Contenido del Temario:

1
Contenido del Temario Tema 2. Diseños
univariados entresujetos. Introducción. El modelo
lineal general. Comparación de modelos
Desarrollo de la forma general del test
estadístico. Relación entre modelos e hipótesis.
El caso de dos grupos. Caso general de los
diseños univariados. Supuestos estadísticos en el
cálculo de F. Tema 3. Comparaciones de
medias. Introducción. Comparaciones simples.
Comparaciones complejas. Comparaciones múltiples
Planeadas y a posteriori. Los procedimientos de
Bonferroni, Tukey, Scheffé y Dunnett. Tema 4.
Diseños factoriales entresujetos. Introducción.
Comparación de modelos y el diseño general de dos
factores. Guía general para analizar los efectos
principales e interacciones en el diseño de 2
factores. El diseño general de n factores. Guía
general para analizar los efectos principales e
interacciones en el diseño de n factores. Tema
5. Diseños univariados intrasujeto. Introducción.
Comparación de modelos y el diseño general de un
factor. Diseños entresujetos frente a diseños
intrasujetos. Tema 6. Diseños factoriales
intrasujetos. Comparación de modelos y el diseño
general de dos factores. Guía general para
analizar los efectos principales e interacciones
en el diseño de 2 factores intra-sujeto. El
diseño general de n factores. Tema 7. Diseños
mixtos. Introducción. Comparación de modelos y el
diseño mixto. Análisis a posteriori de los
efectos principales y de la interacción. Tema
8. Análisis de potencia y tamaño del
efecto Introducción. Potencia, significación
estadística y tamaño del efecto. Tema 9. Otros
tipos de diseño. Diseños con variables
concomitantes. Diseños de N1.
2
Ejemplo

• Variable independiente Tipo de música (Mozart
  vs. Pink Floyd)
• Variable dependiente CI tras escuchar música
• N10 (diseño entre-sujetos, asignación al azar a
  los grupos)

3
Escenario 1
Grupo CI tras música
Suj. 1 Mozart 104.00 Suj. 2 Mozart 100.00 Suj.
3 Mozart 102.00 Suj. 4 Mozart 106.00 Suj.
5 Mozart 98.00 Suj. 6 Pink Floyd 106.00 Suj.
7 Pink Floyd 104.00 Suj. 8 Pink Floyd 108.00 Suj.
9 Pink Floyd 111.00 Suj. 10 Pink Floyd 101.00
4
Escenario 1
5
Escenario 2
Grupo CI tras música
Suj. 1 Mozart 104.00 Suj. 2 Mozart 100.00 Suj.
3 Mozart 102.00 Suj. 4 Mozart 104.00 Suj.
5 Mozart 100.00 Suj. 6 Pink Floyd 106.00 Suj.
7 Pink Floyd 104.00 Suj. 8 Pink Floyd 108.00 Suj.
9 Pink Floyd 109.00 Suj. 10 Pink Floyd 103.00
6
Escenario 2
7
La aproximación de la comparación de modelos (1)
Modelo Expresión algebraica de cómo ocurren los
valores de la variable dependiente. Un modelo es
una simplificación de los datos en la forma de
DatosModeloError
V.g. RendimientoconstanteCIhoras
estudiomotiv. Error Aleat.
Objetivo Desarrollar un modelo razonable de los
datos que se halle motivado teóricamente
8
La aproximación de la comparación de modelos (2)
Cómo llegar al objetivo? Se desarrollan dos
modelos para representar los datos y se comparan.
Bajo qué criterios podemos comparar los
modelos? Hay 2 criterios básicos Simplicidad y
Precisión
Cómo se mide la simplicidad de un modelo? Por el
número de parámetros. Un modelo es más sencillo
cuanto menos parámetros tenga.
Cómo se mide la precisión de un modelo? Por lo
bien que sus predicciones se asemejan a los datos
reales. Un modelo es tanto más preciso cuanto
menor sea la Suma de Cuadrados de los errores de
predicción.
9
La aproximación de la comparación de modelos (3)
Observad Los modelos más complejos conllevan
mayor precisión (lo cual es positivo), pero
también son menos parsimoniosos (navaja de Occam).
La pregunta clave es La reducción en los
errores de predicción merece la complejidad
adicional?
Tal cuestión se operativiza mediante el cálculo
de la suma de cuadrados de los errores de los
pronósticos (tanto para el modelo sencillo -el
restringido- como para el modelo complejo -el
completo-), así como mediante el cálculo de los
grados de libertad de ambos modelos.
gl Nº de observaciones independientes - nº parám
a estimar
(El modelo más simple tiene más g.l. que el más
complejo)
10
La aproximación de la comparación de modelos (4)
Una vez tenemos las sumas de cuadrados de ambos
modelos (restringido y completo) y sus
respectivos grados de libertad, podemos llegar
fácilmente a una razón F, a partir de la cual
elegiremos un modelo u otro.
Observad La hipótesis nula corresponderá al
modelo restringido, mientras que la hipótesis
alternativa corresponderá al modelo completo
La diferencia con el enfoque clásico El
énfasis en nuestro caso es la capacidad del
modelo en describir los datos, más que en confiar
en la prueba estadística ciegamente.
(Los análisis de regresión y ANOVA, entre muchos
otros, pueden ser subsumidos bajo esta
aproximación.)