Análisis de Varianza Clasificación Doble

También conocido como Análisis de Varianza Factorial, se caracteriza porque la variable estudiada se categoriza con en dos o más criterios de clasificación, por lo que permite
analizar resultados de ciertos experimentos de forma flexible y eficiente.
A través de este procedimiento se analiza de una sola ve el efecto de dos o más variables formando grupos con cada combinación de dichas variables (efecto interactivo), siendo
más eficientes que estudiar cada variable por separado.
El efecto interactivo permite observar si las influencias combinadas podrían ser la suma de las influencias separadas, es decir, si aumenta una de esas influencias y también la otra,
entonces el efecto general, que es la suma total de los dos efectos individuales también será mayor. O si una variable tuvo efecto y la otra no, o ninguna tiene efectos, observar a las
variables en combinación no agrega ninguna información interesante.
Algoritmo
1. Justificar el uso de la prueba, de acuerdo a las condiciones de aplicación:
 Las variables debe estar medida al menos a nivel intervalar
 Las muestras deben ser aleatorias
 Las muestras deben ser grandes
 Los tamaños muestrales deben ser iguales en el número de tratamientos
 La población de la que se obtuvo la muestra debe estar distribuida normalmente
 Requiere de homocedasticidad
2. Plantear hipótesis considerando que:
µ11, µ12, µ21, µ22 …, µk Medias aritméticas de k poblaciones

Hipótesis: Siendo una prueba no direccionada, el planteamiento de hipótesis, señalará que:

No existirá diferencia entre las k medias poblacionales combinadas del grupo 1 y las k
H0: µ (N11 + N 12) ) = µ (N 21 + N 22) medias poblacionales combinadas del grupo 2
No existirá diferencia entre las k medias poblacionales combinadas de la característica
H0: µ (µ11 ∧ µ21) = µ (µ12 ∧ µ22 ) 1 y las k medias poblacionales combinadas de la característica 2
No existirá la diferencia entre el efecto interactivo de las k medias poblacionales
H0: µ (µ11 ∧ µ12) = µ (µ21 ∧ µ22) combinadas del grupo 1 y las k medias poblacionales combinadas del grupo 2
Hay diferencia entre las k medias poblacionales combinadas del grupo 1 y las k medias
H0: µ (N11 + N 12) ) ≠ µ (N 21 + N 22) poblacionales combinadas del grupo 2
Hay diferencia entre las k medias poblacionales combinadas de la característica 1 y las
H0: µ (µ11 ∧ µ21) ≠ µ (µ12 ∧ µ22 ) k medias poblacionales combinadas de la característica 2
Hay la diferencia entre el efecto interactivo de las k medias poblacionales combinadas
H0: µ (µ11 ∧ µ12) ≠ µ (µ21 ∧ µ22) del grupo 1 y las k medias poblacionales combinadas del grupo 2
 3. Obtener los desvíos cuadráticos considerando la siguiente tabla
Característica
de la
población: Nivel
(ejemplo: Clasificatorio (X - (X - (MFila - (MColumna - (X - (X - (MFila - (MColumna -
sexo) X de X GM) M) GM) GM) Interacción GM)2 M)2 GM)2 GM)2 INT2

4. Obtener las sumas de desvíos cuadráticos de los datos

Característica de la
población:
(ejemplo: sexo) M Nivel (X - GM) (X - M) (MFila - GM) (MColumna - GM) Interacción (X - GM)2 (X - M)2 (MFila - GM)2 (MColumna - GM)2 INT2
M1
M2
…
Mk
GM =   (X - GM)2  (X - M)2  (MFila - GM)2  (MColumna - GM)2  INT2

5. Elaborar el cuadro para medias de casillas

Columnas:

M Bajo Alto MFila

M1 M2
Filas:
M3 Mk
MColumna = GM

6. Elaborar cuadro Tabla de análisis de varianza de dos criterios para toma de decisiones en relación a la H0
Fuente SC gl CM F
Intergrupal
Columnas SCColumna glColumna CMColumna FColumna
Filas SCFila glFila CMFila FFila
 Interacción SCInteracción glInteracción CMInteracción FInteracción
Intragrupal SCDentro glDentro CMDentro
Total SCTotal glTotal

7. Especificar el nivel de significancia (α) con que probará la hipótesis

En psicología, al igual que en otras ciencias sociales, los más comunes pero no los únicos son:
α = 0.05 o α = 0.01

8. Obtener los valores críticos de la prueba:

Cálculo de análisis de varianza FT

F punto de corte para columna gl = Columna, Intragrupal
F punto de corte para filas gl = Fila, Intragrupal
F punto de corte para efecto interactivo gl = Interacción, Intragrupal

9. Aplica Aplicar la regla de decisión:

Cuando (FO ≤ FT) Entonces H0 no puede ser rechazada

Cuando (FO > FT) Entonces H0 debe ser rechazada y se acepta H1

10. Calcular el tamaño del efecto:

11. Consultar la Regla de Cohen para el tamaño del efecto en el análisis de varianza (razón de correlación)
Pequeño Mediano Grande
f 0.10 0.25 0.40
R 0.10 0.24 0.37
 R2 0.01 0.06 0.14

Tabla de fórmulas
Suma de cuadrados fila SCFila = (MFila – GM)2
Suma de cuadrados columna SCColumna = (MColumna – GM)2
Suma de cuadrados del efecto SCInteracción = [(X – GM) – (X – M) – (MFila – Gm) – (MColumna – GM)]2
interactivo
Suma de cuadrados de la SCDentro = (X – M)2
estimación intragrupal
Suma de cuadrados total SCTotal = (X – GM)2
Observación de la interacción INT = (X – GM) – (X – M ) – (MFila – GM) – (MColumna – GM)
Desvío residual de las
INT2 = [(X - GM) - (X - M) - (MFila - GM) - (MColumna - GM)]2
interacciones
Varianza poblacional calculada 𝑺𝑪𝑭𝒊𝒍𝒂
a partir de las filas 𝑺𝟐𝑭𝒊𝒍𝒂 =
𝒈𝒍𝑭𝒊𝒍𝒂
Varianza poblacional calculada 𝑺𝑪𝑪𝒐𝒍𝒖𝒎𝒏𝒂
a partir de las columnas 𝑺𝟐𝑪𝒐𝒍𝒖𝒎𝒏𝒂 =
𝒈𝒍𝑪𝒐𝒍𝒖𝒎𝒏𝒂
Varianza poblacional calculada 𝑺𝑪𝑰𝒏𝒕𝒆𝒓𝒂𝒄𝒄𝒊ó𝒏
a partir de la interacción 𝑺𝟐𝑰𝒏𝒕𝒆𝒓𝒂𝒄𝒄𝒊ó𝒏 =
𝒈𝒍𝑰𝒏𝒕𝒆𝒓𝒂𝒄𝒄𝒊ó𝒏
Varianza poblacional calculada 𝑺𝑪𝑫𝒆𝒏𝒕𝒓𝒐
a partir de la estimación 𝑺𝟐𝑫𝒆𝒏𝒕𝒓𝒐 =
𝒈𝒍𝑫𝒆𝒏𝒕𝒓𝒐
intragrupal
Razón F del efecto principal de 𝑺𝟐𝑭𝒊𝒍𝒂
las filas 𝑭𝑭𝒊𝒍𝒂 =
𝑺𝟐𝑫𝒆𝒏𝒕𝒓𝒐
Razón F del efecto principal de 𝑺𝟐𝑪𝒐𝒍𝒖𝒎𝒏𝒂
las columnas 𝑭𝑪𝒐𝒍𝒖𝒎𝒏𝒂 = 𝟐
𝑺𝑫𝒆𝒏𝒕𝒓𝒐
Razón F del efecto principal del 𝑺𝟐𝑰𝒏𝒕𝒆𝒓𝒂𝒄𝒄𝒊ó𝒏
efecto interactivo 𝑭𝑰𝒏𝒕𝒆𝒓𝒂𝒄𝒄𝒊ó𝒏 =
𝑺𝟐𝑫𝒆𝒏𝒕𝒓𝒐
Grados de libertad de las 𝒈𝒍𝑪𝒐𝒍𝒖𝒎𝒏𝒂 = 𝑵𝑪𝒐𝒍𝒖𝒎𝒏𝒂𝒔 − 𝟏
columnas
Grados de libertad de las filas 𝒈𝒍𝑭𝒊𝒍𝒂 = 𝑵𝑭𝒊𝒍𝒂𝒔 − 𝟏
Grados de libertad de la
𝒈𝒍𝑰𝒏𝒕𝒆𝒓𝒂𝒄𝒄𝒊ó𝒏 = 𝑵𝒄𝒂𝒔𝒊𝒍𝒍𝒂𝒔 − 𝒈𝒍𝑪𝒐𝒍𝒖𝒎𝒏𝒂 − 𝒈𝒍𝑭𝒊𝒍𝒂 − 𝟏
interacción
Grados de libertad de la 𝒈𝒍𝑫𝒆𝒏𝒕𝒓𝒐 = 𝒈𝒍𝟏 + 𝒈𝒍𝟐 + ⋯ + 𝒈𝒍Ú𝒍𝒕𝒊𝒎𝒐
estimación intragrupal
Grados totales de libertad 𝒈𝒍𝑻𝒐𝒕𝒂𝒍 = 𝑵 − 𝟏
Tamaño del efecto en las 𝑺𝑪𝑪𝒐𝒍𝒖𝒎𝒂
columnas 𝑹𝟐𝑪𝒐𝒍𝒖𝒎𝒏𝒂 =
𝑺𝑪𝑻𝒐𝒕𝒂𝒍 − 𝑺𝑪𝑭𝒊𝒍𝒂 − 𝑺𝑪𝑰𝒏𝒕𝒆𝒓𝒂𝒄𝒄𝒊ó𝒏
Tamaño del efecto en las filas 𝑺𝑪𝑭𝒊𝒍𝒂
𝑹𝟐𝑭𝒊𝒍𝒂 =
𝑺𝑪𝑻𝒐𝒕𝒂𝒍 − 𝑺𝑪𝑪𝒐𝒍𝒖𝒎𝒏𝒂 − 𝑺𝑪𝑰𝒏𝒕𝒆𝒓𝒂𝒄𝒄𝒊ó𝒏
Tamaño del efecto interactivo 𝑺𝑪𝑰𝒏𝒕𝒆𝒓𝒂𝒄𝒄𝒊ó𝒏
𝑹𝟐𝑰𝒏𝒕𝒆𝒓𝒂𝒄𝒄𝒊ó𝒏 =
𝑺𝑪𝑻𝒐𝒕𝒂𝒍 − 𝑺𝑪𝑪𝒐𝒍𝒖𝒎𝒏𝒂 − 𝑺𝑪𝑭𝒊𝒍𝒂
Bibliografía
Abraira, V., & Pérez de Vargas, A. (1996). Métodos Multivariantes en Bioestadística. (C. d. Areces, Ed.) Recuperado el 3 de Marzo de 2016, de Hospital Universitario Ramón y
Cajal: http://www.hrc.es/bioest/Anova_1.html
Aron, A., & Aron, E. N. (2001). Estadísitica para Psicología (Segunda ed.). Argentina: Pearson Education S.A.
Christensen, H. B. (1990). Estadística Paso a Paso (3a. ed.). México: Trillas.
Hernández, R., Fernández, C., & Baptista, P. (2010). Metodología de la Investigación (5a. ed.). México: McGraw-Hill.
López, A. (2011). Estadística Descriptiva en Ciencias del Comportamiento. México: Universidad Autónoma del Estado de México.
López, A. (2014). Estadística Inferencial en Ciencias del Comportamiento. México: Bonobos.
Mora, M. (2006). Fórmulas y Tablas Estadísticas (1a. reimpresión 2008, 1a edición ed.). Costa Rica: UCR. Obtenido de GEOCITIES:
www.geocities.ws/estadistica/archivos/tablas.pdf

(Abraira & Pérez de Vargas, 1996) (Aron & Aron, 2001) (Christensen, 1990) (Hernández, Fernández, & Baptista, 2010) (López, 2011) (López, 2014) (Mora, 2006)