Universidad de Caldas, Departamento de Matemticas, Profesor Luis Miguel Meja Giraldo

DISEO EN MEDICIONES REPETIDAS

Cuando se lleva a cabo una investigacin para evaluar el comportamiento no solo de los
diferentes tratamientos asociados a una variable; sino tambin detectar la variabilidad al
interior de los individuos, con base en una caracterstica de inters para el investigador, se
evalan con base en un diseo conocido como diseo en mediciones repetidas.
Sin embargo, este diseo se puede fusionar con los anteriores
Posee el siguiente anlisis bsico de varianza:
ANAVA
FV

GL

Tratamiento

k 1
N Individuos 1

Entre

SC

2
i.

N inds
E.2j

N Ttos
GLTotal GLEntre

Dentro
Error Exp.

FC
FC

SCTotal SCEntre

f Calculado

FTabla , 5%,1%

CM Dentro
CM ErrorExp

GLDentro , GlError

SCTratamient o CM Tratamient o GL Tratamient o , Gl Error

GL Tratamient o CM ErrorExp
CM Entre
SC Entre
GLEntre , GlError
CM
GLEntre
ErrorExp

SC Dentro
GLDentro

GLDentro GLTratamient oSC Dentro SCTratamient o SC ErrorExp

GL ErrorExp

n1

Total

Si

CM

fcalc ftabla0.05,0.01

y i2

yi 2
n

: El modelo no es significativo.

Si f calc f : El modelo es significativo y se denota al lado del valor de F calculado

con un asterisco (*), indicando que el modelo se explica con un 95% de confiabilidad.
Si f calc f : El modelo es altamente significativo y se denota al lado del valor de F
calculado con dos asteriscos (**), indicando que el modelo se explica con un 99% de
confiabilidad.
tabla 0.05

tabla 0.01

Es de resaltar que este diseo ha sido de amplia aplicacin en el rea social y de sicologa
debido a la posibilidad de evaluar tratamientos y determinar a su vez como es la respuesta
de las personas objeto de estudio (fuente de variacin Dentro de) y determinar la
variabilidad y viabilidad de los tratamientos bajo estudio.

Universidad de Caldas, Departamento de Matemticas, Profesor Luis Miguel Meja Giraldo

Universidad de Caldas, Departamento de Matemticas, Profesor Luis Miguel Meja Giraldo

Multiple Regression Analysis
----------------------------------------------------------------------------Dependent variable: Col_1
----------------------------------------------------------------------------Standard
T
Parameter
Estimate
Error
Statistic
P-Value
----------------------------------------------------------------------------CONSTANT
27.4559
85.7843
0.320058
0.7699
Col_2
-0.619217
2.7852
-0.222324
0.8383
Col_3
-1.08393
5.02946
-0.215515
0.8432
Col_4
-1.46491
1.4876
-0.984744
0.3974
Col_5
0.890397
1.46941
0.605954
0.5873
Col_2*(Col_3*Col_
0.00222319
0.0100034
0.222245
0.8384
----------------------------------------------------------------------------Analysis of Variance
----------------------------------------------------------------------------Source
Sum of Squares
Df Mean Square
F-Ratio
P-Value
----------------------------------------------------------------------------Model
0.872149
5
0.17443
0.56
0.7316
Residual
0.927851
3
0.309284
----------------------------------------------------------------------------Total (Corr.)
1.8
8
R-squared = 48.4527 percent
R-squared (adjusted for d.f.) = 0.0 percent
Standard Error of Est. = 0.556133
Mean absolute error = 0.287516
Durbin-Watson statistic = 2.36649

The StatAdvisor
--------------The output shows the results of fitting a multiple linear
regression model to describe the relationship between Col_1 and 5
independent variables. The equation of the fitted model is
Col_1 = 27.4559 - 0.619217*Col_2 - 1.08393*Col_3 - 1.46491*Col_4 +
0.890397*Col_5 + 0.00222319*Col_2*(Col_3*Col_3)
Since the P-value in the ANOVA table is greater or equal to 0.10,
there is not a statistically significant relationship between the
variables at the 90% or higher confidence level.
The R-Squared statistic indicates that the model as fitted
explains 48.4527% of the variability in Col_1. The adjusted R-squared
statistic, which is more suitable for comparing models with different
numbers of independent variables, is 0.0%. The standard error of the
estimate shows the standard deviation of the residuals to be 0.556133.
This value can be used to construct prediction limits for new
observations by selecting the Reports option from the text menu. The
mean absolute error (MAE) of 0.287516 is the average value of the
residuals. The Durbin-Watson (DW) statistic tests the residuals to
determine if there is any significant correlation based on the order
in which they occur in your data file. Since the DW value is greater
than 1.4, there is probably not any serious autocorrelation in the
residuals.
In determining whether the model can be simplified, notice that the
highest P-value on the independent variables is 0.8432, belonging to
Col_3. Since the P-value is greater or equal to 0.10, that term is
not statistically significant at the 90% or higher confidence level.
Consequently, you should consider removing Col_3 from the model.