6 AVAR Factorial

ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox .
ANOVA Multi Factorial de efecto fijo

220
6. El anlisis de la varianza multifactorial
de efecto fijo
Hasta el momento, hemos venido planteando hiptesis que implicaban contrastar diferencias
de medias sobre un solo factor. En el captulo 4, al hablar de las limitaciones de la prueba t
para dos medias, comentamos que una de las ventajas del anova est en su capacidad para
detectar efectos ms realistas. Entendiendo por realistas, el estudio de la influencia conjunta
de dos o ms variables independientes (VIs), o la interaccin de estas, sobre la variable
dependiente (VD).
En este tema, vamos a ocuparnos de diseos factoriales con dos o ms variables
independientes (VIs). En concreto, aquellos diseos denominados de clasificacin cruzada,
en los que todos los niveles de los factores se combinan, o anidan entre s, para dar lugar a las
condiciones experimentales.
6.1. ANOVA factorial de efecto fijo completamente intergrupo.
Supongamos que queremos estudiar el tiempo que se tardan en responder unos nios a un
estmulo si ste es o no una palabra. Lo queremos hacer en un grupo de 96 nios, de los
cuales 48 son dislexicos y 48 son no dislxicos (factor tipo de nio). Al mismo tiempo
dentro de cada grupo (dislxicos vs. no dislxicos) asignamos de manera aleatoria a los
48 nios, de manera que unos ven palabras y otros pseudopalabras , generando por tanto otro
factor que ser el de palabra (palabras vs. pseudopalabra). El anidamiento de ambos
factores (tipo de nio x tipo de palabra, 2 x 2) da lugar a cuatro condiciones
experimentales con 24 nios cada una tal y como muestra la siguiente figura.

ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox . ANOVA Multi Factorial de efecto fijo

221
En las investigaciones reales, el factor palabra es en realidad de medidas repetidas siempre.
(todos los nios tanto dislxicos como normolectores pasan por las dos niveles de palabra y
pseudopalabra). Lo forzamos a un diseo factorial completamente intergrupo for razones
estrictamente didcticas.
Estas cuatro condiciones que obedecen al anidamiento de los factores tipo de nio x tipo de
palabra se combinan de esta forma para dar lugar a una tabla 2 x 2. Donde se recogen las
distintas medias relativas a los posibles efectos a detectar en nuestro ejemplo.
B (Tipo de palabra)
Palabra Pseudo-palabra
A
j

A
(Tipo de Nio)
Dislxico

A
1
B
1
1 2
A B
1
A
No Dislxico

A
2
B
1

A
2
B
2
2
A

B
k

1
B
2
B
GM
Si observamos la tabla anterior veremos que hay unas medias marginales de filas (J) y
columnas (K) referidas a las medias de los niveles del factor A (tipo de nio) y del factor B
(tipo de palabra). Dentro de la tabla tenemos las cuatro medias de las JK condiciones
experimentales. En el anova factorial A x B, como el que nos ocupa, podemos plantearnos la
bsqueda de 3 efectos. 2 efectos principales y un efecto de interaccin. Los efectos
principales, ponen a prueba las hiptesis nulas de igualdad de las medias marginales de los
niveles de cada factor, mientras que el efecto de interaccin es un poco ms complicado de
explicar. Por ello vamos a crear distintas tablas de medias desde las cuales entender dicho
concepto de interaccin.Veamos la siguiente tabla donde se presentan las medias de un diseo
A x B (2 x 2).
tabla.1=matrix(c(4,2,5,3),ncol=2)
colnames(tabla.1)=c('B1','B2')
rownames(tabla.1)=c('A1','A2')
tabla.1
B1 B2
A1 4 5
A2 2 3

media.A=apply(tabla.1,1,mean); media.A
A1 A2
4.5 2.5

media.B=apply(tabla.1,2,mean); media.B
B1 B2
3 4

222

En las dos grficas de la izquierda hemos dibujado las medias de las cuatro condiciones
experimentales correspondientes a los valores ficticios de tabla.1. En la primera hemos
puesto fuera de la grfica (eje X) al factor A, mientras que en la segunda lo hemos hecho con
el B. Tal y como se puede ver en la grfica superior izquierda, la media de la variable VD es
mayor en A
1
que en A
2
tanto en B
1
como en B
2
. En la grfica inferior izquierda, podemos ver
que B
1
es menor que B
2
tanto en A
1
como en A
2
. En ambas grficas las lneas son paralelas. En
las grficas de la derecha, hemos incluido las medias marginales de A y B (lnea central de
color negro). Podemos apreciar que este paralelismo nos indica que los efectos de A sobre VD
no se ven afectados por el nivel de B en que nos encontramos ni viceversa.
Para generar las grficas que acabamos de comentar, hemos usado las siguientes lneas:
mat=matrix(c(1:4),ncol=2,byrow=T)
layout(mat,widths=c(2.5,1),heights=c(1,1))
plot(c(1,2),c(2,5),axes=F, type='n',xlab='A',ylab='media')
axis(1,1:2,labels=c('A1','A2')); axis(2); box()
lines(1:2,tabla.1[,1],col='red',lwd=2)
lines(1:2,tabla.1[,2],lwd=2,lty=2)
lines(1:2,media.A,lwd=4)
plot(0,0,axes=F,type='n',xlab='',ylab='',xlim=c(0,3),ylim=c(2,4))
legend(0,3.5,c('B1','B2'),lty=1:2,col=2:1,lwd=2)

plot(c(1,2),c(2,5),axes=F, type='n',xlab='B',ylab='media')
axis(1,1:2,labels=c('B1','B2')); axis(2); box()
lines(1:2,tabla.1[1,],col='red',lwd=2)
lines(1:2,tabla.1[2,],lwd=2,lty=2)
lines(1:2,media.B,lwd=4)
plot(0,0,axes=F,type='n',xlab='',ylab='',xlim=c(0,3),ylim=c(2,4))
legend(0,3.5,c('A1','A2'),lty=1:2,col=2:1,lwd=2)
Veamos otro ejemplo de tabla de medias de una VD ficticia de nombre vd en las distintas
condiciones experimentales anidadas de A y B.
tabla.2=matrix(c(4,2,3,5),ncol=2)
colnames(tabla.2)=c('B1','B2'); rownames(tabla.2)=c('A1','A2')

223
tabla.2
B1 B2
A1 4 3
A2 2 5
media.A=apply(tabla.2,1,mean);media.A
A1 A2
3.5 3.5
media.B=apply(tabla.2,2,mean);media.B
B1 B2
3 4
par(mfrow=c(1,1)) # Retornamos la matriz grfica 1 ventana.

* Para estas grficas hemos usado el mismo cdigo que antes aunque sustituyendo tabla.1 por tabla.2.
En estas grficas apreciamos un patrn claramente diferente. Vemos, en la grfica superior
izquierda, que el efecto de A sobre la VD depende claramente del nivel de B en que nos
encontremos. As, observamos cmo la VD aumenta al pasar de A
1
a A
2
, si se encuentra en B
2
.
Sin embargo, este efecto es contrario si nos encontramos en B
1
. Ese mismo patrn lo
observamos en la grfica inferior izquierda. All el factor B aumenta la media de la variable
dependiente al pasar de B
1
a B
2
cuando se encuentra en A
2
pero no en A
1
. Igual que antes, en
la grfica de la derecha hemos aadido la lnea correspondiente a la media marginal de la
variable dependiente en cada nivel de A y B respectivamente. Como puede observarse, la
inversin de efectos antes descrita provoca que las medias de los 2 niveles de A sean
idnticas. Esta segundo bloque grfico nos presenta un claro efecto de interaccin.
Atendiendo a los dos ejemplos anteriores, podemos decir que existe interaccin cuando
el comportamiento en la variable dependiente de un factor A es distinto, en funcin del
nivel de la otra variable B en la que se encuentre. Distinto puede suponer desde
comportarse de manera contraria o variar en alguna medida que hace que las lneas no sean
paralelas.

224
6.1.1. El Modelo de ANOVA de dos factores de efectos fijos completamente aleatorizados
En el tema 4 vimos que la variable dependiente Y poda expresarse como una combinacin
lineal de tres factores aditivos mediante la ecuacin del modelo lineal general.

Y
ij
= +
j
+
ij

Sin embargo, ahora con dos factores, necesitamos incluir en el modelo un trmino nuevo que
recoja precisamente la influencia de ste:

Y
ijk
= +
j
+
k
+
ij

Este nuevo trmino (
k
) es equivalente a la explicacin que para
j
dimos en su momento pero
en relacin al segundo factor. Sin embargo, en este modelo no estamos considerando la
influencia conjunta o efecto atribuible a la combinacin de los diferentes niveles de ambos
factores, a la cual llamaremos componente de interaccin ()
jk
.

Y
ijk
= +
j
+
k
+
( )
jk
+
ij

Los estimadores de cada trmino son:
( ) ( )
=
0

j j j j k k k k
j k
j k
jk j k jk j k
jk jk
ij ijk jk ij ijk jk
Y Y Y Y
Y Y Y Y
Y Y Y

= = =
= =
= + = +
= =

6.1.2- Descomposicin de la !arianza total en los componentes aditi!os del modelo
Continuando con la estrategia mnimo cuadrtico ordinaria iniciada en el tema 4 definimos la
ecuacin fundamental de la descomposicin de la varianza total en sus componentes aditivos.

Y
ijk
= +
j
+
k
+
( )
jk
+
ij
Y
ijk
= Y + Y
j
Y
( )
+ Y
k
Y
( )
+ Y
jk
Y
j
Y
k
+ Y
( )
+ Y
ijk
Y
jkj
( )
Y
ijk
Y = Y
j
Y
( )
+ Y
k
Y
( )
+ Y
jk
Y
j
Y
k
+ Y
( )
+ Y
ijk
Y
jk
( )
Y
ijk
Y
( )
k
2
=
Y
j
Y
( )
2
+ Y
k
Y
( )
+ Y
jk
Y
j
Y
k
+ Y
( )
+ Y
ijk
Y
jkj
( )
2


225

Y
ijk
Y
( )
k
2
=
nK Y
j
Y
( )
2
j
+ nJ Y
k
Y
( )
2
k
+ n Y
jk
Y
j
Y
k
+ Y
( )
2
k
+ Y
ijk
Y
jk
( )
2
k

De la ecuacin final tenemos que la suma cuadrtica total de la variable dependiente se
descompone en cuatro trminos, que en realidad se agrupan para dar lugar a los dos ya
conocidos de varianza explicada o intergrupo (SC
A
+ SC
B
+ SC
AB
) y de error (SC
intra
).

SC
Total
= SC
A
+ SC
B
+ SC
AB
+ SC
Intra

( )( )
Grados de libertad: 1
1
1
1 1

Total
A
B
AB
Intra
SC N
SC J
SC K
SC J K
SC N
=
=
=
=
=

Total A B AB Intra
JK
gl gl gl gl gl = + + +

Medias Cuadrticas

MC
A
=
SC
A
J 1
( )
MC
B
=
SC
B
K 1
( )
MC
AB
=
SC
AB
J 1
( )
K 1
( )
MC
Intra
=
SC
Intra
N JK

6.1.". #a $a%la resumen del Ano!a de dos factores de efectos fijos completamente
aleatorizados
Fuente de
variacin
Sumas
cuadrticas
Grados de
libertad
Medias
Cuadrticas
Estadstico
de contraste
Factor A
A
SC

J 1
1
A
SC
J

A
Intra
MC
MC

Factor B
B
SC

K 1
1
B
SC
K

B
Intra
MC
MC

Interaccin
A x B
AB
SC ( ) ( ) 1 1 J K

SC
AB
J 1
( )
K 1
( )

AB
Intra
MC
MC

Error

SC
Intra

N JK
Intra
SC
N JK

Total
T
SC

N 1

226
Es el momento de analizar nuestros datos de los 96 nios asignados aleatoriamente a los dos
factores estudiados (Tipo de nio x Tipo de palabra).
dos.factores= lee.archivo.fnc('06_dislexia.Rdata')

*** Se ha leido correctamente el archivo externo 06_dislexia.Rdata ***

El objeto es una matriz que pertenece a la clase data.frame
y tiene 96 filas y 3 columnas (variables)

tr word nio
1 696.9731 palabra dislex

La base de datos recoge 3 variables: el tiempo medio de reaccin para cada nio (tr), el
grupo de pertenencia de la condicin de palabra o pseudopalabra (word) y si el nio es
dislxico o normolector (nio).
frecuencias.fnc(dos.factores, variables= 'word:nio')

#------------------------------------------------------------------
# TABLA DE FRECUENCIAS
#------------------------------------------------------------------

$variables
[1] "word:nio"

$tabla
nio dislex normolector
word
palabra 24 24
pseudo 24 24

Comprobamos que disponemos de un diseo equilibrado con 24 sujetos por condicin
experimental. Iniciamos la exploracin grfica de nuestros datos con un diagrama de cajas.
Como ahora tenemos dos factores solicitaremos el diagrama de cajas para cada factor y
posteriormente para la interaccin (nio:word)
diagrama.cajas.fnc(dos.factores, vd= 'tr', que.factor='nio')
diagrama.cajas.fnc(dos.factores, vd= 'tr', que.factor='word')
diagrama.cajas.fnc(dos.factores, vd= 'tr', que.factor= 'nio:word')


227

El diagrama de cajas de la interaccin, nos informa de que el tiempo de reaccin parece ser
mayor en los dislxicos que en los normolectores. Adems los dislxicos parecen ser
especialmente lentos con la lectura de pseudopalabras. Los normolectores presentan un patrn
similar aunque de menor intensidad y variabilidad que los dislxicos.
descriptivos.fnc(dos.factores, vd= 'tr', que.factor='nio:word')

#------------------------------------------------------------------
# ESTADISTICOS DESCRIPTIVOS
#------------------------------------------------------------------

*** VD: tr

$nio
dislex normolector
media 1005.582 604.523
dt 411.123 173.996
n 48.000 48.000

$word
palabra pseudo
media 606.151 1003.954
dt 199.615 400.972
n 48.000 48.000


228
$`nio-word`
$`nio-word`$media
palabra pseudo
dislex 694.597 1316.566
normolector 517.705 691.342

$`nio-word`$dt
palabra pseudo
dislex 207.475 317.042
normolector 148.504 155.182

$`nio-word`$n
palabra pseudo
dislex 24 24
normolector 24 24

Anticipamos efectos principales tanto del factor tipo de palabra como del tipo de nio dado
que aparentemente las palabras se leen mas rpido que las pseudopalabras y por otra parte los
dislxicos son 400 ms mas lentos que los normolectores. Estas diferencias parecen mas
acusadas en los nios dislxicos que en los normolectores.
Veamos las distintas hiptesis nulas implicadas. En primer lugar definiremos las Ho relativas
a los dos efectos principales de nuestro diseo: Efecto del tipo de nio (nio) y efecto del
factor tipo de palabra (word).
( )
( )
0 j=dilxico j=normolector
0 k=palabra k=pseudo.palabra
H nio : =
H palabra : =

De forma contraria a lo que cabra pensar, la Ho de la interaccin no es slo el sumatorio
cuadrtico de distancias de las JK medias de las condiciones experimentales a la gran media
del experimento. En realidad este efecto se descompone en JK distancias no a la gran media
solamente sino tambin a las de los marginales de los niveles de los factores implicados. En
apartados posteriores encontraremos de gran utilidad este concepto de la interaccin para el
cmputo del parmetro de no centralidad asociado a este efecto.
( )
( ) ( ) ( )
jk j k
jk
0
jk jk
j k
= - - +
H Nio x Palabra : = = 0

La siguiente tabla nos ayudar a comprender mejor el concepto de la interaccin como
diferencias de diferencias, para un diseo con dos factores. Supongamos un diseo A x B (2
x 2) con las siguientes medias marginales y de JK condiciones experimentales (4).


229
B
1
B
2

J
A
A
1
10 20 15
A
2
5 15 10
k
B
7.5 17.5 12.5
Demostraremos que en esta tabla a pesar de las apariencias, no existe interaccin de los
factores A y B (AxB). Veamos por qu.
Por filas Por columnas

A
1
B
1
A
1
B
2
= B
1
B
2
= 10
A
2
B
1
A
2
B
2
= B
1
B
2
= 10

A
1
B
1
A
2
B
1
= A
1
A
2
= 5
A
1
B
2
A
2
B
2
= A
1
A
2
= 5

Es decir, la diferencia de al menos dos medias cualesquiera de la misma fila o de la misma
columna es la misma que la diferencia entre los promedios marginales correspondientes a
estas casillas.
6.1.&. Efectos principales e interaccin del ano!a A ' ( completamente aleatorizado
Estimaremos el modelo para nuestros datos mediante Anova.fnc. El argumento fac.inter en
este anova debe incluir los nombres de los dos factores implicados.
Anova.fnc(dos.factores, vd='tr', fac.inter=c('nio','word'))

#------------------------------------------------------------------
# ANALISIS DE LA VARIANZA
#------------------------------------------------------------------

Anova Table (Type III tests)

Response: tr
Sum Sq Df F value Pr(>F)
(Intercept) 11579176 1 244.1621 < 2.2e-16 ***
nio 375492 1 7.9177 0.005986 **
word 4642135 1 97.8855 3.821e-16 ***
nio:word 1206006 1 25.4302 2.291e-06 ***
Residuals 4363020 92
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

La tabla resumen de Anova nos indica que hay efecto principal de todos los factores
implicados as como efecto de interaccin nio x word (nio:word). Vemos que hay una suma
de cuadrados residual de 4363020 que dividida por sus grados de libertad (92) genera una
MCintra comn a todos los efectos de 47424.13. Este valor es el denominados de cada ratio
F de cada uno de los 3 efectos implicados. La existencia de efectos principales si la

230
interaccin es significativa nos obliga a comprender primero la naturaleza de dicha
interaccin. Una interaccin significativa es muy difcil de comprender si no se proyectan
grficamente la tabla de las JK medias. En nuestro ejemplo slo tenemos cuatro condiciones
experimentales, pero es muy comn tener 8 o incluso 12 (diseos factoriales 3 x 4).
Solicitaremos dicha grfica de interaccin utilizando para ello una funcin que permite
proyectar las medias de una determinada variable dependiente en JK condiciones.
grafica.panel.fnc(dos.factores, vd='tr', que.factor='nio:word',
ylim=c(400,1400))

grafica.panel.fnc(dos.factores, vd='tr', que.factor='word:nio',
ylim=c(400,1400))

Solicitamos la interaccin desde ambos puntos de vista: nio x word y word x nio. Con el
argumento opcional ylim seleccionamos aquellos valores del eje y (tiempos de reaccin) que
mejor representen las variaciones entre los niveles de los factores.

Podemos ver que los tanto los dislxicos como los normolectores tardan mas en la lectura
de palabras que en la de pseudopalabras. Sin embargo esta diferencia es aparentemente
mayor para los nios dislxicos.
Observa que hemos escrito entre comillas los adjetivos que utilizamos para describir las
diferencias. La razn obviamente est en que esas distancias son absolutamente dependientes
de la escala utilizada para dibujar la grfica y no necesariamente se corresponden con
diferencias realmente significativas. En apartados posteriores desarrollaremos los contrastes
que nos permitirn decidir con un criterio estadstico si esas distancias son realmente distintas
de cero.


231
6.1.). *omogeneidad de las !arianzas
Al igual que ocurra con el anova unifactorial intergrupo visto en el captulo anterior, el anova
multifactorial intergrupo, requiere asimismo de la homogeneidad de las varianzas para cada
uno de los efectos estimados. La funcin Anova.fnc estima de forma automtica la prueba
de levene para cada uno de ellos.
$prueba.levene
Levene's Test for Homogeneity of Variance (center = median)
Df F value Pr(>F)
nio 1 34.83 5.662e-08 ***
94
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

$prueba.levene
Df F value Pr(>F)
word 1 21.353 1.213e-05 ***
94
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

$prueba.levene
Df F value Pr(>F)
nio:word 3 3.8024 0.01279 *
92
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

Todas las varianza son heterogneas aunque dado que los tamaos de los grupos y
condiciones experimentales son idnticos esta particularidad no debe preocuparnos.
6.1.6. Medida del tama+o del efecto en el ANOVA de dos factores completamente
aleatorizados
Una vez determinados los efectos significativos, debemos, como siempre, calcular las
varianzas asociadas a cada uno de los efectos. Por supuesto, dado que slo ha resultado ser
significativo el de la interaccin esperamos valores muy pequeos para los efectos
principales.

A ( )
2
=
SC
A
SC
Total

B ( )
2
=
SC
B
SC
Total

AB ( )
2
=
SC
AB
SC
Total
A ( )
2
=
SC
A
J 1
( )
MC
Intra
MC
Intra
+ SC
Total

B ( )
2
=
SC
B
K 1
( )
MC
Intra
MC
Intra
+ SC
Total
AB ( )
2
=
SC
AB
J 1
( )
K 1
( )
MC
Intra
MC
Intra
+ SC
Total


232
Anova.fnc genera de forma automtica la tabla de tamaos de efecto con
2
semiparcial
(eta.sp).
$eta2
eta.sp pnc power.obs
nio 0.03546843 81.4004 1.0000
word 0.43848939 80.0843 1.0000
nio:word 0.11391759 25.4302 0.9988

Vemos que el mayor tamao de efecto se situa en el factor word (palabra vs pseudopalabra),
seguido de la interaccin y por ltimo del tipo de nio.
Otra medida del tamao del efecto usada comnmente en los paquetes estadsticos es la
2

parcial, cuya explicacin sera la del porcentaje de varianza explicado por el efecto de la parte
no explicada por el resto. Su clculo tiene el mismo numerado que la
2
semiparcial (varianza
del total que es explicada por el efecto) pero el denominador contiene solamente a la suma
cuadrtica del efecto ms la del error.

Semiparcial
2
=
SC
Efecto
SC
Total

Parcial
2
=
SC
Efecto
SC
Efecto
+ SC
Error

Dado que el denominador ser siempre menor (si hay ms de un factor)
2
parcial da siempre
un valor mayor que su relativo semiparcial. Veamos los resultados de
2
parcial
para nuestra
tabla resumen de Anova. En primer lugar asignaremos todas las varianzas a un solo objeto.
Como puedes comprobar la ltima suma de cuadrados con valor 4363020 corresponde a error.
Por lo tanto la varianza parcial si observas la frmula tiene en el denominados cada una de las
sumas de cuadrados de interes mas la de error.
SC= c(375492,4642135,1206006,4363020)

SC.nio=SC[1]/(SC[1]+SC[4]); SC.nio
[1] 0.0792426
SC.word=SC[2]/(SC[2]+SC[4]); SC.word
[1] 0.5154975
SC.word_nio=SC[3]/(SC[3]+SC[4]); SC.word_nio
[1] 0.216556

Puedes comprobar que la varianza semiparcial es siempre superior a la parcial. En cualquier
caso debes recordar que la parcial es la proporcin de varianza total explicada, mientras que la
semiparcial describe la varianza no explicada por el resto de las variables del modelo que si
explica el efecto de interes del que se habla.

233
6.1.,. -otencia en el ANVA. de dos factores completamente aleatorizados de efecto fijo
-otencia o%ser!ada.
Como ya sabemos del tema anterior debemos calcular los parmetros de no centralidad
asociados a cada uno de los factores y su interaccin para poder as determinar la potencia
observada de cada uno de los efectos del anova mnibus.
( ) ( ) ( )
2 2 2
2 2 2
2

intra
j jk j k k
J J k k jk jk
Y Y Y Y Y Y Y Y
pnc n pnc n pnc n
MC

+
= = =
=

Anova.fnc nos da de forma automtica junto a los tamaos de efecto los parmetros de no
centralidad y las potencias observadas a ellos asociados.
$eta2
nio 0.03546843 81.4004 1.0000
word 0.43848939 80.0843 1.0000
nio:word 0.11391759 25.4302 0.9988

Las potencias observadas para los efectos principales encontrados son muy grandes indicando
claramente que llevamos un nmero de sujetos superior a los estrictamente necesarios para
detectar ese efecto.
-otencia planeada.
Como ya es sabido por captulos anteriores, un experimento debe partir de un tamao de
efecto a detectar. Esa es la base del contraste de hiptesis con utilidad cientfica. El
investigador declara un efecto explicado o predicho por su teora y plantea un experimento
dirigido a comprobar la veracidad de la afirmacin encerrada en su hiptesis, con un
equilibrio entre los errores que pueden cometerse en la decisin de rechazar o no la hiptesis
nula que niega la afirmacin que el investigador propone. Utilizaremos la funcin
potencia.planeada.anova.fnc
potencia.planeada.anova.fnc(eta2=0.15,niveles=4, alfa= 0.05, potencia=0.85)

#------------------------------------------------------------------
# Potencia Planeada
#------------------------------------------------------------------


234
*** Para medidas repetidas utiliza el argumento mr=T ***

$pow.planeada
[1] 0.85

$eta2
[1] 0.15

$alfa
[1] 0.05

$tipo
[1] "intergrupo"

$n.condi
[1] 24

La ejecucin de nuestra funcin nos informa de que necesitamos 24 sujetos por condicin
experimental para poder detectar dicho efecto (si este existiese) con la confianza y la potencia
deseada (0.95 y 0.85 respectivamente). Ese es el motivo por el que hemos investigado a 96
nios (24x 4 condiciones) para valorar la influencia conjunta del tipo de nio y tipo de palabra
sobre el tiempo de reaccin en la lectura.
6.1./. El inter!alo de confianza en el ano!a multifactorial completamente aleatorizado
Las grficas de intervalos de confianza en los diseos factoriales son muy importantes porque
permiten valorar de forma muy rpida las distancias entre condiciones, tanto para los efectos
principales como para la interaccin. Ya comentbamos anteriormente que cuantificar una
interaccin desde una grfica no es conveniente a menos que esta posea los intervalos de
confianza de las JK medias implicadas. Loftus y Masson (2003) desarrollan los algoritmos
necesarios para utilizar la varianza de error del diseo (MCError) como elemento bsico del
clculo de las barras de error de las medias implicadas.
( ) ( )
, ,

Error Error
J j critica gl N J JK jk critica gl N JK
j jk
MC MC
IC Y t IC Y t
n n
= =
= =

La frmula anterior se adapta muy fcilmente para las grficas de efectos principales
simplemente sustituyendo las medias apropiadas Y
j
e Y
k
as como los tamaos por niveles
apropiados (n
j
y n
k
).
MCError=47424.13
error.jk=sqrt(MCError/24)*qt(0.975,96-4)
error.jk
[1] 88.28607
Tenemos un error de 88.3 milisegundos en la estimacin de las medias de las JK
condiciones experimentales.

235

La grfica izquierda nos da las comparaciones entre los niveles de word en cada tipo de
nio. En ella vemos claramente que la diferencia de latencia entre la lectura de
pseudopalabra y palabra es claramente mayor para los nios dislxicos que para los
normolectores. En la grfica derecha vemos las comparaciones entre nios dislxicos y
normolectores en cada nivel del factor word. En ella vemos que los nios dislxicos son
siempre mas lentos que los normolectores, sin embargo esta diferencia es mas acusada para la
lectura de pseudopalabras.
6.1.0. 1ontrastes pos-2oc
En este diseo tenemos un 2 x 2, lo cual significa que los efectos principales detectados como
es obvio se sitan precisamente entre los niveles de cada factor (slo hay dos niveles por cada
uno). En cualquier caso, como la interaccin de ambos ha resultado significativa, no debemos
plantearnos diferencias pos-hoc entre ellos. La naturaleza de dicha diferencia est realmente
explicada en la interaccin que vamos a explotar a travs de los contrastes de efectos simples
que veremos a continuacin. En el caso de factores con ms de dos niveles que hubieran
resultado significativos con ausencia de interaccin, el proceso de contrastes pos-hoc es
idntico al planteado en el captulo anterior para los anovas unifactoriales.

6.1.0.1. 1ontrastes de efectos simples
En raras ocasiones, estamos en realidad interesados en el estudio de las JK(JK-1)/2
comparaciones de las condiciones experimentales, por razones ya sobradamente conocidas en
relacin a la necesidad de corregir el error Tipo I. En general, el estudio de un efecto
significativo de la interaccin consiste en comparar las medias de un factor en cada uno de los
niveles del otro. A este tipo de contraste se le denomina de Efecto simple.

236
Si consideramos nuestro diseo, habramos de realizar 2x2(3)/2 = 6 comparaciones par a par.
Podemos controlar para esas 6 comparaciones con la consecuencia obvia de elevacin de la
DMS (Diferencia Mnima Significativa) para controlar el incremento del error tipo I (1-(1-)
n

= 0.26). Sin embargo, si nuestro inters se centra en comparar por pares los K=2 niveles del
factor B en los J=2 niveles del factor A tendramos en realidad que realizar JK(K-1)/2 =
2 comparaciones. Pero si quisisemos los J=2 niveles de A en los K=2 niveles de B
tendramos slo JK(J-1)/2 = 2 comparaciones. Es decir, 4 comparaciones en total.
Necesitamos comparar, por tanto, los dos niveles de nio en cada nivel de word y los dos
tipos de word en cada nivel de nio. Para ello simplemente incluiremos el conocido
argumento poshoc con el nombre de la interaccin como valor del argumento.
Anova.fnc(dos.factores, vd='tr', fac.inter=c('nio','word'),
poshoc ='nio:word')

Por defecto cuando solicitas efectos simples obtendrs la grfica de interaccin de lneas. En
ellas podemos ver lo que ya hemos advertido en la grafica de panel que solicitamos
anteriormente. Esto es que aparentemente tanto los dislxicos como los normolectores tardan
mas en la lectura de pseudopalabras que en la de palabras. Sin embargo observamos un mayor
tamao del efecto para esa distancia en los nios dislxicos. Los contrastes simples nos
informarn precisamente de la presencia o no de dicha significacin.
#------------------------------------------------------------------
# EFECTOS SIMPLES
#------------------------------------------------------------------

$que.vd
[1] "tr"

$interaccion
[1] "nio:word"

dislex normolector
6
0
0
8
0
0
1
0
0
0
1
2
0
0
nio
V
D
Interaccion: nio:word
palabra
pseudo

237
$medias
palabra pseudo
dislex 694.5975 1316.566
normolector 517.7050 691.342

$efectos.simples
$efectos.simples[[1]]
[1] "Contraste_word_en_cada_nivel_de_nio"

$efectos.simples$BinA
$efectos.simples$BinA$dislex
t df eta2 p p.hocberg
palabra-pseudo -8.041831 39.64655 0.62 0 0

$efectos.simples$BinA$normolector
palabra-pseudo -3.96034 45.9113 0.255 0.00026 0.00026

Vemos que efectivamente que en las comparaciones del factor word en cada nivel de tipo de
nio encontramos diferencias significativas en ambas comparaciones pero el tamao del
efecto en los nios dislxicos lo duplica. Es decir la lectura de pseudopalabras es mas lenta en
ambos tipos de nios pero este efecto es mas intenso en los nios dislxicos.
[1] "Contraste nio_en_cada_nivel_de_word"

$efectos.simples$AinB
$efectos.simples$AinB$palabra
dislex-normolector 3.396461 41.6673 0.217 0.00151 0.00151

$efectos.simples$AinB$pseudo
dislex-normolector 8.67735 33.42242 0.693 0 0

El otro punto de vista de la interaccin est en las dos comparaciones entre los nios
dislxicos y normolectores en cada nivel del factor word (palabra y pseudopalabra). En estos
contrastes vemos que hay diferencias entre dislxicos y normolectores tanto en la lectura de
palabras como de pseudopalabras, pero el tamao del efecto para ambas comparaciones es
mayor para la lectura de pseudopalabras.

238
Ejercicio 1
Deseamos conocer la influencia de un mtodo de afrontamiento de la ansiedad sobre el rendimiento en una tarea
de destreza motora. Como suponemos que el nivel de ansiedad es una variable moduladora de este efecto se
define un factor de nombre ansiedad con 3 niveles: baja, moderada y alta. Se plantea un diseo factorial
completamente aleatorizado entrenamiento x ansiedad (2 x 3). El tamao de efecto que anticipamos es grande:
2
=0.25 y deseamos una potencia del 85% para una confianza del 95%.
Llevamos a cabo el procedimiento de potencia planeada.
potencia.planeada.anova.fnc(eta2=0.25,niveles= 6,alfa= 0.05,
potencia=0.85)

$pow.planeada
[1] 0.85

$alfa
[1] 0.05

$n
[1] 14

Una vez seleccionados a los sujetos (hemos elegido a 15 por condicin por si hubiera alguno que fuese
necesario reemplazar por caso extremo), hemos entrenado a la mitad de ellos (45) y posteriormente los
hemos sometido a todos a tres condiciones de ansiedad en tres tareas de destreza motora (baja,
media y alta), durante la cual todos los sujetos han sido medidos en el rendimiento de destreza.
datos = lee.archivo.fnc('06_rendimiento_ansiedad.txt', hay.nombres=T)

rendimi entrena ansiedad
1 11 Si baja
2 11 Si baja
3 13 Si baja
4 6 Si baja
5 11 Si baja
6 12 Si baja

frecuencias.fnc(datos, 'entrena:ansiedad')

#------------------------------------------------------------------
# TABLA DE FRECUENCIAS
#------------------------------------------------------------------

$variables
[1] "entrena:ansiedad"

$tabla
ansiedad alta baja media
entrena
No 15 15 15
Si 15 15 15

Los niveles de ansiedad estn ordenados alfabticamente y no con el orden adecuado de intensidad
(baja, media y alta). Los reordenaremos mediante la funcin reordena.factor.fnc
indicando con el argumento niveles el nuevo orden que deseamos.


239
datos = reordena.factor.fnc(datos, que.factor='ansiedad',
niveles=c('baja','media','alta'))

#------------------------------------------------------------------
# REORDENANDO NIVELES DEL FACTOR
#------------------------------------------------------------------

$hacer.NA
[1] FALSE

$niveles.antiguos
[1] "alta" "baja" "media"

$niveles.nuevos
[1] "baja" "media" "alta"

*** Tabla de frecuencias con el nuevo orden:

baja media alta
30 30 30

descriptivos.fnc(datos, vd= 'rendimi', que.factor= 'entrena:ansiedad')
#------------------------------------------------------------------
#------------------------------------------------------------------

*** VD: rendimi

$entrena
No Si
media 13.644 14.733
dt 5.305 3.602
n 45.000 45.000

$ansiedad
baja media alta
media 11.300 18.567 12.70
dt 2.336 2.417 4.61
n 30.000 30.000 30.00

$èntrena-ansiedad`
$èntrena-ansiedad`$media
baja media alta
No 12.133 20.200 8.6
Si 10.467 16.933 16.8

$èntrena-ansiedad`$dt
baja media alta
No 2.588 1.781 1.682
Si 1.767 1.792 2.274

$èntrena-ansiedad`$n
baja media alta
No 15 15 15
Si 15 15 15

La media de la interaccin nos habla de un patrn contrario al que parece que presentan las marginales
de entrenamiento y de ansiedad. Lo veremos mejor el grfico de panel y el diagrama de cajas para
dicha interaccin.
grafica.panel.fnc(datos, vd='rendimi', que.factor='ansiedad:entrena')
diagrama.cajas.fnc(datos, vd='rendimi', que.factor='entrena:ansiedad')


240

Vemos que en grfica izquierda que en la condicin sin entrenamiento previo hay un incremento del
rendimiento entre ansiedad baja y media para disminuir por debajo del nivel de comienzo para los
sujetos de la condicin de alta ansiedad. En los sujetos que han sido entrenados vemos que al igual que
en los no entrenados se incrementa entre los niveles de ansiedad baja a media pero al contrario que en
los no entrenados los de la condicin alta ansiedad no disminuyen su rendimiento sino que lo
mantienen. Si observas el diagrama de cajas de la condicin media ansiedad sin entrenamiento previo
podemos ver una serie de puntos indicativos de valores atpicos para esa condicin experimental.
Los sujetos no entrenados en estrategias de afrontamiento parecen puntuar mejor que los entrenados
en los niveles bajos y medios de ansiedad. Sin embargo, es en los niveles altos donde se observa una
cada dramtica del rendimiento en los no entrenados. Esperamos por tanto un efecto de interaccin
como el descrito en el anova multifactorial completamente aleatorizado que vamos a realizar.
Anova.fnc(datos, vd='rendimi', fac.inter=c('ansiedad','entrena'),
ylim=c(0,25) )

#------------------------------------------------------------------
#------------------------------------------------------------------

Anova Table (Type III tests)

Response: rendimi
Sum Sq Df F value Pr(>F)
(Intercept) 2208.27 1 547.5041 <2e-16 ***
ansiedad 1060.58 2 131.4766 <2e-16 ***
entrena 20.83 1 5.1653 0.0256 *
ansiedad:entrena 578.49 2 71.7135 <2e-16 ***
Residuals 338.80 84
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

Con el argumento ylim estamos solicitando los lmites inferior y superior que deseamos para las
grficas de barras con los intervalos de confianza en el eje y. Vemos en la tabla resumen que todos los
efectos son significativos y especialmente el de interaccin lo cual nos har inicialmente obviar los
dos efectos principales.

241
$prueba.levene
Df F value Pr(>F)
ansiedad 2 18.653 1.814e-07 ***
87
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

$prueba.levene
Df F value Pr(>F)
entrena 1 8.1047 0.005494 **
88
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

$prueba.levene
Df F value Pr(>F)
ansiedad:entrena 5 0.7555 0.5844
84

Hay heterogenediad de varianzas para los dos efectos principales, aunque no para la interaccin. En
cualquier caso la igualdad de los tamaos de los grupos y condiciones experimentales hace que no
debamos preocuparnos por la heterogeneidad detectada.
$eta2
ansiedad 0.53063491 221.1129 1.0000
entrena 0.01042177 6.6143 0.7198
ansiedad:entrena 0.28943313 143.4270 1.0000

Vemos que el efecto de entrenamiento aporta poco a la varianza total del rendimiento y es por un lado
el nivel de ansiedad y por otro la interaccin de ambos factores. Tenemos potencias observadas
excelentes para los dos ltimos factores y una potencia un poco baja para el factor de entrenamiento
que se explica perfectamente por el tamao de efecto muy pequeo que hemos obtenido. La grfica
de intervalos de confianza inferior nos indica que el incremento de la ansiedad desde los niveles bajos
a los medios incrementa el rendimiento en todos los sujetos. Sin embargo vemos que son los sujetos
que han entrenado los que conservan el mismo nivel de rendimiento en niveles de ansiedad alta. Para
demostrar estadsticamente dichas diferencias solicitaremos los efectos simples para la interaccin que
hemos detectado y que reflejan las grficas siguientes.


242
Anova.fnc(datos, vd='rendimi', fac.inter=c('ansiedad','entrena'),
ylim=c(0,25) , poshoc='ansiedad:entrena')

#------------------------------------------------------------------
# EFECTOS SIMPLES
#------------------------------------------------------------------

$que.vd
[1] "rendimi"

$interaccion
[1] "ansiedad:entrena"

$medias
No Si
baja 12.13333 10.46667
media 20.20000 16.93333
alta 8.60000 16.80000

$efectos.simples
[1] "Contraste_entrena_en_cada_nivel_de_ansiedad"

$efectos.simples$BinA$baja
No-Si 2.059964 24.72853 0.146 0.05007 0.05007

$efectos.simples$BinA$media
No-Si 5.0085 27.999 0.473 3e-05 6e-05

$efectos.simples$BinA$alta
No-Si -11.22831 25.78826 0.83 0 0

[1] "Contraste ansiedad_en_cada_nivel_de_entrena"

$efectos.simples$AinB$No
baja-media -9.946139 24.83258 0.799 0.00000 0.00000
baja-alta 4.434298 24.03772 0.450 0.00017 0.00034
media-alta 18.341210 27.90887 0.923 0.00000 0.00000


243
$efectos.simples$AinB$Si
baja-media -9.9519900 27.99487 0.780 0.00000 0.00000
baja-alta -8.5165470 26.39191 0.733 0.00000 0.00000
media-alta 0.1783765 26.54535 0.001 0.85978 0.85978

Los contrastes de efectos simples nos indican que los sujetos no entrenados rinden mejor que los
entrenados en los niveles bajos y medios de ansiedad. Es en los niveles altos donde el entrenamiento
impide la drstica cada del rendimiento para los que entrenan en estrategias de afrontamiento.
La grfica de intervalos de confianza es de extraordinaria utilidad aqu para ayudarnos a entender el
sentido de las significaciones encontradas en los contrastes de efectos simples de niveles de ansiedad
en cada nivel de entrenamiento. As vemos que en la condicin de entrena No hay diferencias entre
todos los niveles pero con una clara tendencia cuadrtica que comprobaremos en breve. En el nivel Si
que vemos que hay diferencias en rendimiento en ansiedad baja vs media y entre baja vs alta
pero no entre las condiciones media vs alta. Es decir, el entrenamiento ha conseguido eliminar el
efecto de inversin caracterstico de la ansiedad sobre el rendimiento. Gracias al entrenamiento en
habilidades de afrontamiento de la ansiedad los sujetos del grupo de alta ansiedad han conseguido
mantener el rendimiento en niveles tan altos como en el nivel de ansiedad media que es en realidad
una ansiedad facilitadora (mejora el rendimiento).


244
6.2. ANOVA factorial de medidas repetidas de efecto fijo. Modelo No Aditi!o 3NA4
Como ya sabemos, en los diseos de medidas repetidas uni o multifactoriales, el factor
sujeto es imprescindible en la adecuada descomposicin de la componente de error de los
trminos aditivos del anova. En la prctica, el supuesto de aditividad que supone la ausencia
de interaccin de este factor sujeto con el resto de los componentes del modelo, es muy poco
realista. Por ello, dado que estas interacciones forman parte de la variabilidad de error
(MCintra), sta debe ser descompuesta en las tres interacciones especificadas del factor
sujeto:
6.2.1. El modelo de ANOVA de medidas repetidas de efecto fijo no aditi!o

Y
ijk
= +
j
+
k
+
( )
jk
+ S
i
+ S
( )
ij
+ S
( )
ik
+ S
( )
ijk
+
ij
SC
Total
= SC
Inter
+ SC
S
+ SC
Intra
= SC
A
+ SC
B
+ SC
AB
( )
+ SC
S
+ SC
AS
+ SC
BS
+ SC
ABS
( )
= Varianza explicada
( )
+ SC
S
+ Varianza de error
( )

Medias Cuadrticas y grados de libertad.
( ) ( )( ) ( ) ( )( )
( ) ( )( )( ) ( ) ( ) ( )
( ) 1 1 ( ) 1 1
( ) 1 1 1
Error
MC A S SC A S J n MC B S SC B S K n
MC AB S SC AB S J K n SC SC A S SC B S SC AB S
= =

= = + +

6.2.2. #a $a%la resumen del Ano!a de dos factores de medidas repetidas no aditi!o
Fuente de
variacin
Sumas
cuadrticas
Grados
de
libertad
Medias Cuadrticas
Estadstico
de contraste
Factor A
A
SC

J 1

MC
A
=
SC
A
J 1

A
AxS
MC
MC

Error:
A x Sujetos

SC
AxS

J 1
( )
n 1
( )

( ) ( ) 1 1
AS
AxS
SC
MC
J n
=

Factor B
B
SC

K 1

MC
B
=
SC
B
K 1

B
BxS
MC
MC

Error:
B x Sujetos

SC
BxS
( )( ) 1 1 K n
( ) ( ) 1 1
BS
BxS
SC
MC
K n
=

Interaccin
AB
AB
SC ( ) ( ) 1 1 J K
( ) ( ) 1 1
AB
AB
SC
MC
J K
=

AB
ABxS
MC
MC

Error:
ABx Sujetos

SC
ABxS

J 1
( )
K 1
( )
n 1
( )

MC
ABxS
=
SC
ABS
J 1
( )
K 1
( )
n 1
( )


245
De aqu se deduce una primera diferencia fundamental con los diseos completamente
aleatorizados vistos hasta ahora. En los anovas multifactoriales de medidas repetidas no
aditivo, cada efecto tiene su propio error, que surge de la interaccin del factor de que se
trate con el de sujeto.Es decir, la varianza de los tratamientos (medidas) a traves de los
sujetos. Dicho de otro modo, qu parte de la variabilidad error es debida a los propios sujetos.
6.2.". Efectos principales e interaccin de A ' ( en dise+os de medidas repetidas NA
Como ya sabemos del tema anterior, los niveles de los factores de medidas repetidas son
variables en s mismos. En el caso de los diseos factoriales, habr un anidamiento que va a
complicar la comprensin del concepto de condicin experimental en este tipo de diseo. A
continuacin presentamos un ejemplo que ser de gran utilidad para comprender la puesta en
prctica del anlisis de la varianza de este tipo de diseos.
Maxwell and Delaney (1990) midieron el tiempo de reaccin de 10 sujetos a estmulos en
presencia o ausencia de ruido ambiental (ruido Si y No), utilizando una inclinacin de la
presentacin de los estmulos con tres grados diferentes (inclina 0, 40 y 80 grados
respectivamente). Nos encontramos en un diseo de medidas repetidas Ruido x
Inclinacin (2 x 3) con 6 condiciones experimentales. Como todos los sujetos han
pasado por todas las condiciones, dispondremos de 6 medidas por cada uno (6 variables).
tiempo.reaccion = lee.archivo.fnc('tiempoReaccion.Rdata')

RNo_I0 RNo_I4 RNo_I8 RSi_I0 RSi_I4 RSi_I8
1 420 420 480 480 600 780
2 420 480 480 360 480 600
3 480 480 540 660 780 780
4 420 540 540 480 780 900
5 540 660 540 480 660 720
6 360 420 360 360 480 540

En las 6 columnas tenemos en realidad el anidamiento de dos factores Ruido (Si y No) e
inclinacion de la presentacin del estmulo con 3 niveles (0, 40 y 80 grados
respectivamente). Por ese motivo necesitamos del ya conocido objeto fac.intra donde
definiremos precisamente esta estructura anidada de medidas repetidas.
fac.intra =list(ruido= c('No','Si'), inclina=c(0,40,80))

fac.intra
$ruido
[1] "No" "Si"

$inclina
[1] 0 40 80


246
Ahora fac.intra contiene el anidamiento que existe en los datos de la investigacin. Si
observas el nombre de las columnas de tiempo.reaccion, vers que el factor que camina
ms rpidamente es inclina mientras que ruido lo hace ms lentamente, por eso sabemos
que la estructura del diseo es ruido x inclina y no inclina x ruido. El objeto
fac.intra, recoge de forma precisa ese anidamiento.
En el tema anterior, vimos que an cuando los datos provienen de un diseo intragrupo
(medidas repetidas) resulta muy conveniente transformarlos a su versin apilada (cada valor
de la variable dependiente ocupar una lnea en la base de datos) creando una nueva variable
de nombre sujeto, con la cual controlar que las medidas son en realidad intragrupo y no
intergrupo.
tiempo.reaccion.ap= apila.los.datos.fnc(tiempo.reaccion,
fac.intra=fac.intra, col.empieza.mr=1)

#------------------------------------------------------------------
# APILADO DE LOS DATOS
#------------------------------------------------------------------

*** Esta es la cabecera de los datos apilados: ***

vd sujeto ruido inclina condicion
1 420 suj1 No 0 No.0
2 420 suj2 No 0 No.0
3 480 suj3 No 0 No.0
4 420 suj4 No 0 No.0
5 540 suj5 No 0 No.0
6 360 suj6 No 0 No.0

Ahora con los datos ya apilados podemos iniciar de forma mucho mas simple toda la
actividad exploratoria que caracteriza el trabajo previo con una base de datos. En primer lugar
llevaremos a cabo el clculo de las medias de los factores y de la interaccin.
descriptivos.fnc(tiempo.reaccion.ap, que.factor='ruido:inclina')

#------------------------------------------------------------------
#------------------------------------------------------------------

*** VD: vd

$ruido
No Si
media 500.000 638.000
dt 77.726 152.347
n 30.000 30.000

$inclina
0 40 80
media 477.000 585.000 645.000
dt 74.063 122.925 154.358
n 20.000 20.000 20.000


247
$`ruido-inclina`
$`ruido-inclina`$media
0 40 80
No 462 510 528
Si 492 660 762

$`ruido-inclina`$dt
0 40 80
No 56.921 86.023 78.994
Si 88.544 109.545 116.790

$`ruido-inclina`$n
0 40 80
No 10 10 10
Si 10 10 10

La tabla de medias conjuntamente con la grfica de panel inferior nos indica que cuando la
inclinacin es nula parece no haber diferencias entre las condiciones con y sin ruido. A
medida que aumenta la inclinacin apreciamos claramente un incremento de la divergencia
entre las condiciones sin y con ruido.
grafica.panel.fnc(tiempo.reaccion.ap, que.factor='inclina:ruido',
ylim=c(400,800))

Para valorar el curso de cada sujeto a traves de las 6 condiciones experimentales podemos
solicitar nuevamente la misma grfica de panel en la que incluiremos el argumento x.panel
con valor igual a la variable sujeto (x.panel='sujeto'). El argumento orden nos
permite definir la estructura grfica. En este caso deseamos 5 filas y 2 columnas.
grafica.panel.fnc(tiempo.reaccion.ap, que.factor='inclina:ruido',
x.panel='sujeto', orden=c(5,2))

248

Las grficas de panel nos muestra una tendencia de crecimiento lineal del tiempo de reaccin
a medida que se incrementa la inclinacin de los estmulos slo en la condicin de ruido
ambiental. Por otra parte, vemos que los sujetos 2 y 5 presentan unos tiempos claramente
divergentes con la aparente interaccin que hemos definido en la grfica de panel general que
hemos descrito anteriormente.
Es el momento de realizar el anlisis de la varianza que ponga a prueba las 3 hiptesis nulas
de los efectos principales e interaccin de los factores (ruido e inclina). Lo haremos
inicialmente con los datos en modo intergrupo utilizando la funcin aov( ).
Anova.fnc(tiempo.reaccion, fac.intra=fac.intra, col.empieza.mr=1,
ylim =c(0,1000), to.pdf=T, color=F, apaisado=T)

Hemos aadido algunos argumentos nuevos a la llamada a la funcin Anova.fnc. Con
to.pdf=T indicamos que queremos que las grficas de barras de los intervalos de confianza
sean guardados en un archivo externo en formato pdf. Ademas queremos que estas sean en
blanco y negro (color=F) y con formato apaisado.


249
#------------------------------------------------------------------
#------------------------------------------------------------------

Univariate Type III Repeated-Measures ANOVA Assuming Sphericity

SS num Df Error SS den Df F Pr(>F)
(Intercept) 19425660 1 292140 9 598.449 1.527e-09 ***
ruido 285660 1 76140 9 33.766 0.000256 ***
inclina 289920 2 64080 18 40.719 2.087e-07 ***
ruido:inclina 105120 2 20880 18 45.310 9.424e-08 ***
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

Lo primero que nos llama la atencin en esta tabla resumen de Anova es que ahora cada uno
de los efectos tiene su propia suma de cuadrados de error (Error SS) y por tanto una media
cuadrtica de error exclusiva para cada efecto. En lo que a las significaciones se refiere, tal y
como esperbamos todos los efectos han resultado significativos (p < 0.001) y de forma
especial el de interaccin. Esto hace que nos debamos centrar en este ltimo y obviar los
principales, dado que se convierten en verdades a medias. Si observamos las medias de
ambos factores en la tabla anteriormente creada, veremos que ambos efectos principales
hablan de que a mayor inclinacin mayor tiempo de reaccin y dicha variable dependiente
tiene una media mayor en la condicin con ruido ambiental que en la sin ruido. Sin embargo,
si vemos la grfica de interaccin lo que aparentemente podemos valorar es que a mayor
inclinacin ms tiempo de reaccin slo en presencia de ruido ambiental y por otra parte si el
grado de inclinacin es cero entonces el ruido ambiental no parece afectar al tiempo de
reaccin a los estmulos. No obstante, debemos realizar los contrastes de efectos simples para
valorar si las distancias comentadas son realmente significativas o no.
6.2.). 5upuesto de esfericidad de la matriz de !arianzas 6 co!arianzas de las diferencias
Como recordars del tema anterior el anova de medidas repetidas requiere del supuesto de
esfericidad de la matriz de varianzas y covarianzas de las diferencias. Como tenemos un
factor con ms de dos niveles, tanto este como la interaccin requieren del cumplimiento de
esfericidad.
Mauchly Tests for Sphericity

Test statistic p-value
inclina 0.96011 0.84972
ruido:inclina 0.89378 0.63814

Greenhouse-Geisser and Huynh-Feldt Corrections
for Departure from Sphericity

GG eps Pr(>F[GG])
inclina 0.96164 3.402e-07 ***
ruido:inclina 0.90398 3.454e-07 ***

250
HF eps Pr(>F[HF])
inclina 1.2176 2.087e-07 ***
ruido:inclina 1.1179 9.424e-08 ***

Observa en primer lugar que dado que el factor ruido solo tiene dos niveles, no se realiza la
prueba de Mauchly para el. En segundo lugar vemos que las dos matrices implicadas son
esfricas (p > 0.05). A pesar de ello la funcin calcula epsilon y la posterior correccin de
la probabilidad asociada (via grados de libertad) tanto por Greenhouse-Geisser como por
Huynh_Feldt.
6.2.&. 7nter!alos de confianza del patrn de medias
Es el momento de estimar el error asociado al patrn de medias entre las condiciones
experimentales utilizando la media cuadrtica de error apropiada a cada efecto. Como ha
resultado significativa la interaccin, ser ste el nico efecto del que calcularemos su
intervalo de confianza. Recuerda que en este tipo de diseos cada efecto tiene su propio error
a diferencia de los diseos completamente aleatorizados que comparten un mismo error.
( )( )
( )
( )( )
( )
( )( )( )
( )
, 1 1 , 1 1
, 1 1 1

JxS KxS
J j K k critica gl J n critica gl K n
j k
JKxS
JK jk critica gl J K n
jk
MC MC
IC Y t IC Y t
n n
MC
IC Y t
n
= =
=
= =
=

MCError.interac=20880/18
error.jk=sqrt(MCError.interac/10)*qt(0.975,18); error.jk
[1] 22.62762

Las grficas con los intervalos de confianza aclaran la naturaleza de la interaccin que hemos
encontrado. En la de la izquierda donde se comparan los niveles de ruido dentro de cada nivel
de inclinacin, vemos que las diferencias en los tiempos de reaccin son significativamente
mayores con ruido ambiental si el estmulo es presentado con un ngulo mayor de cero. La

251
grfica de la derecha donde comparamos los niveles de inclinacin dentro de cada nivel de
ruido, expone una diferencia clara: que la inclinacin importa mucho menos cuando no hay
ruido ambiental que cuando si lo hay. En este ltimo caso el tiempo de reaccin aumenta
claramente a medida que lo hace el nivel de inclinacin de la presentacin del estmulo.

6.2.6. $ama+o del efecto 6 -otencia O%ser!ada en el ANOVA de dos factores de medidas
repetidas no aditi!o
Como sabemos por temas anteriores,
2
es el cociente resultante de dividir la varianza
explicada por la varianza total. Si observamos la tabla resumen que sale de la funcin
Anova.fnc vers que la primera columna se corresponde con las sumas de cuadrados inter-
medidas (omitimos la primera con el nombre de Intercept). La siguiente columna de
sumas de cuadrados, contiene la de sujeto x medida que es precisamente el error de cada
efecto (consulta la tabla genrica para este Anova en la pgina 244).
$eta2
eta.pr eta.sp pnc power.obs
ruido 0.790 0.3393443 33.7660 0.9992
inclina 0.819 0.3444048 81.4382 1.0000
ruido:inclina 0.834 0.1248753 90.6207 1.0000

En total explicamos un 81% de la varianza del tiempo de reaccin. Y de ese total la
interaccin explica un 12%. La
2
parcial que como recordars es la varianza explicada por
un efecto de la parte no explicada por el resto. Como puedes ver el sumatorio de las varianzas
parciales es claramente superior a la unidad. Por ese motivo preferiremos siempre la
2
semiparcial que contiene la proporcin de varianza que explica cada efecto de forma
independiente al resto.
En lo que a la potencia observada se refiere, hemos obtenido unos resultados con tamaos de
efectos muy grandes y casi grandes para la interaccin. En cualquier caso, todos ellos generan
una potencia observada del 100% lo que nos hace concluir que tanto el ruido como la
inclinacin as como la interaccin de ambos tienen un efecto grande sobre el tiempo de
reaccin a los estmulos. De haber realizado esta investigacin con una potencia a priori
aceptable diramos adems que nuestros valores de potencia superan claramente los esperados
debido al tamao de efecto encontrado para cada efecto, lo cual habla de una primera
replicacin claramente favorable a los postulados tericos que generaron la investigacin.


252
6.2./. 1ontrastes pos-2oc
Como la interaccin ha resultado significativa, obviamos la bsqueda a posteriori de los
contrastes par a par del factor inclinacin (inclina) del estmulo y realizaremos por tanto
los contrastes de efectos simples para descomponer dicho efecto en los JK(J-1)/2
comparaciones de ruido en cada nivel de inclina y los JK(K-1)/2 contrastes de factor
inclina en cada nivel de ruido.
6.2.0. 1ontrastes de efectos simples
En la grfica de intervalos de confianza de la interaccin pudimos valorar cualitativamente la
naturaleza de dicha interaccin. Es el momento de plantearnos la bsqueda de efectos simples
incluyendo el argumento poshoc al que asignaremos la interaccin de la que deseamos
estudiar sus efectos simples.
Anova.fnc(tiempo.reaccion, fac.intra=fac.intra, col.empieza.mr=1,
poshoc= 'ruido:inclina')
#------------------------------------------------------------------
# EFECTOS SIMPLES
#------------------------------------------------------------------

$que.vd
[1] "vd"

$interaccion
[1] "ruido:inclina"

$medias
0 40 80
No 462 510 528
Si 492 660 762

$efectos.simples
[1] "Contraste_inclina_en_cada_nivel_de_ruido"

$efectos.simples$BinA$No
0-40 -2.4494897 9 0.400 0.03679 0.07358
0-80 -3.4979930 9 0.576 0.00674 0.02022
40-80 -0.7092994 9 0.053 0.49610 0.49610

$efectos.simples$BinA$Si
0-40 -8.573214 9 0.891 0.00001 0.00005
0-80 -9.925397 9 0.916 0.00000 0.00000
40-80 -5.666667 9 0.781 0.00031 0.00124


253
[1] "Contraste ruido_en_cada_nivel_de_inclina"

$efectos.simples$AinB$`0`
No-Si -1.245682 9 0.147 0.24433 0.24433

No-Si -4.442617 9 0.687 0.00162 0.00324

No-Si -11.20657 9 0.933 0 0

Los efectos simples de ruido en cada nivel de inclina nos indican que cuando el nivel de
inclinacin tiene cero grados no hay diferencias en el tiempo de reaccin entre los niveles de
ruido (con y sin ruido ambiental). Sin embargo, la disminucin de la probabilidad asociada en
el resto de los niveles de inclinaciones, nos habla de que a mayor inclinacin mayor tamao
de efecto asociado al ruido ambiental.
Si valoramos los 3 contrastes dentro de inclinacin en cada nivel de ruido tenemos 6
comparaciones. Las 3 primeras sin ruido ambiental nos indica que slo existe diferencia entre
el nivel de 0 inclinacin y de 80 grados (p < 0.05). Sin embargo, con ruido ambiental hay
diferencias entre todas las condiciones y el tiempo de reaccin parece tener un incremento
lineal a medida que crece la inclinacin de la presentacin de los estmulos. Dado que este
efecto tendencial se da especficamente en la condicin de ruido podemos realizar el contraste
de tendencias para dicho efecto. Observa en la matriz de datos que ello implica a las columnas
4 a 6 y por supuesto solo al factor inclina. Por ese motivo el anlisis de tendencia lo
haremos solo sobre la submatriz de datos de las 3 inclinaciones medidas con ruido. Observa
que ahora fac.intra solo debe tener un factor (inclina) que es precisamente el segundo
elemento de la lista fac.intra.
Anova.fnc(tiempo.reaccion, fac.intra = fac.intra[2], col.empieza.mr=4,
poshoc='inclina', contrastes='tendencia')

#------------------------------------------------------------------
# POSHOC
#------------------------------------------------------------------

$vd
[1] "vd"

$factor
[1] "inclina"


254
$medias
0 40 80
492 660 762

$contrastes
[1] "tendencia"

$contrastes
Valor errT gl t p.val
inclina.Lineal 190.9188 15.5349 18 12.2897 0.0000
inclina.Cuadratico -26.9444 15.5349 18 -1.7344 0.0999

Rechazamos la hiptesis nula que declara la no linealidad con lo que consideramos que con
ruido ambiental, existe una relacin lineal positiva entre el grado de inclinacin y el tiempo de
reaccin a los estmulos.

255
Ejercicio 2
En Hays, 1988, Table 13.21.2, p. 518 tenemos los datos de una investigacin donde se ha encargado a unos psiclogos que
lleven a cabo un estudio que ayude a disear el panel de control de un dispensador de medicamentos intravenoso. El
propsito de la investigacin est en encontrar la mejor combinacin de forma y color para los botones de dicho panel que
disminuyan al mximo los errores en su manipulacin por parte de mdicos y enfermeros. Se desea probar dos
combinaciones de colores (claros y oscuros) y dos tipos de formas (crculos y cuadrados).
forma.color =data.frame(c1f1=c(49,47,46,47,48,47,41,46,43,47,46,45),
c1f2=c(48,46,47,45,49,44,44,45,42,45,45,40),
c2f1=c(49,46,47,45,49,45,41,43,44,46,45,40),
c2f2=c(45,43,44,45,48,46,40,45,40,45,47,40))
forma.color
c1f1 c1f2 c2f1 c2f2
1 49 48 49 45
2 47 46 46 43
3 46 47 47 44
4 47 45 45 45
5 48 49 49 48
6 47 44 45 46
7 41 44 41 40
8 46 45 43 45
9 43 42 44 40
10 47 45 46 45
11 46 45 45 47
12 45 40 40 40

Definamos la estructura interna de medidas repetidas mediante la creacin del objeto fac.intra.
fac.intra= list(color=c('col1','col2'), forma=c('for1','for2'))
fac.intra
$color
[1] "col1" "col2"

$forma
[1] "for1" "for2"

Apilamos los datos con apila.los.datos.fnc.
forma.color.ap =apila.los.datos.fnc(forma.color, fac.intra=fac.intra,
col.empieza.mr=1)
#------------------------------------------------------------------
#------------------------------------------------------------------


vd sujeto color forma condicion
1 49 suj1 col1 for1 col1.for1

Ya podemos solicitar el grfico de panel donde valorar los posibles efectos del diseo as como el
curso temporal de cada sujeto a travs de las 4 condiciones experimentales.
grafica.panel.fnc(forma.color.ap, que.factor= 'forma:color', ylim=c(43,47))
grafica.panel.fnc(forma.color.ap, que.factor= 'forma:color',
x.panel= 'sujeto')

256

La grfica promedio nos indica que la combinacin que genera el menor nmero de errores se sita en
la condicin color 2 (oscuro) y forma 2 (cuadrado). No parece que exista efecto de interaccin dado
que el color oscuro es siempre superior al claro y la forma cuadrada lo es a la redonda. El siguiente
grfico por sujeto nos permite ver cmo han sido los valores registrados para cada sujeto de la
investigacin. Vemos que la conducta es dispar entre los sujetos, por ello esperamos mucho error en la
varianza asociada a la interaccin.
Anova.fnc(forma.color, fac.intra=fac.intra, col.empieza.mr=1)

#------------------------------------------------------------------
#------------------------------------------------------------------


(Intercept) 97200 1 226.5 11 4720.5298 7.708e-16 ***
color 12 1 9.5 11 13.8947 0.003338 **
forma 12 1 17.5 11 7.5429 0.019012 *
color:forma 0 1 30.5 11 0.0000 1.000000
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

Vemos que hay efecto significativo del color y de la forma pero no interaccin de ambos. Como
los factores tienen cada uno dos niveles no tendremos problemas de esfericidad ni para ellos ni para la
interaccin. Por ese motivo no necesitamos la prueba de esfericidad de Mauchly ni por supuesto la
estimacin de psilon
$eta2
color 0.558 0.1472393 13.8947 0.9232
forma 0.407 0.1472393 7.5429 0.7060
color:forma 0.000 0.0000000 0.0000 0.0500

Ambos efectos tienen la misma importancia (14%), sin embargo la potencia observada es mucho
mayor para el efecto de color.

257
Como conclusin tenemos que en el diseo del panel, deben primar los colores oscuros para los
botones de mando F(1,11)=13.9 p < 0.01,
2
=0.15, 1-=0.92

y estos deben ser
cuadrados frente a redondos F(1,11)=7.5 p < 0.05
2
=0.15, 1-=0.70, porque esa
combinacin genera el menor nmero de errores en las prescripciones de frmacos a los enfermos
realizadas por los usuarios de la mquina.
6.". ANOVA multifactorial 5plit-plot
En este apartado trataremos el ltimo de los tipos de ANOVA multifactoriales de efecto fijo.
Hablamos de los ANOVAS split-plot. En ellos tenemos la combinacin de los dos
anteriormente estudiados inter e intrasujetos. Un ejemplo lo tenemos en la base de datos
06_split_plot.dat donde disponemos de las puntuaciones de 30 sujetos que han sido
asignados aleatoriamente a tres tipos de tratamiento: A, B y C (factor intergrupo) y se les ha
medido a cada uno en tres ocasiones: antes, despus del tratamiento y 6 meses despus como
medida de seguimiento (factor intragrupo). Estamos pues ante un diseo split-plot
Tratamiento x Medida (3 x 3).
mixto = lee.archivo.fnc('06_split_plot.dat',hay.nombres=T)

*** El archivo 06_split_plot.dat contiene 30 sujetos y 4 variables ***

antes despues seguimiento tratamiento
1 1.528631 33.03770 23.27553 A
2 24.048670 35.53573 37.21592 A
3 15.715593 35.18034 35.31664 A
4 21.411864 38.06714 32.65310 A
5 12.334346 28.56048 31.16257 A
6 19.120321 37.11334 32.95115 A


258
6.".1. El modelo de ANOVA split-plot
En la ecuacin del modelo lineal general para este tipo de diseos, tenemos el factor A
completamente aleatorizado (intersujetos) y el factor B de medida repetida, por ese motivo, se
estima la componente de interaccin de dicho factor con el de sujetos.

Y
ijk
= +
j
+
k
+
( )
jk
+ S
i
+ S
( )
ik
+
ij

Como en todo anlisis de la varianza descompondremos la variabilidad total de la variable
dependiente en dos componentes: varianza explicada y varianza de error. Ahora la
variabilidad explicada est compuesta por dos subcomponentes: la variabilidad explicada por
el factor intergrupo y la explicada con origen en la parte intragrupo del diseo. Esta ltima,
est formada por el factor intragrupo ms la interaccin de ambos factores. As mientras que
el error de la varibilidad inter es la suma cuadrtica del factor sujetos. El error intra
comn al factor intra y a la interaccin est formado por la interaccin del factor
intragrupo por el de sujeto.
( )
( )
( )
( )
int int
int int

Total ersujetos rasujetos
ersujetos A S rasujetos B AB B S
Total A S B AB B S
SC SC SC
SC SC SC SC SC SC SCSC
SC SC SC SC SC SCSC
= +
= + = + +
= + + + +

Grados de libertad.
( )
( ) ( )( )
( )
( )( )
: 1 : 1
: 1 : 1
: 1 : 1 1 : 1 1

Inter Intra
A B
S AB B S
SC nJ SC nJ K
SC J SC K
SC J n SC J K SC J K n

Medias cuadrticas
( )
( )
( )
( )( ) ( )( )
( ) ( )

1 1 1 1 1 1 1

B S
A S B AB
A S B AB B S
A B AB
A B AB
S B S B S
SC
SC SC SC SC
MC MC MC MC MC
J J n K J K n J K
MC MC MC
F F F
MC MC MC

= = = = =

= = =


259
6.".2. #a ta%la resumen del ANOVA split-plot
Fuente de
variacin
Sumas
cuadrticas
Grados
de
libertad
Medias Cuadrticas
Estadstico
de contraste
Intersujetos
Factor A
A
SC

J 1
Sujetos
S
SC

J n 1
( )

SC
S
J n 1
( )

Intrasujetos
Factor B
B
SC

K 1

SC
B
K 1
( )

B
BxS
MC
MC

Interaccin
AB
AB
SC
( ) ( ) 1 1 J K

SC
AB
J 1
( )
K 1
( )

AB
BxS
MC
MC

Error:
B x Sujetos
BS
SC

J K 1
( )
n 1
( )

SC
BS
J K 1
( )
n 1
( )

Observa cmo el efecto de B y de AxB comparten la misma media cuadrtica de error MC
BxS.

6.".". Efectos principales e interaccin en el ANOVA split-plot

Retomaremos ahora la data.frame presentada en el inicio de este captulo a la que hemos
llamado mixto. En ella podemos detectar como ya sabemos dos efectos principales y una
interaccin.
nombres.var(mixto)

nombre numero tipo
1 antes 1 numeric
2 despues 2 numeric
3 seguimiento 3 numeric
4 tratamiento 4 factor

Comprobamos que las variables estn correctamente categorizadas como factores
(tratamiento) y las tres medidas como numricas. Seguidamente generaremos la matriz
con las medias de los tres momentos temporales en los tres niveles de la variable intergrupo
tratamiento.
fac.inter='tratamiento'
fac.intra=list(tiempo= c('antes','despues','seguimiento'))

Apilamos los datos para realizar los pasos exploratorios previos.

SC
A
J 1
( )

MC
A
MC
AxS

260
mixto.ap = apila.los.datos.fnc(mixto, fac.inter=fac.inter,
fac.intra = fac.intra, col.empieza.mr=1)

#------------------------------------------------------------------
#------------------------------------------------------------------


vd tiempo sujeto tratamiento condicion
1 1.528631 antes suj1 A A.antes

Solicitamos estadsticos descriptivos y grficos exploratorios.
descriptivos.fnc(mixto.ap, que.factor='tratamiento:tiempo', grafica=T)
descriptivos.fnc(mixto.ap, que.factor='tiempo:tratamiento', grafica=T)

Solicitamos los estadsticos descriptivos omitiendo el argumento vd porque cuando esa
variable existe en la base de datos y es la de inters la funcin asume que es la que se desea
analizar. Por otra parte observa que hemos repetido la llamada a la funcin, porque deseamos
dos grficas una de tratamiento x tiempo y la de tiempo x tratamiento.
$`tratamiento-tiempo`
$`tratamiento-tiempo`$media
antes despues seguimiento
A 13.92 33.597 30.766
B 15.92 39.597 44.766
C 17.92 35.597 23.766

$`tratamiento-tiempo`$dt
A 7.491 4.398 4.514
B 7.491 4.398 4.514
C 7.491 4.398 4.514

$`tratamiento-tiempo`$n
A 10 10 10
B 10 10 10
C 10 10 10


261

Vemos que, en general, todos los tratamientos provocan un cambio importante entre los
valores de la medida previa de lnea base y el post-tratamiento (antes y despues). Sin
embargo, en la fase de seguimiento los sujetos del tratamiento A parecen conservar los
resultados teraputicos as como los del B. Los enfermos del tratamiento C, sin embargo,
retroceden hacia valores prximos a los registrados antes del tratamiento. Analizaremos estos
datos mediante el anlisis de la varianza para diseos split-plot.
Anova.fnc(mixto, fac.inter=fac.inter, fac.intra=fac.intra,
col.empieza.mr=1, ylim=c(0,60), color=F)


(Intercept) 20427.6 1 2010.31 27 274.358 1.140e-15 ***
tratamiento 1126.7 2 2010.31 27 7.566 0.002461 **
tiempo 2263.2 2 576.98 54 105.908 < 2.2e-16 ***
tratamiento:tiempo 1426.7 4 576.98 54 33.380 5.106e-14 ***
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

tiempo 0.74257 0.02087
tratamiento:tiempo 0.74257 0.02087


GG eps Pr(>F[GG])
tiempo 0.79527 < 2.2e-16 ***
tratamiento:tiempo 0.79527 1.424e-11 ***
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

HF eps Pr(>F[HF])
tiempo 0.837 < 2.2e-16 ***
tratamiento:tiempo 0.837 4.512e-12 ***
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

262
La prueba de Mauchly resulta significativa (p < 0.05) tanto para el factor de medidas
repetidas tiempo como para la interaccin de este con el tratamiento. Por este motivo
debemos corregir los grados de libertad del estadstico de contraste F con la psilon de
Greenhause-Geisser estimada de 0.79. Dicha correccin nos sigue conduciendo al mismo
resultado de significacin para ambos efectos (p < 0.001).
6.".). -otencia 6 tama+o del efecto

$eta2
tratamiento 0.359 0.152 15.1320 0.9186
tiempo 0.797 0.306 672.9069 1.0000
tratamiento:tiempo 0.712 0.193 133.5228 1.0000

El tamao de efecto mayor corrresponde al factor de medidas repetidas tiempo seguido por la
interaccin tratamiento:tiempo con un 19%. El tratamiento ha generado una varianza
explicada del 15%. En lo que a la potencia observada se refiere podemos ver que contamos
con valores de potencia del 100% para dos efectos y del 92 para el factor intergrupo
tratamiento..
6.".&. 7nter!alos de confianza
Como el factor de medida repetida (medida) y la interaccin con el factor tratamiento
comparten el mismo error. Los intervalos de confianza para ambos efectos utilizan la misma
media cuadrtica de error y por supuesto los mismos grados de libertad para el cculo de la t
crtica para la confianza deseada.
( )
( )
( )( )
( )
( )( )
( )
, 1 , 1 1
, 1 1

S KxS
J j K k critica gl J n critica gl J K n
j
KxS
JK jk critica gl J K n
jk
MC MC
IC Y t IC Y t
n n
MC
IC Y t
n
= =
=
= =
=

Como ha resultado significativa la interaccin, obviamos los efectos principales y nos
situaremos en la comprensin de la naturaleza de la misma valorando las grficas de barras
con los intervalos de confianza que ya conocemos de apartados anteriores generadas con el
algoritmo anterior.

263

La naturaleza de la interaccin encontrada queda claramente desvelada en las dos grficas de
barras. En la de la izquierda vemos que todos los tratamientos tienen un efecto significativo
de cambio entre la medida previa y la realizada despus del tratamiento. Sin embargo
mientras que los tratamientos A y B conservan el beneficio teraputico entre las fases despues
y seguimiento. El tratamiento C hace que los sujetos en esta ltima fase pieerdan una gran
parte del logro adquirido fruto del tratamiento. En la grfica derecha vemos que los suetos
pertenecientes al tratamiento C parecen presentar un nivel aparentemente mayor en la medida
previa. El tratamiento B parece generar el mayor beneficio teraraputico tanto en la medida
posterior como en la de seguimiento.

6.".6. Efectos simples
Para constatar y cuantificar estas diferencias, estudiaremos la interaccin mediante los efectos
simples que solicitaremos mediante la inclusin de dicha interaccin en el argumento
poshoc.
Anova.fnc(mixto, fac.inter=fac.inter, fac.intra=fac.intra,
col.empieza.mr=1, poshoc='tiempo:tratamiento',
etiqueta=c(2.5,40))

La ubicacin de la etiqueta en la grfica de la interaccin la logramos variando los valores del
argumeto etiqueta por ensayo y error. El primer valor define al eje x que como veras tiene
3 posiciones y el segundo al eje y. El valor de 2.5 se refiere a que queremos la etiqueta entre
los niveles despues y seguimiento y a la altura de 40 en el eje y.

264

#------------------------------------------------------------------
# EFECTOS SIMPLES
#------------------------------------------------------------------

$que.vd
[1] "vd"

$interaccion
[1] "tratamiento:tiempo"

$medias
A 13.92021 33.59669 30.7664
B 15.92021 39.59669 44.7664
C 17.92021 35.59669 23.7664

$efectos.simples
[1] "Contraste_tiempo_en_cada_nivel_de_tratamiento"

$efectos.simples$BinA$A
antes-despues -10.97323 9 0.930 0.00000 0.00000
antes-seguimiento -12.93737 9 0.949 0.00000 0.00000
despues-seguimiento 2.31089 9 0.372 0.04617 0.04617

$efectos.simples$BinA$B
antes-despues -13.203954 9 0.951 0.00000 0.00000
despues-seguimiento -4.220983 9 0.664 0.00224 0.00448

$efectos.simples$BinA$C
antes-despues -9.857861 9 0.915 0.00000 0.00000
despues-seguimiento 9.659246 9 0.912 0.00000 0.00000


265
[1] "Contraste tratamiento_en_cada_nivel_de_tiempo"

$efectos.simples$AinB$antes
A-B -0.5970243 18 0.019 0.55793 0.55793
A-C -1.1940486 18 0.073 0.24796 0.55793
B-C -0.5970243 18 0.019 0.55793 0.55793

$efectos.simples$AinB$despues
A-B -3.050754 18 0.341 0.00688 0.04128
A-C -1.016918 18 0.054 0.32267 0.55793
B-C 2.033836 18 0.187 0.05698 0.28490

$efectos.simples$AinB$seguimiento
A-B -6.935298 18 0.728 0.00000 0.00000
A-C 3.467649 18 0.400 0.00275 0.01925
B-C 10.402946 18 0.857 0.00000 0.00000

Segn los contrastes de efectos simples de diferencias par a par entre las tres medidas
repetidas tenemos que todos los tratamientos generan diferencias significativas entre antes y
despus. Sin embargo, mientras que en el tratamiento A se produce una bajada significativa
de la variable dependiente entre el post-tratamiento y el seguimiento, esta cada es mucho ms
acusada en el tratamiento C donde los sujetos pierden una proporcin importante de los
beneficios de dicha terapia. Los sujetos del tratamiento B, sin embargo, mejoran entre el
postest y el seguimiento.
En lo que a las diferencias entre los tratamientos se refiere, en cada medida repetida tenemos
que todos los sujetos tienen el mismo nivel de la variable dependiente en la medida previa de
lnea base (antes). Sin embargo, en el pos-test, vemos que el mejor es el tratamiento B
mientras que A y C generan el mismo resultado. En el seguimiento encontramos que hay
diferencias significativas entre todos los pares correspondiendo el mayor valor nuevamente
para el tratamiento B.


266
Ejercicio 3
Deseamos probar si la ideologa poltica y el gnero del sujeto afectan a las medidas fisiolgicas de conductancia
de la piel cuando dichos sujetos son sometidos a tres condiciones de medidas repetidas de visin de tres spots
publicitarios de carcter social. En el primero los sujetos observan un spot favorable al uso de preservativos para
los adolescentes. En el segundo otro contrario al aborto y el tercero uno favorable al atesmo. Los datos
recogidos en 60 sujetos (30 hombres y 30 mujeres con la mitad de cada uno de ellos pertenecientes al partido A
y al B de ideologa poltica opuesta) se encuentran en la base de datos 06_actitud.partidos.dat.
Nos encontramos ante un diseo split-plot con dos factores intergrupo (gnero y partido poltico de
pertenencia) y un factor intragrupo constituido por las tres medidas de conductancia de la piel en tres
condiciones de medidas repetidas relativas a la visin de tres spots publicitarios: preservativo, aborto y
atesmo. Tenemos por tanto un diseo factorial split-plot Gnero x Partido x Conductancia ( 2 x 2 x 3).
datos =lee.archivo.fnc('06_actitud_partidos.dat', hay.nombres =T)

preser aborto ateo genero partido
1 1.9793986 2.50584191 2.3440054 hombre A
2 1.1992648 2.10767672 1.3978532 hombre A
3 -1.3011862 -1.07471635 0.5837000 hombre A
4 0.3970066 0.08963142 1.6704065 hombre A
5 1.4361748 1.47515811 2.4090396 hombre A
6 0.0807889 0.56645722 0.5490565 hombre A
dimension(datos)
El objeto es una matriz que pertenece a la clase data.frame
y tiene 60 filas y 5 columnas (variables)

Definimos la estructura del diseo con los dos factores intergrupo y el factor de medidas
repetidas mediante los objetos fac.inter y fac.intra.
fac.intra =list(actitud=c('preser','aborto','ateo'))
fac.inter= c('partido', 'genero')

datos.ap = apila.los.datos.fnc(datos, fac.inter=fac.inter,
fac.intra=fac.intra, col.empieza.mr=1)


vd actitud sujeto partido genero condicion
1 1.9793986 preser suj1 A hombre A.hombre.preser
3 -1.3011862 preser suj3 A hombre A.hombre.preser


267
descriptivos.fnc(datos.ap, que.factor = 'partido:actitud:genero')

$`media.partido:actitud:genero`
hombre mujer

A preser 0.3438117 0.3160045
aborto 0.8920835 0.3850044
ateo 1.2382575 -0.2755531
B preser 0.3208037 0.1547946
aborto 0.1604082 0.2910100
ateo 0.5461609 0.9345745

$`dt.partido:actitud:genero`
hombre mujer

A preser 0.9552307 1.1318947
aborto 1.1659275 1.3068429
ateo 0.9372613 1.0450127
B preser 0.9782662 0.7506092
aborto 0.5812190 0.9149367
ateo 0.7662356 1.0205062

$`n.partido:actitud:genero`
hombre mujer

A preser 15 15
aborto 15 15
ateo 15 15
B preser 15 15
aborto 15 15
ateo 15 15

Vemos que tenemos 15 hombres que votan al partido A y otros 15 al partido B. Las mujeres
son igualmente 15 y 15 para ambos partidos. Tenemos por tanto un diseo equilibrado con el
mismo nmero de objservaciones por condicin experimenta.
grafica.panel.fnc(datos.ap,
que.factor= 'actitud:partido', x.panel='genero', ylim=c(-0.5,1.5))

Con la siguiente grfica de panel podemos valorar la posible interaccin triple de actitud x
partido y por genero.


268
En la grfica anterior hemos solicitado en cada panel (x.panel) los niveles del factor genero.
Es por tanto la forma ideal de explorar grficamente la posible existencia de una interaccin
triple. En ella vemos que hombres y mujeres tienen una actitud muy diferente hacia el ateismo
y el aborto segn sean votantes del partido A o B.
x.genero= divide.por.factor.fnc(datos.ap, que.factor= 'genero')

Como deseamos ver el paso de cada sujetos (hombres y mujeres) por todas las condiciones
experimentales, solicitamos una lista (x.genero) mediante la funcin descrita en el captulo
3 divide.por.factor.fnc que divide la base de datos apiladas en dos partes: hombres y
mujer. Cada uno de los elementos de esa lista los utilizaremos en dos nuevas grficas de
panel indicando en el argumento x.panel la variable sujeto.
grafica.panel.fnc(x.genero$hombre, que.factor= 'actitud:partido',
x.panel='sujeto')

En la grfica siguiente correspondiente a cada uno de los 30 hombres de la investigacin
separados por colores segn el partido al que votan (A o B). Vemos un curso irregular y
semialeatorio de los sujetos a lo largo de las 3 medidas actitudinales.

grafica.panel.fnc(x.genero$mujer, que.factor= 'actitud:partido',
x.panel='sujeto')


269

Anova.fnc(datos, fac.inter=fac.inter, fac.intra=fac.intra,
col.empieza.mr=1)


(Intercept) 30.6072 1 115.148 56 14.8852 0.0002977 ***
partido 5.2329 1 115.148 56 2.5449 0.1162772
genero 10.4929 1 115.148 56 5.1030 0.0277965 *
partido:genero 7.2102 1 115.148 56 3.5066 0.0663507 .
actitud 6.1024 2 46.626 112 7.3292 0.0010202 **
partido:actitud 2.3786 2 46.626 112 2.8569 0.0616443 .
genero:actitud 8.6285 2 46.626 112 10.3633 7.423e-05 ***
partido:genero:actitud 7.9555 2 46.626 112 9.5549 0.0001474 ***
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

Asumiendo esfericidad hemos encontrado efecto de interaccin triple partido:genero:actitud.
Debemos valorar ahora la esfericidad o no de dicho efecto de interes mediante la prueba de Mauchly.

actitud 0.82206 0.0045686
partido:actitud 0.82206 0.0045686
genero:actitud 0.82206 0.0045686
partido:genero:actitud 0.82206 0.0045686


GG eps Pr(>F[GG])
actitud 0.84894 0.0019608 **
partido:actitud 0.84894 0.0709140 .
genero:actitud 0.84894 0.0002037 ***
partido:genero:actitud 0.84894 0.0003682 ***


270
HF eps Pr(>F[HF])
actitud 0.8727 0.0017689 **
partido:actitud 0.8727 0.0693752 .
genero:actitud 0.8727 0.0001737 ***
partido:genero:actitud 0.8727 0.0003187 ***
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

La prueba de Mauchly ha resultado significativa (p <0.01) para todas las matrices implicadas. La
correccin de GH para la psilon estimada de 0.82 conduce a una ligera disminucin de las
probabilidades asociadas a los contrastes que resultaron significativos asumiendo espericidad pero no
cambian ninguna de las significaciones anteriormente encontradas.
$eta2
partido 0.043 0.025 0.1471 0.0664
genero 0.084 0.050 1.7480 0.2550
partido:genero 0.059 0.034 3.5066 0.4525
actitud 0.116 0.029 7.7282 0.6891
partido:actitud 0.049 0.011 8.1375 0.7130
genero:actitud 0.156 0.041 4.3901 0.4403

Los tamaos de efecto y potencias observadas son en general bajas como corresponden a la
gran variabilidad que hemos detectado en el anlisis grfico por sujetos. Es el momento de
solicitar los contrastes de efectos simples para la interaccin triple. El estudio de una
interaccin triple implica estudiar una interaccin doble en cada nivel del tercer factor que
llamaremos pivote. En el ejemplo siguiente deseamos ivestigar la interaccin actitud:genero
en cada nivel del factor intergrupo partido que actuar de pivote (se nombra en primer lugar
en la interaccin). El segundo factor ocupar el eje y en las grficas y el tercero definirn las
lneas en el interior de la grfica. Si deseamos otro factor de pivotado u otro ordenamiento x e
y, basta con cambiar el orden de la interaccin triple que deseamos.
Anova.fnc(datos, fac.inter=fac.inter, fac.intra=fac.intra,
col.empieza.mr=1, poshoc= 'partido:actitud:genero',etiqueta=c(1,1))

#------------------------------------------------------------------
# INTERACCION TRIPLE
#------------------------------------------------------------------

$A # PARTIDO A
$A$que.vd
[1] "vd"

$A$interaccion
[1] "actitud:genero"

$A$medias
hombre mujer
preser 0.3438117 0.3160045
aborto 0.8920835 0.3850044
ateo 1.2382575 -0.2755531


271

$A$efectos.simples
$A$efectos.simples[[1]]
[1] "Contraste_genero_en_cada_nivel_de_actitud"

$A$efectos.simples$BinA
$A$efectos.simples$BinA$preser
hombre-mujer 0.07271414 27.23066 0 0.94257 0.94257

$A$efectos.simples$BinA$aborto
hombre-mujer 1.121369 27.64324 0.044 0.27178 0.54356

$A$efectos.simples$BinA$ateo
hombre-mujer 4.176647 27.67484 0.387 0.00027 0.00081

$A$efectos.simples[[3]]
[1] "Contraste actitud_en_cada_nivel_de_genero"

$A$efectos.simples$AinB
$A$efectos.simples$AinB$hombre
preser-aborto 2.406099 14 0.293 0.03051 0.09153
preser-ateo 3.237696 14 0.428 0.00596 0.03576
aborto-ateo -1.459501 14 0.132 0.16650 0.33300

$A$efectos.simples$AinB$mujer
preser-aborto 0.4409581 14 0.014 0.66598 0.66598
preser-ateo -2.4285742 14 0.296 0.02922 0.09153
aborto-ateo 2.9872017 14 0.389 0.00980 0.04900

$B #PARTIDO B
$B$que.vd
[1] "vd"

$B$interaccion
[1] "actitud:genero"

$B$medias
hombre mujer
preser 0.3208037 0.1547946
aborto 0.1604082 0.2910100
ateo 0.5461609 0.9345745


272
$B$efectos.simples
$B$efectos.simples[[1]]
[1] "Contraste_genero_en_cada_nivel_de_actitud"

$B$efectos.simples$BinA
$B$efectos.simples$BinA$preser
hombre-mujer 0.5214299 26.24147 0.01 0.60644 0.64501

$B$efectos.simples$BinA$aborto
hombre-mujer -0.4666482 23.71697 0.009 0.64501 0.64501

$B$efectos.simples$BinA$ateo
hombre-mujer -1.178798 25.97827 0.051 0.24916 0.64501

$B$efectos.simples[[3]]
[1] "Contraste actitud_en_cada_nivel_de_genero"

$B$efectos.simples$AinB
$B$efectos.simples$AinB$hombre
preser-aborto -0.8429244 14 0.048 0.41344 0.61338
preser-ateo 0.9588228 14 0.062 0.35392 0.61338
aborto-ateo -3.0097093 14 0.393 0.00937 0.05095

$B$efectos.simples$AinB$mujer
preser-aborto 0.5167696 14 0.019 0.61338 0.61338
preser-ateo 2.2102381 14 0.259 0.04424 0.17696
aborto-ateo -2.9672404 14 0.386 0.01019 0.05095

La interaccin triple nos habla de que hombres y mujeres tienen una diferente respuesta de
conductancia en funcin de la ideologa exclusivamente en los spots sobre ateismo. En este sentido,
las hombres del partido A tienen una respuesta superior a las mujeres del mismo partido. Las
comparaciones entre las respuestas a las distintas actitudes se refiere no resultan de interes para la
investigacin.

6 AVAR Factorial

Uploaded by

Document Information

Original Description:

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

6 AVAR Factorial

Uploaded by

Copyright:

Available Formats

ANALISIS DE DATOS EN PSICOLOGIA. ULLRToolbox .

ANOVA Multi Factorial de efecto fijo

You might also like