TEMA VII

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
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

Por la 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 2
3
, etc. En términos
generales, los diseños a dos niveles y con
k factores se representan por 2
k
; a tres
niveles, por 3
k
; a cuatro niveles por 4
k
, 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 de
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 Cuadrado
Grado 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: 2
k
, 3
k
, 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

A
1
B
1
A
1
B
2



A
2
B
1
A
2
B
2



Formato del diseño factorial
completamente al azar

















s
e
l
e
c
c M
i
P ó
n
Asignación al azar
S
1
S
1
S
1
S
1

S
n1
S
n2
S
n3
S
n4
V.E. Z
1
Z
2
Z
3
Z
4
V.I. A
1
B
1
A
1
B
2
A
2
B
1
A
2
B
2


Caso paramétrico. Ejemplo

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:
H
0
: α
1
= α
2
= 0
H
0
: ß
1
= ß
2
= 0
H
0
: (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
H
1
: α
1
 α
2
, o no todas las α son cero
H
1
: ß
1
 ß
2
, o no todas las ß son cero
H
1
: (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, de nuevo,
la matriz de datos del experimento.
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
A
2
B
2
A
2
B
1
A
1
B
2
A
1
B
1

DISEÑO FACTORIAL 2X2
Totales:
Medias:
209
6.53
ANOVA factorial
MODELO ESTRUCTURAL DEL AVAR:
DISEÑO FACTORIAL 2X2
ijk jk k j ijk
ε αβ β α μ Y + ) ( + + + =
Espeficación del modelo

Y
ijk
= 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.
α
j
= el efecto o impacto de j nivel de la variable de
tratamiento A.
ß
k
= efecto del k valor de la variable de tratamiento B.
(αß)
jk
= efecto de la interacción entre el i valor de
A y el k valor de B.
ε
ij
= error experimental o efecto aleatorio de
muestreo.
Descomposición polietápica de
las Sumas de cuadrados
SC
A

SC
entre-grupos
SC
B

SC
total
SC
AB



SC
intra-grupos
SC
S/AB
Cálculo de las Sumas de
Cuadrados: primera etapa
SC
total
= SC
entre-grupos
+ SC
intra-grupos

SC
total
= [(10)² + (9)² + ... + (6)²] –
[(209)²/(8)(4)] = 203.97
SC
entre-grupos
= [(52)²/8 + (27)²/8 + ... +(60)²/8] –
[(209)²/(32)] = 126.59
SC
intra-grupos
= [(10)² + (9)² + ... + (6)²] – [(52)²/8
+ (27)²/8 + ... + (60)²/8] = 77.38
CUADRO RESUMEN DEL AVAR PRIMERA ETAPA:
DISEÑO FACTORIAL 2X2
F
0.95
(3/28) = 2.95


abn-1=31
203.97 Total (T)
<0.05 15.28 42.19
2.76
ab-1=3
ab(n-1)=28
126.59
77.38
Entre G
Intra G (E)
p F CM g.l. SC F.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
SC
entre-grupos
= SC
factor A
+ SC
factor B
+
SC
interacción 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 87 122 TOTALES
130 60 70 A
2

79 27 52 A
1

TOTALES B
2
B
1

Cálculo del valor empírico de las
Sumas de cuadrados
SC
A
= [(79)²/16 + (130)²/16] – [(209)²/32] =
81.28
SC
B
= [(122)²/16 + (87)²/16] – [(209)²/32] =
38.28
SC
AB
= SC
entre-grupos
– SC
A
– SC
B
= 126.59 –
81.28 - 38.28 = 7.03

CUADRO RESUMEN DEL AVAR 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
F
0.95
(3/28) = 2.95; F
0.95
(1/28) = 4.20
abn-1=31 203.97 Total (T)
<0.05
15.28 42.19
2.76
ab-1=3
ab(n-1)=28
126.59
77.37
Entre-g
Intra-g
p F CM g.l SC F.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)
A
1


A
2




B1 B2
Interacción positiva
A
1




A
2


B1 B2
Interacción negativa



A
1

A
2


B1 B2
Interacción inversa

A
2



A
1


B1 B2
Representación gráfica de la interacción
A
1
A
2
B
1
B
2
Interacción nula
A
1
A
2
B
2
B
1
Interacción positiva
A
1
A
2
B
2
B
1
Interacción negativa
A
1
A
2
B
1
B
2
Interacción inversa
MEDIAS DE GRUPOS DE TRATAMIENTO
7.5 8.75 A
2

3.38 6.5 A
1

B
2
B
1

GRÁFICO INTERACCIÓN
7,5
3,38
6,5
8,75
0
1
2
3
4
5
6
7
8
9
10
B1 (Tarea simple) B2 (Tarea compleja)
P
r
o
m
e
d
i
o

e
n
s
a
y
o
s

c
o
r
r
e
c
t
o
s
A1 (Incentivo bajo)
A2 (Incentivo alto)
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 conjunto
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. ..//..
Diseños factoriales 2 x 2 de bloques
Bloque 1
Bloque 2
Bloque k
………………………………………….
………………………………………….
A
1
B
1
A
2
B
1
A
1
B
2
A
2
B
2
S
11
S
12
S
14
S
13
S
21
S
22
S
24
S
23
S
k1
S
k2
S
k4
S
k3