TEMA II
ESQUEMA GENERAL
Diseño experimental de dos grupos:
definición
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
Diseño experimental de dos
grupos: definición
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.
Formato del diseño de dos
grupos al azar
V. Extraña z1 z2
a1 a2
V. Tratamiento S S
u u
j j
e e
t t
o o
s s
Y1 Y2
Prueba de hipótesis
Asignación aleatoria
Muestra
experimental
Universo o
Población
de origen Selección o muestreo
Diseño experimental multigrupo
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.
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.
Formato del diseño multigrupo al
azar
Tratamientos
a1 a2 … … … aj
S S S
u u u
j j j
e e .………… e
t t t
o o o
s s s
Asignación aleatoria
Muestra
experimental
Análisis aplicables
Prueba de significación
general ANOVA unidireccional
Si la V. Independiente es Comparaciones múltiples
categórica (contrastes parciales)
Si la V. Independiente es Comparaciones múltiples
cuantitativa (contrastes parciales)
Análisis de tendencias
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 a1), dos presentaciones de la lista, siendo la
segunda presentación un repaso (condición a2), tres
presentaciones y dos repasos (condición a3) y, por
último, cuatro presentaciones y tres repasos (condición
a4) ..//..
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.
Modelo de prueba estadística
Paso 1. La hipótesis nula asume que las medias de los
grupos experimentales proceden de una misma
población y, por consiguiente, son idénticas:
H0: μ1 = μ2 = μ3 = μ4
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:
H1: μ1 < μ2 < μ3 < μ4
Paso 3. Se aplica una prueba de significación
general o prueba ómnibus, cuyo estadístico es la F
de Snedecor. El nivel de significación de α = 0.05.
El tamaño de la muestra experimental y las
submuestras de tratamiento son:
N = 20 y n = 5
Paso 4. Tras la ejecución del experimento, se
calcula el valor empírico de F, a partir de la matriz
de datos.
Matriz de datos del diseño
Matriz de datos
DISEÑO MULTIGRUPO
TRATAMIENTOS
a1 a2 a3 a4
2 4 6 9
1 3 7 7
3 5 8 8
4 7 7 9
2 6 5 8
Totales: 12 25 33 41 111
Medias: 2,4 5 6,6 8,2 5,5
ANOVA unifactorial
Modelo estructural del ANOVA:
Diseño multigrupo
Yij = µ + α j + ε ij
Especificación de modelo del ANOVA
Yij = la puntuación del i sujeto bajo la j condición experimental o
tratamiento.
μ = la media global de los datos del experimento.
αj = μj - μ, es el efecto o impacto del j nivel de la variable de
tratamiento A.
εij = Yij - μj, es el error experimental asociado al i sujeto bajo el j
tratamiento.
Para que el modelo sea válido, se especifican las siguientes condiciones:
Σαj = 0 y εij ≅ NID(0, σ²)
Supuestos del ANOVA
Existen tres supuestos que han de cumplirse si queremos
aplicar un ANOVA:
1. Independencia de las observaciones: Las puntuaciones
de los distintos sujetos no han de covariar entre sí.
2. Normalidad de los datos.
3. Homogeneidad: Igualdad de las varianzas de los grupos.
H0: σ1² = σ2² = ... = σj²
Supuesto de homogeneidad
Igualdad de las varianzas de los grupos
H0: σ1² = σ2² = σ3² = σ4²
Prueba de la homogeneidad. SPSS
Dado que p > ,05, no se rechaza la H0 y se
cumple la homogeneidad de varianzas
Cuadro resumen del ANOVA:
Diseño multigrupo
FV SC g.l MC F p
Trat (A) 91,75 (a-1)=3 30,58 21,09 <0,05
Error (S/A) 23,20 a(n-1)=16 1,45
Total (T) 114,95 an-1=19
H0: μ1 = μ2 = μ3 = μ4
FV = Fuentes de Variación
SC = Suma de Cuadrados
g.l. = Grados de libertad
MC = Media cuadrática o Varianza
Cuadro resumen del ANOVA.
SPSS
Modelo de prueba estadística
Paso 5. p ≤ ,05, se rechaza la hipótesis nula y
se acepta la hipótesis alternativa o hipótesis
experimental.
Tamaño del efecto
Dado que el valor p únicamente informa acerca de si
hay o no diferencias estadísticamente significativas
entre las medias, pero no sobre la magnitud de esa
diferencia, se han desarrollado varios índices que
facilitan información sobre la magnitud de la
asociación entre las variables (tamaño del efecto).
Uno de los índices más utilizados es ηp2
𝑆𝑆𝑆𝑆𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒
ηp = 𝑆𝑆𝑆𝑆
2
𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
Interpretación Tamaño del efecto
Un tamaño del efecto de 0,02 se considera pequeño,
de 0,13 se considera mediano y de 0,26 se considera
grande (Bakeman, 2005; Cohen, 1988)
Tamaño del efecto: SPSS
Comparaciones múltiples
(contrastes parciales)
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.
A priori o
planificadas
Comparaciones
múltiples
A posteriori o
no planificadas
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.
Ejemplos de hipótesis nulas de
distintos contrastes
1. H0 = μ2 - μ1 = 0
Dos lecturas de la lista (condición A2) no
difiere de una sola lectura (condición A1)
2. H0 = μ3 - μ1 = 0
Se asume la igualdad entre la condición tres
(A3) y uno (A1) ..//..
3. H0 = μ4 - μ1 = 0
Se asume la igualdad entre cuatro lecturas
(condición A4) y una sola lectura (condición
A 1) ..//..
4. H0 = μ3 - 1/2(μ1 + μ2) = 0
Se establece la igualdad entre tres lecturas y
el promedio entre una y dos lecturas.
5. H0 = μ4 - 1/3(μ1 + μ2 + μ3) = 0
Se define la igualdad entre cuatro lecturas y
el promedio de las restantes.
Reformulación de las hipótesis
nulas en combinaciones lineales
1. (-1)μ1 + (1)μ2 + (0)μ3 + (0)μ4 = 0
2. (-1)μ1 + (0)μ2 + (1)μ3 + (0)μ4 = 0
3. (-1)μ1 + (0)μ2 + (0)μ3 + (1)μ4 = 0
4. (-1/2)μ1 + (-1/2)μ2 + (1)μ3 + (0)μ4 = 0
5. (-1/3)μ1 + (-1/3)μ2 + (-1/3)μ3 + (1)μ4 = 0
Contrastes a priori o planificados.
SPSS
Contrastes a posteriori o no
planificados. SPSS
La principal desventaja de las comparaciones a
priori es que a medida que aumenta el número de
contrastes también se incrementa la probabilidad de
cometer un error de Tipo I o de rechazar la hipótesis
nula siendo verdadera. Existen diversos métodos
(por ejemplo la corrección de Bonferroni) que
permiten solventar este problema.
Los contrastes a posteriori tienen la ventaja de
mantener constante la probabilidad de cometer
errores de Tipo I cuando se toma la decisión
estadística. Entre dichas estrategias cabe destacar las
pruebas de Scheffe, Tukey, Newman-Keuls,
Duncan, y Dunnett.
Análisis de tendencias
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.
Cuadro resumen del análisis de
tendencias (a-1)
Componente SC g.l. CM F p
Lineal 90,25 1 90,25 62,24 <0,05
Cuadrático 1,25 1 1,25 0,86 >0,05
Cúbico 0,25 1 0,25 0,17 >0,05
Error 23,20 16 1,45
Cuadro resumen del análisis de
tendencias: SPSS
Gráfico de medias
V.D. 9
8
7
6
5
4
3
2
1
0
A1 A2 A3 A4