Curso: Experimentación Agrícola (2015)

Profesor: Mateo Vargas Hernández

1

1.3.- MÉTODO DE SCHEFFE

 Se basa en la distribución de F.
 Es un método de aplicación general; razón por la cual es más estricto que
“Tukey” y “DMS”.
 Se puede aplicar a cualquier tipo de contraste, y en especial para probar hipótesis
de la forma H o :  i   j para comparar todos los pares posibles de diferencias
entre medias de tratamientos.
 El método se basa en el “ESTADISTICO DE PRUEBA”.

  1 1 
S  (t  1) F t 1g .l .Error ,  CME  
 ri r j 
Para ri  rj número de
 
repeticiones diferente.

S  
 2(t  1)  t 1

F g .l .Error ,  CME Para ri  rj ;  i  j
 r 
número de repeticiones igual.

REGLA DE DECISIÓN.

Si Dk  Y i  Y j  S  Re chazo de Ho

Ho :  i   j

Donde
Ha :  i   j


Ejemplo Numérico:

Experimento de los antibióticos.

DCA; t = 4 ; r = 3 ; g.l.error = 8 ; CME = 0.1108

PASO 1: Ordenar las Medias.

Y 1  2.8333
Y 2  1.433
Y 4  1.267
Y 3  0.433
Curso: Experimentación Agrícola (2015)
Profesor: Mateo Vargas Hernández
2

PASO 2: Calcular las Diferencias entre Medias:

D1  Y 1  Y 2  1.400 * * D4  Y 2  Y 4  0.166 NS

D2  Y 1  Y 4  1.566 * * D5  Y 2  Y 3  1.000 *

D3  Y 1  Y 3  2.400 * * D6  Y 4  Y 3  0.834 NS

PASO 3: Calculo del Estadístico de Prueba S:

  0.05   0.01

 2(4  1)  3
S  F 8,0.05 0.1108 
 3 
S  (2)(7.591)(0.1108 )
 24.0660.1108 
 1.2968
 0.9496

PASO 4: Asignación de los niveles de Significancia.

** Significativa al 1%
* Significativa al 5%
NS No significativa.

NOTAS: Esta prueba es más estricta que DMS y TUKEY comparando solo el valor
crítico del Estadístico de Prueba, aún cuando haya generado la misma agrupación que
TUKEY.

PROGRAMA EN SAS:

OUTPUT:

NOTE: This test controls the Type I Experiment wise Error Rate

Proc GLM ;
Class Trat Rep ;
Model Proporcion = Trat / SS4 ;
Means Trat / Scheffe Lines ;
Means Trat / Scheffe Lines Alpha=0.01 ;
Run ;

Posteriormente cuando se vea el tema de “Contrastes”, se retomará el método de

“Scheffe” para grupos de tratamientos.
Curso: Experimentación Agrícola (2015)
Profesor: Mateo Vargas Hernández
3

Forma alternativa de Generar Las Agrupaciones.

T1 T2 T4 T3
T3 2.400 1.000 0.834 0
T4 1.566 0.166 0
T2 1.400 0
T1 0

Tratamiento Media Agrupación SCHEFFE

T1 2.8333 A
T2 1.4333 B
T4 1.2667 BC
T3 0.4333 C

  0.05
S  0.9496

TAREA: Realizar Scheffe para ejemplo de Bacillus popilliae

Notas sobre los Diferentes Procedimientos de Comparaciones

Múltiples de Medias

“Scheffé (1953,1959) propuso el método para controlar el Maximo Experimentwise

Error Rate (MEER) bajo cualquier hipótesis nula completa o parcial, para cualquier
conjunto de contrastes u otra hipótesis lineales en el análisis de modelos lineales,
incluyendo comparaciones por pares de medias.

La prueba de Scheffé es compatible con la prueba de F del ANOVA completa en el

sentido que el método de Scheefé nunca declara como significante un contraste sí la
prueba de F completa es No Significativa.

La mayoría de los otros métodos de comparaciones múltiples pueden encontrar

contrastes significativos cuando la prueba de F completa es no significativa y por lo
tanto sufren una pérdida de potencia cuando se usan con una prueba de F preeliminar.

El método de Scheefé puede ser más poderoso que los métodos de Bonferroni o que
Sidak si el número de comparaciones es grande relativo al número de medias. Para
comparaciones por pares de medias, las pruebas de Sidak son generalmente más
poderosas.

Tukey (1952, 1953) propuso una prueba diseñada especialmente para comparaciones
por parejas basada en el rango estudentizado, algunas veces llamada the “Honestly
Significant Difference (HSD)” que controla el Máximo Experimentwise Error Rate
(MEER) cuando los tamaños de muestra son iguales.
Curso: Experimentación Agrícola (2015)
Profesor: Mateo Vargas Hernández
4

Tukey (1953) y Krammer (1956) propusieron independientemente una modificación

para tamaños de celda desiguales. El método de Tukey-Kramer se proveé en SAS por
medio de la opción TUKEY.

Este método se ha mostrado extremadamente bien en Estudios Monte Carlo (Dunnet,

1980). En adición, Hayter (1984) da una prueba de que el procedimiento de Tukey-
Kramer controla el MEER.

El método de Tukey-Kramer es más poderoso que las pruebas de Bouferroni, Sidak o

Scheffé para comparaciones por pareja.
Cuando se interpretan comparaciones múltiples, recordar que la falla en rechazar la
hipótesis que 2 o más medias son iguales no conduce a concluir que las medias
poblacionales son de hecho iguales. La falla en rechazar la hipótesis nula implica
solamente que la diferencia entre las medias poblacionales, si es que hay alguna, no es
lo suficientemente grande para ser detectada con el Tamaño de muestra dado.

Un aspecto relacionado es que la no significancia no es TRANSITIVA: Dadas tres

medias muestrales, la mayor y la menor pueden ser significantemente diferentes unas de
otras, mientras que ninguna de ellas es significativamente diferente de la de en medio.

Resultado de NO TRANSITIVIDAD de este tipo ocurren frecuentemente en

comparaciones múltiples.

Cuando se comparan más de 2 medias, la prueba de F del ANOVA nos dice si las
medias son significativamente diferentes de cada otra, pero no nos dice cuales medias
difieren de cuales otras. Métodos de Comparaciones Múltiples (también llamados
Pruebas de Separaciones De Medias) nos da información más detallada sobre las
diferencias entre las medias. Hay una variedad de métodos de Comparaciones Múltiples
disponibles con la INSTRUCCIÓN MEANS en los procedimientos ANOVA y GLM.

Las comparaciones múltiples pueden también conducir a resultados intuitivos de

conteos cuando los tamaños de celdas son desiguales. Considerar 4 celdas etiquetadas
como A, B, C y D; con medias muéstrales en el orden “A>B>C>D”. Si A y D cada una
tiene 2 observaciones, y B y C cada una tiene 10,000 observaciones, entonces la
diferencia entre B y C pueden ser significantes, mientras que las diferencias entre A y D
pueden no serlo.

Los intervalos de confianza pueden ser más útiles que las pruebas de significancia en
Comparaciones Múltiples. Los Intervalos de Confianza muestran el grado de
incertidumbre en cada comparación es una manera fácilmente interpretable; Ellos hacen
fácil evaluar la significancia práctica de una diferencia, así como la significancia
estadística; y son menos probables a conducir a los Investigadores No Especialistas en
Estadística a la conclusión No Valida, de que medias muestrales no significativamente
diferentes implican Medias Poblacionales iguales.
Curso: Experimentación Agrícola (2015)
Profesor: Mateo Vargas Hernández
5

COMPARACIONES POR PAREJAS

La técnica más simple para realizar comparaciones múltiples es hacer una prueba de t en
cada par de medias (La opción T en la instrucción MEANS) para la i-ésima y j-ésima
medias se puede rechazar la hipótesis nula de que las medias poblacionales son iguales
sí
Y i Y j
 t ,v
1 1 2
S 
i j
Donde Y i y Y j son las medias, ni y n j son el número de observaciones en las 2 celdas,
S es la raíz cuadrada del Cuadrado Medio del Error basado en v grados de libertad, 
es el nivel de significancia, y t  , v es el valor crítico de 2 colas de la distribución t de
2
Student. Si los tamaños de las celdas son iguales a n , la fórmula anterior se puede

 2

arreglar para dar Y i  Y j  t  , v S 
2
n

El valor del lado derecho corresponde a la diferencia mínima significativa

( DMS, LSD) de Fisher.

Hay un problema con las pruebas repetidas de t. suponga que hay 10 medias y se realiza
cada prueba de t a un nivel   0.05 . Hay (10)(10-1)/2 = 45 parejas de medias por
comparar, cada una con un 0.05 de probabilidad de Error Tipo I (un Falso Rechazo de la
Hipótesis Nula).

La probabilidad de hacer al menos un Error Tipo I es mucho mayor que 0.05

[Experimentwise Error Rate].

Es difícil calcular la probabilidad exacta, pero se puede derivar una aproximación

pesimista suponiendo que las comparaciones son independientes, dando un límite
superior a la probabilidad de hacer al menos un Error Tipo I (The Experimentwise Error
Rate) de:
P[ ET1]  1  (1  0.05) 45  0.90
P[ ET1]  1  (1   ) K
k  Número de pruebas independientes
  Nivel de significancia cada prueba

La probabilidad real es algo menor que 0.90, pero conforme el número de medias se
incrementa, la probabilidad de hacer al menos 1 Error Tipo I, se aproxima a 1.

Se ha sugerido que el Experimentwise Error Rate se puede mantener al nivel  por

medio de realizar la F test del ANOVA completa al nivel  y haciendo después
comparaciones solamente si la prueba de F es significativa, como en la prueba LSD de
Fisher protegida.
Curso: Experimentación Agrícola (2015)
Profesor: Mateo Vargas Hernández
6

IV.- COMPARACIÓN DE TODOS LOS TRATAMIENTOS

CONTRA UN CONTROL: MÉTODO DE DUNNETT.

 Un caso especial de comparaciones de medias es aquel en el cual las únicas

comparaciones que deben ser probadas son entre un conjunto de tratamientos
nuevos y un control simple.
 En este caso, se puede alcanzar mayor potencia usando un método que está
restringido a probar solamente comparaciones con la media del control simple.
 Dunnett (1955) propuso una prueba para esta situación, la cual declara a una
media significativamente diferente del control sí:

1.- Hipótesis Relevantes

 Para probar si los tratamientos nuevos son diferentes del control, se plantea una
prueba de 2 colas:

 Ho :  i   c

 Ha :  i   c

Para i = 1, 2, …, t-1; y Tc  Efecto del Tratamiento Control.

 Para probar si los tratamientos nuevos son estrictamente inferiores al

CONTROL, se plantea una prueba de 1 cola:

 Ho :  i   c

 Ha :  i   c

 Similarmente para probar si los tratamientos nuevos son estrictamente

SUPERIORES al CONTROL, se plantea una prueba de 1 cola.

Ho :  i   c
Ha :  i   c

2.- El estadístico de Prueba para dos colas es:

  1 1 
Dunk  d t 1g .l .error ,  CME  
 ri rc 
Para ri  rc , número de repeticiones diferente.
o

 
Dun  d t 1g .l .error , 
2CME
r
Para ri  rc  r  i , mismo número de repeticiones.
Curso: Experimentación Agrícola (2015)
Profesor: Mateo Vargas Hernández
7

Donde: d t 1 g .l .Error ,   Valor tabulado de Dunnett.

ri  Número de repeticiones del i-ésimo tratamiento.
rc  Número de repeticiones del tratamiento control.

3.- Regla de Decisión:

Si Y i  Y c  Dun  Re chazo de Ho.

Ejemplo Numérico: Experimento de los antibióticos.

DCA ; t = 4 ; r = 3 ; g.l.e = 8 ; CME = 0.1108

1.- Calculo de la diferencia entre las medias de los tres tratamientos y el control
(tratamiento 1).

a)  T2  T1   1.400  1.400 * *
b)  T4  T1   1.567  1.567 * *
c)  T3  T1   2.400  2.400 * *

2.- Calculo del Estadístico de Prueba.

  0.05   0.01

D  d 38, 0.05  D  d 38, 0.01 

2(0.1108) 2(0.1108 )
3 3
 [2.88][0.2717 ]  4.000.2717 
D  0.7827 D  1.0868

3.- Asignación de la Significancia Obtenida.

NOTA: Ahora en este caso no se puede realizar la agrupación múltiple de medias
usando etiquetas o letras, debido a que no se realizaron de forma exhaustiva todas las
posibles comparaciones de medias por parejas.

Conclusión:
Se obtuvo significancia en las tres diferencias, lo cual significa que cualquiera de los
tres tratamientos es más efectivo que el tratamiento control en cuanto a la proporción de
espiroquetas sobrevivientes después de 24 horas de aplicación de los antibióticos.

RESUMEN: Comparación de los valores críticos de los diferentes métodos estudiados.

Método   0.05   0.01

DMS 0.6268 0.9115
DUNNETT 0.7827 1.0868
DSH 0.8703 1.1920
SCHEFFE 0.9496 1.2968
Curso: Experimentación Agrícola (2015)
Profesor: Mateo Vargas Hernández
8

Nota: Considerar que en este caso se está realizando un menor número de

Comparaciones, por lo que su potencia es mayor que la mostrada por simple inspección
del valor crítico.

PROGRAMA SAS:

Proc GLM Data = DCA;

Class Trat Rep;
Model Proporcion = Trat / SS4;
Means Trat / Dunnett;
Means Trat / Dunnett (´1´);
Means Trat / Dunnett (´1´) Alpha = 0.01 ;
Means Trat / DunnettL (´1´) Alpha = 0.01 ;
Means Trat / DunnettU (´1´) Alpha = 0.01 ;
Run;

* Por de faul usa el menor valor numérico para los tratamientos o la menor variable
alfanumérica.

OUTPUT SAS:

DUNNET´S TEST FOR PROPORCION

NOTE: This test controls the Type I Experimentwise error for comparisons of all
treatments against a control.

Alpha 0.05
Error Degrees of Freedom 8
Error Mean Square 0.110833
Critical Value of Dunnett´st 2.87966
Minimum Significant Difference 0.7828

Comparisons significant at the 0.05 level are indicated by ***

Trat by Diffference Simultaneous 95%

comparison Between Means Confidence Limits
2-1 -1.4000 -2.1828 -0.6172 ***
4-1 -1.5667 -2.3494 -0.7839 ***
3-1 -2.4000 -3.1828 -1.6172 ***

INTERPRETACIÓN OUTPUT:

Sí el valor absoluto de la diferencia es mayor que el valor crítico del Estadístico de

Prueba, se declara significativa dicha diferencia:
Sí Y i  Yc  Dun  Re chazo, Ho
Curso: Experimentación Agrícola (2015)
Profesor: Mateo Vargas Hernández
9

 Ho :  i   c

 Ha :  i   c

EJEMPLO: DESARROLLO BACTERIA Bacillus Popilliae.

¿Se puede aplicar este método en este experimento?

Si se considera a la condición de oxigenación AERÓBICA como la condición

CONTROL, se podría aplicar.

EJERCICIOS:

1.- Realizar comparaciones de Medias usando todos los métodos descritos, para todos
los experimentos vistos en clase: DCA, DBCA, y DCL.

DETALLES ADICIONALES SOBRE EL PROGRAMA SAS PARA LA PRUEBA DE

DUNNETT:

1.- DUNNETT< (formatted-control-values)>

Realiza la prueba de t de 2 colas de Dunnett, probando si algun tratamiento nuevo es

significativamente diferente de un CONTROL simple para todas las medias de efectos
principales en la instrucción MEANS.

Para especificar cual nivel de los efectos es el CONTROL, encerrar el valor formateado
entre apóstrofes en paréntesis después de la palabra clave Dunnett. Si se especifica más
de 1 efecto en la instrucción MEANS, se puede usar una lista de valores CONTROL
dentro del paréntesis.

Por de faul se usa el primer nivel del efecto como el CONTROL, por ejemplo:

MEANS A / DUNNET (´CONTROL´);

Donde CONTROL es el valor formateado para el CONTROL del efecto A.

Otro Ejemplo:
MEANS A B C / DUNNETT (´CNTLA´ ´CNTLB´ ´CNTLC´ );

Donde CNTLA, CNTLB, CNTLC, son los valores formateados para los controles A, B,
y C, respectivamente.

2.- DUNNETTL< (formatted-control-value) >

Realiza la prueba t de Dunett de 1 cola. Probando si algún tratamiento es

significativamente menor que el CONTROL.
La información para el nivel del CONTROL se especifica en la misma forma que para
la opción anterior DUNNETT.
Curso: Experimentación Agrícola (2015)
Profesor: Mateo Vargas Hernández
10

3.- DUNNETU < (formatted-control-value)

Realiza la prueba t de Dunnet de 1 cola, probando si algún tratamiento es

significativamente mayor que el CONTROL.

La información para el nivel de CONTROL se especifica de la misma forma que la

descrita anteriormente para la opción DUNNET.