Vista previa parcial del texto
¡Descarga características principales y más Apuntes en PDF de Psicología Experimental solo en Docsity!
Listado de las características principales de prueba ANOVA. El análisis de la varianza (ANOVA) se basa en la existencia de un modelo lineal que relaciona las variables de interés. El no cumplimiento del supuesto por el modelo puede afectar tanto el nivel de significancia como la potencia de la prueba . Las herramientas principales para el diagnóstico del cumplimiento de los supuestos están basadas en el Análisis de los Residuos. Las técnicas No Paramétricas son de cálculo más rápido y de supuestos más sencillos que las técnicas paramétricas (no requieren el cumplimiento del supuesto de normalidad). Aditividad: Para cada diseño experimental existe un modelo matemático, denominado modelo lineal aditivo. Independencia: los errores (eij) son independientes (no presentan correlación) Homoscedasticidad: los errores (sij) tienen la misma varianza (varianza constante) 02. normalidad: Los errores (ij) tienen distribución Normal. Las herramientas principales para el diagnóstico del cumplimiento de los supuestos están basadas en el Análisis de los Residuos. Los residuos se obtienen como la diferencia entre el valor observado y el valor estimado por el modelo asociado al diseño experimental. La Prueba recomendada para investigar la falta de aditividad del modelo es la Prueba de aditividad de Tukey Graficar los residuos contra el orden del tiempo en el que se recopilaron los datos es también útil para detectar falta de homogeneidad de varianzas (Heteroscedasticidad) Las pruebas empleadas para contrastar la Homogeneidad de Varianzas se encuentran el test de Bartlett, el test de Cochran, el test de Hartley, el test de Levene, entre otras, etc. Si la suposición de homogeneidad no se cumple, la prueba de F es afectada solo ligeramente en los modelos balanceados (igual número de observaciones por tratamiento) de efectos fijos. La adaptación usual para tratar con varianzas heterogéneas consiste en aplicar una transformación a los datos para igualar varianzas y volver a aplicar el análisis de la varianza a los datos transformados. Una forma para comprobar la suposición de normalidad consiste en hacer un histograma de los residuos. Si los errores son N = (0, 02), está gráfica debe ser semejante a la de una muestra extraída de una distribución normal centrada en cero. Diseño en Bloques Completos al Azar (DBCA) diseño completamente aleatorizado se debe verificar el cumplimiento que: Los efectos de los tratamientos y los bloques sean aditivos (Supuesto de Aditividad), es decir, la no interacción entre ellos, y que la variabilidad de los errores además de ser la misma para todos los tratamientos lo sea también para todos los bloques. La presencia de residuos atípicos o también llamados inusitados pueden distorsionar seriamente el análisis de la varianza como el cumplimiento de los supuestos, por lo que cuando se detecta algún residuo de esta clase, debe realizarse una cuidadosa investigación. Una manera informal para detectar residuos atípicos es analizar los residuos estandarizados Un residuo a una distancia mayor que 3 o 4 desviaciones estándar del origen es potencialmente un residuo atípico o distanciado 
