DISEÑOS EXPERIMENTALES DE DOS GRUPOS Y MULTIGRUPO

Transcripción

1 TEMA II

2 ESQUEMA GENERAL Diseño experimental de dos grupos: definición y clasificación Formatos del diseño y prueba de hipótesis Diseño experimental multigrupo: definición Formato del diseño multigrupo completamente al azar, modelo estructural y componentes de variación DISEÑOS EXPERIMENTALES DE DOS GRUPOS Y MULTIGRUPO

3 Diseño experimental de dos grupos: definición y clasificación

4 Definición del diseño experimental de dos grupos Una de las situaciones más simples de investigación experimental, tanto en ciencias sociales como del comportamiento, es la formada por dos grupos, uno de control y otro experimental. La condición básica de cualquier experimento es la presencia de un grupo de contraste denominado grupo de no tratamiento o de control. Esto no quiere decir que el diseño experimental de dos grupos sólo se caracteriza por la ausencia o presencia de tratamiento.

5 Clasificación del diseño de dos grupos Diseño de dos grupos Diseño de dos grupos completamente al azar Diseño de dos grupos emparejados

6 Formato del diseño de dos grupos al azar

7 V. Extraña Z 1 Z 2 V. Tratamiento A 1 A 2 S S uj uj e t o s e t o s Prueba de hipótesis Y 1 Y 2 Asignación aleatoria Universo o Población de origen Muestra experimental Selección o muestreo

8 Formato del diseño de dos grupos emparejados

9 V. Tratamiento A 1 A 2 S uj S uj e t o s e t o s Prueba de hipótesis Y D = 0 Asignación aleatoria S 1, S 2 S 3, S 4 S 5, S 6 S N-1, S N Universo o Población de origen Muestra experimental Selección o muestreo

10 Estadísticos para diseños de dos grupos Grupos Datos Independientes Relacionados paramétricos t Student t Student muestras muestras no relacionadas relacionadas ordinales U Mann-Whitney T Wilcoxon nominales Probabilidad exacta McNemar de Fisher

11 Diseño experimental multigrupo

12 Concepto Los diseños multigrupo, de uso frecuente en ciencias psicológicas y sociales, son estructuras de una sola variable independiente a tres o más valores o niveles. Al seleccionar más de dos valores de la variable independiente o causal, es posible extraer la relación funcional entre la variable independiente y dependiente del experimento.

13 El diseño multigrupo totalmente al azar requiere la asignación aleatoria de los sujetos de la muestra a los distintos grupos, sin restricción alguna. Se trata de una extensión del diseño de dos grupos, ya que en esta situación se eligen de la variable de tratamiento más de dos valores o condiciones.

14 Formato del diseño multigrupo al azar

15 Tratamientos A 1 A 2 A j A a S uj e t o s S uj e t o s. S uj e t o s Muestra experimental Asignación aleatoria

16 Análisis aplicables

17 Prueba de significación general Si la V. Independiente es categórica ANOVA unidireccional Comparaciones múltiples Si la V. Independiente es cuantitativa Comparaciones múltiples Análisis de tendencias

18 Ejemplo 1 Supóngase que se pretende probar si la cantidad de repasos es una variable decisiva en la retención (memoria de recuerdo), para un conjunto de palabras monosílabas de igual valor asociativo. De la variable independiente o variable repaso se seleccionan los siguientes valores: presentación de la lista sin repaso (condición A 1 ), dos presentaciones de la lista, siendo la segunda presentación un repaso (condición A 2 ), tres presentaciones y dos repasos (condición A 3 ) y, por último, cuatro presentaciones y tres repasos (condición A 4 )..//..

19 Se instruye a los sujetos que lean en voz alta cada uno de los ítems presentados, a un ítem por segundo. Al terminar las lecturas, los sujetos realizan una prueba de memoria de recuerdo consistente en restituir o recuperar de la memoria la mayor cantidad de ítems. La medida de la variable dependiente es la cantidad de respuestas o ítems correctamente recordados. Asumiendo que cada ítem tiene la misma dificultad de recuerdo, se considera que la escala de medida es de intervalo.

20 Modelo de prueba estadística Paso 1. La hipótesis de nulidad asume que las medias de los grupos experimentales proceden de una misma población y, por consiguiente, son idénticas: H 0 : µ 1 = µ 2 = µ 3 = µ 4 Paso 2. La hipótesis experimental asume que la cantidad media de palabras recordadas variará positivamente en función de la cantidad de repasos. En términos estadísticos: H 1 : µ 1 <µ 2 <µ 3 < µ 4

21 Paso 3. Se aplica una prueba de significación general o prueba ómnibus, cuyo estadístico es la F de Snedecor. El nivel de significación deα=0.05. El tamaño de la muestra experimental y las submuestras de tratamiento son: N = 20 y n = 5. F 0.95 (3/16) = 3.24 Paso 4. Tras la ejecución del experimento, se calcula el valor empírico de F, a partir de la matriz de datos.

22 Matriz de datos del diseño

23 Matriz de datos DISEÑO MULTIGRUPO TRATAMIENTOS A 1 A 2 A 3 A Totales: Medias:

24 ANOVA unidireccional

25 Modelo estructural del ANOVA: Diseño multigrupo Yij = µ + α + j ε ij

26 Especificación de modelo del ANOVA Y ij = la puntuación del i sujeto bajo la j condición experimental o tratamiento. µ = la media global de los datos del experimento. α j = µ j -µ, es el efecto o impacto del j nivel de la variable de tratamiento A. ε ij = Y ij -µ j, es el error experimental asociado al i sujeto bajo el j tratamiento. Para que el modelo sea válido, se especifican las siguientes condiciones: Σα j = 0 y ε ij NID(0, σ²)

27 Cuadro resumen del ANOVA: Diseño multigrupo F.V. SC g.l CM F p Trat (A) (a-1)= <0.05 Error (S/A) a(n-1)= Total (T) an-1=19 F 0.95 (3/16) = 3.24

28 Modelo de prueba estadística Paso 5. Dado que el valor observado de F es mayor que el valor teórico al 5% y en función de los grados de libertad correspondientes, se rechaza la hipótesis de nulidad y se acepta la hipótesis alternativa o hipótesis experimental a este nivel de significación.

29 Supuestos del ANOVA Existen tres supuestos que han de cumplirse si queremos aplicar un ANOVA: 1. Independencia de las observaciones 2. Normalidad de los datos 3. Homogeneidad: Igualdad de las varianzas de los grupos: H 0 : σ 1 ² = σ 2 ² =... = σ j ²

30 Supuesto de homogeneidad Igualdad de las varianzas de los grupos: H 0 : σ 1 ² = σ 2 ² =... = σ j ²

31 Prueba de la homogeneidad Hartley: cuando n por grupo es constante mayor de las varianzas s² mayor F max = = menor de las varianzas s² menor

32 Prueba del supuesto de homogeneidad de las varianzas s 2 1 = 1.3 F = max s s 2 mayor 2 menor s s s = = = F F max max 2.5 = = (4 / 4) = j/(n-1)

33 Resultado de la prueba Entrando en la tabla de F max, con los parámetros correspondientes y a un nivel de significación de 0.05, el valor teórico de F max 0.95 (4/4) es Dado que el valor observado del estadístico es más pequeño que el de las tablas, se acepta la hipótesis de nulidad o supuesto de homogeneidad de las varianzas.

34 Comparaciones múltiples

35 Contrastes de medias Las comparaciones o contrastes se efectúan, por lo general, entre las medias de los grupos de tratamiento. Genéricamente, una comparación entre k medias es la combinación lineal o suma ponderada de medias. Antes de examinar los distintos procedimientos de comparaciones múltiples, proponemos una clasificación práctica para su descripción.

36 A priori o planificadas Comparaciones múltiples A posteriori o no planificadas

37 Contrastes a priori o planificados Las comparaciones a priori o planificadas se formulan de acuerdo con los intereses previos o teóricos del investigador, y se plantean antes de obtener los resultados del experimento.

38 Ejemplos de hipótesis de nulidad distintos contrastes 1. H 0 = µ 2 -µ 1 = 0 Dos lecturas de la lista (condición A 2 ) no difiere de una sola lectura (condición A 1 ) 2. H 0 = µ 3 -µ 1 = 0 Se asume la igualdad entre la condición tres (A 3 ) y uno (A 1 )..//..

39 3. H 0 = µ 4 -µ 1 = 0 Se asume la igualdad entre cuatro lecturas (condición A 4 ) y una sola lectura (condición A 1 )..//..

40 4. H 0 = µ 3-1/2(µ 1 + µ 2 ) = 0 Se establece la igualdad entre tres lecturas y el promedio entre una y dos lecturas. 5. H 0 = µ 4-1/3(µ 1 + µ 2 + µ 3 ) = 0 Se define la igualdad entre cuatro lecturas y el promedio de las restantes.

41 Reformulación de las hipótesis nulas en combinaciones lineales 1. (-1)µ 1 + (1)µ 2 + (0)µ 3 + (0)µ 4 = 0 2. (-1)µ 1 + (0)µ 2 + (1)µ 3 + (0)µ 4 = 0 3. (-1)µ 1 + (0)µ 2 + (0)µ 3 + (1)µ 4 = 0 4. (-1/2)µ 1 + (-1/2)µ 2 + (1)µ 3 + (0)µ 4 = 0 5. (-1/3)µ 1 + (-1/3)µ 2 + (-1/3)µ 3 + (1)µ 4 = 0

42 Cuadro resumen de los valores de t y F Valores t Valores F c 1 = 3.42 c 1 = c 2 = 5.53 c 2 = c 3 = 7.65 c 3 = 58..//..

43 Valores t Valores F c 4 = 4.39 c 4 = c 5 = 5.69 c 5 = 32.3

44 Entrando en la tabla de t, con los grados de libertad asociados al término de error del ANOVA y a un nivel de significación del 5%, se tiene t 0.95 (16) = 2.12 De igual modo, entrando en la tabla de F, se tienen F 0.95 (1/16) = 4.49 De esto se concluye que todos los contrastes son significativos.

45 Análisis de tendencias

46 Concepto Una de las técnicas de análisis de tendencias es el método de polinomios ortogonales. En virtud de ese procedimiento, es posible dividir la variación o Suma de Cuadrados de tratamientos en una serie de componentes independientes de tendencia como, por ejemplo, lineal, cuadrado, cúbico, etc. Cada componente ortogonal aporta información particular sobre una clase de tendencia o relación entre la variable independiente y la variable dependiente. Al mismo tiempo, este procedimiento permite verificar estadísticamente la significación de cada componente de tendencia.

47 Cuadro resumen del análisis de tendencias (a-1) Componente SC g.l. CM F p Lineal <0.05 Cuadrático >0.05 Cúbico >0.05 Error F 0.95 (1/16) = 4.49

48 Gráfico de medias V.D A1 A2 A3 A4