DISSENYS EXPERIMENTALS CLÀSSICS II

- Reducció de l’error experimental i control de variables de confusió

- Anàlisi de covariància
- Dissenys de grups homogenis (DGH)
- Dissenys de mesures repetides (DMR)

Com aconseguir una reducció de l’error experimental i millorar el control de variables

de confusió?
- Anàlisi de covariància. No implica canvi de disseny
- Homogeneïtzació dels grups, si es disposa d’informació prèvia sobre una o diverses
variables de confusió: Disseny de grups homogenis (DGH)
- Homogeneïtzació radical, utilitzant un grup únic per a totes les condicions
experimentals: Disseny de mesures repetides (DMR)

Anàlisi de covariància
· Es pot realitzar si obtenim informació sobre els valors d’una variable de confusió quantitativa
· S’aplica després de la realització de l’experiment, ajustant els resultats de l’ANOVA
mitjançant la introducció de la covariant en el model de regressió lineal corresponent
· Es pot aplicar fins i tot si la informació sobre la variable de confusió s’obté simultàniament o
després de fer l’estudi experimental
· No implica un canvi del disseny experimental utilitzat

ACOVAR: Exemple de resultats experimentals

ACOVAR: Anàlisi de la variància original

Mesura de la variable de confusió

entre aprentesis esta el resultat de la prova de raonament arimtetic (que crec que pot donar
diferencies individuals)

despres analisi de la covariancia

diferències: apareix una variable més: la covariant (veurem que amb els càlculs fets amb
l'anàlisi que te un résultat clarament significatiu) (no es estrany perque ho hem fet pq pensem
que pot influir. aixo ens confirma la influencia)

component intragrups: la suma de quadrats es de 692 i aquí es de 511. al fer l'analisi de

covariància aquest component intragrups, la seva suma de quadrats, ha disminuït.
efecte desitjable de l'analisi de covariancia;el que ha fet en realitat es :
component intragrups surts de mpñtes variable si diferencies individuals que influeixen en els
resultats. amb l'analisi de la covariancia el q he fet es agafar una part daquesta (diferencies
individuals amb raonament matematic). he agafat una part i lhe separat. er aixo el rsultat es
inflerior
l'analisi d voariacnaie sempre reduieix la suma de quadrats intragrups

suma de quadrats dels tractaments: mes imprevisible el qe pot passar. en quest cas passa de
115 aprox a 167. sha incrementat la suma de quadrats en tractaments.
com s’interpreta?

mitjana per cada grup del numero. miajaes dque serveixen per fer laanlisi de la variancia
original. resultats (per condicions ambientals diferents -tractament- pero NO es nomes aixo!
pode altres coses explicarho en part) lllavors localitze una covariant (variable de confusio que
pt ser immportant) (diferencies inviduals en quant a raonament matematic) (si aquesta
covariant hagues estat reaprtida equitativament entre els tres gruos no ens importaria perquè
no afectaria a les diferències entre les mitjanes, però el cas es que la covariant no esta
repartida de manera repartida (mitjant les mitajnes). hi ha una certa concentracio de
puntuacions mes altres en el G2 que no en el G1 o G3. pot influir en les mitjanes)
quan faig lanalisi de covariancies es com si les corretgissim: com si fessim que el repartiment
desigual de la covariancia la corretgeixo. si aixo hagues estat aixi les mitajens de resultat series
les de la tercera fila. per aixo dime que son mitjanes corretgides.
mitjana de la covairanciant (dle numeor entre parentesis). introduim la covairant. fem
registres dauqesta (entre parentessis) mitajand e al covariant per cada un dels tres grups. (ho
he fet perque es vegi que la covariant no ha quedat repartida de maner aigual ente els 3 grups.
hi ha gups millor i pitjor)
despres es fa l’analisi de covariancia amb la covariant.
en el proces es fa vd corretgida: fer com si la covaruat quedes totalemtne qitativa entre els 3
grups (sabem que no es veritat)
per aixo la suma de quadrats de tractaments sha modificat.les diferencies entre grups del
prinicpi no son les mateixes que del final perque hsa fet la correcio de la covariant

PD γ 1= 16.1 γ 2= 17.6 γ 3= 20.8

Cov (1)=5.8 (2)=6.4 (3)=5.6
VD correg: (corretgida) 1.16,29 2. 16,63 3.21,57

puc veure que la covariant es estadísticament significativa, per al qual cosa la variable agafa
afecta/influeix.
faltaria mirar la magnitud de l’efecte

Dues alternatives dals dissenys de grups aleatoritzats

Disseny de grups homogenis
· Control específic d’alguna o algunes variables de confusió, normalment relacionades amb el
subjecte. Es manté la lògica de treballar amb diferents grups.
· S’aconsegueixen dues coses:
- Major homogeneïtzació dels grups experimentals
- Si la variable de confusió s’inclou a l’anàlisi de resultats, reducció de l’error
experimental: una part de la variabilitat no explicada pels tractaments passa a ser
analitzada de forma separada, major sensibilitat

Dissenys de mesures repetides

· Control exhaustiu de les variables de subjecte (subjecte com a control propi)
· Reducció radical de l’error experimental, màxima sensibilitat del disseny

Disseny de grups homogenis

Diverses situacions possibles (no sempre fàcils de dsitingir)
- Emparellament o agrupació per diverses característiques individuals
- Emparellament o agrupació a partir del rendiment en una prova prèvia
- Homogeneïtzació per una característica estable i definida dels subjectes (sovint
s’anomena bloqueig)
El criteri d’homogeneïtzació es pot introduir o no a l’anàlisi de resultats

Terminologia també diversa:

· Dissenys de grups aparellats (normalment reservat a cas de 2 grups)
· Dissenys de blocs a l’atzar
· Dissenys estratificats

El més simple és utilitzar el nom general de “disseny de grups homogenis” o el nom “disseny de
blocs a l’atzar” i especificar el criteri d’homogeneïtzació

Exemple d’emparellament per característiques individuals

· Volem fer un estudi sobre l’impacte de diferents tipus de distractors sobre el rendiment de les
persones a l’hora de resoldre problemes aritmètics
· Per tenir controlades les diferències individuals que es poden donar en l’habilitat de resoldre
aquest tipus de problemes, abans de començar l’experiment pròpiament dit fem que els
subjectes participants resolguin 30 problemes en una situació “neutra” (sense
distractors) i mesurem el seu rendiment (número de problemes resolts)
· Posteriorment classifiquem les persones en funció del seu rendiment en aquesta prova prèvia

Classificació dels subjectes en 5 nivells

· Suposem que es volen formar 3 grups

experimentals. Necessitem com a minim 3
persones a cada nivell
· Disposem en total de 15 subjectes
experimentals
· Els nivells no són “perfectes”, inclouen una
certa imprecisió (Nivell 1: Puntuacions de 12 a 14, etc.)

Ex2: Repartiment de subjectes (N=15, 5 nivells,

n=1)
· Formació de 3 grups experimentals a
partir dels nivells establerts
· Les mitjanes dels tres grups pel que fa al
criteri d’homogeneïtzació són relativament
similars
· Tenim un sol subjecte a cada grup per a
cadascun dels nivells, és a dir, un subjecte
per casella (cas n = 1) (per cda nivell un sola
persona a cada grup experimental)

Repartiment de subjectes (N=45, 5

nivells, n>1)
· Mateix cas anterior, però suposant
que disposem en total de 45
subjects
· Per a cada nivell podem assignar 3
subjectes a cadascun dels grups
experimentals
· Es tracta d’un cas n > 1, concretament n = 3

Cas n=1
· Cas d’estratificació a partir d’una
variable individual estable (coeficient
intel·lectual)
· Cas n = 1
· Novament es pot veure que els
nivells no són exactes, sinó que
inclouen un cert grau d’imprecisió
Cas n=4
· Mateix exemple anterior, però amb major
número de subjects disponibles
· Cas n = 4
aparellats: en casos de dos grups

Tot aixo es grups homogeniss

interacción nivells x tractaments

EXEMPLE
faig estudi
reparteixo persones
divideixo en 3 nivells d’intel·ligència
veiem que l’impacte de la variable dep no es el mateix
segons els nivell

si no hi ha interacció → model additiu

(els resultats s’expliquen només per la variable ind i la dependent pero
no hi ha relacio)

quan hi ha interacció → model additiu (hem d’afegir un element més)

cas n=1
hem classificat les persones en una serie de nivells
al fer el repartiment com que tenim pocs casos ens queda només una persona en una casella
(n=1)

podem calcular les mitjanes de les A y podem fer una valoració de les
mitjanes → es a dir, l’efecte dels tractaments
podriem calcular tambe els resultats de la variable dep obtinguts → les
mitjanes de les files

TOTAL = tractaments (columnes) + nivells (files) + residual

R: residual → no es pot explicar

error: variabilitat amb caracter economic que pot incidir en el resultat

el residual i l’error en principi podrien ser el mateix, pero el problema es que si jo vull fer un
analisi de la variancia em trobaré que els elements de l’analisi (tractaments, nivells i residual)
podria haver interacció.
ANOVA: No és possible separar tots els efectes. El residual conté l’error experimental, però
també la possible interacció Nivells x Tractaments. Només és un terme de contrast adient en
un model additiu, en cas contrari porta a una F més petita del que hauria de ser.

cas n>1
Total = Tractaments + Nivells + (Nivells x Tractaments) + Intra-caselles

ANOVA: (similar al d’un disseny factorial de grups a l’atzar) Correcte tant per a un model
additiu com per al no additiu.

(CAS 3 DOSSIER PRÀCTIC AIXO THO MIRES QUE MHE PERDUT)

està el tio parlant com de unes taules molt xules, no se que de si hi ha interaccio o no etc i diu
que podem fer un grafic i interpretarlo
en el grafic sembla que no hi ha relació entre les variables dep i indep
→ en aquest cas no ens hauria de preocupar gaire

DISSENYS DE MESURES REPETIDES (diapo 25) → aixo ja no és homogeni

A cada condició experimental ja no li correspondrà un grup diferent, si no que un grup de

persones passaran per les mateixes condicions
 ● Subjecte com a control propi: Control exhaustiu de les diferències individuals
● Reducció radical de l’error experimental
● Possibilitat d’efectes seqüencials: Efectes residuals i efectes d’ordre. Necessitat d’ús
del contrabalanceig
● Dificultat quan el número de condicions experimentals és gran
● Possibilitat d’incompliment parcial de la condició d’independència dels registres: Els
resultats d’una mateixa persona no són independents entre sí

Tècnica de contrabalenceig: contrabalenceig complet

per compensar l’habituacio i la fatiga fem contrabalenceig

en el fort → cadascun dels tractaments ha de venir precedit el mateix

número de vegades pels altres. és més exigent que la versió normal.
l'únic problema es que necessitariem mes subjectes.

ha de ser multiple de tres perque tenim tres subjectes

sino es mutliple → seria incomplert

Efectes que podem estudiar a un disseny simple de mesures repetides

Total = Tractaments (Columnes) + Subjectes (Files) + Residual

Possible interacció Subjectes x Tractaments

ANOVA disseny simple de mesures repetides

Per tal que aquesta anàlisi sigui correcta s’ha de complir la condició d’esfericitat de la matriu de
variàncies-covariàncies Alternativa: MANOVA

AQUÍ JA HI HA DIFERÈNCIES RESPECTE ELS ALTRES.

Mesures repetides, puc utilitzar aquest sistema per analitzar els resultats? Depen d’una
condició:
- Esfericitat de la matriu de variàncies i covariàncies
Sino, l’alternativa és la MANOVA.

Condició esfericitat
Matriu variancies i covariancies
cas matriu temperatures
T1 T2 T3 T4
S1
S2
S3
S4
…

(temperatura per subjectes. puc calcular primer la variancia que hi ha sota cada condicio:
Matriu de variancies i covariancies és ? no ho he entes
- Diagonal variancia de cada tractament (temperatura)
- Resta de la matriu: covariancies
Condició d’esfericitat és:
condicio matriucial a partir d ela matriu de variancies i covariacnies, fent loperacio ens dona
una altra matiu que hauria de tenir certes caracteristiques. Funciona a traves de
comprovacions a partir doperacions matricials

La matriu resultant haurai de ser una matriu

Funciona a traves de comprovacions a partir doperacions matricials

Porves d’esfericitat:
- Mauchley
- John
Alternatives d’anàlisi en funció de la condició d’esfericitat
1. Si es compleix la condició d’esfericitat:
- ANOVA
- Anàlisi multivariable de la variància
2. Si no es compleix la condició d’esfericitat:
- ANOVA amb correccions (proves de Huynh-Feldt, Greenhouse-Geisser, o
altres, fan correcció dels graus de llibertat) (correcions sobre els graus de
llibertat)
- Anàlisi multivariable de la variància

Forma habitual de procedir: Fer les dues proves (ANOVA i MANOVA). Si els resultats
coincideixen no hi ha problema. Si no coincideixen, escollir en funció de si es compleix o no la
condició d’esfericitat (ANOVA si es compleix, MANOVA si no es compleix)

CAS 4 DOSSIER PRÀCTIC

Comprovació de la condicio d’esferitat

prova de mauchly: fa una compracio entre la nostra matiu de covariancies i variancies amb els
resultats, i amb la matriu ideal (compleix perfectament mab la condicio d’esfericitat).
p valor: 0,274 >0,05. No significatiu: vol dir que la condicio: matrius no diferent s = similars = es
compleix la condicio s’esfericitat!!!!!!!!!!!!!!!!

ANÀLISI ANOVA:
Com es compleix la esfercitat, mira la de esfericitat asumida!

Si no es cuplis miraries les correcions (greenhouse–greisser, etc)

p valor: 0,000 <0,05 clarament significativa

1. primer analisi multivairable (saplica sempre)

2. esfericitat
3. anova en funcio de si hi ha o no esfericitat
(la manera q te el programa de presentar els resultats és bastant estranya

Dificultats particulars del disseny factorial de mesures repetides

- Si el número de condicions experimentals és molt gran, es fa impossible a la pràctica
- Possibilitat de multiplicació d’efectes seqüencials al augmentar el número de
condicions experimentals
- Complicació de l’anàlisi de dades
- La condició d’esfericitat és més complexa de valorar (distinció entre esfericitat de la
matriu global de variàncies-covariàncies i esfericitat de les matrius parcials per a cada
efecte factorial)
- Segons el punt anterior, l’ANOVA es pot fer de dues maneres (segons si hi ha
esfericitat global o local)
- L’alternativa més senzilla és utilitzar directament el MANOVA

Per què pot ser útil l’anàlisi multivariable de la variància en un disseny de mesures repetides?
- El MANOVA està pensat inicialment per analitzar els resultats d’un disseny
experimental multivariable (amb més d’una variable dependent), partint de la base que
els resultats de les diferents VD poden covariar (o sigui, estar correlacionats)
- En un disseny de mesures repetides (encara que només hi hagi una variable dependent)
també tenim resultats possiblement correlacionats, els dels mateixos subjectes que
passen per les diferents condicions. Per tant, el MANOVA també ens serà útil, encara
que alguns aspectes del càlcul siguin diferents dels propis dels dissenys multivariables
- Si tenim el cas d’un disseny de mesures repetides que també sigui multivariable,
hauríem de fer un MANOVA “doblement multivariable”, més complicat

més correlacionat estan els registres, mes tendencia a que es compleixi la esfericitat

Estructura d’un disseny factorial 3 x 2 de mesures repetides

D. Factorial de mesures repetides (Tract x Tract x Subjectes)
Dificultats particulars del disseny factorial de mesures repetides
· Si el número de condicions experimentals és molt gran, es fa impossible a la pràctica
· Possibilitat de multiplicació d’efectes seqüencials al augmentar el número de condicions
experimentals
· Complicació de l’anàlisi de dades
- La condició d’esfericitat és més complexa de valorar (distinció entre esfericitat de la
matriu global de variàncies-covariàncies i esfericitat de les matrius parcials per a cada
efecte factorial)
- Segons el punt anterior, l’ANOVA es pot fer de dues maneres (segons si hi ha esfericitat
global o local)
- L’alternativa més senzilla és utilitzar directament el MANOVA

AVAR (esfericitat global)

· En el cas factorial cal distingir
entre dos tipus d’esfericitat: Global
(matriu global de variàncies i
covariàncies) i local (matrius
parcials per a cada efecte factorial)
· La forma de realitzar l’ANOVA (o
AVAR) varia en funció de si es
compleix una o l’altra

AVAR (esfericitat local)

· ANOVA per el cas d’incompliment de la condició d’esfericitat global, però amb compliment de
l’esfericitat local
· Cada efecte factorial té el seu propi element de contrast

Disseny factorial mixt

· És una barreja de disseny de grups i de disseny de mesures repetides
· Si, per exemple, hi ha dues variables independents (A i B), la variable A serà de grups (un grup
per a cada tractament, formats normalment a l’atzar) i la variable B serà de mesures repetides
(tots els subjectes passaran per totes les condicions de la variable B, combinada amb el valor
que els hi hagi correspost de la variable A)
· El disseny factorial mixt és útil en dues situacions:
- Quan, pel fet de treballar amb diverses variables independents, es multiplica el número
de condicions experimentals i es fa impossible utilitzar un disseny factorial de mesures
repetides “pur”
- Quan alguna de les variables que volem estudiar és de subjecte (classificatòria) i, per
tant, estem obligats a formar grups diferents després de seleccionar i classificar els
subjectes

Exemple de disseny factorial mixt amb dues variables manipulables

Variables VI:
- Tipus de problema a resoldre
- Forma de treballar: individualment, en parella, en
grup més ampli

Si tenim 12 subjectes, formem dos grups a l’atzar per a la

primera variable. Cada persona només treballa amb un
dels dos tipus de tasca
En canvi, la tasca corresponent la realitzen sota les tres
condicions de l’altra variable (3 sessions diferents)

1-6 tipus 1
6-12 tipus 2
pero segona variable de mesures repetides (totes les persones faran en 3 moments idferents
les 3 modalitats) (variable de grups i variable de mesures repetides ALHORA!)