TEMA VIII
Definición general
Clasificación
Diseño factorial A x B completamente al azar
Representación de los efectos factoriales
Modelo estructural, análisis y componentes de variación
Diseño factorial de bloques y diseño factorial de medidas repetidas
DISEÑO FACTORIAL
ESQUEMA GENERAL
Concepto
El diseño factorial, como estructura de investigación, es la combinación de dos o más diseños simples (o unifactoriales); es decir, el diseño factorial requiere la manipulación simultánea de dos o más variables independientes (llamados factores), en un mismo experimento. ..//..
En función de la cantidad de factores o variables de tratamiento, los formatos factoriales se denominan, también, diseños de tratamientos x tratamientos, tratamientos x tratamientos x tratamientos, etc, y se simbolizan por AxB, AxBxC, etc.
Criterios de clasificación
Cantidad de niveles
Criterios Cantidad de combinaciones
Tipo de control
Clasificación del diseño factorial por criterio
A) Según la cantidad de niveles o valores por factor, el diseño factorial se clasifica en:
Cantidad constante Cantidad de valores
Cantidad variable
..//..
La notación del diseño es más sencilla cuando la cantidad de niveles por factor es igual (es decir, constante). Así, el diseño factorial de dos factores a dos niveles se representa por 2², el de tres factores por 23, etc. En términos generales, los diseños a dos niveles y con k factores se representan por 2k; a tres niveles, por 3k; a cuatro niveles por 4k, etc. ..//..
Cuando los factores actúan a más de dos niveles (es decir, cuando la cantidad de valores por factor es variable), el diseño se representa por 2 x 3, 2 x 3 x 4, etc. A su vez, cabe considerar la posibilidad que, tanto en un caso como en otro, el diseño sea balanceado (proporcionado) o no balanceado (no proporcionado); es decir, diseños con igual cantidad de sujetos por casilla y diseños con desigual cantidad de sujetos por casilla. ..//..
B) El segundo criterio hace hincapié en la cantidad de combinaciones de tratamiento realizadas o ejecutadas. Con base a este criterio, el diseño factorial se clasifican en:
Diseño factorial completo Cantidad de
combinaciones de tratamiento Diseño factorial incompleto
y fraccionado ..//..
Si el diseño factorial es completo, se realizan todas las posibles combinaciones entre los valores de las variables. Así, cada combinación de tratamientos determina un grupo experimental (grupo de tratamiento o casilla). Por ejemplo, el diseño factorial completo 2x2 determina cuatro grupos de tratamiento; un diseño 3x3 nueve grupos, etc. ..//..
Asumiendo que sólo se ejecute una parte del total de las combinaciones, el diseño factorial es incompleto o fraccionado, según el procedimiento seguido...//..
C) En función del control de variables extrañas.
Diseño factorial completamente al azar
Diseño factorial de bloques aleatorizados
Diseño factorial de CuadradoGrado de control Latino
Diseño factorial jerárquico o anidado
Diseño factorial de medidas repetidas
..//..
Según el control de los factores extraños y la reducción de la variancia del error, el diseño factorial puede ser, en primer lugar, completamente al azar; es decir, aquel formato donde sólo se aplica el azar como técnica de control y donde los grupos se forman mediante la asignación aleatoria de los sujetos. ..//..
En segundo lugar, el diseño factorial de bloques aleatorizados permite el control de una variable extraña. Según esa estrategia, cada bloque es un réplica completa del experimento, y los grupos intra bloque (dentro de cada bloque) se forman al azar. ..//..
Siguiendo con el criterio de bloques, el diseño factorial de Cuadrado Latino o de doble sistema de bloques controla dos fuentes de variación extrañas, aunque sólo se realiza una parte del total de combinaciones. ..//..
El diseño factorial jerárquico o anidado requiere la manipulación experimental de la variable y, al mismo tiempo, la anidación (o inclusión) de una variable dentro de las combinaciones de tratamientos de los factores. ..//..
Por último, el diseño factorial de medidas repetidas incorpora la técnica intra-sujeto; es decir, el sujeto actúa de control propio y recibe todas las combinaciones de tratamiento generados por la estructura factorial.
Criterios Diseño
Cantidad de valores por factor
Igual cantidad de valores: 2k, 3k, etc.
Cantidad variable: 2x3; 2x3x4, etc.
Cantidad de combinaciones de tratamientos
Diseño factorial completo
Diseño factorial incompleto y fraccionado
Grado de control
Diseño factorial completamente al azar
Diseño factorial de bloques
Diseño factorial de Cuadrado Latino
Diseño factorial jerárquico
Diseño factorial de medidas repetidas
Efectos factoriales estimables
1. Efectos simples
2. Efectos principales
3. Efectos secundarios
Efectos factoriales simples
Es posible definir el efecto factorial simple como el efecto puntual de una variable independiente o factor para cada valor de la otra.
Efectos factoriales principales
Los efectos factoriales principales, a diferencia de los simples, son el impacto global de cada factor considerado de forma independiente, es decir, el efecto global de un factor se deriva del promedio de los dos efectos simples.
Efectos factoriales secundarios
El efecto secundario o de interacción se define por la relación entre los factores o variables independientes, es decir, el efecto cruzado.
Diseño factorial al azar 2x2
Estructura del diseño
Combinación de tratamientos por grupo o casilla
Diseño factorial 2x2
A1B1 A1B2
A2B1 A2B2
Formato del diseño factorial completamente al azar
s e l e c c M i P ó n
Asignación al azar
S1 S1 S1 S1
Sn1 Sn2 Sn3 Sn4
V.E. Z1 Z2 Z3 Z4
V.I. A1B1 A1B2 A2B1 A2B2
Caso paramétrico. Ejemplo 1
Se pretende probar, en una situación de aprendizaje discriminante animal, si la magnitud del incentivo (variable incentivo) actúa según el aprendizaje sea simple o complejo (variable dificultad de aprendizaje o variable tarea). En esta hipótesis se afirma que a mayor incentivo, más acusada es la diferencia entre las dos tareas (simple o compleja) ..//..
Para ello, se registra la cantidad de discriminaciones correctas (variable dependiente) en función de un criterio general de aprendizaje, que asume como suficientes 15 ensayos. Se toma, como medida de la variable dependiente o de respuesta, la cantidad de respuestas correctas, para un máximo de 15, bajo el supuesto de que cada discriminación correcta tiene la misma dificultad de aprendizaje. ..//..
Para probar la hipótesis propuesta se asignan 32 sujetos, de una muestra experimental, a las combinaciones de tratamientos o casillas (ocho sujetos por casilla), de forma totalmente aleatoria.
Modelo de prueba de hipótesis
Paso 1. Según la estructura del diseño son estimables tres efectos. Por esa razón, se plantean tres hipótesis de nulidad relativas a la variable A, variable B e interacción:
H0: α1 = α2 = 0
H0: ß1 = ß2 = 0
H0: (αß)11 = (αß)12 = (αß)21 = (αß)22 = 0
Paso 2. Por hipótesis experimental, se espera que los efectos principales y el de la interacción sean significativos. Estas hipótesis se representan, al nivel estadístico, por
H1: α1 α2, o no todas las α son cero
H1: ß1 ß2, o no todas las ß son cero
H1: (αß)11 (αß)12 (αß)21 (αß)22, o no todas las αß son cero.
Paso 3. El estadístico de la prueba es la F de Snedecor, con un α de 0.05, para las tres hipótesis de nulidad. El tamaño de la muestra experimental es N = 32 y el de las submuestras n = 8.
Paso 4. Cálculo del valor empírico de las razones F. Para ello, se toma la matriz de datos del experimento.
Matriz de datos del diseño
60
7.5
70
8.75
27
3.375
52
6.5
8
6
9
9
8
7
7
6
7
9
10
8
10
9
10
7
4
3
4
5
2
3
4
2
10
9
4
8
8
4
3
6
A2B2A2B1A1B2A1B1
DISEÑO FACTORIAL 2X2
Totales:Medias:
209
6.53
ANOVA factorial
Modelo estructural del ANOVA:Diseño factorial 2X2
ijkjkkjijkY )(
Especificación del modelo
Yijk = la puntuación del i sujeto bajo la combinación del j valor del factor A y el k valor del factor B.
μ = la media común a todos los datos del experimento.
αj = el efecto o impacto del j nivel de la variable de tratamiento A. ßk = efecto del k valor de la variable de tratamiento B. (αß)jk = efecto de la interacción entre el j valor de
A y el k valor de B. εijk = error experimental o efecto aleatorio de
muestreo.
Descomposición polietápica de las Sumas de cuadrados
SCA
SCentre-grupos SCB
SCtotal SCAB
SCintra-grupos SCS/AB
Cuadro resumen del ANOVA primera etapa: Diseño factorial 2X2
F0.95(3/28) = 2.95
abn-1=31 203.97Total (T)
<0.0515.2842.19
2.76
ab-1=3
ab(n-1)=28126.59
77.38
Entre G
Intra G (E)
pFCMg.l.SCF.V.
Inferencia del primer análisis
Del primer análisis se concluye que los grupos de tratamiento o experimentales difieren significativamente entre sí; la probabilidad de que un valor F de 15.28 ocurra al azar es menor que el riesgo asumido (α = 0.05)
..//..
En consecuencia, se procede a determinar las causas de esa significación. Nótese que este análisis no obedece a ningún propósito de investigación, ya que sólo sirve para detectar si, en términos globales, hay o no diferencia entre los grupos. De hecho, es como si se hubiera aplicado un modelo uni-factorial de la variancia.
Cálculo de las Sumas de Cuadrados: segunda etapa
SCentre-grupos = SCfactor A + SCfactor B +
SCinteracción AxB
El cálculo de estas Sumas de Cuadrados requiere la previa construcción de la tabla de los totales por columnas.
Matriz de datos acumulados
209 87 122TOTALES
1306070A2
792752A1
TOTALESB2B1
Cuadro resumen del ANOVA segunda etapa: Diseño factorial 2X2
<0.05
<0.05
>0.05
29.94
13.87
2.55
81.28
38.28
7.03
(a-1)=1
(b-1)=1
(a-1)(b-1)=1
81.28
38.28
7.03
Factor A
Factor B
Inter AxB
F0.95(3/28) = 2.95; F0.95(1/28) = 4.20
abn-1=31 203.97Total (T)
<0.0515.2842.19
2.76
ab-1=3
ab(n-1)=28
126.59
77.37
Entre-g
Intra-g
pFCMg.lSCF.V.
Inferencia del segundo análisis
Paso 5. De los resultados del análisis se infiere la no-aceptación de las hipótesis de nulidad para los efectos principales de A y B, con riesgo de error del 5 por ciento. En cambio, se acepta la hipótesis de nulidad para la interacción. En suma, sólo se deriva la significación de los efectos principales.
No interacción (nula)
A1
A2
B1 B2
Interacción positiva
A1
A2
B1 B2
Interacción negativa
A1
A2
B1 B2
Interacción inversa
A2
A1
B1 B2
Representación gráfica de la interacción
A1 A2
B1
B2
Interacción nula
A1 A2
B2
B1
Interacción positiva
A1 A2
B2
B1
Interacción negativa
A1 A2
B1
B2
Interacción inversa
Medias de grupos de tratamiento
7.58.75A2
3.386.5A1
B2B1
Gráfico de interacción
7,5
3,38
6,5
8,75
012345
6789
10
B1 (Tarea simple) B2 (Tarea compleja)
Prom
edio
ens
ayos
cor
rect
os
A1 (Incentivo bajo)A2 (Incentivo alto)
Caso paramétrico. Ejemplo 2
Se ha puesto de manifiesto que cuando las personas se sienten molestas ante la presencia de estímulos ambientales adversos incrementan su comportamiento agresivo. Berkowitz y Frodi (1979) realizaron un experimento para estudiar si el comportamiento agresivo depende no sólo de la presencia de estímulos ambientales adversos sino también del atractivo físico de la persona que supuestamente va a recibir la agresión.
Procedimiento
Se seleccionó una muestra de 56 mujeres y se formaron 4 grupos al azar. En el laboratorio, se informó a los sujetos de que iban a participar en un estudio sobre la dinámica paterno-filial. Así, en un primer momento, sólo la mitad de las participantes interactuaron con un cómplice del experimentador (que ejercía el rol de padre), entrenado para provocarles irritación. En un segundo momento, a todas se les pasó un vídeo en que una niña (que ejercía el rol filial) realizaba una tarea. ..//..
En esta segunda parte, para la mitad de las participantes el vídeo mostraba una niña con un aspecto físico atractivo y para la otra mitad la niña tenía un aspecto físico poco atractivo. Durante la presentación del vídeo las participantes debían corregir los errores que la niña cometía en la tarea mediante un estímulo auditivo que podía variar de 1 a 10 en una escala de intensidad.
Estadísticos descriptivos
Estadísticos descriptivos
Variable dependiente: Castigo
3.8985 1.30023 14
5.6585 1.27211 14
4.7785 1.54797 28
3.5199 .76323 14
4.6254 .73157 14
4.0726 .92467 28
3.7092 1.06379 28
5.1419 1.14610 28
4.4256 1.31258 56
Atractivoatractivo
no atractivo
Total
atractivo
no atractivo
Total
atractivo
no atractivo
Total
Irritacionsí
no
Total
Media Desv. típ. N
Prueba de homogeneidad
Contraste de Levene sobre la igualdad de las varianzas errora
Variable dependiente: Castigo
2.309 3 52 .087F gl1 gl2 Significación
Contrasta la hipótesis nula de que la varianza error de lavariable dependiente es igual a lo largo de todos los grupos.
Diseño: Intercept+Irritacion+Atractivo+Irritacion *Atractivo
a.
ANOVA
Pruebas de los efectos inter-sujetos
Variable dependiente: Castigo
37.213a 3 12.404 11.209 .000
1096.794 1 1096.794 991.096 .000
6.976 1 6.976 6.303 .015
28.738 1 28.738 25.969 .000
1.499 1 1.499 1.355 .250
57.546 52 1.107
1191.552 56
94.758 55
FuenteModelo corregido
Intersección
Irritacion
Atractivo
Irritacion * Atractivo
Error
Total
Total corregida
Suma decuadrados
tipo III glMedia
cuadrática F Significación
R cuadrado = .393 (R cuadrado corregida = .358)a.
Gráfico de interacción
Ventajas del diseño factorial
Se ha descrito, a lo largo de ese tema, los conceptos básicos del diseño factorial o estructura donde se manipulan, dentro de una misma situación experimental, dos o más variables independientes (o factores). En aras a una mejor exposición del modelo se ha descrito, básicamente, el diseño bifactorial a dos niveles, dentro del contexto de grupos completamente al azar. ..//..
La disposición bifactorial aporta información no sólo de cada factor (efectos principales), sino de su acción combinada (efecto de interacción o efecto secundario). De esta forma, con la misma cantidad de sujetos requerida para experimentos de una sola variable independiente o factor, el investigador puede estudiar simultáneamente la acción de dos o más variables manipuladas. ..//..
Ello supone un enorme ahorro de tiempo y esfuerzo. Si se tiene en cuenta la posibilidad de analizar la acción conjunta o cruzada de las variables, se concluye que el diseño factorial es una de las mejores herramientas de trabajo del ámbito psicológico, puesto que la conducta es función de muchos factores que actúan simultáneamente sobre el individuo. ..//..
Formato del diseño factorial 2 x 2 de bloques
Bloque 1
Bloque 2
Bloque k
………………………………………….………………………………………….
A1B1 A2B1 A1B2 A2B2
S11 S12 S14S13
S21 S22 S24S23
Sk1 Sk2 Sk4Sk3
Formato del diseño factorial de medidas repetidas, S x A x B
Y111 Y11k Y121 Y12k … Y1j1 Y1jk
Y211 Y22k Y221 Y22k … Y2j1 Y2jk
………………………………………………………………………………………………………………………………………
Yn11 Yn1k Yn21 Yn2k … Ynj1 Ynjk
Medias
S1
S2
Sn
.
.
Sujetos
Medias
Y1..
Y2..
.
.
Yn..
Y…
…Tratamientos
A1 A2 AjB1 Bk…
B1 Bk…
B1 Bk…
…
..
..
..
..
..
..
..
.. ..
Y.11 Y.12 … Y.21 Y.j1 Y.jkY.2k.. .. ..
Top Related