Post on 02-Apr-2015
TEMA IX
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
ESQUEMA GENERAL
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
Y..
TratamientosA1 A2 A3 Aj…
S1
S2
Sn
.
.
Y11 Y12 Y13 … Y1j
Y21 Y22 Y23 … Y2j
………………………………………………………………………………………………
Yn1 Yn2 Yn3 … Ynj
Medias
Sujetos
Medias
Y1.
Y2.
.
.
Yn.
Y.1 Y.2 … Y.3 Y.j
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
2
3
3.8
4.4
6.9
3.6
5.0
4.5
2.5
2.3
3.0
9.90
11.70
14.40
TOTALES 15.1 13.1 7.8 36
MEDIAS 5.03 4.37 2.6 4
ANOVA de medidas repetidas
Modelo estructuralModelo aditivo
ijjiijY
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
F0.95(2/4) = 6.94
an-1=816.16Total (T)
>0.05
>0.05
2.11
5.86
1.71
4.75
0.81
(n-1)=2
(a-1)=2
(n-1)(a-1)=4
3.42
9.49
3.25
Suj (S)
Trat (A)
SujxTrat (SxA)
pFCMg.lSCF.V.
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)
H0 : = S = Matriz poblacional
S = Matriz muestral
233231
232221
131221
233231
232221
131221
sss
sss
sss
233231
232221
131221
sss
sss
sss
233231
232221
131221
sss
sss
sss
. . .
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 y
[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 χo
2 = 0.479
g.l.= [p2+p-4]/2 =4 g.l.=[p(p-1)/2]-1=2
χ20.95(4) =9.49 χ2
0.95(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
Grados de libertad de F
F normal F conservadora F ajustada
Numerador (a-1) 1 (a-1)
Denominador (n-1)(a-1) n-1 (n-1)(a-1)
Fórmulas para el cálculo de los grados de libertad de las F 's
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
58.723 1.769 55.131 62.315
56.252 1.302 53.607 58.896
52.853 2.009 48.775 56.931
PeriodoMozart
Relajación
Silencio
Media Error típ. Límite inferiorLímite
superior
Intervalo de confianza al95%.
Prueba de esfericidad
Prueba de esfericidad de Mauchlyb
Medida: MEASURE_1
.964 1.230 2 .541 .966 1.000 .500Efecto intra-sujetosMúsica
W de MauchlyChi-cuadrado
aprox. gl SignificaciónGreenhouse-Geisser Huynh-Feldt Límite-inferior
Epsilona
Contrasta la hipótesis nula de que la matriz de covarianza error de las variables dependientes transformadas es proporcional auna matriz identidad.
Puede usarse para corregir los grados de libertad en las pruebas de significación promediadas. Las pruebas corregidasse muestran en la tabla Pruebas de los efectos inter-sujetos.
a.
Diseño: Intercept Diseño intra sujetos: Música
b.
ANOVA de medidas repetidas
Pruebas de efectos intra-sujetos.
Medida: MEASURE_1
625.440 2 312.720 3.547 .034
625.440 1.931 323.834 3.547 .036
625.440 2.000 312.720 3.547 .034
625.440 1.000 625.440 3.547 .068
6172.125 70 88.173
6172.125 67.598 91.307
6172.125 70.000 88.173
6172.125 35.000 176.346
Esfericidad asumida
Greenhouse-Geisser
Huynh-Feldt
Límite-inferior
Esfericidad asumida
Greenhouse-Geisser
Huynh-Feldt
Límite-inferior
FuenteMúsica
Error(Música)
Suma decuadrados
tipo III glMedia
cuadrática F Significación