Please enable JavaScript.
Coggle requires JavaScript to display documents.
Diseño experimental clásico - Coggle Diagram
Diseño experimental clásico
Andrea Denise Montes González
Supuestos básicos para diseñar un experimento clásico.
Condición fundamental: ¿Cuál es la probabilidad de que los resultados observador hayan ocurrido al azar?
Utiliza las pruebas convencionales de significación estadística como procedimiento para verificar hipótesis.
Estrategia básica al analizar datos: adoptar como hipótesis tentativa la "expectativa del azar".
Utilización de técnicas estadísticas ayuda para obtener inferencias con garantías de precisión y exactitud. Se pretende alcanzar conclusiones precisas a partir de los datos del experimento.
Los datos experimentales cumplen con los supuestos requeridos para el modelo.
Toda aplicación incorrecta de una prueba estadística no permite inferir consecuencias causales.
Criterios para seleccionar una prueba de significación estadística adecuada.
Prueba estadística y diseño experimental
Aspectos a considerar:
Cantidad de variables independientes manipuladas y de cuyo efecto se quiere tener un conocimiento exacto.
Cantidad de grupos formados. Depende de los niveles que toma cada una de las variables.
Sistema de asignación de los sujetos a los grupos. Si han sido al azar, apareados o si se utiliza un mismo sujeto.
Prueba estadística y condición de medida
Tipo de escala que va a utilizarse para la medida de la variable dependiente. Según la escala variará el tipo de prueba estadística.
Escalas paramétricas: suposiciones altamente restrictivas en como se distribuyen.
No paramétricas: la forma de distribución es libre.
Criterios básicos:
Que el modelo estadístico se ajuste a la estructura del experimento
Que el requisito de medida sea satisfactorio
¿Cuando usar pruebas de significancia estadística no paramétrica?
Se debe recurrir a pruebas estadísticas no paramétricas cuando los datos están recogidos en escalas nominal y ordinal y cuando los datos no permiten hacer suposiciones acerca de la forma de distribución de la población, ni las distribuciones de las poblaciones de donde proceden las muestras tengan varianza igual.
Desventajas
Cuanto más débiles sean los supuestos del modelo, más generales y ambiguass serán las conclusiones y menos poderosas las pruebas para rechazar hipótesis.
Hasta hace poco no se contaba con sistematización o recopilación de las pruebas estadísticas no paramétricas.
Para un mismo nivel de potencia la prueba no paramétrica requiere de mayor cantidad de datos a un tamaño mayor de muestra. Los cálculos exigen mayor cantidad de tiempo y complejidad.
Ventajas
Permiten hacer afirmaciones exactas sobre la probabilidad de los valores obtenidos.
Si las muestras son muy pequeñas no hay opción posible para la aplicación de una prueba estadística a menos de que la población de origen sea realmente conocida.
Si la muestra está formada por observaciones de poblaciones distintas, existen pruebas no paramétricas apropiadas para la inferencia de hipótesis
Los métodos no paramétricos son más rápidos y fáciles de aplicar. Suelen ser muy simples
Si los datos son inherentemente de la naturaleza de rangos, pueden ser tratados por métodos no paramétricos sin asumir una forma especial de la distribución subyacente.
A veces los datos solo pueden clasificarse en categorías de una escala nominal.
¿En qué consiste la prueba de hipótesis estadística?
Es una suposición sobre la población estadística que en virtud de la información obtenida a partir de los datos decidiremos aceptar o rechazar.
La hipotesis nula es la hipótesis objeto de verificación.
La hipótesis alternativa tiene que ser atribuida a la manipulación experimental.
¿Cómo seleccionar una prueba de significancia estadística?
Es aconsejable utilizar una prueba paramétrica, siempre que las propiedades de los datos lo permitan
Cuando el tamaño de las muestras o grupos experimentales es diferente, se aconseja aplicar la prueba de homogeneidad de la varianza en lugar de la prueba T de Student.
Si la prueba de homogeneidad demuestra que las varianzas son diferentes queda utilizar una prueba no-paramétrica.