Sunteți pe pagina 1din 14

INTRODUCCN

Los modelos de diseo de experimentos son modelos estadsticos clsicos cuyo


objetivo es averiguar si unos determinados factores influyen en una variable de
inters y, si existe influencia de algn factor, cuantificar dicha influencia. Unos
ejemplos donde habra que utilizar estos modelos son los siguientes: En el
rendimiento de un determinado tipo de mquina (unidades producidas por da): se
desea estudiar la influencia del trabajador que la maneja y la marca de la mquina.
Se quiere estudiar la influencia de un tipo de pila elctrica y de la marca, en la
duracin de las pilas.

UNIDAD 2 DISEO DE EXPERIMENTOS DE UN FACTOR


2.1 Familia de diseos para comparar tratamientos

Se llaman Experimentos Factoriales a aquellos experimentos en los que se


estudia simultneamente dos o ms factores, y donde los tratamientos se forman
por la combinacin de los diferentes niveles de cada uno de los factores.
Los experimentos factoriales en si no constituyen un diseo experimental si no que
ellos deben ser llevados en cualquiera delos diseos tal como D.C.A. ; D.B.C.A.;
D.C.L.
Los experimentos factoriales se emplean en todos los campos de la investigacin,
son muy tiles en investigaciones exploratorias en las que poco se sabe acerca de
muchos

factores.

VENTAJAS:
1.- Permite estudiar los efectos principales, efectos de interaccin de factores,
efectos

simples

efectos

cruzados.

2.- Todas las unidades experimentales intervienen en la determinacin de los


efectos principales y de los efectos de interaccin de los factores, por lo que el
nmero

de

repeticiones

es

elevado

para

estos

casos.

3.- El nmero de grados de libertad para el error experimental es alto,


comparndolo con los grados de libertad de los experimentos simples de los
mismos factores, lo que contribuye a disminuir la variancia del error experimental,

aumentando

por

este

motivo

la

precisin

del

experimento.

DESVENTAJA:
1.- Se requiere un mayor nmero de unidades experimentales que los
experimentos simples y por lo tanto se tendr un mayor costo y trabajo en la
ejecucin

del

experimento.

2.- Como en los experimentos factoriales c/u de los niveles de un factor se


combinan con los niveles de los otros factores; a fin de que exista un balance en el
anlisis estadstico se tendr que algunas de las combinaciones no tiene inters
prctico

pero

deben

incluirse

para

mantener

el

balance.

3.- El anlisis estadstico es ms complicado que en los experimentos simples y la


interpretacin de los resultados se hace ms difcil a medida de que aumenta el
nmero

de

factores

niveles

por

factor

en

el

experimento.

2.2 El modelo de efectos fijos


En estadstica, un modelo de efectos fijos es un modelo estadstico que
representa las cantidades observadas en las variables explicativas que son
tratadas como si las cantidades fueran no-aleatorias. Esto est en contraste con
el Modelo de efectos aleatorios y el Modelo mixto en los que todas o algunas de
las variables explicativas son tratadas como si se derivaran de causas aleatorias.
Tenga en cuenta que esto difiere con la definicin bioestadstica. Los
bioestadsticos se refieren a los efectos "promedio de la poblacin" y "especficos
del sujeto" como efectos "fijo" y "aleatorio" respectivamente.
A menudo, la misma estructura del modelo, que suele ser una regresin lineal,
puede ser tratado como cualquiera de los tres tipos, dependiendo del punto de
vista del analista, aunque puede haber una eleccin natural en cualquier situacin
dada.
En el anlisis de datos de panel, el estimador de efectos fijos (tambin conocido
como el estimador "within") se utiliza para referirse a un estimador para
los coeficientes en el modelo de regresin. Si suponemos efectos fijos,
imponemos que los efectos del tiempo son independientes para cada entidad que
posiblemente est correlacionada con los regresores.

Estos modelos sirven para controlar la heterogeneidad inobservable, en particular


cuando sta es constante en el tiempo y est correlacionada con las variables

independientes. Esta constante puede ser eliminada de los datos a travs de la


diferenciacin, por ejemplo, teniendo una primera diferencia con la cual se
eliminarn los componentes del modelo invariables en el tiempo.
Hay dos supuestos comunes hechos sobre el efecto individual especfico, el
supuesto de efectos aleatorios y la asuncin de efectos fijos. La hiptesis de
efectos aleatorios (hecho en un modelo de efectos aleatorios), es que los efectos
especficos

individuales

no

estn

correlacionados

con

las

variables

independientes. El supuesto del modelo de efectos fijos es que el efecto especfico


individual est correlacionado con las variables independientes. Si la hiptesis de
efectos

aleatorios

se

mantiene,

el

modelo

de

efectos

aleatorios

es

ms eficiente que el modelo de efectos fijos. Sin embargo, si este supuesto no se


cumple (es decir, si la prueba de Durbin-Watson falla), el modelo de efectos
aleatorios no es consistente.
Considere el modelo lineal de efectos no observados para observaciones y periodos de
tiempo:

donde Tx it es la variable dependiente observada para el individuo en el


tiempo es la matriz de regresores variable en el tiempo de tamao , es lo no
observado invariante en el tiempo y el efecto individual, es el trmino de error. A
diferencia de , no puede ser observada por el econometrista. Los ejemplos ms
comunes de efectos invariantes en el tiempo son los que representan la
capacidad innata de los individuos o los factores histricos e institucionales de los
pases.
A diferencia del modelo de efectos aleatorios (RE, por "random effects") en el que
la observada es independiente de para todos , el modelo de elementos fijos (FE,
por Fixed effects) permite a que se correlacione con la matriz regresores . La
exogeneidad estricta , sin embargo, sigue siendo necesaria.

Dado que no es observable, no pueden ser directamente controlada. El modelo


FE elimina degradando a las variables a travs de la transformacin "dentro de"
("within"):

2.3 Diseo completamente aleatorio y ANOVA


Este diseo consiste en la asignacin de los tratamientos en forma completamente
aleatoria a las unidades experimentales (individuos, grupos, parcelas, jaulas,
animales, insectos, etc.). Debido a su aleatorizacin irrestricta, es conveniente que
se utilicen unidades experimentales de lo ms homogneas posibles: animales de
la misma edad, del mismo peso, similar estado fisiolgico; parcelas de igual
tamao, etc., de manera de disminuir la magnitud del error experimental,
ocasionado por la variacin intrnseca de las unidades experimentales. Este
diseo es apropiado para experimentos de laboratorio, invernadero, animales de
bioterio, aves, conejos, cerdos, etc., es decir, situaciones experimentales como de
las condiciones ambientales que rodean el experimento.
Este diseo es el mas utilizado en la experimentacin con animales, asocindole
la tcnica del anlisis de covarianza y arreglos de tratamiento de tipo factorial.
Aleatorizacin
Para ejemplificar el proceso de aleatorizacin irrestricta de los tratamientos a las
unidades experimentales, considrese la prueba de cuatro tratamientos, cada uno

de ellos con cinco repeticiones. El proceso mencionado podra realizarse


formando cuatro grupos de tarjetas, representando cada uno de ellos a un
tratamiento en particular, digamos T1, repetido cinco veces, y as T2, T3 y
T4. Posteriormente mzclense las tarjetas en una urna y extraiga una tarjeta al
azar, asignando el tratamiento correspondiente a un animal, terreno, maceta, jaula
o grupo de animales en que consista cada unidad experimental. Reptase el
procedimiento sin reemplazo hasta terminar su asignacin.

Modelo estadstico asociado al diseo

El ANOVA est basado en ciertos supuestos, unos ms plausibles que otros,


acerca de dichas variables aleatorias. Es evidente que cuantos ms factores
introduzcamos menos cantidad de variacin residual (error) quedar por explicar.
Pero siempre quedar alguna variacin residual. Los supuestos en
los que est basado respecto a la variacin residual se resumen en los siguientes:

1. El valor esperado de cada variable aleatoria residual es cero. Esto significa que
toda la variacin de los valores esperados es debida a los parmetros (y/o
variables aleatorias) que representan efectos atribuibles. En la mayor parte de las
situaciones este supuesto no es incorrecto.
2. Las variables aleatorias residuales son mutuamente independientes. Significa
que entre las observaciones no existe nexo alguno que no sea explicado por los
factores controlados. El supuesto no es tan claramente correcto como el primero,
pero se puede mantener razonablemente si los individuos se eligen al azar y la
medicin se hace separadamente para cada uno.
3. Todas las variables aleatorias residuales tienen la misma desviacin tpica. Es el
llamado supuesto de homoscedasticidad o de igualdad de varianzas. Es el menos

viable, pues los mtodos de medida producen variaciones de diferente magnitud y


sabemos que los valores esperados estn relacionados
con las desviaciones tpicas. Hay distintos mtodos para conseguir que tal
supuesto sea satisfecho: nmero igual de sujetos en los tratamientos,
transformacin de las observaciones originales, etc.
4. Toda variable aleatoria residual se distribuye normalmente. Es probablemente,
el menos vlido de los cuatro. Sin embargo, se puede tolerar cierto alejamiento de
la normalidad con mnimo efecto prctico sobre las propiedades del ANOVA.
Los modelos del ANOVA son muchos y no vamos a desarrollarlos todos. Los que
veremos son, quiz, los ms representativos, pero no sirven para todas las
situaciones. Tres son los criterios que vamos a utilizar para clasificar los modelos:
nmero de factores, muestreo de niveles y tipo de aleatorizacin.

El anlisis de la varianza permite contrastar la hiptesis nula de que las medias de


K poblaciones (K >2) son iguales, frente a la hiptesis alternativa de que por lo
menos una de las poblaciones difiere de las dems en cuanto a su valor esperado.
Este contraste es fundamental en el anlisis de resultados experimentales, en los
que interesa comparar los resultados de K 'tratamientos' o 'factores' con respecto
a la variable dependiente o de inters.

El Anova requiere el cumplimiento los siguientes supuestos:

Las poblaciones (distribuciones de probabilidad de la variable dependiente


correspondiente a cada factor) son normales.

Las K muestras sobre las que se aplican los tratamientos son


independientes.

Las poblaciones tienen todas igual varianza (homoscedasticidad).

El ANOVA se basa en la descomposicin de la variacin total de los datos con


respecto a la media global (SCT), que bajo el supuesto de que H0 es cierta es una
estimacin de

obtenida a partir de toda la informacin muestral, en dos partes:

Variacin dentro de las muestras (SCD) o Intra-grupos, cuantifica la


dispersin de los valores de cada muestra con respecto a sus
correspondientes medias.

Variacin entre muestras (SCE) o Inter-grupos, cuantifica la dispersin de


las medias de las muestras con respecto a la media global.

2.4 COMPARACIONES O PRUEBAS DE RANGOS MULTIPLES


Cuando se rechaza la hiptesis nula de no diferencia de ms de dos medias
(H0: m 1 = m 2 = = m k) en un anlisis de varianza surge la pregunta acerca de
cules pares de medias son diferentes, puesto que el rechazo de una hiptesis
nula con cuatro tratamientos (H0: m 1 = m 2 = m 3 = m 4), podra deberse a uno o
varios

de

los seis

pares

de

diferencias

que

se

pueden

tener, esto

es: m 1 m2 o m 1 m 3 o m 1 m 4 o m 2 m 3 o m 2 m 4 o m 3 m 4
Existen varios procedimientos para determinar cules son los pares de medias
que son diferentes. El primero de estos procedimientos, y el ms utilizado en el
pasado, es el de la Diferencia Significativa Mnima (DSM) de Fisher publicada en
1935 en su libro The Design of Experiments. Este procedimiento es una extensin
de la prueba t de Student para el caso de comparacin de dos medias con
varianza ponderada.

Otros procedimientos ms recientemente usados para el mismo propsito son: la


prueba de Student-Neuman-Keuls, la prueba de Diferencia Significativa Honesta
de Tukey (DSH), la prueba del Rango mltiple de Duncan, la prueba de Dunnett y
la prueba de Scheff, entre otras. Vase Steel and Torrie y Federer.

2.5 VERIFICACION DE LOS SUPUESTOS DEL MODELO


La regresin y el ANOVA no se detienen cuando el modelo se ajusta. Usted debera
examinar las grficas de residuos y otros estadsticos de diagnstico para
determinar si el modelo es adecuado y si se cumplen los supuestos de la regresin.
Si el modelo no es adecuado, representar incorrectamente los datos. Por ejemplo:

Los errores estndar de los coeficientes podran estar sesgados,


conduciendo a valores t y p incorrectos.
Los coeficientes pueden tener el signo incorrecto.El modelo puede verse
afectado por uno o dos puntos. Utilice la siguiente tabla para determinar si el
modelo es adecuado.
Utilice la siguiente tabla para determinar si el modelo es adecuado.

Determinar por qu un modelo no cumple los supuestos


Si determina que el modelo no cumple con los criterios mencionados
anteriormente, usted debe:
1. Determinar si los datos fueron ingresados de forma correcta, especialmente
las observaciones identificadas como poco comunes.
2. Intentar determinar la causa del problema. Conviene indagar qu tan
sensible es el modelo al problema planteado. Por ejemplo, si tiene un valor
atpico, ejecute la regresin sin esa observacin y observe cmo cambian
los resultados. Considere la posibilidad de usar una de las soluciones
posibles indicadas anteriormente.

CONCLUSIN
Los modelos de diseo de experimentos son modelos estadsticos clsicos cuyo
objetivo es averiguar si unos determinados factores influyen en una variable de
inters y, si existe influencia de algn factor, cuantificar dicha influencia. Unos
ejemplos donde habra que utilizar estos modelos son los siguientes:
En el rendimiento de un determinado tipo de mquina (unidades producidas por
da): se desea estudiar la influencia del trabajador que la maneja y la marca de la
mquina.
Se quiere estudiar la influencia de un tipo de pila elctrica y de la marca, en la
duracin de las pilas.

S-ar putea să vă placă și