Date post: | 30-Nov-2023 |
Category: |
Documents |
Upload: | independent |
View: | 0 times |
Download: | 0 times |
MODELOS DE REGRESIÓN
1- Modelo nulo: yi = β0 + ei (Ecuación general) y i=¿ β0 (Ecuación predictiva)
Estimación de los parámetros del modeloVariable dependiente:
Parámetro BError Típico t P > │t│
IC 95 %Inferior Superior
Intersección β0 σ β0 t < 0.05 Li Ls
t = β0
σ β0
β0= t σ β0 σ β0 = β0
t
Análisis de la Varianza del modeloVariable dependiente:Fuente SC tipo III Gl MC F PModelo 0 0 0 . .Residual SCR N-p-1 MCR= SCR / glPTotal SCT = SCR N-1
Ajuste global (absoluto): SR = √MCR Ajuste global (relativo): R2 = SCM/SCT
2- Regresión Lineal Simple: yi = β0 + β1 X1 + ei (Ec.general) y i = β0 + β1X1 (Ec.predictiva)
Estimación de los parámetros del modeloVariable dependiente:
Parámetro BError Típico t P > │t│
IC 95 %Inferior Superior
Intersección β0 σ β0 t < 0.05 Li LsX1 β1 σ β1 t < 0.05 Li Ls
t = βσ β
β= t σ β σ β = βt
Análisis de Varianza del ModeloVariable dependiente:Fuente SC tipo III Gl MC F PModelo SCM 1 MCM=SCM/1 MCM / MCR <0.05X1 SC X1 1 SC X1 / 1 MC X1 / MCR <0.05Residual SCR N-p-1 MCR=SCR / glRTotal SCT = SCR + SCM N-1 MCT=SCT/N-1R2 = SCM/SCT = 1- [SCR/SCT] R2
aj= 1 – [MCR/MCT]
SCR = SCT – SCM, SCT = ∑ y2, SCM = ∑ (xy)2 / ∑ x2, (t)2 = F (con 1 gl num.), p = nº predictores“Rechácese la H0 si F obs. > F crítica”Ajuste global absoluto: SR = √MCRAjuste global relativo: R2 = SCM/SCT = 1- [SCR/SCT] o bien R2
aj= 1 – [MCR/MCT]
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
Cálculo de F mediante coeficiente de determinación: F=RY μ
2 /glM(1−RY μ
2 )/ glR
3- Regresión Lineal Múltiple (p ≥ 2): yi = β0 + β1 x1 + β2 x2 + ei (Ecuación general)
y i= β0 + β1 x1 + β2 x2 (Ecuación predictiva)
Estimación de los parámetros del modeloVariable dependiente:
Parámetro BError Típico t P > │t│
IC 95 %Inferior Superior
Intersección β0 σ β0 t < 0.05 Li LsX1 β1 σ β1 t < 0.05 Li LsX2 β2 σ β2 t < 0.05 Li Ls
t = βσ β
β= t σ β σ β = βt
Análisis de Varianza del modeloVariable dependiente:Fuente SC tipo III Gl MC F PModelo SCM p SCM/glM MCM / MCR <0.05X1 SCX1 1 SCX1 / 1 MCX1 / MCR <0.05X2 SCX2 1 SCX2 / 1 MCX2 / MCR <0.05Residual SCR N-p-1 SCR / glRTotal SCT = SCR + SCM N-1 MCT=SCT/N-1R2 = SCM/SCT = 1- [SCR/SCT] R2
aj= 1 – [MCR/MCT]
SCR = SCT – SCM, SCT = ∑ y2, SCM = ∑ (xy)2 / ∑ x2, p = nº predictores“Rechácese la H0 si F obs. > F crítica”Ajuste global absoluto: SR = √MCRAjuste global relativo: R2 = SCM/SCT = 1- [SCR/SCT]
R2aj= 1 – [MCR/MCT]
Ajuste relativo de cada componente: Δ R2 = SC componente / SCT
Coeficientes estandarizados (para cada Xj): β¿ = β √∑x
2
√∑ y2= βsxs y
Ajuste Condicional: Comparación de modelos.
Modelo 1: Y = B0 + B1 X1
Modelo 2: Y = B0 + B1 X1 + B2 X2
Modelo SCR glR Δ SCR Δ gl F p1 SCR1 glR1
2 SCR2 glR2 SCR1 – SCR2 glR1 – glR2
Δ SCRΔglSCR 2glR 2
< 0.05
2
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
Se acepta Modelo 1 (más simple) si las diferencias entre modelos no son significativas ( P < .05); en caso contrario se acepta Modelo 2 (más complejo)
Estimación pendiente de regresión: β1=b1=√RY μ(SY2 /SX2 )
Estimación intercepción: β0=b0= y− β1 x
4- Modelos de Regresión con Predictores Categóricos:
4.1- Codificación tipo Regresión: y=¿ β0 + β1 [grupo=A] + β2 [grupo=B]
CÓDIGOS Variable: Ngrupo=A grupo=B Medias Varianzas
CATE
GO
RÍAS A 1 0 Y A S2
A n
B 0 1 Y B S2B n
C 0 0 Y C S2C n
Total Restricción: Ck = 0 Y T S2T N
Estimación de los parámetros del modeloVariable dependiente:
Parámetro BError Típico t P > │t│
IC 95 %Inferior Superior
Intersección Y C σ β0 t < 0.05 Li Lsgrupo=A Y A - Y C σ β1 t < 0.05 Li Lsgrupo=B Y B - Y C σ β2 t < 0.05 Li Ls
t = βσ β
β= t σ β σ β = βt
β = Li+Ls
2
Análisis de Varianza del modeloVariable dependiente:Fuente SC tipo I Gl MC F PModelo SCM a - 1 SCM/glM MCM / MCR <0.05grupo=A SC gA 1 SCgA / 1 MCgA / MCR <0.05grupo=B SC gB 1 SCgB / 1 MCgB / MCR <0.05Residual SCR N-a-1 =
a(n-1) SCR / glR
Total SCT = SCR + SCM N-1 MCT = SCT/N-1R2 = SCM/SCT = 1- [SCR/SCT] R2
aj= 1 – [MCR/MCT]
SCR = SCT – SCM SCT = ∑ y2 SCM = ∑ (xy)2 / ∑ x2 (t)2 = F“Rechácese la H0 si F obs. > F crítica”
3
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
Ajuste global absoluto: SR = √MCRAjuste global relativo: R2 = SCM/SCT = 1- [SCR/SCT]
R2aj= 1 – [MCR/MCT]
Ajuste relativo de cada componente: Δ R2 = SC componente / SCT
4.2- Codificación tipo ANOVA:
CÓDIGOS Variable: Ngrupo=A grupo=B Medias Varianzas
CATE
GO
RÍAS A 1 0 Y A S2
A n
B 0 1 Y B S2B n
C -1 -1 Y C S2C n
Total Restricción: ∑ Cj = 0 Y T S2T N
Estimación de los parámetros del modeloVariable dependiente:
Parámetro BError Típico t P > │t│
IC 95 %Inferior Superior
Intersección Y T σ β0 t < 0.05 Li Lsgrupo=A Y A - Y T σ β1 t < 0.05 Li Lsgrupo=B Y B - Y T σ β2 t < 0.05 Li Ls
MODELO: Variable dependiente = y + (yA - y ) [grupo=A] + ( yB - y) [grupo=B]
Análisis de Varianza del modeloVariable dependiente:Fuente SC tipo I Gl MC F PModelo SCM a - 1 SCM/glM MCM / MCR <0.05grupo=A SCgA 1 SCgA / 1 MC NA / MCR <0.05grupo=B SCgB 1 SCgB / 1 MC NB / MCR <0.05Residual SCR N-a MCR = SCR / glRTotal SCT = SCR + SCM N-1 MCT = SCT/N-1R2 = SCM/SCT = 1- [SCR/SCT] R2
aj= 1 – [MCR/MCT]
SCR = SCT – SCM SCT = ∑ y2 SCM = ∑ (xy)2 / ∑ x2 a = nº categorías (A,B,C)“Rechácese la H0 si F obs. > F crítica”Ajuste global absoluto: SR = √MCR
4
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
Ajuste global relativo: R2 = SCM/SCT = 1- [SCR/SCT] R2
aj= 1 – [MCR/MCT]Ajuste relativo de cada componente: Δ R2 = SC componente / SCT
4.3- Codificación Polinómica Ortogonal (L=Pol.Lineal, Q=Pol.Cuadrático, C=Pol.cúbico)
Si se no muestran, los códigos se consultan en la TABLA HCÓDIGOS Productos
CruzadosVariable: NL Q Medias Varianzas
CATE
GO
RÍAS A -1 1 -1 Y A S2
A n
B 0 -2 0 Y B S2B n
C 1 1 1 Y C S2C n
Total ∑cj = 0 ∑cjcj´ = 0 Y T S2T N
Restricciones: ∑Cj = 0; ∑CjCj´ = 0; Número de códigos requerido: nº niveles factor - 1Modelo: μi = β0 + β1L + β2Q
Estimación de los parámetros del modeloVariable dependiente:
Parámetro BError Típico t P > │t│
IC 95 %Inferior Superior
Intersección Y Tσ β0 t < 0.05 Li Ls
L (Lineal) β1 σ β1 t < 0.05 Li LsQ (Cuadrático) β2 σ β2 t < 0.05 Li Ls
β contraste L = -1Y A + 0 Y B + 1 Y C /√∑ c j2 (∑ c j
2es la SC de los códigos)
β contraste Q = 1Y A -2Y B + 1 Y C /√∑ c j2 (∑ c j
2es la SC de los códigos)
Análisis de Varianza del modelo (Análisis de TENDENCIAS)Variable dependiente:Fuente SC tipo I gl MC F PModelo SCM a - 1 SCM/glM MCM / MCR <0.05Contr. Lineal SC L 1 SC L / 1 MC L / MCR <0.05Contr. Cuadrático SC Q 1 SC Q / 1 MC Q / MCR <0.05Residual SCR N-a SCR / glR
5
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
Total SCT = SCR + SCM N-1 Ajustar hasta que todo contraste tenga p < 0.05
R2 = SCM/SCT = 1- [SCR/SCT] R2aj= 1 – [MCR/MCT]
SCL=¿n β contraste L
SCQ=¿n β contraste Q
Ajuste global absoluto: SR = √MCRAjuste global relativo: R2 = SCM/SCT = 1- [SCR/SCT]
R2aj= 1 – [MCR/MCT]
Ajuste relativo de cada componente: Δ R2 = SC componente / SCT
5- Multicolinealidad:
a. Detección de la multicolinealidad a partir de las SC tipo I:El orden de entrada determina la magnitud de las SCLa ∑ SC de cada componente = SCM
b. Detección de la multicolinealidad a partir de las SC tipo III:El orden de entrada no determina la magnitud de las SCLa ∑ SC de cada componente ≠ SCM
5.1- Índice de Tolerancia (TOL):
TOL = MCR
(n−1 )S j2 ¿¿
S j2 = Varianza predictor j ; SE j = Error Típico del predictor j
TOL ≤ 0.10 = Multicolinealidad grave (se presenta sesgo e ineficiencia en la estimación de los parámetros)
TOL > 0.10 = Multicolinealidad tolerable (los parámetros no presentan sesgo y son relativamente eficientes)
5.2- Factor de Inflación de la Varianza (FIV):
FIV = 1TOL
FIV ≥ 10 = Multicolinealidad grave (sesgo e ineficiencia parámetros)
FIV <10 = Multicolinealidad tolerable
5.3- Correlación parcial y semiparcial
6
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
rY 1.2=rY 1−rY 2 r12
√1−rY 22 √1−r 12
2 (correlación parcial)
rY (1.2)=rY 1−rY 2 r12
√1−r122 (correlación semiparcial)
rY (1.2)2 =ΔR j
2 (Incremento coeficiente determinación predictor j)
MODELOS ANOVA/ANCOVA DE EFECTOS FIJOS
1- ANOVA un factor: yij = μ + αj + eij (Ecuación general) y= μ + αj (Ecuación predictiva) Efecto de tratamiento (factor A): α j=Y j−Y
Análisis DescriptivoFactor A Media Suma Varianza nNivel a1 a1 ∑a1 σ2a1 n réplicasNivel a2 a2 ∑a2 σ2a2 n réplicasNivel a3 a3 ∑a3 σ2a3 n réplicas
… a… ∑a… σ2a… N
Análisis de Varianza del modeloVariable dependiente:Fuente SC tipo III gl MC F PModelo SCM a-1 SCM/glM MCM / MCR <0.05
Residual SCR a (n-1) SCR / glR
Total SCT = SCR + SCM an-1“Rechácese Ho si Fobs ≥ F crítica
1.1-Esperanzas de las medias cuadráticas:
E(MCA) = E(MCM) = σ2e + nθ2
A (observa que (a−1)a
θ2A = δ 2
A)
E(MCR) = σ2e
1.2-Magnitud del efecto/asociación:1.2.1- Estimador sesgado: η2
A = SCA / SCT1.2.2- Estimador insesgado:
7
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
ω2A = SCA−(a−1 )(MCR)SCT+MCR =
(a−1)(F−1)(a .1)(F−1)+na
(no recomendado)
δ 2A =
(a−1 )(MCA−MCR)N
o bien δ 2A =
(a−1)a
MCA−MCRn
σ T2= δ2
A + σ2e (varianza total)
ω2A = δ 2
A / σ2T (magnitud efecto A)
Si ω2A≥.05(pequeña),ω2
A≥.10 (moderada), ω2A≥.25 (importante)
1.3-Parámetro de NO CENTRALIDAD y potencia: λ A = SCA / MCR (parámetro de no centralidad)
Si ϕA > 0.75 (potencia aceptable)
La potencia se determina en la tabla G, con grados de libertad de numerador y denominador de la razón F y parámetro de no centralidad λA
1.4-Ajuste condicional:
Modelo 1: y= 1 (solo intercepción)Modelo 2: y = 1 + α (intercepción y factor)Modelo SCR glR Δ SCR Δ gl F p
1 SCR 1 glR 1
2 SCR 2 glR 2 SCR 1 – SCR 2 glR 1 – glR 2
Δ SCRΔglSCR 2glR 2
< 0.05
SCR (Modelo Nulo) = SCT (ANOVA un factor)glR (Modelo Nulo) = glT (ANOVA un factor)
1.5-Supuesto de Normalidad:
Kolmogorov – Smirnov; N > 50 Shaphiro – Wilk; N <= 50Estadístico gl p Estadístico gl p
A >.05 >.05H0: Normalidad H0: Normalidad
1.6-Supuesto de Homoscedasticidad:
Prueba de Levene F gl1 gl2 p>FBasado en la media >.05Basado en la mediana >.05
H0: Homoscedasticidad
Si no hay prueba de Levene, pero se aportan las varianzas, se aplica la prueba Fmax de Hartley:8
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
Fmax = σmayor
2
σmenor2
Decisión: Rechácese la Ho homogeneidad si F observada ≥ F crítica con los grados de libertad de modelo y residual.
2. ANOVA dos factores (Efectos Fijos)
2.1- Modelo: yijkl = μ + αj + βk + (αβ)jk + eijk (modelo interactivo o no aditivo)
Tabla básica de 2 factores con Efectos FijosFuentes de Variación
Suma de Cuadrados
Grados de Libertad
Medias Cuadráticas Razón F
A SCA (a – 1) MCA MCA / MCRB SCB (b – 1) MCB MCB / MCR
AB SCAB (a – 1)(b – 1) MCAB MCAB / MCRResidual SCR ab (n – 1) MCR
Total SCT abn - 1N = abn glT = N – 1 gl M = glA + glB + glAB = (ab – 1)
2.2- Esperanzas de las Medias Cuadráticas:
E (MCA) = σ2e + nbθ2
A θ2A = ∑ α2/(a−1)
E (MCB) = σ2e + naθ2
B θ2B = ∑ β2 /(b−1)
E (MCAB) = σ2e + nθ2
AB θ2AB = ∑ (αβ )2/(a−1)(b−1)
E (MCR) = σ2e
2.3- Estimación de las varianzas de los componentes del modelo:
δ 2A =
(a−1 )(MCA−MCR)N
9
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
δ 2B =
(b−1)(MCB−MCR)N
δ 2AB =
(a−1 )(b−1)(MCAB−MCR)N
σ2R = MCR
σ2T = Varianza total (Suma de las varianzas de todos los componentes)
2.4- Cálculo de las razones F:
FA = MCA / MCR FB = MCB / MCR FAB = MCAB / MCR
2.5- Tabla Resumen de Resultados:
Análisis de Varianza del ModeloVariable dependiente:Fuente SC tipo III gl MC F P
Modelo SCM glT - glR SCM/gl M MCM / MCR <0.05
A SCA a-1 MCA MCA / MCR <0.05
B SCB b-1 MCB MCB / MCR <0.05
AB SCAB (a-1)(b-1) MCAB MCAB / MCR <0.05
Residual SCR ab (n-1) MCR=SCR / gl R
Total SCT = SCR + SCM abn-1 MCT
2.6-Ajuste condicional:
Modelo 1: y = 1 + A + B (aditivo)Modelo 2: y= 1 + A + B + AB (interactivo)Modelo SCR glR Δ SCR Δ gl F p
1 SCR 1 glR 1
2 SCR 2 glR 2 SCR 1 – SCR 2 glR 1 – glR 2
Δ SCRΔglSCR 2glR 2
< 0.05
2.7-Tamaño del efecto:2.7.1- Estimador sesgado: η2
A = SCA / SCT; η2B = SCB / SCT; η2
AB = SCAB / SCT2.7.2- Estimador insesgado:
ω2A = SCA−( (a−1 )(MCR))
SCT+MCR (no recomendado) ω2
A = δ 2A / σ2
T (recomendable)
ω2B = SCB−((b−1 )(MCR))
SCT+MCR (no recomendado) ω2
B = δ 2B / σ2
T (recomendable)
10
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
ω2AB = SCAB−¿¿ (no recomendado) ω2
AB = δ 2AB / σ2
T (recomendable)
2.8-Parámetro de NO CENTRALIDAD: λ A = SC efecto / MCR (para cada efecto factorial)
ϕA > 0.75 (potencia aceptable)2.9-Supuesto de Normalidad:
Kolmogorov – Smirnov; n>50 Shapiro – Wilk; n<=50Estadístico gl p Estadístico gl p
A >.05 >.05B >.05 >.05
H0: Normalidad H0: Normalidad
2.10- Supuesto de Homoscedasticidad:Prueba de Levene F gl1 gl2 p>FBasado en la media >.05Basado en la mediana >.05
H0: Homoscedasticidad
Si no hay prueba de Levene, pero se aportan las varianzas, se aplica la prueba Fmax de Hartley:
Fmax = σmayor
2
σmenor2
Rechácese Ho homogeneidad si F observada ≥ F crítica con grados de libertad de modelo y residual.
3. ANOVA con más de dos factores (Efectos Fijos)
Análisis de Varianza del ModeloVariable dependiente:Fuente SC tipo III gl MC F PModelo SCM glM = glT - glR MCM MCM / MCR <0.05
A SCA a-1 MCA MCA / MCR <0.05
B SCB b-1 MCB MCB / MCR <0.05
C SCC c-1 MCC MCC / MCR <0.05
AB SCAB (a-1)(b-1) MCAB MCAB / MCR <0.05
AC SCAC (a-1)(c-1) MCAC MCAC / MCR <0.05
BC SCBC (b-1)(c-1) MCBC MCBC / MCR <0.05
ABC SCABC (a-1)(b-1)(c-1) MCABC MCABC / MCR <0.05
Residual SCR abc (n-1) MCR
Total SCT = SCR + SCM abcn-1 = N - 1
11
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
- Parámetro de NO CENTRALIDAD: λ A = SC efecto / MCR (para cada efecto factorial)
- Pruebas de Rango:
Procedimiento Niveles del Factor NSubconjunto para α = .05
1 2HSD TUKEY a1 n XXX
XXX XXXXXX
a2 na3 n
Probabilidad P > 0.05 P > 0.05SCHEFFE a1 n XXX
XXX XXXXXX
a2 na3 n
Probabilidad P > 0.05 P > 0.05
Número de combinaciones posibles entre pares de medias: m!
n! (m−n ) !
4. MODELOS ANCOVA
Solución 1 -> Estrategia de análisis de Milliken y Johnson:
Paso 1: Hipótesis de pendientes nulas (modelo incompleto sin intercepción)
Comprobar significación interacción factor x covariante en tabla sin la covariante.
Si se acepta hipótesis, se aplica modelo ANOVA; en caso contrario, se aplica paso 2.
Paso 2: Hipótesis de pendientes homogéneas o paralelas (modelo completo con intercepción)
Comprobar significación interacción factor x covariante en tabla completa.
Si se acepta hipótesis, se aplica modelo ANCOVA; en caso contrario, se aplica el
modelo ANCOVA con pendientes heterogéneas (técnica de Neyman-Johnson).
Paso 3: Interpretación del ANCOVA (modelo aditivo con factor y covariante). Solamente
12
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
se interpreta en el modelo ANCOVA el factor (y opcionalmente la covariante).
Después se obtienen las medias ajustadas si el número de niveles es mayor de 2.
Solución 2 -> Estrategia de ajuste condicional
Paso 1 – prueba de pendientes nulas (modelo incompleto sin intercepción)
Modelo 1:Y = -1 + AModelo 2:Y = -1 + A + AXModelo SCR glR Δ SCR Δgl F p
1 SCR 1 glR 1
2 SCR 2 glR 2 SCR 1 – SCR 2 glR 1 – glR 2
Δ SCRΔglSCR 2glR 2
< 0.05
Paso 2 – prueba de pendientes homogéneas/paralelas (modelo completo con intercepción)
Modelo 3:Y = 1+ A + XModelo 4:Y = 1 + A + X + AXModelo SCR glR Δ SCR Δgl F p
3 SCR 1 glR 1
4 SCR 2 glR 2 SCR 1 – SCR 2 glR 1 – glR 2
Δ SCRΔglSCR 2glR 2
> 0.05
Cálculo de las medias ajustadas: yaj= y j−bR( x j−x ), donde bR es la pendiente de regresión común.
MODELOS ANOVA EFECTOS ALEATORIOS Y MIXTOS
4. ANOVA un factor, Efectos Aleatorios
4.1- Modelo: yij = μ + aj + eij
4.2- Hipótesis: H0: σ2a = 0; H1: σ2
a ≠ 0
Análisis DescriptivoFactor A Media Suma VarianzaNivel a1 a1 ∑a1 σ2a1 RéplicasNivel a2 a2 ∑a2 σ2a2 RéplicasNivel a3 a3 ∑a3 σ2a3 Réplicas
… a… ∑a… σ2a… N
Análisis de Varianza del ModeloVariable dependiente:
13
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
Fuente SC tipo III gl MC F PModelo SCM a-1 SCM/glM MCM / MCR <0.05
Residual SCR a (n-1) SCR / glRa
Total SCT = SCR + SCM an-1a A pié de tabla se indican las MC correspondientes al denominador de la razón F
4.3-Esperanza de las medias cuadráticas:
E(MCA) = E(MCM) = σ2e + n σ2
a
E(MCR) = σ2e
4.4-Estimación de los componentes de la varianza:
σ 2a = a(MCA−MCR)
N σ 2
e = MCR σ 2T = σ 2
a + σ 2e
4.5-Tamaño del efecto:4.5.1- Correlación Intraclase: ρA = σ2
a / σ2T
4.5.2- Correlación Intraclase (estimación): RAI = σ 2
a / σ 2+ σ 2e
4.6-Parámetro de No Centralidad: λ A = SC efecto / MC denominador razón F del efecto
4.7-Ajuste condicional:
Modelo 1: y = 1Modelo 2: y = 1 + aModelo SCR glR Δ SCR Δ gl F p
1 SCR1 glR1
2 SCR2 glR2 SCR1 – SCR2 glR1 – glR2
Δ SCRΔglSCR 2glR 2
< 0.05
SCR (Modelo Nulo) = SCT (ANOVA 1F)glR (Modelo Nulo) = glT (ANOVA 1F)
4.8-Supuesto de Normalidad:
Kolmogorov – Smirnov; n>50 Shaphiro – Wilk; n<=50Estadístico gl p Estadístico gl p
A >.05 >.05H0: Normalidad H0: Normalidad
4.9-Supuesto de Homoscedasticidad:
Prueba de Levene F gl1 gl2 p>FBasado en la media >.05
14
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
Basado en la mediana >.05H0: Homoscedasticidad
Nota. Si no se aporta prueba de Levene, pero se conocen las varianzas de cada nivel de factor, puede aplicarse la prueba Fmax de Hartley.
5. ANOVA factorial, dos factores con efectos aleatorios
5.1- Modelo II: yijk = μ + aj + bk + (ab)jk + eijk
5.2- Planteamiento de las hipótesis y construcción de las razones F:H0: σ2
a = 0 H0: σ2b = 0 H0: σ2
ab = 0H1: σ2
a ≠ 0 H1: σ2b ≠ 0 H1: σ2
ab ≠ 0FA = MCA / MCABFB = MCB / MCAB FAB = MCAB / MCR
5.3- Componentes de la Varianza:- Varianza Residual: σ2
e σ 2e = MCR
- Varianza Efectos Tratamiento A: σ2a σ 2
a = a(MCA – MCAB) / N- Varianza Efectos Tratamiento B: σ2
b σ 2b = b(MCB – MCAB) / N
- Varianza Efectos Interactivos: σ2ab σ 2
ab = ab(MCAB – MCR) / N- Varianza Total: σ2
T = σ2a + σ2
b + σ2ab + σ2
e
- Fórmula general σ 2i = niveles i (Numerador Razón F – Denominador Razón F) / N
5.4- Esperanza de las Medias Cuadráticas:- E (MCA) = σ2
e + n σ2ab + nb σ2
a
- E (MCB) = σ2e + n σ2
ab + na σ2b
- E (MC AB) = σ2e + n σ2
ab
- E (MCR) = σ2e
Análisis de Varianza del ModeloVariable dependiente:Fuente SC tipo III gl MC F P
Modelo SCM glA + glB + glAB SCM/glM MCM / MCR <0.05
A SCA a-1 MCA MCA / MC a <0.05
B SCB b-1 MCB MCB / MC a <0.05
AB SCAB (a-1)(b-1) MCAB MCAB / MC b <0.05
Residual SCR glT - glM SCR / glR
Total SCT = SCR + SCM N-1
15
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
a MCAB b MCR“Rechácese Ho si Fobs ≥ F críticaSi no se aporta información a pié de tabla, calcular E(MC) según algoritmo desarrollado más abajo
5.5- Correlación Intraclase (proporción de varianza explicada)
RAI = σ 2
a / σ 2T
RBI = σ 2
b / σ 2T
RABI = σ 2
ab / σ 2T
5.6- Parámetro de No Centralidad:
λ = SC efecto / MC denominador razón F (para cada efecto)
5.7- Pruebas de normalidad y de homogeneidad de las varianzas igual que en el caso general
6. ANOVA factorial, tres factores efectos mixtos (asumiendo A y C fijos y B aleatorio)
6.1- Modelo III: yijkl = μ + αj + bk + ϒl + (αb)jk + (αϒ)jl + (bϒ)kl +(αbϒ)jkl + eijkl
6.2- Efectos del modelo:
EFECTO TIPO EFECTO TIPO EFECTO TIPOA Fijo AB Aleatorio ABC AleatorioB Aleatorio AC Fijo Error Residual AleatorioC Fijo BC Aleatorio
6.3- Cálculo de razones F cuando hay más de un factor:
F efecto = MC del efectoque sequiere probar
MC /sque depende /n de lasesperanzas de lasmedias cuadráticasdelmodelo
Algunas salidas SPSS aportan a pié de tabla la/s MC/s del denominador
6.3.1- Aproximación de Satterthwaite para calcular los gl denominador de una razón cuasi-F:
gl2 = (Componentes del denominador de larazón F )2
∑ (cadacomponentedel denominador )2
gl del componente
16
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
p.ej, siendo FA = MCA
MCAB+MCAC−MC ABC glA2 =
(MCAB+MCAC−MC ABC)2
MCAB2
(a−1 )(b−1)+ MCAC 2
(a−1 )(c−1)+ MCABC2
(a−1 ) (b−1 )(c−1)
6.4- Cálculo de los componentes de la varianza:
δ 2A =
(a−1 )(MCA−MCAB)N
= gl(Numerador – Denominador RazónF)
N
σ 2b = b(MCB –MCAB –MCBC+MCABC )
N = niveles (Numerador – Denominador RazónF )
N
δ 2C ¿
(c−1 )(MCA−MCAB)N
= gl(Numerador – Denominador RazónF)
N
σ 2Ab = ab(MCAB –MCABC )
N = producto deniveles (Numerador – Denominador RazónF )
N
δ 2AC =
(a−1 )(c−1)(MCAC−MCABC )N
= gl(Num.−Den. RazónF)
N
σ 2bC = bc (MCBC−MCABC )
N = producto deniveles (Num.−Den .RazónF )
N
σ 2AbC =
abc (MCABC−MCR)N
= producto deniveles (Num.−Den .RazónF )
N
σ 2e = MCR
6.5- Tamaño del efecto o proporción de varianza explicada:
RBI = σ 2
b / σ 2T
ω2A = δ 2
A / σ2T
ω2C = δ 2
C / σ2T
ω2AC = δ 2
AC / σ2T
RABI = σ 2
Ab / σ 2T
RBCI = σ 2
bC / σ 2T
RABCI = σ 2
AbC / σ 2T
17
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
6.6- Parámetros necesarios para estimar el modelo de efectos mixtos.
Regla general: un efecto fijo requiere tantos parámetros como número de niveles tenga el efecto menos uno; un efecto aleatorio en cambio requiere solo un parámetro.
NIVELES TIPO PARÁMETRO NIVELES TIPO PARÁMETRO NIVELES TIPO PARÁMETROIntercepción constante 1 AB aleatorio 1 ABC aleatorio 1
A fijo a-1 AC fijo (a-1)(c-1) Residual aleatorio 1B aleatorio 1 BC aleatorio 1C fijo c-1
6.7- Esperanzas de las medias cuadráticas modelos ANOVA de dos factores
ESPERANZAS DE LAS MEDIAS CUADRÁTICAS EN ANOVA DE 2 FACTORESMODELO I MODELO II MODELO III (no restrictivo)A y B fijos A y B aleatorios A fijo; B aleatorio A aleatorio; B fijo
E (MCA) σ2e + nbθ2
α σ2e + n σ2
ab + nb σ2a σ2
e + n σ2ab + nb θ2
α σ2e + n σ2
ab + nb σ2a
E (MCB) σ2e + naθ2
β σ2e + n σ2
ab + na σ2b σ2
e + + n σ2ab + na σ2
b σ2e + n σ2
ab + na θ2β
E (MC AB) σ2e + nθ2
αβ σ2e + n σ2
ab σ2e + n σ2
ab σ2e + n σ2
ab
E (MCR) σ2e σ2
e σ2e σ2
e
RAZONES F APROPIADAS PARA MODELOS ANOVA CON DOS FACTORESMODELO I MODELO II MODELO III no restrictivoA y B = EF A y B = EA A = EF; B = EA A = EA; B = EF
FA MCA / MCR MCA / MC AB MCA / MC AB MCA / MCAB
FB MCB / MCR MCB / MC AB MCB / MCAB MCB / MC AB
FAB MC AB / MCR MC AB / MCR MC AB / MCR MC AB / MCR
CÁLCULO DE LOS GRADOS DE LIBERTAD (ejemplo: 3 factores)glA (a-1) glAB (a-1)(b-1) glABC (a-1)(b-1)(c-1)
glB (b-1) glAC (a-1)(c-1) glR abc (n-1)
glC (c-1) glBC (b-1)(c-1) glT abcn - 1
Algoritmo para calcular las E(MC) en cualquier modelo con efectos aleatorios o mixtos
1) Especifica todas las fuentes de variación del modelo y determina para cada una si es un componente fijo o aleatorio
2) Incluye para todas las fuentes de variación el componente común σ2e
3) Incluye para cada fuente (excepto el Error residual) su componente específico4) Comenzando con la primera fuente de variación, incluye como componente adicional todos aquellos
componentes específicos de fuentes jerárquicamente superiores que incluyan la fuente objeto de prueba y sean aleatorios.
5) Continuar con la segunda y siguientes fuentes hasta agotar todas las fuentes de variación del modelo.
DISEÑOS COMPLETAMENTE ALEATORIOS (DCA)18
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
Estructura de los tratamientos – sencilla (1 factor) o factorial (2 o más factores)
Estructura del control – experimental mediante aleatorización completa
Estructura del error – única (un tamaño de unidad experimental)
1) DCA sencillo equilibrado: yij = μ + αj + eij
Fuentes de variación Notación Grados de LibertadModelo a - 1
A A (a – 1 )Residual S(A) a(n-1)
Total an – 1 = N - 1 Nota: Modelo y Total NO SON fuentes de variación naturales
2) DCA factorial equilibrado yijk = μ + αj + βk + (αβ)jk + eijk
Fuentes de variación Notación Grados de LibertadModelo ab - 1
A A (a – 1 )B B (b – 1)
AxB AB (a-1)(b-1)Residual S(AB) ab(n-1)
Total abn – 1 = N - 1
Componentes de la varianza (asumiendo A fijo y B aleatorio)
δ 2A =
(a−1 )(MCA−MCAB)N
= gl(Num.−Denom.Razón F)
N
σ 2b = b(MCB –MCAB –MCBC+MCABC )
N = nº niveles(Num.−Denom .Razón F)
N
σ 2Ab = ab(MCAB –MCABC )
N = nº niveles(Num.−Denom .Razón F)
N
δ 2AC =
(a−1 )(c−1)(MCAC−MCABC )N
= gl(Num.−Denom.Razón F)
N
Tamaño del efecto:
RBI = σ 2
b / σ 2T
ω2α = δ 2
α / σ2T
3) DCA no equilibrado
SC tipo I ≠ SC tipo III (multicolinealidad) y se plantean problemas de interpretación si la naturaleza de las réplicas perdidas no son imputables al azar. En un DCA no equilibrado no suele aplicarse el principio de marginalidad, pero sí es posible el ajuste condicional de modelos. También puede simplificarse buscando componentes de la tabla susceptibles de eliminación. Pero solo es posible aplicar esta simplificación cuando UN efecto principal y TODAS sus interacciones asociadas no sean estadísticamente significativos.
19
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
DISEÑOS JERÁRQUICOS (DJE)
Estructura de los tratamientos – factorial (2 o más factores)Estructura del control – experimental mediante aleatorización completa
Estructura del error – múltiple (dos o más tamaños de unidad experimental)
1) DJE sencillo equilibrado: B(A) yijk = μ + αj + bk(j) + eijk
Componentes de la varianza (se asume A fijo y B aleatorio)
δ 2A =
(a−1 )(MCA−MCAB)N
= gl(Num.−Den. RazónF)
N
σ 2b = b(MCB –MCAB –MCBC+MCABC )
N = nº niveles(Num.−Den. RazónF )
N
σ 2b(A) =
ab(MCB (A )–MCABC )N
= nº niveles(Num.−Den. RazónF )
N
Tamaño del efecto:
RB(A)I = σ 2
b(A) / σ 2T
ω2A = δ 2
A / σ2T
2) DJE no equilibrado
Fuentes de variación Grados de LibertadModelo nº efectos factoriales – 1
A a – 1B(A) ab - a
Residual - S[B(A)] ó S(A,B) N - abTotal N-1
20
Fuentes de variación Grados de Libertad E(MC); A fijo y B aleatorioModelo (ab-1)
A (a – 1 ) σ2e + nbθ2
A + nσ2B(A)
B(A) a(b-1) σ2e + nσ2
B(A)
Residual [S(B(A)) ó S(A,B)] ab(n-1) σ2e
Total abn - 1 = N - 1
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
DISEÑO DE BLOQUES ALEATORIOS (DBA)
Estructura de los tratamientos – sencilla (1 factor) o factorial (2 o más factores)Estructura del control/diseño – experimental mediante aleatorización restringida (bloqueo)
Estructura del error – única (un tamaño de unidad experimental)
1) DBA no replicado, un factor de tratamiento y un factor de clasificación (que se asume aleatorio)
yjk = μ + αj + bk + ejk
Fuentes de variación SC Grados de Libertad E(MC); A fijo E(MC); A aleatorioTratamientos SCA (a – 1 ) σ2
e + bθ2A σ2
e + bσ2A
Bloques (B) SCB (b - 1) σ2e + aθ2
B σ2e + aθ2
B
Residual SCR (a -1)(b-1) σ2e σ2
e
Total SCT ab - 1
2) DBA no replicado, dos factores de tratamiento y un factor de clasificación (que se asume aleatorio)
yjk = μ + αj + βk + (αβ)jk + ϒl + ejkl
Fuentes de variación SC Grados de Libertad E(MC); A y B fijo A fijo; B aleatorioFactor A SCA (a – 1) σ2
e + bcθ2A σ2
e + bcσ2A + cσ2
AB
Factor B SCB (b - 1) σ2e + acθ2
B σ2e + acσ2
B
Interacción AB SCAB (a – 1)(b - 1) σ2e + cθAB σ2
e + cσ2AB
Bloques (C) SCC (c – 1) σ2e + ab σ2
C σ2e + ab σ2
C
Residual SCR (ab – 1)(c – 1) σ2e σ2
e
Total SCT N - 1
3) DBA replicado, dos factores de tratamiento y un factor de clasificación
yijk = μ + αj + βk + (αβ)jk + ϒl + eijkl
Fuentes de variación SC Grados de LibertadFactor A SCA (a – 1)Factor B SCB (b - 1)
Interacción AB SCAB (a – 1)(b - 1)Bloques (C) SCC (c – 1)
Residual SCR (ab-1)(c-1) =abcn – ab – c + 1
Total SCT N – 1 = abcn – 1
21
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
4) Este principio puede generalizarse con facilidad a DBA replicados y no replicados con 2 o más factores de tratamiento y 2 o más factores de clasificación.
Componentes de la varianza DBA factorial no replicado (asumiendo bloques aleatorios)
δ 2A =
(a−1 )(MCA−MCR)N
δ 2B =
(b−1)(MCB– MCR)N
δ 2AB =
(a−1 )(b−1)(MCAB−MCR)N
σ 2c = c (MCC –MCR)
N
Tamaño del efecto:RC
I = σ 2c / σ 2
T
ω2A = δ 2
A / σ2T
ω2B = δ 2
B / σ2T
ω2AB = δ 2
AB / σ2T
Suma Cuadrados No Aditividad (ajuste condicional)
SCNA = [∑k βk∑ jY jk α j ]
2
(∑k βk2 ) (∑ jα j2 )
SCNA = (Suma1 º)2
¿¿ (véase tabla esquema de cálculo)
Tabla del esquema de cálculo del componente de No Aditividad
a1 a2 a3 Medias βk βk2 ∑ jY jkα j βk∑jY jkα j
b1
b2
b3
Medias Suma 2º Suma 1ºα jα j
2 Suma 3º
Ajuste condicional prueba de no aditividad:
Modelo 1: A + BModelo 2: A + B + NA
22
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
Modelo SCR glR ΔSCR ΔglR F P1 SCR (Modelo1) glR (Modelo 1)
2 SCR (Modelo1) – SCNA glR (Modelo 1) - 1 SCNA 1 > .05
Decisión: Si la prueba no es significativa se acepta hipótesis de no aditividad.
DISEÑO CON VARIABLES CONCOMITANTES (DVC)
Estructura de los tratamientos – sencilla (1 factor) o factorial (2 factores)Estructura del control/diseño – estadístico, con 1 variable concomitante
Estructura del error – única (un tamaño de unidad experimental)
1) DISEÑO SENCILLO CON UNA VARIABLE CONCOMITANTEyij = μ + αj + β x + eij (modelo ANCOVA con un factor) Ajuste mediante estrategia de Milliken y Johnson o bien mediante ajuste condicional.Paso 1: Rechazo hipótesis de pendientes nulas.Paso 2: Aceptación hipótesis de pendientes homogéneas/paralelas.Paso 3: Análisis e interpretación del modelo ANCOVA
Fuentes de variación SC Grados de LibertadFactor A SCA a - 1
Covariante (X) SCX 1Residual SCR an - a - 1
Total SCT N – 1 = an – 1
Cálculo medias de factor ajustadas: yaj= y j−bR( x j−x )Potencia efecto de tratamiento: λ = SC efecto factorial / MC Residual (para cada efecto)
Consultar tabla G para evaluar la potencia observadaEn general, el DVC es mejor que el DBA equivalente cuando la relación entre covariante y variable de respuesta está dentro del rango 0.60-0.80. Si está dentro del rango 0.45-0.59 es DBA es usualmente mejor que el DVC. Si la relación entre covariante y variable de respuesta es menor de 0.45, la covariante puede resultar irrelevante y entonces es más viable el DCA sencillo.
2) DISEÑO FACTORIAL CON UNA VARIABLE CONCOMITANTEyijk = μ + αj + βk + αβjk + γ x + eijk (modelo ANCOVA con dos factores)Para cada factor, ajuste mediante estrategia de Milliken y Johnson o mediante ajuste condicional.Paso 1: Rechazo hipótesis de pendientes nulas.Paso 2: Aceptación hipótesis de pendientes homogéneas/paralelas.Paso 3: Análisis e interpretación del modelo ANCOVA (similar al modelo ANCOVA sencillo)
Fuentes de variación SC Grados de LibertadFactor A SCA a - 1Factor B SCB b - 1
Interacción AB SCAB (a-1)(b-1)Covariante (X) SCX 1
Residual SCR abn - ab - 1Total SCT N – 1 = abn – 1
23
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
Nota: El modelo ANCOVA propiamente dicho (sencillo o factorial) requiere factores de tratamiento, pero muchas investigaciones utilizan en su lugar uno o más factores de clasificación.
DISEÑO DE MEDIDAS TOTALMENTE REPETIDAS (DMTR)
Estructura de los tratamientos – sencilla (1 factor) o factorial (2 o más factores)Estructura del control/diseño – experimental mediante control intrasujeto (bloqueo intrasujeto)
Estructura del error – múltiple (más de un tamaño de unidad experimental)
1) DMTR SENCILLO (DMTR: [f]; u) - ENFOQUE UNIVARIANTE (asume esfericidad/simetría compuesta)
Modelo: Yij = μ + si + αj + eij (ET = μ + αj ; EC = si ; EE = si y eij )
Fuentes de variación SC Grados de
LibertadE(MC)aditivo
E(MC)no aditivo Razón F
A SCA (a – 1) σ2e + nθ2
A σ2e + σ2
As + nθ2A MCA/MCR
S SCS (n - 1) σ2e + aσ2
s σ2e + σ2
As + aσ2s No tiene interés
AS (Residual) SCR (a – 1)(n – 1) σ2e σ2
e + σ2As
Total SCT an - 1
Prueba de Tukey de no aditividad (se asume conocida SCNA) para probar supuesto de no interacción:
F= SCNA /1SCR−SCNA /(glR−1)
Se consulta tabla F con 1 y (a-1)(n-1)-1 grados de libertad.
Si P > 0.05 se concluye que el modelo es aditivo y el supuesto de no interacción se acepta.
Componentes de la varianza
σ2e = MCR
σ2S = n(MCS−MCR)
N (distinción entre n = nº sujetos y N = nº observaciones)
Representación alternativa de la tabla ANOVA:
Fuente SC tipo III gl MC F pModelo SCM MCM
IntersujetosS(Sujetos) SCS n-1 MCS No tiene interés sustantivo
IntrasujetosA SCA a-1 MCA MCA/MCR
Residual SCR (a – 1)(n – 1) MCRTotal SCT N - 1
24
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
Matriz de Simetría Compuesta (asumiendo un factor con tres niveles)
VSC = [ σ 12 σ 12 σ13
σ21 σ22 σ23
σ31 σ 32 σ 32 ]
donde: σ 12= σ 2
2=σ32=σ S
2+σe2 y σ12= σ 13=σ23=σS
2 (triángulo superior igual al inferior por simetría)
VSC = [σe2+σ S
2 σ S2 σ S
2
σS2 σe
2+σ S2 σ S
2
σS2 σ S
2 σ e2+σS
2] VSC = (σ2e + σ2
S )[1 ρ ρρ 1 ρρ ρ 1 ] donde ρ =
σS2
σe2+σ S
2
Componentes de la varianza (asumiendo A fijo):
δ 2α =
(a−1 )(MCA−MCR)N
= gl(Num.−Den. RazónF)
N
Tamaño del efecto:
ω2A = δ 2
A / σ2T
2) DMTR [A]: ENFOQUE MULTIVARIANTE
Criterio Valor F gl num gl den P > FTraza de Pillai gl del factor INTRASUJETO n – a
Lambda de Wilks gl del factor INTRASUJETO n – aTraza de Hotelling gl del factor INTRASUJETO n – aRaiz mayor de Roy gl del factor INTRASUJETO n – a
Cada criterio mide el efecto factorial del diseño, pero su interpretación es muy compleja (utilizar F en su lugar)
Efecto intrasujetos
W de Mauchly
Chi cuadrado
aprox.gl P
Epsilon (ε )Greenhouse
– Geisser Huynh–Feld Límite Inferior
a(a−1)2
−1 GG HF LI
Si X2aprox > X2
crítico, P<0.05 No se asume esfericidad Si X2aprox < X2
crítico, p>0.05 Se asume esfericidad
25
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
Fuente SC tipo III gl MC F pEsfericidad asumida gl del factor INTRASUJETOGreenhouse-Geisser gl del factor INTRASUJETO x GG
Huynh-Feldt gl del factor INTRASUJETO x HFLímite Inferior gl del factor INTRASUJETO x LI
Análisis de tendencias (se analiza/n únicamente la/s tendencia/s significativa/s)Fuentes de variación SC tipo III gl MC F p
Factor ALineal (a – 1)
Cuadrático (a – 1)Cúbico (a – 1)
ResidualLineal a(n – 1)
Cuadrático a(n – 1)Cúbico a(n – 1)
3) DMTR [A]: ENFOQUE MIXTO con matriz de covarianzas de SIMETRÍA COMPUESTA
Efectos Niveles Estructura de Covarianza Parámetros Variables
Sujetos Sujetos
FijosIntersección 1 1
Factor A a (a – 1)Repetidos a Simetría
Compuesta 2 Sujetos nFactor A
Total 1 + a + a 1 + (a – 1) + 2
Criterios de información Valor-2 log de la verosimilitud (desv. residual) …Criterio AIC Mejor
cuanto más pequeño
… otros criteriosCriterio BIC
Efectos FijosOrigen gl num gl den F pIntersección 1 glS (Tabla resumen ANOVA)Factor A (a – 1) glR (Tabla resumen ANOVA)
Efectos AleatoriosOrigen Estimación Error TípicoMedidas Repetidas
Varianza SC σ2e = MCR
Covarianza SC σ2S
Matriz de Simetría Compuesta (Suponiendo un factor con tres niveles)
26
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
VSC = [ σ 12 σ 12 σ13
σ21 σ22 σ23
σ31 σ 32 σ 32 ]
donde: σ 12= σ 2
2=σ32=σ S
2+σe2 y σ12= σ 13=σ23=σS
2 (triángulo superior igual al inferior por simetría)
VSC = [σe2+σ S
2 σ S2 σ S
2
σS2 σe
2+σ S2 σ S
2
σS2 σ S
2 σ e2+σS
2] VSC = (σ2e + σ2
S )[1 ρ ρρ 1 ρρ ρ 1 ] de donde ρ =
σS2
σe2+σ S
2
Componentes de la varianza (véase tabla de Efectos Aleatorios)
Tamaño del efecto:
ω2A = δ 2
A / σ2T
4) DMTR [A]: ENFOQUE MIXTO con matriz de covarianzas SIN ESTRUCTURA
Efectos NivelesEstructura
de Covarianza
Parámetros Variables Sujetos Sujetos
FijosInteracción 1 1
Factor A a (a – 1)Repetidos Sin
Estructuraa(a+1)
2Sujetos nFactor A a
Total 1 + a + a Suma parámetros
Criterios de información Valor-2 log de la verosimilitud (desv. residual) …Criterio AIC Mejor cuanto
más pequeñoCriterio BIC
Efectos AleatoriosOrigen Estimación Error Típico
27
Efectos FijosOrigen gl num gl den F pIntersección 1 dependeFactor A (a – 1) depende
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
Medidas Repetidas
SE (1, 1)SE (2, 1)SE (2, 2)SE (3, 1)SE (3, 2)SE (3, 3)
Valores concretos de la Matriz
MATRIZ SIN ESTRUCTURA (SE) (Requiere a(a+1)
2 parámetros)
VSE = [ σ 12 σ 12 σ13
σ21 σ22 σ23
σ31 σ 32 σ 32 ]
Tamaño del efecto factor intrasujeto A:
ω2A = δ 2
A / σ2T
Ajuste condicional de modelos:Modelo 1: DMTR con matriz de simetría compuestaModelo 2: DMTR con matriz sin estructuraModelo Desvianza Nº parámetros Test ΔD ΔglR X2 p
1 -2 log de la verosimilitud restringida
Parámetros de la matriz de covarianzas
2 -2 log de la verosimilitud restringida
Parámetros de la matriz de covarianzas 1 vs 2 (+) (+)
P < α: modelo 2 (el más amplio); p > α: modelo 1 (el más parsimonioso)
5) Generalización del DMTR a más de un factor intrasujetos.
5.1 Dos factores intrasujeto: DMTR [AB]
Modelo: yij = μ + si + αj + βk + αβjk + eij (ET = μ + αj + βk + αβjk ; EC = si ; EE = si y eij )
Fuentes devariación SC gl E(MC)
(1) A,B fijosE(MC)
(2) A fijo, B aleatorioRazón F
(2)A SCA (a – 1) σ2
e + nbθ2A σ2
e + nσ 2αb + nbθ2
A MCA/MCABB SCB (b – 1) σ2
e + naθ2B σ2
e + nσ 2αb + naσ2
B MCB/MCABAB SCAB (a – 1) (b – 1) σ2
e + nθ2AB σ2
e + nσ2αb MCAB/MCR
S SCS (n - 1) σ2e + abσ2
S σ2e + abσ2
S
ABS (Residual) SCR (ab – 1)(n – 1) σ2e σ2
e
Total SCT abn – 1 = N - 1
Prueba de no aditividad de Tukey (asumiendo SCNA conocida) para probar supuesto de no interacción
28
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
F= SCNA /1SCR−SCNA /(glR−1)
Consultar tabla F con 1 y (ab-1)(n-1)-1 grados de libertad.
Si P > 0.05 se concluye que el modelo es aditivo y se acepta el supuesto de no interacción. Las E(MC) de la tabla ANOVA anterior asumen que el supuesto de no interacción se ha aceptado.
5.2 Tres factores intrasujeto: DMTR [ABC]
Modelo: yijkl = μ + si + αj + βk + ϒl + (αβ)jk + (αϒ)jl + (βϒ)kl +(αβϒ)jkl + eijkl
ET = μ + αj + βk + ϒl + (αβ)jk + (αϒ)jl + (βϒ)kl +(αβϒ)jkl ; EC = si ; EE = si y eijkl
Se procede con todos los efectos factoriales, de forma similar al anterior, pasando de 5 fuentes de variación del DMTR con 2 factores a 9 fuentes de variación del DMTR con 3 factores.
DISEÑO DE MEDIDAS PARCIALMENTE REPETIDAS (DMPR)
Caso 1: DMPR con 1 factor intersujetos y 1 factor intrasujeto
Modelos posibles (factor A intersujetos y factor B intrasujetos):
No aditivo (interacción significativa): Yijk = μ + si(j) + αj + βk + (αβ)jk + eijk
Aditivo (Interacción no significativa): Yijk = μ + si(j) + αj + βk + eijk
Si factor intersujeto es No Significativo (DMTR): Yijk = μ + si(j) + βk + eijk
Si factor intrasujeto es No Significativo (DCA): Yijk = μ + si(j) + αj + eijk
Si ningún factor es significativo (modelo nulo): Yijk = μ + eijk
Asumiendo modelo no aditivo (prueba de no aditividad no significativa):
ET = μ + αj + βk + (αβ)jk; EC = Experimental con bloqueo intrasujeto, término si(j); EE = si(j) + eij
Notación DMPR: niveles inter x [niveles intra]; u
1) DMPR A[B], ENFOQUE UNIVARIANTE
Fuentes de variación SC Grados de
Libertad E(MC) Razón F
A SCA (a – 1) σ2e + bσ2
S(A) + nbθ2A MCA/MCS(A)
IntersujetosS(A) (σ2
S) SCS(A) a(n - 1) σ2e + bσ2
S(A)
B SCB (b – 1) σ2e + naθ2
B MCB/MCR
Intrasujeto A x B SCAB (a – 1)(b – 1) σ2e + nθ2
AB MCAB/MCR
B x S(A) (σ2e)
SCBxS(A) a(b – 1)(n – 1) σ2
e
29
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
σ2e = MCR σ2
S = n(MCS−MCR)
N donde n = nº sujetos y N = nº observaciones
Fuentes SC tipo III gl MC F pModelo SCM (N – 1)- glR MCM
IntersujetosA SCA (a – 1) MCA MCA/MCS(A) < .05
S(A) SCS a(n – 1) MCS(A)Intrasujetos
BAB
SCBSCAB
(b – 1)(a – 1)(b – 1)
MCBMCAB
MCB/MCRMCAB/MCR
< .05<.05
Residual SCR a(b – 1)(n – 1) MCRTotal SCT N - 1
Componentes de la varianza: (válido para los tres enfoques)
δ 2A =
(a−1 )(MCA−MCS(A))N
δ 2B =
(a−1 )(MCB−MCR)N
δ 2AB =
(a−1 )(b−1)(MCAB−MCR)N
Tamaño del efecto:
ω2A = δ 2
A / σ2T ω2
B = δ 2B / σ2
T ω2AB = δ 2
AB / σ2T
2) DMPR A[B], ENFOQUE MULTIVARIANTETabla 1: Criterios multivariantesEfecto Valor F gl num gl den p B Traza de Pillai
gl del factor intrasujetos Los gl del
denominadoren ambos casos son:
n – glA - glAB
Lambda de WilksTraza de Hoteling
Raíz Mayor de RoyA x B Traza de Pillai
gl de la interacción
Lambda de WilksTraza de Hoteling
Raíz Mayor de Roy
Tabla 2: Prueba de esfericidad (factor intrasujetos)
Efecto intrasujetos
W de Mauchly
Chi cuadrado aproximado gl P
Epsilon (ε )Geisser-
Greenhouse Huynh-Feld Límite Inferior
30
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
B X2aprox
b(b−1)2
−1 >.05 GG HF LI
Si X2aprox > X2
crítico, P < 0.05, no se asume esfericidad Si X2aprox < X2
crítico, P > 0.05, se asume esfericidad
Tabla 3: ANOVA efectos intrasujetosFuente SC tipo III gl MC F P
Factor B Esfericidad asumida gl B (intrasujeto)Greenhouse-Geisser gl del factor INTRASUJETO x GG
Huynh-Feldt gl del factor INTRASUJETO x HFLímite Inferior gl del factor INTRASUJETO x LI
Factor A x B Esfericidad asumida gl ABGreenhouse-Geisser gl AB x GG
Huynh-Feldt gl AB x HFLímite Inferior gl AB x LI
Error (SxAxB) gl R
Tabla 4: Análisis de TendenciasFuente SC tipo III gl MC F P
Factor B Lineal (b – 1)Cuadrático (b – 1)
Cúbico (b – 1)A x B Lineal (a – 1)(b – 1)
Cuadrático (a – 1)(b – 1)Cúbico (a – 1)(b – 1)
Residual Lineal a(b – 1)(n – 1)Cuadrático a(b – 1)(n – 1)
Cúbico a(b – 1)(n – 1)
Grados de libertad (a utizar cuando no hay el mismo número de sujetos en cada nivel del factor A)Porción intersujetos Porción intrasujetos
Fuente gl Fuente glA a – 1 B b – 1 an = nº total de sujetos
S(A) an – a A x B (a – 1)(b – 1) ab = nº de combinacionesB x S(A) abn – ab – an + a abn = sujetos x combinaciones = observaciones
3) DMPR A[B], ENFOQUE MIXTO (matriz de covarianzas Sin Estructura)
Efectos Niveles Estructura de Covarianza Parámetros Variables
Sujetos Sujetos
Fijos Intersección 1 1A a (a – 1)
(b – 1)(a – 1)(b – 1)
BA x B
bab
Repetidosb Sin
Estructurab(b+1)
2Sujetos n (*)B
Total Suma Suma(*) = número de sujetos en cada combinación de A x B
31
Efectos FijosOrigen gl num gl den F PIntersección 1 *** ***Factor A (a – 1) *** ***Factor B (b – 1) *** ***A x B (a – 1)(b – 1) *** ***
no coincide con los datos de tabla resumen ANOVA
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
MATRIZ SIN ESTRUCTURA (SE) - Requiere b(b+1)
2 parámetros -
VSE = [(1,1) (1,2) (1,3)(2,2) ¿ (3,3)]
Componentes de la varianza (solamente válido para matrices de simetría compuesta):
δ 2A =
(a−1 )(MCA−MCS(A))N
= gl (Num.−Den. RazónF)
N
δ 2B =
(a−1 )(MCB−MCR)N
= gl(Num.−Den. RazónF)
N
δ 2AB =
(a−1 )(b−1)(MCAB−MCR)N
= gl(Num.−Den. RazónF)
N
Tamaño del efecto (asumiendo efectos fijos):
ω2A = δ 2
A / σ2T ω2
B = δ 2B / σ2
T ω2AB = δ 2
αβ / σ2T
4) DMPR A[B], ENFOQUE MIXTO (matriz de Simetría Compuesta)
Efectos Niveles Estructura de Covarianza Parámetros Variables
Sujetos Sujetos
Fijos Intersección 1 1A a (a – 1)
(b – 1)(a – 1)(b – 1)
BA x B
bab
Repetidos SimetríaCompuesta 2 Sujetos n (*)B b
Total (Suma) (Suma)n = nº de sujetos en cada combinación A x B
32
Efectos AleatoriosOrigen Estimación Error TípicoMedidas Repetidas
SE (1, 1)SE (2, 1)SE (2, 2)SE (3, 1)SE (3, 2)SE (3, 3)
Valores concretos de la Matriz
Efectos FijosOrigen gl num gl den F PIntersección 1 gl S(A)Factor A (a – 1) gl S(A)Factor B (b – 1) gl RA x B (a – 1)(b – 1) gl R
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
Efectos AleatoriosOrigen Estimación Error Típico
Medidas Repetidas
Diagonal SCCovarianza SC
σ2e
σ2S
Composición de la Matriz:
VSC = [ σ 12 σ 12 σ13
σ21 σ22 σ23
σ31 σ 32 σ 32 ] VSC = [σe
2+σ S2 σ S
2 σ S2
σS2 σe
2+σ S2 σ S
2
σS2 σ S
2 σ e2+σS
2] VSC = (σ2e + σ2
S )[1 ρ ρρ 1 ρρ ρ 1 ] ρ =
σS2
σe2+σ S
2
Componentes de la varianza (solo válido con matrices de simetría compuesta):
δ 2α =
(a−1 )(MCA−MCS(A))N
= gl(Num.−Den. RazónF)
N
δ 2β =
(a−1 )(MCB−MCR)N
= gl(Num.−Den. RazónF)
N
δ 2αβ =
(a−1 )(b−1)(MCAB−MCR)N
= gl(Num.−Den. RazónF)
N
Tamaño del efecto:ω2
A = δ 2A / σ2
T
ω2B = δ 2
B / σ2T
ω2AB = δ 2
AB / σ2T
Ajuste Condicional:Modelo 1: DMPR con matriz de simetría compuestaModelo 2: DMPR con matriz sin estructuraModel
o Desvianza Nº parámetros Test ΔD ΔglR X2 p
1 -2 log de la verosimilitud restringida Parámetros de la estructura de covarianza
2 -2 log de la verosimilitud restringida Parámetros de la estructura de covarianza 1 vs 2 (+) (+)
P < α: modelo 2 (el más complejo); P > α: modelo 1 (el más parsimonioso)
Caso 2: DMPR con 2 factores intersujetos y 1 factor intrasujeto
33
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
DMPR: AB[C] – ENFOQUE CLÁSICO
Asumiendo un modelo no aditivo (no hay interacción entre estructura de tratamientos y de control) y efectos fijos, la ecuación general es:
Yijkl = μ + si(jk) + αj + βk + Υl + (αβ)jk + (αΥ)jl + (βΥ)kl + (αβΥ)jkl + eijkl
ET = μ + αj + βk + Υl + (αβ)jk + (αΥ)jl + (βΥ)kl + (αβΥ)jkl
EC = Experimental con bloqueo intrasujeto, con término de control s i(jk)
EE = Múltiple, 2 niveles: si(jk) y eijkl
Fuentes de variación SC Grados de
LibertadRazón F
(A, B y C fijos) A SCA (a – 1) MCA/MCS(AB)
VariaciónIntersujetos
B SCB (b – 1) MCB/MCS(AB) AB SCAB (a – 1) (b – 1) MCAB/MCS(AB) S(AB) (σ2
S) SCS(AB) ab(n - 1) C SCC (c – 1) MCC/MCR
VariaciónIntrasujetos
AC SCAC (a – 1)(c – 1) MCAC/MCR BC SCBC (b – 1)(c – 1) MCBC/MCR ABC SCABC (a–1)(b–1) (c–1) MCABC/MCR
C x S(AB) (σ2e)
SCCxS(AB) a(b – 1)(n – 1)
DMPR: AB[C] – ENFOQUE MULTIVARIANTE
Se procede de forma similar al DMPR: A[B]
DMPR: AB[C] – ENFOQUE MIXTO
Se procede de forma similar al DMPR: A[B]
Caso 3: DMPR con 1 factor intersujetos y 2 factores intrasujeto
DMPR: A[BC] – ENFOQUE CLÁSICO
Asumiendo un modelo no aditivo (no hay interacción entre estructura de tratamientos y de control) y efectos fijos, la ecuación general es:
Yijkl = μ + si(j) + αj + βk + Υl + (αβ)jk + (αΥ)jl + (βΥ)kl + (αβΥ)jkl + eijkl
ET = μ + αj + βk + Υl + (αβ)jk + (αΥ)jl + (βΥ)kl + (αβΥ)jkl
EC = Experimental con bloqueo intrasujeto, con término de control s i(j)
34
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
EE = Múltiple, 2 niveles: si(j) y eijkl
Fuentes de variación SC Grados de Libertad Razón F
(A, B y C fijos) A SCA (a – 1) MCA/MCS(A) Variación
Intersujetos S(A) (σ2S) SCS(A) a(n - 1)
B SCB (b – 1) MCB/MCR
VariaciónIntrasujetos
C SCC (c – 1) MCC/MCR AB SCAB (a – 1)(b – 1) MCAB/MCR AC SCAC (a – 1)(c – 1) MCAC/MCR BC SCBC (b – 1)(c – 1) MCBC/MCR ABC SCABC (a–1)(b–1) (c–1) MCABC/MCR BC x S(A) (σ2
e) SCCxS(AB) a(b – 1)(c-1)(n – 1)
DMPR: AB[C] – ENFOQUE MULTIVARIANTE
Se procede de forma similar al DMPR: A[B]
DMPR: AB[C] – ENFOQUE MIXTO
Se procede de forma similar al DMPR: A[B]
Caso 3: Otros diseños con la misma estructura del DMPR
[1] El Diseño de Parcela Dividida (DPD).
Diseño similar al DMPR pero donde las combinaciones de tratamiento del factor (o factores) intrasujeto se administran de forma aleatoria, y no siguiendo un patrón longitudinal temporal. El análisis estadístico es igual.
[2] Diseño CrossOver o conmutativo (DCO).
El factor intersujetos se divide en grupos, cada uno de los cuales recibe al azar una de las secuencias posibles de recepción los tratamientos del factor (o factores) intrasujeto. Así, siendo B el factor intersujetos con b = 2, se establecerán 2 grupos de sujetos, uno con la secuencia b1-b2 y otro con la secuencia b2-b1.
MATRICES QUE REPRESENTAN ESTRUCTURAS DE VARIANZA Y COVARIANZA (un factor intra A con 3 niveles)
1- MATRIZ DE IDENTIDAD ESCALADA (IE) (Requiere 1 parámetro)
VIE = [σe2 0 0
0 σe2 0
0 0 σ e2] VIE = σ e
2 [1 0 00 1 00 0 1 ] VIE = σ e
2I
2- MATRIZ DE SIMETRÍA COMPUESTA (SC) (Requiere 2 parámetros)
35
Formulario Diseños Investigación elaborado por Guillermo Moñino Frutos (curso 2010-2011)
VSC = [ σ 12 σ 12 σ13
σ21 σ22 σ23
σ31 σ 32 σ 32 ] VSC = [σe
2+σ S2 σ S
2 σ S2
σS2 σe
2+σ S2 σ S
2
σS2 σ S
2 σ e2+σS
2]VSC = (σ2
e + σ2S )[1 ρ ρρ 1 ρρ ρ 1 ] de donde ρ =
σS2
σe2+σ S
2
3- MATRIZ AUTORREGRESIVA DE GRADO1 (ARH1) (Requiere (a+1) parámetros)
VARH1 = [ σ12 σ 1σ 2ρ σ1σ3 ρ
2
σ 2σ 1ρ σ22 σ 2σ 3ρ
σ3σ1 ρ2 σ 3σ 2ρ σ3
2 ]4- MATRIZ DE HUYNH FELD (HF) (Requiere (a + 1) parámetros)
VHF = [ σ12 σ1
2+σ 22
2 −λσ1
2+σ 32
2 −λ
σ22+σ1
2
2−λ σ2
2 σ22+σ 3
2
2−λ
σ32+σ1
2
2−λ
σ32+σ 2
2
2− λ σ3
2 ]5- MATRIZ SIN ESTRUCTURA (SE) (Requiere
a(a+1)2
parámetros)
VSE = [ σ 12 σ 12 σ13
σ21 σ22 σ23
σ31 σ 32 σ 32 ]
MATRICES DE COVARIANZA PARA EL DMR factorial (2 factores A y B)
1- Matriz de identidad escalada (VIE) 1 parámetro (σ e2¿
2- Matriz de simetría compuesta (VSC) 2 parámetros (σ2e y σ2
S)3- Matriz autorregresiva de grado 1 (VARH1) ab + 1 parámetros4- Matriz de Huynh-Feld (VHF) ab + 1 parámetros
5- Matriz sin estructura o no estructurada (VSE) ab(ab+1)
2 parámetros
36