente aleatorizados.
 Efectos de orden

Los efectos de orden (order effects) se derivan

de la propia estructura del diseño de medidas
repetidas, y deben ser neutralizados para que no
confundan los efectos de los tratamientos.
 Tipos de efectos de orden

A) Efecto de período (period effect)

B) Efecto residual (carry-over effect)

 Efecto de período

Los efectos de período ocurren cuando,

independientemente del tratamiento aplicado,
el sujeto responde al período o posición que,
en la secuencia, ocupa el tratamiento (período
de administración). Cabe, por lo tanto, la
posibilidad de que el sujeto responda mejor al
período que al tratamiento en sí mismo.
Cuando esto ocurre, el efecto de período
confunde la acción del tratamiento.
 Efecto residual

El efecto residual, conocido por error

progresivo, se caracteriza por la persistencia
de la acción de un tratamiento más allá del
período o tiempo de aplicación. Representa la
progresiva acumulación tanto de los efectos
facilitadores de la respuesta (efecto de la
práctica, aprendizaje, etc.) como de los efectos
obstaculizadores (como la fatiga mental,
cansancio físico, etc.) ..//..
Cuando, como es frecuente en esos casos, se
produce una persistencia del efecto del
tratamiento anterior sobre el tratamiento
siguiente, se corre el riesgo de que los efectos
queden contaminados.
 Clasificación del diseño en función
de los factores

Simple (SxA)

Diseños
de medidas
repetidas
Factorial (SxAxB,
SxAxBxC, etc.)
 Clasificación del diseño en función
de los grupos

De un grupo o muestra
(SxA)
Diseños
de medidas
repetidas
Multimuestra (S(A)xB)
Diseño de medidas repetidas simple
de un grupo
 Concepto
El diseño simple de medidas repetidas es
prototípico en esa clase de experimentos, al
incorporar la estrategia de comparación intra-
sujeto. Lindquist (1953) se refiere a estas
estructuras como diseños de Tratamientos x
Sujetos, ya que los sujetos se cruzan o combinan
con los tratamientos. Así mismo, es un diseño
simple o unifactorial porque sólo se evalúa la
acción de una variable independiente o de
tratamiento. ..//..
La principal ventaja del diseño, dada su
especial disposición, es la posibilidad de
extraer del error una de sus fuentes de
variación más importante: la variación
atribuida a las diferencias individuales.
 Estructura del diseño

La estructura del diseño de medidas repetidas

simple es similar al formato factorial de dos
variables independientes. A diferencia del diseño
factorial, la variable de sujetos no es manipulada
ya que se trata de un pseudo-factor. La variable
de tratamientos está manipulada por el
experimentador y es considerada como un
auténtico factor. ..//..
Supóngase, por ejemplo, que la variable sujetos,
simbolizada por S, actúa a n valores, y que el
factor A -variable de tratamiento-, a a valores
que son aplicados, de forma secuencial, a los
sujetos de la muestra. Nótese la similitud entre
este diseño y el diseño bifactorial dado que,
analíticamente, la variable de sujetos actúa como
si fuera un factor. La diferencia estriba sólo en la
naturaleza y objetivo de las dos variables.
..//..
La variable S representa la variabilidad entre
sujetos y no es, por lo tanto, un factor
manipulado sino de control. La variable A es
una dimensión de variación manipulada por el
investigador. El propósito del experimento
sigue siendo el análisis del posible impacto de
la variable de tratamiento sobre la variable de
respuesta. ..//..
Con este formato, no sólo se controlan las
diferencias individuales, por el pseudo-factor
de sujetos, sino que se minimiza la variancia
del error al sustraer una de sus principales
fuentes. ..//..
Así, el diseño de medidas repetidas simple es
el procedimiento más eficaz para probar el
efecto del tratamiento. Al controlar las
diferencias interindividuales, este diseño es un
potente procedimiento de análisis porque al
reducir el error se aumenta la precisión y
efectividad en probar los efectos de la variable
de tratamiento.
Formato del diseño de medidas repetidas simple, S x A

Tratamientos Medias
A1 A2 A3 … Aj
S1 Y11 Y12 Y13 … Y1j Y1.
S2 Y21 Y22 Y23 … Y2j Y2.
Sujetos

………………………………
………………………………
………………………………
Sn Yn.
Yn1 Yn2 Yn3 … Ynj
Medias Y.1 Y.2 Y.3 … Y.j Y..
 Caso paramétrico. Ejemplo 1

Sea, a nivel ilustrativo, la siguiente situación

experimental. Se pretende estudiar el efecto de
la frecuencia de tres tonos auditivos, o variable
A, de igual intensidad (65 db). Para ello, se
decide registrar los tiempos de reacción, en
milésimas de segundos, a la presentación de
los tonos. De la variable independiente
-frecuencia de tono- se eligen tres valores: 300
cps. (condición A1), 600 cps. (condición A2) y
1200 cps. (condición A3)
 Modelo de prueba de hipótesis

Paso 1. Se asume, por hipótesis de nulidad, que

los efectos de los tratamientos son nulos. Es
decir,

H0: μ1 = μ2 = μ3
Paso 2. Según la hipótesis experimental o
hipótesis de efectividad se asume que, uno o
más tratamientos o efectos es significativo
(distinto de cero). En términos estadísticos se
afirma que:
H1: μ1  μ2, o μ1  μ3, o μ2  μ3
H1: por lo menos una desigualdad
Paso 3. Se asume un modelo ANOVA de
aditividad. El estadístico de la prueba es la F
normal, a un nivel de significación de α =
0.05. El tamaño de la muestra experimental es
N=n=3.

Paso 4. El cálculo del valor empírico de F se

realiza a partir de la correspondiente matriz de
datos, una vez ejecutado el experimento.
Matriz de datos del diseño
 DISEÑO DE MEDIDAS REPETIDAS

TRATAMIENTOS

N. Sujeto A1 A2 A3 TOTALES

1 3.8 3.6 2.5 9.90

2 4.4 5.0 2.3 11.70
3 6.9 4.5 3.0 14.40
TOTALES 15.1 13.1 7.8 36

MEDIAS 5.03 4.37 2.6 4

ANOVA de medidas repetidas
 Modelo estructural
Modelo aditivo

Yij     i   j   ij
 Descripción y supuestos

Yij = la puntuación del i sujeto bajo la j

condición experimental o tratamiento
μ = la media global de todos los datos del
experimento
ηi = μi – μ = el efecto asociado al iésimo sujeto
αj = μj – μ = el efecto de jésimo nivel de la
variable de tratamiento A
εij = el error experimental asociado al i
sujeto bajo el j tratamiento
..//..
Asimismo, para que el modelo sea válido, se
asume que:

a) ηi  NID(0,ση²)
b) εij  NID(0,σε²)
c) Σ = ση²11' + σε²I
 Cuadro resumen del ANOVA:
Diseño de medidas repetidas
F.V. SC g.l CM F p

Suj (S) 3.42 (n-1)=2 1.71 2.11 >0.05

Trat (A) 9.49 (a-1)=2 4.75 5.86 >0.05
SujxTrat (SxA) 3.25 (n-1)(a-1)=4 0.81

Total (T) 16.16 an-1=8

F0.95(2/4) = 6.94
 Modelo de prueba de hipótesis

Paso 5. Dado que el valor empírico de F es

menor que el teórico, se acepta la hipótesis de
nulidad relativa a la variable de sujetos y a la
de tratamiento, a un nivel del riesgo del cinco
por ciento.
Supuesto de uniformidad o simetría
compuesta

Según esta restricción, conocida por condición

de uniformidad o simetría compuesta, se
asume una variancia común para las distintas
medidas repetidas y una covariancia común
para los diferentes pares de medidas (prueba
de Box, 1950)
  = Matriz poblacional
H0 : =S
S = Matriz muestral

  12  12  13 
   21  22  23 
 
2
 31  32  3 

 s12 s12 s13   s12 s12 s13   s12 s12 s13 

s s 22 s 23  s s 22 s 23  . . .  s 21 s 22 s 23 
 21   21   
 s31 s32 s32   s31 s32 s32   s31 s32 s32 
S1 S2 Sn
 Prueba de ajuste
Prueba de simetría combinada (Box, 1950)

H0: S = Σ
 Decisión estadística

Se calcula el valor del estadístico B con distribución

aproximada a chi-cuadrado y con [a² + a - 4]/2 grados
de libertad:

B = (1 - C)M = (1 - 075)(15.2) = 3.8

[3² + 3 - 4]/2 = 4 g.l.

..//..
El valor teórico de chi-cuadrado es
χ0.95 (4) = 9.49
Puesto que este valor es mayor que el valor
empírico calculado, 3.8 < 9.49, se infiere la
aceptación de la hipótesis de nulidad y, por
tanto, que la matriz de variancia y covariancia
muestral se ajusta al patrón específico asumido
en la población.
 Supuesto de esfericidad

Huynh y Feldt (1970) y Rouanet y Lepine

(1970) han mostrado que es suficiente el
cumplimento de una condición más débil o
condición de esfericidad (circularidad). Esta
condición sólo requiere que las variancias de
las diferencias entre todos los pares de
medidas repetidas sean iguales (prueba de
esfericidad de Mauchley, 1940)
 Supuesto de homogeneidad del
ejemplo
Uniformidad Circularidad
Box(1950) Mauchley (1940)
χo2 = 3.8 χo2 = 0.479
g.l.= [p2+p-4]/2 =4 g.l.=[p(p-1)/2]-1=2
χ20.95(4) =9.49 χ20.95(2) =5.99

A(H0)  p>0.05
Alternativas de análisis del diseño de
medidas repetidas
F normal
ANOVA F conservadora
F ajustada
Diseño de
medidas
repetidas

MANOVA
Fórmulas para el cálculo de los grados de
libertad de las F 's

Grados de F normal F conservadora F ajustada

libertad de F

Numerador (a-1) 1 (a-1)

Denominador (n-1)(a-1) n-1 (n-1)(a-1)

 Factores de ajuste

Epsilón de:

Greenhouse y Geisser (1959)

Huynh y Feldt (1970)
Épsilon de Greeenhouse y Geisser
(1959)

 = 0.72
Valores teóricos de las F 's de las distintas
pruebas, a un nivel de significación de 0.05

Tipo de Grados de libertad Valor teórico de

prueba Numerador Denominador F para α = 0.05

Normal 2 4 6.94

Ajustada 1 3 10.13

Conservadora 1 2 18.51
 Caso paramétrico. Ejemplo 2

Rauscher, Show y Ky (1993) estudiaron si la

audición de la sonata K488 de Mozart
incrementaba el rendimiento en tareas
cognitivas. Se pidió a un total de 36 estudiantes
que ejecutaran tres tareas de razonamiento
espacial. Previo a las tareas los sujetos
escuchaban, por un periodo de diez minutos,
una de las siguientes piezas: (a) la sonata para
dos pianos K488 de Mozart, (b) música de
relajación y (c) silencio. ..//..
Los efectos de orden se controlaron mediante
contrabalanceo entresujetos de las tres
audiciones. La variable dependiente fue la
puntuación obtenida en la escala de
razonamiento espacial del Test de inteligencia
de Stanford-Binet.
 Estadísticos descriptivos

Estimaciones

Medida: MEASURE_1
Intervalo de confianza al
95%.
Límite
Periodo Media Error típ. Límite inferior superior
Mozart 58.723 1.769 55.131 62.315
Relajación 56.252 1.302 53.607 58.896
Silencio 52.853 2.009 48.775 56.931
 Prueba de esfericidad

Prueba de esfericidad de Mauchlyb

Medida: MEASURE_1

a
Epsilon
Chi-cuadrado Greenhous
Efecto intra-sujetos W de Mauchly aprox. gl Significación e-Geisser Huynh-Feldt Límite-inferior
Música .964 1.230 2 .541 .966 1.000 .500
Contrasta la hipótesis nula de que la matriz de covarianza error de las variables dependientes transformadas es proporcional a
una matriz identidad.
a. Puede usarse para corregir los grados de libertad en las pruebas de significación promediadas. Las pruebas corregidas
se muestran en la tabla Pruebas de los efectos inter-sujetos.
b.
Diseño: Intercept
Diseño intra sujetos: Música
 ANOVA de medidas repetidas

Pruebas de efectos intra-sujetos.

Medida: MEASURE_1
Suma de
cuadrados Media
Fuente tipo III gl cuadrática F Significación
Música Esfericidad asumida 625.440 2 312.720 3.547 .034
Greenhouse-Geisser 625.440 1.931 323.834 3.547 .036
Huynh-Feldt 625.440 2.000 312.720 3.547 .034
Límite-inferior 625.440 1.000 625.440 3.547 .068
Error(Música) Esfericidad asumida 6172.125 70 88.173
Greenhouse-Geisser 6172.125 67.598 91.307
Huynh-Feldt 6172.125 70.000 88.173
Límite-inferior 6172.125 35.000 176.346