Metodología 3

Una desventaja de los diseños intrasujetos es: no existen técnicas que permitan controlar los errores de tiempo. no sabemos calcular el efecto de los sujetos en la variable de respuesta. a veces los efectos de los tratamientos son duraderos, en cuyo caso son desaconsejables. todas las respuestas son correctas.

En los diseños de bloques, los grados de libertad de la suma de cuadrados de bloques es igual a: p(n-1). p-1. . n-1. (p-1)(n-1).

En un diseño factorial de grupos al azar, la suma de cuadrados de interacción AxB: no existe el diseño factorial de grupos al azar. se descompone en (p-1)(q-1) componentes ortogonales. no es significativa si no lo son las sumas de cuadrados de A y la suma de cuadrados de B. se descompone en p-1 componentes ortogonales.

En un diseño experimental A inter x B intra, la interacción AxB: se calcula en la parte intra del análisis. se calcula como un residuo. no se puede calcular. se calcula en la parte inter del análisis.

Para probar el supuesto de aditividad en un diseño intrasujetos se compara la matriz de varianza-covarianza promediada: no existe tal tipo de comparación en los diseños intrasujetos. no existe tal tipo de prueba. en efecto se trata de la prueba de Mauchly. en efecto se trata de la prueba de Box.

Si en un diseño factorial 2x4 encontramos que los efectos A(B1), A(B2) y A(B3) son significativamente iguales y A(B4) es significativamente distintos de los anteriores, tenemos: una interacción AxB. un diseño jerárquico A(B). un efecto significativo de la variable B. un efecto significativo de la variable A.

. Una ventaja de los diseños intrasujetos es: el escaso número de sujetos necesarios para probar los efectos de los tratamientos. la coherencia metodológica en el estudio de procesos de conducta que operan con el paso del tiempo. todas las respuestas son correctas. la reducción de la varianza de error.

Un diseño inter-intra: es un diseño factorial mixto. incluye solamente factores cruzados. se conoce también como diseño jerárquico. incluye factores anidados y cruzados.

¿En qué tipo de diseño no se puede utilizar la prueba de un grado de libertad de Tukey?: medidas repetidas. factorial de bloques. factorial cruzado AxB. Split-plot.

. En el modelo o ecuación estructural de un diseño intrasujetos de una única VI aparece siempre un término asociado a: la interacción sujeto-tratamiento. . los efectos principales simples. la interacción entre los factores. la variabilidad interindividual.

Una de las principales ventajas de utilizar un diseño de bloques es que: disminuye el número de términos de error. puede haber interacción bloque-tratamiento. se controla la variabilidad entre las unidades experimentales. se aumentan las diferencias individuales.

Se entiende como diseño factorial de modelo mixto a un diseño: factorial con una variable inter y otra de bloqueo. de bloques intrasujeto. análogo al cuadrado latino. factorial en el que una variable es fija y otra aleatoria.

Tenemos un diseño de bloques cuando: a cada sujeto se le aplica un único tratamiento y se le mide varias veces. se asignan tratamientos a los sujetos experimentales clasificados según una variable atributiva. los sujetos se asignan al azar a cada uno de los bloques. a cada sujeto se le aplican todos los niveles de la variable experimental.

El término de error de un diseño intrasujetos es: igual a la de un diseño de grupos al azar. menor o igual que el de un diseño de grupos al azar. menor al de un diseño de grupos al azar. mayor al de un diseño de grupos al azar.

¿Cuántas son las interacciones que pueden aparecer en un diseño factorial AxB?: solamente la interacción AxB. dependerá del tamaño del cuadrado latino. . todas las posibles entre tratamientos y ninguna entre bloques. ninguna.

La utilización de un diseño de medidas repetidas sobre los mismos sujetos: controla la varianza sistemática primaria mediante aleatorización. consigue que la variable de bloqueo se relacione con la VI. selecciona bloques heterogéneos de sujetos o unidades experimentales. consigue en general una prueba F más potente que en los diseños de grupos.

Las interacciones de segundo orden son aquellas en las que: la relación entre una VI (A) y la VD es diferente a diferentes niveles de la otra VI (B). se suman los efectos del factor A y del factor B. se puede generalizar como actúa una VI (A) si necesidad de determinar el nivel de la otra VI (B). existe una interacción entre tres VI.

Cada bloque de un diseño de bloques al azar representa: una muestra heteroscedástica. una muestra estratificada de una población de tratamientos. un conjunto homogéneo de sujetos. una población de tratamientos.

Si no hay efectos principales en un diseño AB es inútil buscar una interacción porque: la interacción es la suma de los efectos principales. este tipo de interacciones no existen en este diseño factorial. esta afirmación es falsa, la interacción y los efectos son independientes en este diseño. ocurre lo mismo que con la razón F y los contrastes. Si no es significativa la F es inútil buscar después comparaciones entre medias.

El problema fundamental de los diseños intrasujetos (o de bloques) es: . su escasa potencia. su potencial falta de aditividad entre sujetos y tratamientos. su escaso error. su gran cantidad de error.

Si utilizamos un diseño experimental de grupos al azar para evaluar una variable determinada, y otro diseño de bloques con esa misma variable, cabe esperar: que la aditividad en el diseño de bloques no sea significativa. que el diseño de grupo tenga menos error que el de bloques. . que la varianza de tratamientos sea menor en el de bloques que en el de grupos. que el diseño de bloques tenga menos error que el de grupos.

En un diseño de medidas repetidas, un sujeto concreto (Pepe, por ejemplo): recibe un único tratamiento y se le mide “p” veces. ha de ser contrabalanceado. recibe sucesivamente un número de tratamientos igual a “p”. ha de ser balanceado.

Cuando consideramos sólo un nivel de una variable, y probamos en ese nivel los efectos de otra variable, los efectos se llaman: jerárquicos. principales. principales simples. interactivos.

Un diseño intrasujetos o uno de bloques se utilizan, entre otras razones, porque: disminuyen la probabilidad de cometer error tipo I. son más conservadores que los de grupos. controlan mejor la varianza sistemática primaria (debida a tratamientos). su varianza de error es menor o igual que la del diseño simple.

En uno de los siguientes diseños hay más de un término de error. ¿En cuál?: AB.C. ABC. de regresión. jerárquico.

¿En algún caso concreto el modelo matemático de un diseño de bloques contiene un término de interacción “bloque por tratamiento”?: no, nunca. no, en principio, aunque depende de la teoría que pretenda probar el investigador. sí, en el modelo aditivo. sí, en el modelo no lineal.

. El modelo matemático de un diseño intrasujetos difiere del de un diseño de bloques en: el tamaño relativo del efecto del tratamiento. no difiere en nada. el tamaño relativo de la no aditividad. en todo.

La técnica de bloqueo: controla la varianza sistemática secundaria mediante aleatorización. consiste en formar bloques homogéneos antes de aplicar los diferentes tratamientos. selecciona bloques heterogéneos de sujetos o unidades experimentales. consigue que la variable de bloqueo se relacione con la VI.

La varianza de error de un diseño de bloques es mayor que la de un diseño de grupos al azar: cuando la fuente de variación de error es significativa. . cuando la fuente de variación de interacción es significativa. cuando la fuente de variación de tratamientos es significativa. nunca, eso no es posible.

La varianza de error de un diseño de bloques es menor que la de un diseño de grupos al azar cuando: la fuente de variación de bloques es significativa. la fuente de variación de error es significativa. la fuente de variación de tratamientos es significativa. la fuente de variación de interacción es significativa.

Un diseño jerárquico A(B): . incluye solamente factores cruzados. se conoce también como diseño Split-pot. contiene un factor anidado. incluye factores anidados y cruzados.

Se diseña un experimento factorial porque se quiere conocer fundamentalmente: el error intra. la aditividad bloque-tratamiento. el posible efecto de interacción. el efecto principal de cada VI.

¿Existe algún diseño factorial AxB en que la suma de cuadrados de tratamientos no se descomponga exactamente en la suma de las sumas de cuadrados de A, de B y de la interacción AB?. no, no existe tal tipo de diseño. sí, en los factoriales aleatorios. . sí, en los diseños “Split-pot”. sí, en los no ortogonales.

El valor a en la teoría de Neyman-Pearson es: . la probabilidad obtenida asociada a una PSHO. la probabilidad de cometer un error tipo I cuando se rechaza una Ho. . el efecto (media del grupo menos media total). . la probabilidad previa, a priori, de un error tipo I.

La regla de Cohen que sugiere un tamaño de efecto pequeño cuando sea 0,2 o menor, medio cuando esté alrededor de 0,5, y grande cuando sea 0,8 mayor, se aplica: a la distancia estandarizada entre medias. a todos los índices de tamaño de efecto. a todos los índices de distancia entre medias. a los índices basados en correlaciones.

Algunos índices de tamaño de efecto se interpretan como proporciones (proporción tiene que ser al cuadrado) de varianza explicada, y otros no. De entre los siguientes, sólo uno se interpreta así. ¿Cuál? CAE SIEMPRE. r (Rosenthal). “omega” cuadrado. f. d (Cohen).

Geoffrey Loftus tituló uno de sus artículos así: Una gráfica vale más que mil p. Con ello se refería a que: . al rechazar una hipótesis nula no sabemos nada que no supiésemos antes: toda Ho es falsa si el resultado del contraste no es exactamente igual a 0, basta con aumentar el tamaño de la muestra. puede no ser necesaria una prueba de significación estadística si se proporcionan gráficas de medias con intervalos de confianza. se abusa de las pruebas de significación, cuando éstas no nos dicen nada de cómo varían los datos. Todas las opciones son correctas.

. En las reglas a ojo de Cumming y Finch: . importa si se solapan o no las gráficas de caja de los datos. se usa preferentemente el solapamiento entre intervalos de confianza de las medias para cualquier tipo de diseño. sólo importa si se solapan o no las barras de error. importa mucho la información acerca de lo que se mide, de qué significan las medias y los intervalos desde un punto de vista teórico o sustantivo.

¿Puede ocurrir alguna vez que un factor tenga un efecto muy pequeño y que se rechace la hipótesis nula?. . no, porque solo se rechaza la hipótesis nula cuando hay efectos significativos. sí, porque cuando el tamaño de la muestra es muy grande, la potencia es muy grande. sí, porque cuando el tamaño de la muestra es muy grande, la probabilidad de un error tipo I es muy grande (es muy pequeña no muy grande). no, porque la potencia de un factor no depende del tamaño de la muestra, sino del número de niveles que tenga.

Un investigador realiza un experimento y, siguiendo la teoría de Neyman-Pearson decide rechazar su H0 al obtener un valor menor que 0,01. Concluye entonces que, en un experimento posterior, con la misma población y el mismo plan de muestreo, obtendrá resultados parecidos, y probablemente volverá a obtener un valor p que le permitirá rechazar de nuevo H0 al mismo nivel de confianza. Esta conclusión merece el siguiente comentario: la probabilidad de una réplica no depende solo del muestreo, sino también del valor del parámetro, del diseño y del tamaño del efecto. es una conclusión correcta, porque la replicabilidad de los experimentos depende de la población y el plan de muestreo que se realice. no es correcto afirmar que probablemente volverá a obtener un valor p parecido. Es más correcto si se afirma que se obtendrá el mismo (ambos significativamente iguales). es una conclusión correcta, porque en la teoría de Neyman-Pearson la inferencia se basa en el muestreo repetido.

Mientras que la hipótesis estadística es un enunciado acerca de parámetros de la población, la hipótesis experimental es: exactamente lo contrario que una estadística. exactamente lo mismo que una estadística. el efecto de una VI sobre una VD. la proposición de una relación entre variables.

Para mantener bajo control la probabilidad de rechazo correcto de una hipótesis nula falsa en un contraste de diferencias entre dos medias, debemos proponer antes del experimento el valor de: β. d. α. la distribución muestral.

Uno de los siguientes índices del tamaño del efecto se utiliza como distancia estandarizada para el caso de una prueba global del análisis de varianza. ¿Cuál?. Eta cuadrado. g (Hedges). F. delta (Glass).

El valor beta en la teoría de Neyman-Pearson es: el efecto de la variable B (media del grupo menos media total). la probabilidad obtenida asociada a PSH1. la probabilidad de cometer un error tipo II cuando se acepta H0. La probabilidad previa, o a priori, de cometer un error tipo II.

En el cálculo de la potencia de un experimento hay varios parámetros relacionados: las probabilidades alfa y beta, el tamaño del efecto y…: la varianza de error. la potencia. el tamaño de la muestra. todas las respuestas son correctas.

. Si se rechaza H0 p es la probabilidad de que esa decisión sea incorrecta: no, p es la probabilidad de que esa decisión sea correcta. no, p es la probabilidad asociada a un estadístico cuando H0 es cierta. en efecto, p nos proporciona la probabilidad de que H0 sea correcta o incorrecta. en efecto, p es la probabilidad de cometer un error tipo I.

Cuando Cohen dice que un tamaño de efecto es pequeño, medio o grave admite que: hay tamaños de efecto con los que es más fácil cometer un error tipo I que con otros. no tienen ningún uso práctico. hay tamaños de efecto con los que es más fácil cometer un error tipo II que con otros. es una propuesta subjetiva, aunque han llegado a ser de uso general.

Si tenemos una muestra muy grande y rechazamos una H0 cuando el tamaño del efecto es pequeño: cometemos un error tipo II. el experimento tiene poca potencia. eso no puede ocurrir. Si el tamaño del efecto es pequeño, no se rechaza H0. confundimos la significación estadística con la importancia práctica.

Imagine que dos investigadores realizan el mismo experimento por separado y uno rechaza H0 y el otro no rechaza H0. Suponga que el control ha sido adecuado en los dos experimentos: en ambos experimentos pueden haberse obtenido tamaños de efectos iguales. eso no puede ocurrir nunca. depende de α. Si en ambos se usó la misma, la probabilidad de una réplica es 1-α. El enunciado de la pregunta se refiere, entonces, a algo muy improbable. algo está mal. Si se ha hecho todo adecuadamente, entonces debieran haberse aceptado o rechazado las H0 en los dos experimentos.

en una prueba de significación de una hipótesis nula un valor p pequeño indica un efecto grande: sí es verdad. El tamaño del efecto solo depende de p. no es cierto. Depende también del tamaño de la muestra. no es cierto. A mayor valor p, mayor efecto. sí es cierto. A menor valor p, mayor efecto del tratamiento.