Diseños de investigación y análisis de datos. UNED

Cuando un investigador simplemente quiere saber si los niveles del tratamiento administrado producen diferencias, sin interesarle la cantidad (nivel) exacta administrada, diremos que: Es un modelo de efectos fijos. Es un modelo mixto. Es un modelo de efectos aleatorios.

Se denominan comparaciones “a posteriori” aquellas que: se realizan después de haber obtenido un valor F significativo y se desea un conocimiento más exacto sobre la causa de las diferencias;. se aplican a diseños no equilibrados. el investigador prevé hacer antes de hacer el experimento.

En un análisis de varianza de un factor, cuando la hipótesis nula es del tipo Ho: u1=u2 =... u1, podemos afirmar que. Hemos equivocado la hipótesis, porque este tipo de hipótesis no se puede poner a prueba mediante el análisis de varianza. El investigador ha tomado como niveles de tratamiento aquellos en los que está interesado. El investigador ha tomado como niveles de tratamiento una muestra aleatoria de todos los posibles.

En un modelo unifactorial, cuando se quiere saber entre qué medias se dan las diferencias sin realizar ningún tipo de análisis de varianza se debe. Realizar comparaciones múltiples a posteriori. Realizar comparaciones múltiples a priori. Realizar una prueba de Scheffé.

El supuesto de independencia de las observaciones implica. sólo a las observaciones. sólo a las muestras. a las observaciones y a las muestras.

Se llama varianza intragrupos a: la muestral. la atribuible al error. la atribuible a los diferentes niveles del factor en estudio.

En un análisis de varianza unifactorial de efectos fijos con observaciones independientes, si la varianza intergrupos es significativamente mayor que la varianza intragrupos para un determinado alfa: se acepta la hipótesis nula. se rechaza la hipótesis nula. implica que el nivel crítico p es mayor que alfa.

El supuesto de homocedasticidad en el análisis de varianza con observaciones independientes se refiere a. la igualdad de varianzas y covarianzas. la igualdad de varianzas. ambas respuestas son incorrectas.

El valor crítico para el estadístico F del análisis de varianza de medidas repetidas se obtiene: a partir del nivel de significación alfa. a partir del nivel crítico p obtenido. en algunos casos a partir del nivel de significación dividido por dos.

El supuesto de “No interacción persona y tratamiento” es uno de los supuestos. en el ANOVA de medidas repetidas. en el ANOVA de medidas independientes. siempre que no haya más de un factor de tratamiento, independientemente de que sea o no de medidas repetidas.

El análisis de varianza de medidas repetidas de un factor de efectos fijos. Permite realizar un contraste sobre medias. Es un estadístico de contraste. Permite realizar contrastes sobre la varianza cuando las observaciones están relacionadas.

La zona de rechazo de la hipótesis nula mediante el estadístico F para contrastar la igualdad de dos medias con observaciones relacionadas: incluye todos los valores de la distribución muestral del estadístico mayores que el valor crítico. Es igual al valor crítico. en ciertos casos, se reparte entre los dos extremos de la distribución.

Para aplicar el análisis de varianza unifactorial de medidas repetidas, el nivel de medida debe ser. de intervalo o superior. de razón o inferior. inferior al ordinal.

El análisis de varianza unifactorial de medidas repetidas. controla las diferencias entre los sujetos. permite analizar el efecto de una variable dependiente sobre una variable independiente. ambas respuestas son correctas.

El análisis de varianza de medidas repetidas de un factor de efectos fijos: permite realizar contrastes sobre varianzas cuando las observaciones están relacionadas. permite realizar contrastes sobre medias cuando las observaciones entre los tratamientos están relacionadas. es un estadístico de contraste.

Las comparaciones múltiples a posteriori en el análisis de varianza unifactorial de medidas repetidas. se hacen cuando el factor tiene más de dos niveles. permiten ver dónde están las diferencias cuando el estadístico de contraste no es significativo. permiten realizar un análisis descriptivo de los datos, pero nunca inferencial.

La zona de aceptación de la hipótesis nula mediante el estadístico F para contrastar la igualdad de más de dos medias con observaciones relacionadas. es igual al nivel crítico. incluye todos los valores de la distribución muestral del estadístico de contraste menores que el valor crítico. cuando la distribución es normal, se reparte entre los dos extremos de la distribución.

En el análisis de varianza unifactorial de medidas repetidas, el estadístico F: es un cociente entre dos varianzas. es un cociente entre dos medias aritméticas. se obtiene dividiendo la suma cuadrática tratamiento por la suma cuadrática error.

El supuesto de simetría compuesta se refiere a que. Las covarianzas son distintas. Las varianzas son distintas. Ambas respuestas son incorrectas.

Una F significativa en un análisis de varianza. Indica que no hay diferencias. Indica dónde están las diferencias. No indica dónde están las diferencias.

Uno de los objetivos del ANOVA de medidas repetidas de un solo factor y de efectos . fijos es conseguir el control de: Las diferencia entre sujetos. Del error típo I. Del error tipo II.

El estadístico de Scheffe permite. Comparar únicamente pares de medias. Realizar únicamente comparaciones complejas. Realizar ambos tipos de comparaciones.

en los diseños de mediadas repetidas. La variabilidad que más nos interesa es la intersujetos. Podemos separar la fuente de variabilidad intersujetos del efecto de los tratamientos y del error experimental. La variabilidad intersujetos no se puede estimar y queda formando parte de las fuentes de variabilidad no controladas incluidas en el error experimentas.

En un análisis de varianza llamamos factores. Las variables independientes. Las variables dependientes. Las variables no controladas.

Se dice que un diseño bifactorial es equilibrado si. Los grupos tienen el mismo número de sujetos. Los grupos tienen la misma varianza. El número de niveles de los dos factores es el mismo.

Para aplicar un análisis de varianza bifactorial, uno de los requisitos es. Que no exista interacción de los factores. Que las observaciones sean independientes dentro de cada grupo. Que las varianzas de cada grupo sean diferentes.

En el caso de modelo bifactorial con interacción de efectos fijos, uno de los supuestos del ANOVA que no es necesario que se cumpla es. el supuesto de homogeneidad de las varianzas. la independencia de las observaciones. las dos anteriores son falsas.

En el ANOVA bifactorial de efectos fijos con observaciones independientes se cumple siempre que. hay efecto de interacción. no hay efecto de interacción. puede haber o no haber efecto de interacción.

En un modelo bifactorial con 4 niveles por factor, si queremos estudiar el efecto de un factor en cada uno de los niveles del otro, el número de hipótesis nulas que se pueden considerar es. 16. 8. 3.

En un análisis de varianza bifactorial con observaciones independientes, cuando el efecto producido por los niveles de uno de los factores depende de los niveles del otro factor,. Existe efecto de la interacción entre los factores. No existe interacción. No pueden aplicarse comparaciones múltiples.

En los modelos bifactoriales de efectos fijos con interacción significativa, las razones F para los factores A y B se calculan. Dividiendo cada una de las medias cuadráticas por la media cuadrática del error, en la que no se incluye el efecto de la interacción. Dividiendo cada una de las medias cuadráticas por la media cuadrática del error, en la que se incluye el efecto de la interacción. Dividiendo cada media cuadrática por la media cuadrática de la interacción.

En los modelos ANOVA bifactoriales se desea estudiar la influencia de: dos niveles de una variable sobre una variable dependiente. dos variables independientes sobre una variable dependiente;. dos factores sobre una variable independiente.

En el ANOVA bifactorial de efectos fijos sin interacción (es decir, con interacción no significativa), tendremos. tantas hipótesis nulas como niveles tengan los factores. tres hipótesis nulas. dos hipótesis nulas, una para cada factor.