9.2: Configuración de un experimento factorial
- Page ID
- 144628
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)
\( \newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\)
( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\)
\( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)
\( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\)
\( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)
\( \newcommand{\Span}{\mathrm{span}}\)
\( \newcommand{\id}{\mathrm{id}}\)
\( \newcommand{\Span}{\mathrm{span}}\)
\( \newcommand{\kernel}{\mathrm{null}\,}\)
\( \newcommand{\range}{\mathrm{range}\,}\)
\( \newcommand{\RealPart}{\mathrm{Re}}\)
\( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)
\( \newcommand{\Argument}{\mathrm{Arg}}\)
\( \newcommand{\norm}[1]{\| #1 \|}\)
\( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)
\( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\AA}{\unicode[.8,0]{x212B}}\)
\( \newcommand{\vectorA}[1]{\vec{#1}} % arrow\)
\( \newcommand{\vectorAt}[1]{\vec{\text{#1}}} % arrow\)
\( \newcommand{\vectorB}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vectorC}[1]{\textbf{#1}} \)
\( \newcommand{\vectorD}[1]{\overrightarrow{#1}} \)
\( \newcommand{\vectorDt}[1]{\overrightarrow{\text{#1}}} \)
\( \newcommand{\vectE}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash{\mathbf {#1}}}} \)
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)
\(\newcommand{\avec}{\mathbf a}\) \(\newcommand{\bvec}{\mathbf b}\) \(\newcommand{\cvec}{\mathbf c}\) \(\newcommand{\dvec}{\mathbf d}\) \(\newcommand{\dtil}{\widetilde{\mathbf d}}\) \(\newcommand{\evec}{\mathbf e}\) \(\newcommand{\fvec}{\mathbf f}\) \(\newcommand{\nvec}{\mathbf n}\) \(\newcommand{\pvec}{\mathbf p}\) \(\newcommand{\qvec}{\mathbf q}\) \(\newcommand{\svec}{\mathbf s}\) \(\newcommand{\tvec}{\mathbf t}\) \(\newcommand{\uvec}{\mathbf u}\) \(\newcommand{\vvec}{\mathbf v}\) \(\newcommand{\wvec}{\mathbf w}\) \(\newcommand{\xvec}{\mathbf x}\) \(\newcommand{\yvec}{\mathbf y}\) \(\newcommand{\zvec}{\mathbf z}\) \(\newcommand{\rvec}{\mathbf r}\) \(\newcommand{\mvec}{\mathbf m}\) \(\newcommand{\zerovec}{\mathbf 0}\) \(\newcommand{\onevec}{\mathbf 1}\) \(\newcommand{\real}{\mathbb R}\) \(\newcommand{\twovec}[2]{\left[\begin{array}{r}#1 \\ #2 \end{array}\right]}\) \(\newcommand{\ctwovec}[2]{\left[\begin{array}{c}#1 \\ #2 \end{array}\right]}\) \(\newcommand{\threevec}[3]{\left[\begin{array}{r}#1 \\ #2 \\ #3 \end{array}\right]}\) \(\newcommand{\cthreevec}[3]{\left[\begin{array}{c}#1 \\ #2 \\ #3 \end{array}\right]}\) \(\newcommand{\fourvec}[4]{\left[\begin{array}{r}#1 \\ #2 \\ #3 \\ #4 \end{array}\right]}\) \(\newcommand{\cfourvec}[4]{\left[\begin{array}{c}#1 \\ #2 \\ #3 \\ #4 \end{array}\right]}\) \(\newcommand{\fivevec}[5]{\left[\begin{array}{r}#1 \\ #2 \\ #3 \\ #4 \\ #5 \\ \end{array}\right]}\) \(\newcommand{\cfivevec}[5]{\left[\begin{array}{c}#1 \\ #2 \\ #3 \\ #4 \\ #5 \\ \end{array}\right]}\) \(\newcommand{\mattwo}[4]{\left[\begin{array}{rr}#1 \amp #2 \\ #3 \amp #4 \\ \end{array}\right]}\) \(\newcommand{\laspan}[1]{\text{Span}\{#1\}}\) \(\newcommand{\bcal}{\cal B}\) \(\newcommand{\ccal}{\cal C}\) \(\newcommand{\scal}{\cal S}\) \(\newcommand{\wcal}{\cal W}\) \(\newcommand{\ecal}{\cal E}\) \(\newcommand{\coords}[2]{\left\{#1\right\}_{#2}}\) \(\newcommand{\gray}[1]{\color{gray}{#1}}\) \(\newcommand{\lgray}[1]{\color{lightgray}{#1}}\) \(\newcommand{\rank}{\operatorname{rank}}\) \(\newcommand{\row}{\text{Row}}\) \(\newcommand{\col}{\text{Col}}\) \(\renewcommand{\row}{\text{Row}}\) \(\newcommand{\nul}{\text{Nul}}\) \(\newcommand{\var}{\text{Var}}\) \(\newcommand{\corr}{\text{corr}}\) \(\newcommand{\len}[1]{\left|#1\right|}\) \(\newcommand{\bbar}{\overline{\bvec}}\) \(\newcommand{\bhat}{\widehat{\bvec}}\) \(\newcommand{\bperp}{\bvec^\perp}\) \(\newcommand{\xhat}{\widehat{\xvec}}\) \(\newcommand{\vhat}{\widehat{\vvec}}\) \(\newcommand{\uhat}{\widehat{\uvec}}\) \(\newcommand{\what}{\widehat{\wvec}}\) \(\newcommand{\Sighat}{\widehat{\Sigma}}\) \(\newcommand{\lt}{<}\) \(\newcommand{\gt}{>}\) \(\newcommand{\amp}{&}\) \(\definecolor{fillinmathshade}{gray}{0.9}\)Así como es común que los estudios en psicología incluyan múltiples niveles de una sola variable independiente (placebo, nuevo fármaco, medicamento antiguo), también es común que incluyan múltiples variables independientes. Schnall y sus colegas estudiaron el efecto tanto del disgusto como de la conciencia corporal privada en el mismo estudio. La inclusión por parte de los investigadores de múltiples variables independientes en un experimento se ilustra con los siguientes títulos reales de diversas revistas profesionales:
- Los efectos del retardo temporal y la orientación en el reconocimiento de objetos hápticos
- Abriendo mentes cerradas: los efectos combinados del contacto intergrupal y la necesidad de cierre sobre los prejuicios
- Efectos de las expectativas y el afrontamiento sobre las intenciones de fumar inducidas por el dolor
- El efecto de la edad y la atención dividida en el reconocimiento espontáneo
- Los efectos de la reducción del tamaño de los alimentos y el tamaño del paquete en el comportamiento de consumo de los comedores restringidos y desenfrenados
Así como incluir múltiples niveles de una sola variable independiente permite responder preguntas de investigación más sofisticadas, también lo hace incluir múltiples variables independientes en un mismo experimento. Por ejemplo, en lugar de realizar un estudio sobre el efecto del disgusto en el juicio moral y otro sobre el efecto de la conciencia corporal privada en el juicio moral, Schnall y sus colegas pudieron realizar un estudio que abordó ambas cuestiones. Pero incluir múltiples variables independientes también permite al investigador responder preguntas sobre si el efecto de una variable independiente depende del nivel de otra. Esto se conoce como una interacción entre las variables independientes. Schnall y sus colegas, por ejemplo, observaron una interacción entre el disgusto y la conciencia corporal privada porque el efecto del disgusto dependía de si los participantes eran altos o bajos en la conciencia corporal privada. Como veremos, las interacciones suelen estar entre los resultados más interesantes en la investigación psicológica.
Diseños factoriales
Visión general
Con mucho, el enfoque más común para incluir múltiples variables independientes (que a menudo se llaman factores) en un experimento es el diseño factorial. En un diseño factorial, cada nivel de una variable independiente se combina con cada nivel de los demás para producir todas las combinaciones posibles. Cada combinación, entonces, se convierte en una condición en el experimento. Imagínese, por ejemplo, un experimento sobre el efecto del uso del celular (sí vs. No) y la hora del día (día vs. noche) sobre la capacidad de manejo. Esto se muestra en la tabla de diseño factorial de la Figura\(\PageIndex{1}\). Las columnas de la tabla representan el uso del celular, y las filas representan la hora del día. Las cuatro celdas de la tabla representan las cuatro combinaciones o condiciones posibles: usar un celular durante el día, no usar un celular durante el día, usar un celular por la noche y no usar un celular por la noche. Este diseño particular se conoce como un diseño factorial de 2 × 2 (léase “dos por dos”) porque combina dos variables, cada una de las cuales tiene dos niveles.
Si una de las variables independientes tuviera un tercer nivel (por ejemplo, usar un celular portátil, usar un celular manos libres y no usar un celular), entonces sería un diseño factorial de 3×2, y habría seis condiciones distintas. Observe que el número de condiciones posibles es producto de los números de niveles. Un diseño factorial de 2 × 2 tiene cuatro condiciones, un diseño factorial de 3 × 2 tiene seis condiciones, un diseño factorial de 4 × 5 tendría 20 condiciones, y así sucesivamente. También observe que cada número en la notación representa un factor, una variable independiente. Entonces, al observar cuántos números hay en la notación, puede determinar cuántas variables independientes hay en el experimento. Los diseños de 2 x 2, 3 x 3 y 2 x 3 tienen todos dos números en la notación y por lo tanto todos tienen dos variables independientes. El valor numérico de cada uno de los números representa el número de niveles de cada variable independiente. A 2 significa que la variable independiente tiene dos niveles, un 3 significa que la variable independiente tiene tres niveles, un 4 significa que tiene cuatro niveles, etc. Para ilustrar un diseño de 3 x 3 tiene dos variables independientes, cada una con tres niveles, mientras que un diseño de 2 x 2 x 2 tiene tres variables independientes, cada una con dos niveles.
En principio, los diseños factoriales pueden incluir cualquier número de variables independientes con cualquier número de niveles. Por ejemplo, un experimento podría incluir el tipo de psicoterapia (cognitiva vs. conductual), la duración de la psicoterapia (2 semanas vs. 2 meses) y el sexo del psicoterapeuta (femenino vs. masculino). Este sería un diseño factorial de 2 × 2 × 2 y tendría ocho condiciones. La figura\(\PageIndex{2}\) muestra una manera de representar este diseño. En la práctica, es inusual que haya más de tres variables independientes con más de dos o tres niveles cada una. Esto es por al menos dos razones: Por una, el número de condiciones puede llegar a ser rápidamente inmanejable. Por ejemplo, agregar una cuarta variable independiente con tres niveles (p. ej., experiencia del terapeuta: bajo vs medio vs. alto) al ejemplo actual lo convertiría en un diseño factorial de 2 × 2 × 2 × 3 con 24 condiciones distintas. En segundo lugar, el número de participantes requeridos para poblar todas estas condiciones (manteniendo una capacidad razonable para detectar un efecto subyacente real) puede hacer que el diseño sea inviable (para más información, vea la discusión sobre la importancia del poder estadístico adecuado en el Capítulo 13). Como resultado, en el resto de esta sección, nos centraremos en diseños con dos variables independientes. Los principios generales aquí discutidos se extienden de manera directa a diseños factoriales más complejos.
Asignación de Participantes a Condiciones
Recordemos que en un diseño sencillo entre sujetos, cada participante es probado en una sola condición. En un diseño sencillo dentro de las asignaturas, cada participante es probado en todas las condiciones. En un experimento factorial, la decisión de tomar el enfoque entre sujetos o dentro de los sujetos debe hacerse por separado para cada variable independiente. En un diseño factorial entre sujetos, todas las variables independientes son manipuladas entre sujetos. Por ejemplo, todos los participantes podrían ser evaluados ya sea mientras usan un celular o mientras no usan un celular y ya sea durante el día o durante la noche. Esto significaría que cada participante sería probado en una y sólo una condición. En un diseño factorial dentro de sujetos, todas las variables independientes son manipuladas dentro de los sujetos. Todos los participantes pudieron ser evaluados tanto mientras usan un celular como mientras no usan un celular y tanto durante el día como durante la noche. Esto significaría que cada participante tendría que ser probado en las cuatro condiciones. Las ventajas y desventajas de estos dos enfoques son las mismas que las discutidas en el Capítulo 5. El diseño entre sujetos es conceptualmente más sencillo, evita los efectos de orden/arrastre y minimiza el tiempo y esfuerzo de cada participante. El diseño dentro de las asignaturas es más eficiente para el investigador y controla variables externas de los participantes.
Dado que los diseños factoriales tienen más de una variable independiente, también es posible manipular una variable independiente entre sujetos y otra dentro de sujetos. A esto se le llama un diseño factorial mixto. Por ejemplo, un investigador podría optar por tratar el uso del teléfono celular como un factor dentro de los sujetos probando a los mismos participantes tanto mientras usa un teléfono celular como mientras no usa un teléfono celular (mientras contrarresta el orden de estas dos afecciones). Pero podrían optar por tratar la hora del día como un factor entre sujetos probando a cada participante ya sea durante el día o durante la noche (quizás porque esto solo requiere que vengan a hacerse la prueba una vez). Así, cada participante en este diseño mixto sería probado en dos de las cuatro condiciones.
Independientemente de si el diseño es entre sujetos, dentro de sujetos, o mixto, la asignación real de los participantes a condiciones u órdenes de condiciones generalmente se realiza aleatoriamente.
Variables independientes no manipuladas
En muchos diseños factoriales, una de las variables independientes es una variable independiente no manipulada. El investigador lo mide pero no lo manipula. El estudio de Schnall y colegas es un buen ejemplo. Una variable independiente fue el disgusto, que los investigadores manipularon probando a los participantes en una sala limpia o una habitación desordenada. La otra era la conciencia corporal privada, variable participante que los investigadores simplemente midieron. Otro ejemplo es un estudio de Halle Brown y colegas en el que los participantes fueron expuestos a varias palabras que luego se les pidió que recordaran (Brown, Kosslyn, Delamater, Fama, & Barsky, 1999) [1]. La variable independiente manipulada fue el tipo de palabra. Algunas fueron palabras negativas relacionadas con la salud (por ejemplo, tumor, coronario) y otras no relacionadas con la salud (por ejemplo, elección, geometría). La variable independiente no manipulada fue si los participantes eran altos o bajos en hipocondriasis (preocupación excesiva por los síntomas corporales ordinarios). El resultado de este estudio fue que los participantes altos en hipocondriasis fueron mejores que los bajos en hipocondriasis al recordar las palabras relacionadas con la salud, pero no fueron mejores para recordar las palabras no relacionadas con la salud.
Tales estudios son extremadamente comunes, y hay varios puntos que vale la pena hacer sobre ellos. En primer lugar, las variables independientes no manipuladas suelen ser variables participantes (conciencia corporal privada, hipocondriasis, autoestima, género, etc.), y como tales, son por definición factores entre sujetos. Por ejemplo, las personas son bajas en hipocondriasis o altas en hipocondriasis; no se pueden hacer pruebas en ambos padecimientos. En segundo lugar, dichos estudios generalmente se consideran experimentos siempre que se manipule al menos una variable independiente, independientemente de cuántas variables independientes no manipuladas se incluyan. Tercero, es importante recordar que sólo se pueden sacar conclusiones causales sobre la variable independiente manipulada. Por ejemplo, Schnall y sus colegas se justificaron al concluir que el asco afectaba la dureza de los juicios morales de sus participantes porque manipulaban esa variable y asignaban aleatoriamente a los participantes a la habitación limpia o desordenada. Pero no se habrían justificado al concluir que la conciencia del cuerpo privado de los participantes afectó la dureza de los juicios morales de sus participantes porque no manipularon esa variable. Podría ser, por ejemplo, que tener un estricto código moral y una mayor conciencia del propio cuerpo sean ambos causados por alguna tercera variable (por ejemplo, el neuroticismo). Por lo tanto, es importante tener en cuenta qué variables en un estudio son manipuladas y cuáles no.
Estudios no experimentales con diseños factoriales
Hasta ahora hemos visto que los experimentos factoriales pueden incluir variables independientes manipuladas o una combinación de variables independientes manipuladas y no manipuladas. Pero los diseños factoriales también pueden incluir solo variables independientes no manipuladas, en cuyo caso ya no son experimentos sino que son de naturaleza no experimental. Considera un estudio hipotético en el que un investigador simplemente mide tanto los estados de ánimo como la autoestima de varios participantes, categorizándolos como de estado de ánimo positivo o negativo y como altos o bajos en autoestima, junto con su disposición a tener relaciones sexuales sin protección. Esto se puede conceptualizar como un diseño factorial 2 × 2 con el estado de ánimo (positivo vs negativo) y la autoestima (alta vs baja) como factores no manipulados entre sujetos. La disposición a tener relaciones sexuales sin protección es la variable dependiente.
Nuevamente, debido a que en este ejemplo no se manipuló ninguna variable independiente, se trata de un estudio no experimental más que de un experimento. (El estudio similar de MacDonald y Martineau [2002] [2] fue un experimento porque manipularon los estados de ánimo de sus participantes.) Esto es importante porque, como siempre, hay que ser cauteloso al inferir la causalidad a partir de estudios no experimentales debido a la direccionalidad y problemas de tercera variable. Por ejemplo, un efecto de los estados de ánimo de los participantes en su disposición a tener relaciones sexuales sin protección podría ser causado por cualquier otra variable que esté correlacionada con sus estados de ánimo.
Referencias
- Brown, H. D., Kosslyn, S. M., Delamater, B., Fama, A., & Barsky, A. J. (1999). Sesgos perceptuales y de memoria para información relacionada con la salud en individuos hipocondríacos. Revista de Investigación Psicosomática, 47, 67—78.
- MacDonald, T. K., & Martineau, A. M. (2002). Autoestima, estado de ánimo e intenciones de usar condones: ¿Cuándo la baja autoestima conduce a conductas riesgosas para la salud? Revista de Psicología Social Experimental, 38, 299—306.