Descargar

Introducción al diseño factorial (página 2)

Enviado por Pablo Turmero


Partes: 1, 2
edu.red

Siguiendo con el criterio de bloques, el diseño factorial de Cuadrado Latino o de doble sistema de bloques controla dos fuentes de variación extrañas, aunque sólo se realiza una parte del total de combinaciones. ..//..

edu.red

El diseño factorial jerárquico o anidado requiere la manipulación experimental de la variable y, al mismo tiempo, la anidación (o inclusión) de una variable dentro de las combinaciones de tratamientos de los factores. ..//..

edu.red

Por último, el diseño factorial de medidas repetidas incorpora la técnica intra-sujeto; es decir, el sujeto actúa de control propio y recibe todas las combinaciones de tratamiento generados por la estructura factorial.

edu.red

Criterios Diseño

edu.red

Efectos factoriales estimables

1. Efectos simples 2. Efectos principales 3. Efectos secundarios

edu.red

Efectos factoriales simples Es posible definir el efecto factorial simple como el efecto puntual de una variable independiente o factor para cada valor de la otra.

edu.red

Efectos factoriales principales Los efectos factoriales principales, a diferencia de los simples, son el impacto global de cada factor considerado de forma independiente, es decir, el efecto global de un factor se deriva del promedio de los dos efectos simples.

edu.red

Efectos factoriales secundarios El efecto secundario o de interacción se define por la relación entre los factores o variables independientes, es decir, el efecto cruzado.

edu.red

Diseño factorial al azar 2×2

edu.red

Estructura del diseño

edu.red

Combinación de tratamientos por grupo o casilla

Diseño factorial 2×2

A1B1 A1B2

A2B1 A2B2

edu.red

Formato del diseño factorial completamente al azar Sub

s e l e c c M i P ó n Asignación al azar S1 S1 S1 S1 Sn1 Sn2 Sn3 Sn4 V.E. Z1 Z2 Z3 Z4 V.I. A1B1 A1B2 A2B1 A2B2

edu.red

Caso paramétrico. Ejemplo 1 Se pretende probar, en una situación de aprendizaje discriminante animal, si la magnitud del incentivo (variable incentivo) actúa según el aprendizaje sea simple o complejo (variable dificultad de aprendizaje o variable tarea). En esta hipótesis se afirma que a mayor incentivo, más acusada es la diferencia entre las dos tareas (simple o compleja) ..//..

edu.red

Para ello, se registra la cantidad de discriminaciones correctas (variable dependiente) en función de un criterio general de aprendizaje, que asume como suficientes 15 ensayos. Se toma, como medida de la variable dependiente o de respuesta, la cantidad de respuestas correctas, para un máximo de 15, bajo el supuesto de que cada discriminación correcta tiene la misma dificultad de aprendizaje. ..//..

edu.red

Para probar la hipótesis propuesta se asignan 32 sujetos, de una muestra experimental, a las combinaciones de tratamientos o casillas (ocho sujetos por casilla), de forma totalmente aleatoria.

edu.red

Modelo de prueba de hipótesis Paso 1. Según la estructura del diseño son estimables tres efectos. Por esa razón, se plantean tres hipótesis de nulidad relativas a la variable A, variable B e interacción: H0: a1 = a2 = 0 H0: ß1 = ß2 = 0 H0: (aß)11 = (aß)12 = (aß)21 = (aß)22 = 0

edu.red

Paso 2. Por hipótesis experimental, se espera que los efectos principales y el de la interacción sean significativos. Estas hipótesis se representan, al nivel estadístico, por H1: a1 ? a2, o no todas las a son cero H1: ß1 ? ß2, o no todas las ß son cero H1: (aß)11 ? (aß)12 ? (aß)21 ? (aß)22, o no todas las aß son cero.

edu.red

Paso 3. El estadístico de la prueba es la F de Snedecor, con un a de 0.05, para las tres hipótesis de nulidad. El tamaño de la muestra experimental es N = 32 y el de las submuestras n = 8.

Paso 4. Cálculo del valor empírico de las razones F. Para ello, se toma la matriz de datos del experimento.

edu.red

Matriz de datos del diseño

edu.red

(Gp:) 60 7.5 (Gp:) 70 8.75 (Gp:) 27 3.375 (Gp:) 52 6.5 (Gp:) 8 6 9 9 8 7 7 6 (Gp:) 7 9 10 8 10 9 10 7 (Gp:) 4 3 4 5 2 3 4 2 (Gp:) 10 9 4 8 8 4 3 6 (Gp:) A2B2 (Gp:) A2B1 (Gp:) A1B2 (Gp:) A1B1 (Gp:) DISEÑO FACTORIAL 2X2

Totales: Medias: 209 6.53

edu.red

ANOVA factorial

edu.red

Modelo estructural del ANOVA: Diseño factorial 2X2

edu.red

Especificación del modelo

Yijk = la puntuación del i sujeto bajo la combinación del j valor del factor A y el k valor del factor B. µ = la media común a todos los datos del experimento. aj = el efecto o impacto del j nivel de la variable de tratamiento A. ßk = efecto del k valor de la variable de tratamiento B. (aß)jk = efecto de la interacción entre el j valor de A y el k valor de B. eijk = error experimental o efecto aleatorio de muestreo.

edu.red

Descomposición polietápica de las Sumas de cuadrados SCA

SCentre-grupos SCB

SCtotal SCAB

SCintra-grupos SCS/AB

edu.red

Cuadro resumen del ANOVA primera etapa: Diseño factorial 2X2 (Gp:) F0.95(3/28) = 2.95 (Gp:)

(Gp:) abn-1=31 (Gp:) 203.97 (Gp:) Total (T) (Gp:) < 0.05 (Gp:) 15.28 (Gp:) 42.19 2.76 (Gp:) ab-1=3 ab(n-1)=28 (Gp:) 126.59 77.38 (Gp:) Entre G Intra G (E) (Gp:) p (Gp:) F (Gp:) CM (Gp:) g.l. (Gp:) SC (Gp:) F.V.

edu.red

Inferencia del primer análisis Del primer análisis se concluye que los grupos de tratamiento o experimentales difieren significativamente entre sí; la probabilidad de que un valor F de 15.28 ocurra al azar es menor que el riesgo asumido (a = 0.05) ..//..

edu.red

En consecuencia, se procede a determinar las causas de esa significación. Nótese que este análisis no obedece a ningún propósito de investigación, ya que sólo sirve para detectar si, en términos globales, hay o no diferencia entre los grupos. De hecho, es como si se hubiera aplicado un modelo uni-factorial de la variancia.

edu.red

Gráfico de interacción

edu.red

Ventajas del diseño factorial Se ha descrito, a lo largo de ese tema, los conceptos básicos del diseño factorial o estructura donde se manipulan, dentro de una misma situación experimental, dos o más variables independientes (o factores). En aras a una mejor exposición del modelo se ha descrito, básicamente, el diseño bifactorial a dos niveles, dentro del contexto de grupos completamente al azar. ..//..

edu.red

La disposición bifactorial aporta información no sólo de cada factor (efectos principales), sino de su acción combinada (efecto de interacción o efecto secundario). De esta forma, con la misma cantidad de sujetos requerida para experimentos de una sola variable independiente o factor, el investigador puede estudiar simultáneamente la acción de dos o más variables manipuladas. ..//..

edu.red

Ello supone un enorme ahorro de tiempo y esfuerzo. Si se tiene en cuenta la posibilidad de analizar la acción conjunta o cruzada de las variables, se concluye que el diseño factorial es una de las mejores herramientas de trabajo del ámbito psicológico, puesto que la conducta es función de muchos factores que actúan simultáneamente sobre el individuo. ..//..

edu.red

Formato del diseño factorial 2 x 2 de bloques (Gp:) Bloque 1 (Gp:) Bloque 2 (Gp:) Bloque k (Gp:) ………………………………………….…………………………………………. (Gp:) A1B1 (Gp:) A2B1 (Gp:) A1B2 (Gp:) A2B2 (Gp:) S11 (Gp:) S12 (Gp:) S14 (Gp:) S13 (Gp:) S21 (Gp:) S22 (Gp:) S24 (Gp:) S23 (Gp:) Sk1 (Gp:) Sk2 (Gp:) Sk4 (Gp:) Sk3

edu.red

Formato del diseño factorial de medidas repetidas, S x A x B (Gp:) Y111 Y11k Y121 Y12k … Y1j1 Y1jk Y211 Y22k Y221 Y22k … Y2j1 Y2jk ……………………………………………………………………………………………………………………………………… Yn11 Yn1k Yn21 Yn2k … Ynj1 Ynjk (Gp:) Medias (Gp:) S1 (Gp:) S2 (Gp:) Sn (Gp:) .

.

. (Gp:) Sujetos (Gp:) Medias (Gp:) Y1.. (Gp:) Y2.. (Gp:) .

.

. (Gp:) Yn.. (Gp:) Y… (Gp:) … (Gp:) Tratamientos (Gp:) A1 (Gp:) A2 (Gp:) Aj

(Gp:) B1 Bk (Gp:) … (Gp:) B1 Bk (Gp:) … (Gp:) B1 Bk (Gp:) … (Gp:) … (Gp:) .. (Gp:) .. (Gp:) .. (Gp:) .. (Gp:) .. (Gp:) .. (Gp:) .. (Gp:) .. (Gp:) .. (Gp:) Y.11 (Gp:) Y.12 (Gp:) … (Gp:) Y.21 (Gp:) Y.j1 (Gp:) Y.jk (Gp:) Y.2k (Gp:) .. (Gp:) .. (Gp:) ..

Partes: 1, 2
 Página anterior Volver al principio del trabajoPágina siguiente