Post on 24-Jan-2016
TEMA XIV
ESQUEMA GENERAL
Unidad de análisis y formatos de datos
Modelos de explicación y cuasi-experimentación
Clasificación de los diseños cuasi-experimentales
Características de la investigación aplicada
Marcos metodológicos
DISEÑOS DE INVESTIGACIÓN APLICADA
Marcos metodológicos
Las distintas estrategias de investigación se inscriben dentro de unos marcos de actuación o marcos metodológicos que determinan tanto los objetivos y su consecución, como los procedimientos de obtención de datos. Estos marcos reciben el nombre de paradigmas.
Paradigma metodológico
Los paradigmas asumen, entre otras cosas, un conjunto de postulados metateóricos y metodológicos. Estos postulados dictan las reglas para la construcción de los esquemas explicativos y para los procedimientos de investigación. ..//..
Sigue…
Sin hacer referencia a los enunciados de carácter metateórico en el sentido kuhntiano, se usa el término paradigma para referirnos un sistema inspirador de metodologías de trabajo.
Según este concepto de paradigma, en la ciencia psicológica están presentes dos paradigmas o tradiciones: el paradigma experimental y el paradigma asociativo.
Sigue…
Cada paradigma se caracteriza por: la formulación de una clase específica de
hipótesis. el grado de intervención del investigador
en la situación estudiada. los sistemas de recogida de datos. los procedimientos de verificación de las
hipótesis.
Marco metodológico de la investigación psicológica
Paradigma Experimental Paradigma Asociativo
Hipótesis causales Hipótesis de covariación
Experimental Cuasi-experimental De encuesta Observacional
D I S E Ñ O S
PARADIGMA PARADIGMA
EXPERIMENTAL ASOCIATIVO
Hipótesis causales Hipótesis de Covariación
Manipulación No manipulación
Control Control deficiente
Verificación de Verificación de
concomitancia simultaneidad
CARACTERÍSTICAS
Investigación básica Investigación aplicada
Causalidad
Efectos causales no espurios
Propios del paradigma experimental
Efectos causales con riesgo de espuridad
Fuerte control
Aleatoria
Validez interna
Restringido
Causalidad y estudio del cambio
Propios del paradigma experimental
Escaso control
Sesgada
Validez externa
Muy generalizables
OBJETIVOS
EFECTOS INFERIDOS
SUPUESTOS Y CONDICIONES
FUENTES DE CONFUNDIDO
SELECCIÓN DE LAS UNIDADES
VALIDEZ ENFATIZADA
ALCANCE DE LOS RESULTADOS
FASES DE LA INVESTIGACIÓN APLICADA
1. Planteo del problema
2. Formulación de la hipótesis
3. Diseño de la investigación
4. Recogida y análisis de datos
5. Interpretación de los resultados
6. Obtención de conclusiones
Diseño cuasi-experimental
El diseño cuasi-experimental es
un plan de trabajo con el que se pretende estudiar el impacto de los tratamientos y/o los procesos de cambio, en situaciones donde los sujetos o unidades de observación no han sido asignados de acuerdo con un criterio aleatorio
Desde la perspectiva cuasi-experimental se plantea la discusión y estudio de los principales diseños de investigación aplicados.
Clasificación de las estrategias cuasi-experimentales
Diseños de investigación aplicados
Estrategia Transversal
Estrategia Longitudinal
Incluye a los diseños de comparación de grupos o de grupos paralelos.
Comparación estática
Incluye a los diseños que repiten medidas de la variable de respuesta.
Comparación dinámica
REPRESENTACIÓN GRÁFICA DE LA ESTRATEGIA TRANSVERSAL Y LONGITUDINAL
-G1O1
-G2O2 -G3O3
. . G9O1
G9O2 G9O3
. . .
G9Oj
tiempo
. -GiOj
Modelos de causalidad y alternativos en diseños transversales
Modelo de causalidad
X Y
U
1
Error aleatorio
Variable Independiente Variable Dependiente
Modelos de explicación alternativosa la causalidad y diseños cuasi-experimentales
transversales
ZY
X
U
VModelo alternativo I:Modelo de Espuridad
Modelo alternativo II:Modelo de Causalidad Inversa
Modelo alternativo III:Modelo de Causalidad Mediatizada
Modelo alternativo IV:Modelo de Causalidad Condicionada
Y X
V
X Z
V U
Y
UX | Z1
Y
X | Z2
1
1
1
1
2
2
2
Causalidad y diseño longitudinal
Causalidad y diseño longitudinal
Cuando, en un diseño transversal, se posee evidencia sobre la posible relación entre dos variables, es necesario averiguar todas las posibles causas que pueden afectar a la variable dependiente, a fin de poder aumentar la potencia de la inferencia. Ahora bien, dentro del contexto longitudinal, el sentido de la relación entre las variables puede ser utilizada para obtener pistas o claves de la dirección de los efectos causales (en el supuesto de que se den).
Condiciones para la relación causal
1. Que los fenómenos o variables en cuestión covarien. Es decir, tiene que verificarse la correlación entre las dos variables.
2. Que la relación no debe ser atribuible a cualquier otra variable o conjunto de variables: no debe ser espuria. Por lo tanto, debe persistir aun cuando las otras variables sean controladas.
3. Asumir que la causa debe preceder en el tiempo al supuesto efecto. Ello significa que un cambio de la variable causa no debe ser posterior al cambio asociado con el efecto. ..//..
Sigue…
Según Menard (1991), es posible obtener evidencia sobre los dos primeros criterios o condiciones a partir de datos simplemente transversales o datos transversales ordenados en el tiempo. El tercer criterio sólo puede, por lo general, ser probado de forma adecuada con datos longitudinales. ..//..
Sigue…
Según Dwyer (1983), el principio que permite especificar estas claves es el siguiente: si un cambio en X causa un cambio en Y, entonces los eventos causalmente vinculados han ocurrir según la secuencia ‘cambio en X, algún retardo en el tiempo, cambio en Y’. Esa secuencia temporal, implícita en la mayoría de las teorías de la causalidad, ha de ser modelada para probar la hipótesis sobre la dirección causal.
Inferencia de causalidad y estrategia de investigación
Rechazo de la hipótesis de espuridad
Información obtenida del sentido del cambio
Transversal Longitudinal
Unidades de análisis
UNIDAD DE ANÁLISIS Y TIPOS DE DATOS
Sujeto individual Grupo de sujetos
Dato individual Dato agregado
Modelo ARModelo ANOVAModelo ANCOVAModelo MANOVAModelo ARIMAModelo ACCPModelo LISREL
Unidad de análisis
Tipo de datos
Técnicas de análisis
AMBITOS DE APLICACIÓN
Clínico y Psicopatológico Social y evaluación de programas
CONTEXTOS
Psicología del desarrollo
Enfoque transversal
Conceptuación del enfoque
En contextos aplicados, donde las muestras no proceden de las poblaciones según un procedimiento de selección aleatoria y los sujetos no son asignados al azar a los grupos, la investigación transversal (grupos paralelos) utiliza formatos similares a los diseños experimentos. ..//..
Sigue…
Dentro del contexto cuasi-experimental, los sujetos van a parar al grupo de tratamiento y control por la propia decisión de los sujetos o por consideraciones prácticas. En consecuencia, los grupos experimental y control pueden ser diferentes y no comparables en oposición a lo que ocurre en la investigación aleatorizada.
Efecto del sesgo de selección
El diseño cuasi-experimental, en su versión de comparación de grupos, son esquemas de investigación afectados por un sesgo de selección o por variables de selección. Esto requiere la adopción de técnicas de análisis para corregir los posibles sesgos y neutralizar las variables de selección, de modo que se infiera el efecto de los tratamientos sin que esté contaminado por las diferencias iniciales de los grupos. ..//..
Sigue…
Las diferencias iniciales de los grupos los hacen no comparables o no equivalentes, siendo éste el sentido último del enfoque cuasi-experimental transversal.
Clasificación del diseño transversal
a) Diseño de grupo control no equivalente
b) Diseño de grupos no equivalentes
c) Diseño de discontinuidad en la regresión
Formatos del diseño transversal
Matriz de datos del diseño de grupo control no equivalente, con medidas antes y después.
Tratamiento Control
Sujs Antes Después Antes Después
1 2
. . . n
Matriz de datos del diseño de grupo control no equivalente, con datos de diferencia.
Tratamiento Control
Sujs Antes Después Diferen. Antes Después Diferen.
1
2
.
.
.
n
Matriz de datos del diseño de grupos no equivalentes o multigrupo, con medidas antes y
después.
Tratamiento 1 Tratamiento 2 Tratamiento 3
Sujs Antes Después Antes Después Antes Después
1
2
.
.
.
n
Matriz de datos del diseño de discontinuidad en la regresión, con grupo de tratamiento y
control. Tratamiento Control
Sujs Antes Después Antes Después
1 1 6 2 2 7 . . . . . . . . . n 5 10
Enfoque longitudinal
Conceptuación del enfoque
El objetivo de los estudios longitudinales es analizar los procesos de cambio y explicarlos. Se pretende caracterizar el cambio de la variable de respuesta en función del tiempo y examinar qué covariables contribuyen al cambio.
Uno de los aspectos específicos del enfoque longitudinal es tomar registros u observaciones de la misma (o mismas) unidades a lo largo del tiempo. ..//..
Sigue…
De ahí, el porqué lo longitudinal está siempre asociado a los cambios intra-individuales. Ha de tenerse cuenta que, en estos estudios, no siempre las unidades de observación o análisis son los individuos, ya que pueden ser unidades más amplias como barrios, áreas urbanas, familias, ciudades, países, etc.
Medida del cambio
Los diseños longitudinales usan, como estrategia de recogida de datos, la técnica de medidas repetidas. De este modo, cada unidad de trabajo (por lo general, individuos) es medida en distintos puntos del tiempo, de forma secuencial. ..//..
Sigue…
Y puesto que no es posible prescindir de los diseños longitudinales para el estudios del cambio, conviene tener en cuenta la forma como se obtienen los datos y la distinción entre los modelos de cambio intraindividual y los modelos de cambio interindividual. ..//..
Sigue…
Es decir, entre los modelos que analizan y describen los patrones de cambio durante el desarrollo de un individuo y los modelos que analizan los patrones de cambio al comparar dos o más grupos de sujetos.
Esta nueva perspectiva del estudio del cambio configura un enfoque mucho más coherente y comprensivo del diseño longitudinal.
1) Unidades de observación
AmpliosCortos
Sesiones, minutos, horas, días, etc. Semanas, meses, años, etc.
Grupos de sujetos: aulas, escuelas, poblaciones, etc.Sujetos individuales
3) Períodos de observación y registro
2) Registros o medidas = datos
Los registros se toman en términos de: ítems, variables o Instrumentos. Datos individuales y agregados
Componentes característicos del diseño longitudinal
Representación de los datos longitudinales
El cubo de datos
I
T
V
Manejo del datos tridimensionales
1. Selección de una sola dimensión
2. Promediado
3. Reconversión
Selección
a. Selección de un individuo
b. Selección de una variable
c. Selección de un intervalo de tiempo u ocasión
Promediado
a. Media de los individuos
b. Media de las variables
c. Media de las ocasiones
Reconversión
a. Largo
b. Alto
c. Ancho
Reconversión
A. Las columnas como variables: matriz de datos LARGO.
V1 ..... Vk S1 T1 . Sn S1 T2 . (TxS) Sn
S1 Tt .
Sn D. SERIE TEMPORAL MULTIPLE
B. Las columnas como puntos del tiempo: matriz ALTO T1 ...... Tt
S1 V1 . Sn S1 V2 . (VxS) Sn S1 Vk . Sn
D. SERIE TEMPORAL DISEÑO EN PANEL
C. Las filas son individuos: matriz ANCHO. (VxT) V1 V2 Vk
T1 ... Tt T1 ... T2 ..... T1 ... Tt
S1 ..... . .
. . .....
. Sn ..... DISEÑOS DE MEDIDAS REPETIDAS
Clasificación general del diseño longitudinal
a) Diseños de series temporales
b) Diseños de medidas repetidas
c) Diseños de cohortes
d) Diseños en panel
Formatos del diseño
Diseño de series temporales
X
tiempo
Diseño de medidas repetidas
Ocasión 1 Ocasión 2 ........ Ocasión k
Sujeto 1 Sujeto 1 ........ Sujeto 1
Sujeto 2 Sujeto 2 ........ Sujeto 2
..........................................................
Sujeto N Sujeto N ........ Sujeto N
Diseño de cohortes
Período 1 Período 2 Período 3 Período 4
Cohorte 1
Cohorte 2
Cohorte 3
Diseño en panel
Período 1 Período 2
Variable X Variable X
Variable Y Variable Y
TEMA XV
ESQUEMA GENERAL
Modelos alternativos de análisis
Análisis de la covariancia (ANCOVA)
Análisis de la variancia (ANOVA)
Clasificación
Concepto y formato del DGCNE
DISEÑOS DE GRUPO CONTROL NO EQUIVALENTE
Definición
Esta clase de diseño de investigación, dominado inicialmente por Campbell y Stanley (1963) diseño de grupo control no equivalente, es un formato en que se toman, de cada sujeto, registros o medidas antes y después de la aplicación del tratamiento. Debido precisamente a la ausencia de aleatorización en la asignación de las unidades, es posible que se den diferencias en las puntuaciones antes. ..//..
Sigue…
Estas diferencias son la causa de la no-equivalencia inicial de los grupos. Así, cuando en la formación de los grupos no interviene el azar, es posible que los grupos presenten sesgos capaces de contaminar el efecto del tratamiento. ..//..
Sigue…
Partiendo de este planteamiento, se tienen diseños cuyos grupos no pueden ser considerados ni homogéneos, ni comparables. Por esa la razón, se han buscado alternativas al clásico modelo de Análisis de la Variancia a fin de modelar, en el supuesto de que se conozcan, las potenciales fuentes de sesgo y distorsión y, de esa forma, controlarlas.
El porqué de las diferencias antes
Las diferencias entre las puntuaciones antes se dan por la siguientes razones:
1. Cuando el tratamiento es aplicado a un grupo (escuela, clase, etc.), y otro grupo (escuela, clase, etc.,) es tomado como control. ..//..
Sigue…
2. Cuando se ha planificado un auténtico experimento, pero por razones de mortalidad, contaminación de las unidades del grupo control por los artefactos experimentales o por la variación del tratamiento experimental, el experimento verdadero se convierte en un cuasi-experimento. ..//..
Sigue…
3. Cuando, debido a la limitación de recursos, el tratamiento sólo es aplicado a un grupo seleccionado.
4. Cuando los sujetos se auto-seleccionan.
Diseño de grupo control no equivalenteClasificación
Diseño de grupo control no equivalente
Diseño de grupo control no equivalente con sólo medidas después (post-tratamiento)
Diseño de grupo control no equivalente con sólo medidas antes y después (medidas pre y post-tratamiento)
Representación diagramática del diseño de grupo control no equivalenteDiseño con medidas después
Universo o Población de origen
Sujetos
Sujetos
Universo o Población de origen
A s i g n a c i ó n n o a l e a t o r i a
Grupo 1 Grupo 2
control experimentalCondiciones V.I.
V. dependiente
Prueba hipótesis
Comparación entre los grupos
Y1 Y2
Y1 Y2
(?)
Representación diagramática del diseño de grupo control no equivalenteDiseño con medidas antes y después
Universo o Población de origen
Sujetos
Sujetos
Universo o Población de origen
A s i g n a c i ó n n o a l e a t o r i a
Grupo 1 Grupo 2
control experimentalCondiciones V.I.
V. dependiente
Prueba hipótesis
Comparación de datos diferencia
Y1 Y2
Y1 -X1 Y2 - X2
(?)
X1 X2V. Pre-tratamiento
Diseño de grupo control no equivalente Técnicas de análisis
Análisis de la variancia.
Análisis de la covariancia.
Análisis de la variancia con técnica de bloques o emparejamiento.
Análisis de la variancia con puntuaciones de diferencia.
ANÁLISIS DE LA VARIANCIA
ExperimentalControl
X Y X Y
M:S ( ):
S ( )2 :
ANÁLISIS DE LA COVARIANCIA
ExperimentalControl
X Y XY X Y XY
M:S ( ):
S ( )2 :
ANOVA DE PUNTUACIONES DE DIFERENCIA
ExperimentalControl
X Y Y-X X Y Y-X
M:S ( ):
S ( )2 :
Ejemplo práctico 1
Se lleva a cabo un estudio, con dos grupos de sujetos ya formados (o sea, grupos intactos). De ambos grupos se toman medidas de una variable pretratamiento (medidas antes, como por ejemplo el nivel intelectual en una escala decil) y a continuación, se utiliza a uno de los grupos como control y al otro grupo como experimental. ..//..
Sigue…
Se trata de estudiar el efecto de un método de enseñanza programado sobre el rendimiento escolar. El primer grupo recibe un tratamiento convencional (grupo control), mientras que el segundo recibe el método programado (grupo experimental). Los datos hipotéticos de este cuasi-experimento se presentan en la tabla siguiente.
8.6 43 375
5.4 27 151
6.2 31 195
4.2 21 95
236134
67765
Y36543
X
Control
910 8 9 7
57654
YX
ExperimentalDISEÑO DE GRUPO CONTROL NO EQUIVALENTE
Medias:( ):( )2
( )( )
Estrategias de análisis
1) ANOVA(x) V.Pre A(H0)
ANOVA(y) V. Dep.
X
2) ANCOVA Y XY
3) ANOVA(Dif.) Y-X
Modelo de análisis anova (1)
MODELO ESTRUCTURAL DEL ANOVA: DISEÑO DE GRUPO CONTROL NO EQUIVALENTE
ijjijY
Supuestos del modelo estadístico
εij ~ NID(0,σε²)
Yij = la puntuación postratamiento del i individuo (i = 1 a n) del j grupo de tratamiento (j = 1, 2) μ = la media total,
αj = el efecto del grupo j de tratamiento
εij = el error de medida
CUADRO RESUMEN DEL ANOVA. DISEÑO DE GRUPO CONTROL NO EQUIVALENTE
(VARIABLE DESPUÉS, Y)
F0.99(1/8) = 11.26; F0.95(1/8) = 5.32
an-1=9 22.4Total
<0.0114.414.4
1
(a-1)=1
a(n-1)=8
14.4
8
Entre Trat (A)
Intra grupos (S/A)
pFCMg.lSCF.V.
Modelo de análisis ancova (2)
MODELO ESTRUCTURAL DEL ANCOVA: DISEÑO DE GRUPO CONTROL NO EQUIVALENTE
ijijjij '..)XX(Y
Supuestos del modelo estadístico
ε’ij ~ NID(0,σε²)
ß = el coeficiente de la regresión lineal
intra-grupo de la variable post (Y) sobre la
_
pre (X), y X.. la media total de la variable
pre-tratamiento.
CUADRO RESUMEN DEL ANCOVA. DISEÑO DE GRUPO CONTROL NO
EQUIVALENTE
F0.99(1/7) = 12.25; F0.95(1/7) = 5.59
an-2=88.359Total (aj)
<0.0511.365.13
0.455
a-1=1
a(n-1)-1=7
5.173
3.186
Variable A (aj)
Error S/A (aj)
pFCMg.lSCF.V.
Prueba de homogeneidad de los coeficientes de la regresiónH0: 1=2
X
YA1
A2
b1
b2
Datos de diferencia (3)
t de Student (3.1)
3.2 16 54
8.6 43375
5.4 27151
2 10 22
6.2 31195
4.2 21 95
67765
Y36543
X
Control
43243
910 8 9 7
57654
31222
Y – XYXY – X
ExperimentalDISEÑO DE GRUPO CONTROL NO EQUIVALENTE
Medias:( ):( )2
ECEC
EdCd
EC
nnnn
SCSC
ddt
112
),(),(
t STUDENT. DATOS DE DIFERENCIA
452=
5
1+
5
1
25+5
82+2
232= .
)(.
.
–
–t
t0.95(8) = 2.306 p<0.05
Modelo ANOVA Datos de diferencia (3.2)
CUADRO RESUMEN DEL ANOVA. DISEÑO DE GRUPO CONTROL NO EQUIVALENTE (DATOS
DE DIFERENCIA)
F0.95(1/8) = 5.32
an-1=9 8.4Total
<0.056 3.6
0.6
(a-1)=1
a(n-1)=8
3.6
4.8
Entre Trat (A)Intra grupos (S/A)
pFCMg.lSCF.V.
t 2 = F; 2.452 = 6.0025
Comparación de los valores F
Fe Ft
Anova (y) = 14.4 F0.95(1/8) = 5.32
Ancova = 11.36 F0.95(1/7) = 5.59
Anova (gan.) = 6 F0.95(1/8) = 5.32
Ejemplo práctico 2
Schorzman y Cheek (2004) desarrollaron nuevas pautas de comprensión lectora para niños de edades entre los 9 y 13 años (donde las dificultades de comprensión lectora se acentúan) y evitar así posibles retardos en el aprendizaje. Estos autores plantearon tres nuevas estrategias de comprensión. La primera consistía en fomentar la creación de hipótesis a medida que se va leyendo para desarrollar el pensamiento crítico (PC); la segunda activaba el conocimiento previo de los estudiantes antes de la lectura (CP) y la tercera se basaba en la organización gráfica, es decir, en desarrollar mapas conceptuales, cuadros sinópticos y esquemas (OG).
Procedimiento
Schorzman y Cheek (2004) postularon que el uso de tres estrategias de mejora de la comprensión lectora afecta positivamente al rendimiento.
Para ello, seleccionaron de dos escuelas de áreas suburbanas seis aulas de enseñanza media (tres por escuela). La primera escuela (grupo control) trabajó con las lecturas asignadas siguiendo la estrategia convencional y la segunda (grupo experimental) con las estrategias innovadoras.
Sigue…
Ambas escuelas trabajaron la comprensión lectora cuatro días por semana durante 45 minutos y a lo largo de siete semanas. El grupo experimental distribuyó semanalmente las estrategias de acuerdo con los siguientes valores: PC (60%), CP (10%) y OG (30%). De ambos grupos (control y experimental) se tomaron medidas antes y después del tratamiento con el test de lectura Gates-MacGinitie Reading Test (Gates-MacGinitie, 1989). Con los datos obtenidos se aplicó la t de Student con datos de diferencia.
Estadísticos descriptivos
Estadísticos de grupo
45 3,00 5,313 ,79259 3,34 6,194 ,806
GrupoControlExperimental
DiferenciaN Media
Desviacióntíp.
Error típ. dela media
Prueba t
Prueba de muestras independientes
1,320 ,253 -,294 102 ,770 -,339 1,154 -2,628 1,950
-,300 100,543 ,765 -,339 1,130 -2,581 1,903
Se han asumidovarianzas igualesNo se han asumidovarianzas iguales
DiferenciaF Sig.
Prueba de Levenepara la igualdad de
varianzas
t gl Sig. (bilateral)Diferenciade medias
Error típ. dela diferencia Inferior Superior
95% Intervalo deconfianza para la
diferencia
Prueba T para la igualdad de medias
Homogeneidad de las variancias
Prueba de homogeneidad de varianzas
Diferencia
1,320 1 102 ,253
Estadísticode Levene gl1 gl2 Sig.
Anova
ANOVA
Diferencia
2,934 1 2,934 ,086 ,7703467,220 102 33,9923470,154 103
Inter-gruposIntra-gruposTotal
Suma decuadrados gl
Mediacuadrática F Sig.
TEMA XVI
ESQUEMA GENERAL
Modelos alternativos de análisis
Análisis de la covariancia (ANCOVA)
Análisis de variancia (ANOVA)
Técnicas de análisis
Concepto y formato de los DGNE
DISEÑOS DE GRUPOS NO EQUIVALENTES
Definición
La extensión lógica del diseño de grupo control no equivalente con medidas antes y después es el diseño con múltiples grupos no equivalentes; es decir, un diseño multigrupo formado por un conjunto de grupos intactos procedentes de poblaciones distintas, o no seleccionados al azar. ..//..
Sigue…
Al igual que el diseño de grupo control no equivalente, es importante establecer no sólo la equivalencia inicial de los grupos, mediante la comparación de las puntuaciones medias de la variable antes, sino también considerar de forma especial el proceso de selección.
Sigue…
Aunque los grupos no muestren diferencias significativas en las puntuaciones antes, es posible que una serie de factores actúen, de forma independiente, sobre los datos después y constituyan elementos determinantes en la ulterior interpretación de los resultados. ..//..
Propósito del diseño
Según esta estructura de trabajo, se trata de averiguar si hay efecto de tratamiento. Se pretende estudiar la posible relación causal entre el factor de tratamiento y la variable de resultado. Mediante este formato cuasi-experimental o de grupos de selección, las diferencias previas (de selección) entre los grupos pueden causar cambios en la variable de resultado sin efecto alguno de tratamiento. ..//..
Sigue…
De ahí, lo importante es tener en cuenta las diferencias iniciales de los grupos (diferencias de selección), mediante algún tipo de control estadístico.
Estrategias de análisis
1) ANOVA(x) V.Pre A(H0)
ANOVA(y) V. Dep.
X
2) ANCOVA Y XY
X (V.Bloq.)
3) ANOVA DE BLOQUES
Y (V.Result.)
4) ANOVA(Gan.) Y-X
Técnicas de análisis
Análisis de la variancia con puntuaciones de diferencia o ganancia
Análisis de la variancia con bloques o emparejamiento
Análisis de la covariancia
Análisis simple de la variancia
Técnicas de análisis del diseño de grupos no equivalentes
Ejemplo práctico 1
Se pretende estudiar la eficacia de tres métodos en la enseñanza de las propiedades de los vectores. Se utilizan los métodos siguientes: A1 (método simplemente verbal), A2 (método de presentación simbólica), y A3 (combinación de ambos métodos). Para probar la eficacia de los tres métodos, el investigador utiliza tres clases o aulas de un centro escolar en el mismo período de tiempo. ..//..
Sigue…
A tal propósito, el investigador pasa una prueba al iniciar el estudio y otra a finalizarlo. Con base a este hipotético ejemplo, se obtiene la correspondiente matriz de datos en la que se incluyen las puntuaciones de ganancia (G), o diferencia entre la puntuación después (D) y la antes (A) de cada sujeto; es decir, las puntuaciones o valores de ganancia.
31 3109674
32343632302829292832
Y
1573
4.9 49 305
8697533404
X
A1
22.5 2255179
4.3 43 283
27.7 2777793
5.3 53 349
10561550
27332933282428262821
Y
7969724441
X
A2
24262428222120251619
6969540202
YX
A3
DISEÑO DE GRUPOS NO EQUIVALENTES
Medias:( ):( )2
( ) ( )
Modelo de análisis anova (1)
MODELO ESTRUCTURAL DEL ANOVA: DISEÑO DE GRUPO CONTROL NO EQUIVALENTE
ijjijY
Supuestos del modelo estadístico
εij ~ NID(0,σε²)
Yij = la puntuación postratamiento del i individuo (i = 1 a n) del j grupo de tratamiento (j = 1, 2,...,a) μ = la media total
αj = el efecto del grupo j de tratamiento
εij = el error de medida
CUADRO RESUMEN DEL ANOVA: DISEÑO DE GRUPOS
NO EQUIVALENTES (VARIABLE ANTES, X)
F0.95(2/27) = 3.35
an-1=29236.17Total
>0.050.292.535
8.559(a-1)=2
a(n-1)=275.07
231.10
Entre Trat (A)
Intra grupos (S/A)
pFCMg.lSCF.V.
CUADRO RESUMEN DEL ANOVA. DISEÑO DE GRUPOS
NO EQUIVALENTES (VARIABLE DESPUÉS, Y)
F0.99(2/27) = 5.49; F0.95(2/27) = 3.35
an-1=29667.87Total
<0.0116.5188.63
11.13(a-1)=2
a(n-1)=27367.27
300.60
Entre Trat (A)
Intra grupos (S/A)
pFCMg.lSCF.V.
Modelo de análisis ancova (2)
ANALISIS DE LA COVARIANCIA
Trat. A3Trat. A1
X Y X Y
TotalesMedias
Grupos de tratamiento
Trat. A2
X Y
MODELO ESTRUCTURAL DEL ANCOVA: DISEÑO DE GRUPO CONTROL NO EQUIVALENTE
ijijjij '..)XX(Y
Supuestos del modelo estadístico
ε’ij ~ NID(0,σε²)
ß = el coeficiente de la regresión lineal
intra-grupo de la variable post (Y) sobre la
_
pre (X), y X.. la media total de la variable
pre-tratamiento.
Cómputo de las SC’s del ANCOVA
Se requiere:
a) Cálculo de los siguientes valores: SCx, SCy y SPxy
b) Ajustar las Sumas de Cuadrados del total y del error de la variable Y (SC...(y))
c) Proceder siguiendo la lógica del ANOVA
31 3109674
32343632302829292832
Y
1573
4.9 49 305
8697533404
X
A1
22.5 2255179
4.3 43 283
27.7 2777793
5.3 53 349
10561550
27332933282428262821
Y
7969724441
X
A2
24262428222120251619
6969540202
YX
A3
DISEÑO DE GRUPOS NO EQUIVALENTES
Medias:( ):( )2
( ) ( )
RESULTADO DEL ANCOVA
CUADRO RESUMEN DEL ANCOVA DISEÑO DE GRUPOS NO EQUIVALENTES
F0.99(2/26) = 5.53; F0.95(2/26) = 3.37
an-2=28393.98Total
<0.0148.94155.63
3.18(a-1)=2
a(n-1)-1=26311.27
82.71
Entre Trat (A)
Intra grupos (S/A)
pFCMg.lSCF.V.
Anova con técnica de bloques (3)
Formación de bloques
La técnica de bloques o emparejamiento se aplica formando bloques o pares de individuos con puntuaciones similares en la variable pre-tratamiento o antes. Así, a partir de la matriz inicial de datos, se forman tres bloques de sujetos de acuerdo a los intervalos de la variable antes o covariable. ..//..
Sigue..
El primer bloque está formado por los individuos con puntuaciones entre 0 y 3, el segundo bloque por individuos con puntuaciones 4 y 6, y el tercer bloque con individuos con puntuaciones 7 y 9. De esta forma, se obtiene la siguiente matriz de datos del diseño.
31 3109674
32343632302829292832
Y
1573
4.9 49 305
8697533404
X
A1
22.5 2255179
4.3 43 283
27.7 2777793
5.3 53 349
10561550
27332933282428262821
Y
7969724441
X
A2
24262428222120251619
6969540202
YX
A3
DISEÑO DE GRUPOS NO EQUIVALENTES
Medias:( ):( )2
( ) ( )
Bloques Tratamientos
A1 A2 A3 bloque I 0-3 28 24 20 B1 29 21 25 28 16 19 Totales 85 45 80 ΣY..1 = 210 _ medias 28.3 22.5 20 ΣY..1 = 70.8 bloque II 4-6 34 29 24 B2 30 28 24 29 26 22 32 28 21 totales 125 111 91 ΣY..2 = 327 _ medias 31.25 27.7 22.75 ΣY..2 = 81.7 bloque III 7-9 32 27 26 B3 36 33 28 32 33 28 totales 100 121 54 ΣY..3 = 275 _ medias 33.3 30.25 27 ΣY..3 = 90.55
ΣY.j. = 310 277 225 ΣY... = 812 _ _ ΣY.j. = 92.85 80.45 69.75 ΣY.jk = 243.05
Resultado del anova el método de medias no ponderadas.
F.V. SC g.l. CM F p
Tratamientos (A) 89.096 2 44.55 24.75 <0.05
Bloques (B) 65.244 2 32.62 18.13 <0.05
Inter. AxB 3.470 4 0.87 0.48 >0.05
Error ajustado 37.852 21 1.80
F0.95(2/21) = 3.47; F0.95(4/21) = 2.84
Anova con puntuaciones de ganancia (4)
Concepto
En su versión más elemental, el análisis basado en las puntuaciones de diferencia –puntuaciones de ganancia o cambio –, consiste en calcular, de cada sujeto, la diferencia entre su puntuación después y su puntuación antes. De este modo, se tienen las diferencias directas o brutas (que no deben ser confundidas con las puntuaciones de diferencia estandarizadas). ..//..
Sigue…
A continuación, se calculan los valores de estas puntuaciones de los distintos grupos de tratamiento y se aplica, para probar la significación estadística, el correspondiente análisis de la variancia a los datos de diferencia o ganancia.
22.4 2245042
20242324212224222420
Y-X
27332933282428262821
Y
7969724441
X
A2
26.1 2616833
24282725252526252828
Y-X
32343632302829292832
Y
8697533404
X
A1
24262428222120251619
Y
6969540202
X
A3
18.2 1823350
18171819171720231617
Y-X
DISEÑO DE GRUPOS NO EQUIVALENTES
Medias:( ):( )2
CUADRO RESUMEN DEL ANOVA: DISEÑO DE GRUPOS NO EQUIVALENTES (DATOS DE
DIFERENCIA)
F0.99(2/27) = 5.49; F0.95(2/27) = 3.35
an-1=29 395.37Total
<0.0150.88156.23
3.07
(a-1)=2
a(n-1)=27
312.47
82.90
Entre Trat (A)
Intra grupos (S/A)
pFCMg.lSCF.V.
Comparación de los valores F
Fe Ft
Anova (y) = 16.5 F0.95(2/27) = 3.35
Ancova = 48.94 F0.95(2/26) = 3.37
Anova (bloq.) = 24.75 F0.95(2/21) = 3.47
Anova (gan.) = 50.88 F0.95(2/27) = 3.35
Siguiendo con el ejemplo de Schorzman y Cheek (2004), supongamos que se está interesado en conocer la eficacia de los tres métodos de la comprensión lectora: pensamiento crítico (PC), conocimiento previo (CP) y organización gráfica (OG). Para ello, se utilizan tres aulas de un centro escolar durante el mismo período de tiempo. A tal propósito, se pasa una prueba, consistente en rellenar los términos que se han eliminado de un texto, al iniciar el estudio y otra al finalizarlo. Se calcula la cantidad de términos incluidos de forma correcta de un total de 50.
Ejemplo práctico 2
Anova yPrueba de homogeneidad
Prueba de homogeneidad de varianzas
Post
,579 2 57 ,564
Estadísticode Levene gl1 gl2 Sig.
Resultado ANOVA
ANOVA
Post
1954,800 2 977,400 94,942 ,000586,800 57 10,295
2541,600 59
Inter-gruposIntra-gruposTotal
Suma decuadrados gl
Mediacuadrática F Sig.
AncovaEstadísticos descriptivos
Estadísticos descriptivos
Variable dependiente: Post
41,00 2,956 2027,50 3,606 2031,10 3,024 2033,20 6,563 60
tratamiento123Total
Media Desv. típ. N
Prueba de homogeneidad
Contraste de Levene sobre la igualdad de lasvarianzas error
a
Variable dependiente: Post
,115 2 57 ,891F gl1 gl2 Significación
Contrasta la hipótesis nula de que la varianza error de lavariable dependiente es igual a lo largo de todos los grupos.
Diseño: Intercept+Pre+tratamientoa.
Resultado del ANCOVA-sin interacción-
Pruebas de los efectos inter-sujetos
Variable dependiente: Post
2016,096a 3 672,032 71,615 ,0001515,280 1 1515,280 161,475 ,000
61,296 1 61,296 6,532 ,0131783,124 2 891,562 95,009 ,000525,504 56 9,384
68676,000 602541,600 59
FuenteModelo corregidoIntersecciónPretratamientoErrorTotalTotal corregida
Suma decuadrados
tipo III glMedia
cuadrática F Significación
R cuadrado = ,793 (R cuadrado corregida = ,782)a.
Anova con datos de diferenciaPrueba de homogeneidad
Contraste de Levene sobre la igualdad de lasvarianzas error
a
Variable dependiente: Diferencia
10,235 2 57 ,000F gl1 gl2 Significación
Contrasta la hipótesis nula de que la varianza error de lavariable dependiente es igual a lo largo de todos los grupos.
Diseño: Intercept+tratamientoa.
Resultado del Anova
ANOVA
Diferencia
1419,233 2 709,617 28,386 ,0001424,950 57 24,9992844,183 59
Inter-gruposIntra-gruposTotal
Suma decuadrados gl
Mediacuadrática F Sig.
TEMA XVII
ESQUEMA GENERAL
Análisis de la covariancia (ANCOVA)
Análisis de la variancia (ANOVA) y de la regresión (AR)
Representación gráfica del diseño
Concepto del DDR
DISEÑO DE DISCONTINUIDAD EN LA REGRESIÓN
Ejemplo práctico
Concepto
El diseño de discontinuidad en la regresión ofrece mejores perspectivas que el diseño de grupos no equivalentes, dado que se conoce la naturaleza del proceso de selección de los grupos (o asignación de las unidades de estudio). ..//..
Sigue…
Aunque es escasa la utilización de esta estrategia, constituye un buen ejemplo de cómo es posible verificar el efecto del tratamiento mediante grupos organizados en función de los valores de la variable pre-tratamiento. En la práctica, su uso se ha limitado al ámbito de la investigación sobre educación compensatoria (Trochim, 1984).
Lógica del diseño
Según la lógica del diseño, los sujetos son considerados, a partir de un punto de corte en la variable pre-tratamiento, como pertenecientes al grupo control o experimental (grupo de tratamiento). Por esta razón, la estrategia de discontinuidad en la regresión requiere que se conozca el criterio de formación del grupo control y grupo experimental (o de tratamiento); es decir, el criterio de selección (Thistlethwaite y Campbell, 1960).
Representación gráfica
Según Cain (1975), una clara ilustración de la modelación del procedimiento de selección es el uso de una puntuación pre-test (pre-tratamiento) en la asignación de los sujetos a los grupos de tratamiento (control y experimental). La estructura del diseño de discontinuidad en la regresión suele representarse, por lo general, en forma gráfica. ..//..
Sigue…
El eje de las ordenadas representa los valores de la variable de resultado y el eje de las abcisas los valores de la covariable donde está marcado un punto de corte, X0, para que queden delimitados los grupos.
DISEÑO DE DISCONTINUIDAD EN LA REGRESIÓN
PATRONES HIPOTÉTICOS DE LAS LÍNEAS DE REGRESIÓN
a) Efecto nulo b) Efecto principal negativo c) Efecto principal positivo
d) Efecto de interacción positivo e) Efectos de interacción y principal negativo
Variable de selección y diseño
Azar V.S. (?) V.S. (Pre)
D.Exp. DGNE DDR
Modelos de análisis del diseño
A) Análisis de la variancia
B) Análisis de la covariancia
C) Análisis de la regresión
Estrategias de análisis
1) ANOVA(y) V. Dep.
X
2) ANCOVA Y
XY
3) ANÁLISIS DE LA REGRESIÓN
Modelos de análisis
Ejemplo práctico 1
El propósito del análisis de datos es, en esta clase de diseños, comparar dos ecuaciones de la regresión en el punto de corte. Se pretende, por ejemplo, estudiar el efecto de un programa sobre el rendimiento escolar. ..//..
Sigue…
Puesto que los sujetos seleccionados que van a seguir el programa presentan niveles más altos en variables relacionadas con el rendimiento escolar que los controles, se decide utilizar esta información previa como covariable. ..//..
Sigue…
Según la estrategia del diseño, los sujetos que puntúan bajo en la covariable forman el grupo control y los que puntúan alto, el grupo experimental o de tratamiento. En la tabla de datos de este hipotético estudio, los sujetos control obtienen puntuaciones entre 1 y 5 en la covariable, y los sujetos con tratamiento entre 6 y 10. El punto de corte se sitúa en el intervalo 5-6. ..//..
Sigue…
Nótese que los sujetos van a parar al grupo control o experimental, independientemente de si se encuentran en la parte inferior o superior del punto de corte.
La asignación de los sujetos a un grupo u otro (control o experimental) es arbitraria y depende de los objetivos de la investigación.
12.1 121 1489
7.7 77 609
5.6 56 342
2.7 27 89
947168
4346657579
Y1122233445
X
Control
9101213131112141314
667778899
10
YX
Experimental
DISEÑO DE DISCONTINUIDAD EN LA REGRESIÓN
Medias:( ):( )2
( ) ( )
Análisis de la variancia (1)
Modelo estructural del anova
Yij = + j + ij
RESULTADO DEL ANOVA. DISEÑO DE DISCONTINUIDAD EN LA REGRESIÓN
(VARIABLE Y)
F0.99(1/18) = 8.28; F0.95(1/18) = 4.41
an-1=19 264.55Total
<0.0171.37211.25
2.96
a-1=1
a(n-1)=18
211.25
53.30
Entre Trat (A)
Error (S/A)
pFCMg.lSCF.V.
Análisis de la covariancia (2)
Modelo estructural de Análisis de la Covariancia (ANCOVA)
_Yij = + j + 1 (Xij – X..) + ’ij
Resultado del ANCOVA
F0.99(1/17) = 8.40; F0.95(1/17) = 4.45
an-2=1823.65Total (aj)
>0.051.882.35
1.25
a-1=1
a(n-1)-1=17
2.35
21.30
Variable A (aj)
Error S/A (aj)
pFCMg.lSCF.V.
Resultado Ancova (SPSS)-sin interacción-
Pruebas de los efectos inter-sujetos
Variable dependiente: Dependiente
243,250a 2 121,625 97,073 ,00015,106 1 15,106 12,057 ,00332,000 1 32,000 25,541 ,0002,352 1 2,352 1,877 ,188
21,300 17 1,2531831,000 20264,550 19
FuenteModelo corregidoIntersecciónPretratTratamientoErrorTotalTotal corregida
Suma decuadrados
tipo III glMedia
cuadrática F Significación
R cuadrado = ,919 (R cuadrado corregida = ,910)a.
Análisis de la regresión (3)
Yi = bo + b1Xi + b2Ti + b3XTi + i
Modelo de la Regresión con término de interacción
Resultado del análisis de la regresión ‘paso a paso’
Resumen del modelo
,954a ,911 ,906 1,14630 ,911 183,332 1 18 ,000,959b ,919 ,910 1,11934 ,009 1,877 1 17 ,188,959c ,920 ,905 1,15190 ,000 ,053 1 16 ,821
Modelo123
R R cuadradoR cuadradocorregida
Error típ. de laestimación
Cambio enR cuadrado Cambio en F gl1 gl2
Sig. delcambio en F
Estadísticos de cambio
Variables predictoras: (Constante), Pretrata.
Variables predictoras: (Constante), Pretrat, Tratamientob.
Variables predictoras: (Constante), Pretrat, Tratamiento, Interacciónc.
Comparación de los valores F
Fe Ft
ANOVA = 71.37 F0.95(1/18) = 4.41
ANCOVA = 1.88 F0.95(1/17) = 4.45
AR = 1.877 F0.95(1/17) = 4.45
Ejemplo práctico 2
De los resultados de Schorzman y Cheek (2004) se infiere que el método PC produce un notable incremento de la comprensión lectora. Por este motivo, se seleccionan sujetos que presentan puntuaciones iguales o inferiores a 25 en la variable pre a fin de formar el grupo que recibe tratamiento. Los sujetos control obtienen puntuaciones en la covariable superiores a 25.
Sigue…
Así, el punto de corte se sitúa en el intervalo 25-26. Se registran las la cantidad de espacios en blanco de un texto rellenados correctamente, antes y después de la intervención.
Estadísticos descriptivos
Estadísticos descriptivos
Variable dependiente: Post
26,35 5,402 2036,75 6,390 2031,55 7,864 40
GrupoTratamientoControlTotal
Media Desv. típ. N
Análisis del Anova (y)Prueba de homogeneidad
Prueba de homogeneidad de varianzas
Post
,764 1 38 ,388
Estadísticode Levene gl1 gl2 Sig.
Resultado del Anova
ANOVA
Post
1081,600 1 1081,600 30,896 ,0001330,300 38 35,0082411,900 39
Inter-gruposIntra-gruposTotal
Suma decuadrados gl
Mediacuadrática F Sig.
Resultado del Ancova-sin interacción-
Pruebas de los efectos inter-sujetos
Variable dependiente: Post
2131,381a 2 1065,690 140,563 ,00046,081 1 46,081 6,078 ,018
1049,781 1 1049,781 138,464 ,00057,205 1 57,205 7,545 ,009
280,519 37 7,58242228,000 40
2411,900 39
FuenteModelo corregidoIntersecciónPreGrupoErrorTotalTotal corregida
Suma decuadrados
tipo III glMedia
cuadrática F Significación
R cuadrado = ,884 (R cuadrado corregida = ,877)a.
Resultados del análisis de la regresión
Resumen del modelo
,927a ,860 ,856 2,981 ,860 233,381 1 38 ,000,940b ,884 ,877 2,753 ,024 7,545 1 37 ,009,940c ,884 ,875 2,782 ,001 ,250 1 36 ,620
Modelo123
R R cuadradoR cuadradocorregida
Error típ. de laestimación
Cambio enR cuadrado Cambio en F gl1 gl2
Sig. delcambio en F
Estadísticos de cambio
Variables predictoras: (Constante), Prea.
Variables predictoras: (Constante), Pre, Tratb.
Variables predictoras: (Constante), Pre, Trat, PreXTratc.
Análisis de la Covariancia. Líneas de la regresión no paralelas
Control Tratamiento
X - X0 Y X - X0 Y
Análisis de la CovarianciaLíneas de regresión no paralelas
TotalesMedias
Fin diseños cuasi transversales