9.2: Propósito de los diseños factoriales

Los diseños factoriales permiten a los investigadores manipular más de una cosa a la vez. Esto inmediatamente complica las cosas, pues como verás, hay muchos más detalles a los que hacer un seguimiento. ¿Por qué los investigadores querrían complicar las cosas? ¿Por qué querrían manipular más de una IV a la vez?

Antes de continuar, aclaremos a qué nos referimos con manipular más de una cosa a la vez. Cuando tienes una IV en tu diseño, por definición, estás manipulando solo una cosa. Esto puede parecer confuso al principio, porque el IV tiene más de un nivel, por lo que parece tener más de una manipulación. Considera manipular la cantidad de cafés que las personas beben antes de hacer una prueba. Podríamos tomar una IV (café), con tres niveles (1, 2 o 3 cafés). Quizás quieras decir que aquí tenemos tres manipulaciones, bebiendo 1, 2 o 3 cafés. Pero, la forma en que definimos la manipulación son términos de la IV. Sólo hay un café IV. Tiene tres niveles. No obstante, decimos que sólo estás haciendo una manipulación del café. Lo único que estás manipulando es la cantidad de café. Eso es sólo una cosa, entonces se llama una manipulación. Para hacer otra, segunda manipulación, es necesario manipular adicionalmente algo que no es café (como la hora del día en nuestro ejemplo anterior).

Volviendo a nuestra pregunta: ¿por qué los investigadores querrían manipular más de una cosa en su experimento? La respuesta podría ser algo obvia. ¡Quieren saber si más de una cosa provoca cambios en lo que están midiendo! Por ejemplo, si estás midiendo la felicidad de las personas, podrías suponer que más de una cosa hace que la felicidad cambie. Si quisieras rastrear cómo dos cosas causaron cambios en la felicidad, entonces podrías querer tener dos manipulaciones de dos IV diferentes. Esta no es una forma equivocada de pensar las razones por las que los investigadores utilizan diseños factoriales. A menudo les interesan preguntas como esta. Sin embargo, creemos que esta es una forma poco útil de aprender primero sobre los diseños factoriales.

Presentamos una manera ligeramente diferente de pensar sobre la utilidad de los diseños factoriales, y creemos que es tan importante, se obtiene su propia sección.

 

Los factoriales manipulan un efecto de interés

Así es como los investigadores suelen utilizar diseños factoriales para comprender las influencias causales detrás de los efectos que les interesa medir. Observe que no dijimos las variables dependientes que están midiendo, ahora estamos hablando de algo llamado efectos. Los efectos son el cambio en una medida causado por una manipulación. Obtienes un efecto, cada vez que una IV provoca un cambio en una DV.

Aquí hay un ejemplo. Nos quedaremos con este ejemplo por un tiempo, así que presta atención... De hecho, el ejemplo se trata de prestar atención. Digamos que querías medir algo como prestar atención. Podrías algo como esto:

1. Elige una tarea para que la gente haga que puedas medir. Por ejemplo, puedes medir qué tan bien realizan la tarea. Esa será la medida dependiente
2. Elige una manipulación que creas que causará diferencias en la atención. Por ejemplo, sabemos que la gente puede distraerse fácilmente cuando hay cosas que distraen alrededor. Podrías tener dos niveles para tu manipulación: Sin distracción versus distracción.
3. Medir el desempeño en la tarea bajo las dos condiciones
4. Si tu manipulación de distracciones cambia la forma en que las personas realizan la tarea, es posible que hayas manipulado con éxito qué tan bien las personas pueden prestar atención en tu tarea.

 

Encuentra la diferencia

Vamos a elaborar esto con otro ejemplo falso. Primero, elegimos una tarea. Se llama detectar la diferencia. Es posible que hayas jugado a este juego antes. Miras dos imágenes una al lado de la otra, y luego localizas tantas diferencias como puedas encontrar. aquí hay un ejemplo:

Figura\(\PageIndex{1}\): Detectar las diferencias entre las dos imágenes.

¿Cuántas diferencias puedes detectar? Cuando buscas las diferencias, se siente como si estuvieras haciendo algo que llamaríamos “prestar atención”. Si prestas atención a la torre del reloj, verás que las manecillas del reloj son diferentes. ¡Ya! Una diferencia manchada.

Podríamos darle a la gente 30 segundos para encontrar tantas diferencias como puedan. Después les damos otro conjunto de fotos y lo hacemos de nuevo. Cada vez mediremos cuántas diferencias pueden detectar. Entonces, nuestra medida de desempeño, nuestra variable dependiente, podría ser el número medio de diferencias detectadas.

 

Manipulación de distracción

Ahora, pensemos en una manipulación que podría causar diferencias en la forma en que las personas prestan atención. Si la gente necesita prestar atención a detectar diferencias, entonces presumiblemente si nos dificultara prestar atención, la gente detectaría menos diferencias. ¿Cuál es una buena manera de distraer a la gente? Seguro que hay muchas maneras de hacer esto. Qué tal si hacemos lo siguiente:

1. Sin condición de distracción: Aquí la gente hace la tarea sin distracciones añadidas. Se sientan frente a una computadora, en una habitación tranquila y sin distracciones, y encuentran tantas diferencias como puedan para cada par de imágenes
2. Condición de distracción: Aquí volamos sonidos de ambulancia súper fuertes y alarmas de incendio y música heavy metal mientras la gente intenta detectar diferencias. También encendemos y apagamos aleatoriamente los sonidos, y los hacemos súper molestos y distraen. Nos aseguramos de que los sonidos no sean lo suficientemente fuertes como para hacer ningún daño físico a los tímpanos de nadie. Pero, queremos hacerlos lo suficientemente fuertes como para que distraigan súper. Si no te gusta esto, también podríamos hacerle cosquillas a la gente con una pluma, o susurrarle cosas tontas a los oídos, o rodearlos de payasos, o lo que queramos, solo tiene que ser súper distrayente.

 

Efecto de distracción

Si nuestra manipulación de distracciones es súper distractora, entonces, ¿qué debemos esperar encontrar cuando comparamos el rendimiento de la diferencia entre las condiciones de no distracción y distracción? ¡Deberíamos encontrar una diferencia!

Si nuestra manipulación funciona, entonces deberíamos encontrar que las personas encuentran más diferencias cuando no se distraen, y menos diferencias cuando se distraen. Por ejemplo, los datos podrían verse así:

library(ggplot2)
df <- data.frame(Distraction = c("No distraction","Distraction"),
                 Mean_diffs = c(10,5))
ggplot(df, aes(x=Distraction, y=Mean_diffs))+
  geom_bar(stat="identity")+
  theme_classic()+
  ylab("Mean differences spotted")+
  xlab("Distraction Condition")+
  ggtitle("The distraction effect")

Figura\(\PageIndex{2}\): Datos de ejemplo del experimento simulado que muestran el número de diferencias detectadas en una condición de distracción versus ninguna distracción.

La figura muestra una gran diferencia en el número medio de diferencia manchado. Las personas encontraron 5 diferencias en promedio cuando estaban distraídas, y 10 diferencias cuando no estaban distraídas. Nosotros etiquetamos a la figura, “El efecto distracción”, porque muestra un gran efecto de distracción. El efecto de la distracción es una media de 5 puntos de las diferencias. Es la diferencia entre el desempeño en las condiciones de Distracción y Sin Distracción. En general, es muy común usar la palabra efecto para referirse a las diferencias causadas por la manipulación. Manipulamos la distracción, causó una diferencia, así que llamamos a esto el “efecto de distracción”.

 

Manipulación del efecto Distracción

Aquí es donde entran en juego los diseños factoriales. Hemos hecho el arduo trabajo de encontrar un efecto de interés, en este caso el efecto de distracción. Creemos que este efecto de distracción en realidad mide algo sobre tu capacidad para prestar atención. Por ejemplo, si fueras el tipo de persona que tenía un pequeño efecto de distracción (tal vez encuentres 10 diferencias cuando no estás distraído y 9 diferencias cuando estás distraído), eso podría significar que eres muy bueno para ignorar las cosas que distraen mientras estás prestando atención. Por otro lado, podrías ser el tipo de persona que tuvo un gran efecto de distracción (tal vez encontraste 10 diferencias sin distracción, y solo 1 diferencia cuando estabas distraído); esto podría significar que no eres muy bueno para ignorar las cosas que distraen mientras estás prestando atención.

En general ahora, estamos pensando en nuestro efecto de distracción (la diferencia de rendimiento entre las dos condiciones) como lo importante que queremos medir. Entonces tal vez queramos saber cómo mejorar a la gente ignorando las cosas que distraen. O bien, tal vez queramos saber qué empeora a la gente al ignorar las cosas. En otras palabras, queremos averiguar qué manipulaciones controlan el tamaño del efecto de distracción (¡hazlo más grande o más pequeño, o incluso darle la vuelta!).

A lo mejor hay un medicamento especial que te ayuda a ignorar las cosas que distraen. Las personas que toman este medicamento deberían estar menos distraídas, y si tomaron este medicamento mientras completaban nuestra tarea, deberían tener un efecto de distracción menor en comparación con las personas que no toman el medicamento.

Tal vez recompensar a la gente con dinero pueda ayudarte a prestar atención e ignorar mejor las cosas que distraen. Las personas que reciben 5 dólares cada vez que detectan una diferencia podrían enfocarse más debido a la recompensa, y mostrarían un efecto de distracción menor en nuestra tarea, en comparación con las personas que no obtuvieron dinero para encontrar diferencias. Veamos cómo se vería esto.

Vamos a agregar un segundo IV a nuestra tarea. El segundo IV manipulará recompensa. En una condición, las personas obtendrán 5 dólares por cada diferencia que encuentren (para que puedan salir del estudio con mucho dinero si encuentran muchas diferencias). En la otra condición, la gente no obtendrá dinero, pero aún así tendrán encontrar diferencias. Recuerda, este será un diseño factorial, así que todos tendrán que encontrar diferencias cuando estén distraídos y cuando no estén distraídos.

La pregunta que ahora nos estamos haciendo es: ¿Manipulando la recompensa provocará un cambio en el tamaño del efecto de distracción? Podríamos predecir que las personas que reciben recompensas tendrán un efecto de distracción menor que las personas que no reciben recompensas. Si eso sucediera, los datos se verían así:

library(ggplot2)
df <- data.frame(Distraction = c("No distraction","Distraction",
                                 "No distraction","Distraction"),
                 Mean_diffs = c(10,5,11,9),
                 Reward = rep(c("No Reward","Reward"),each=2))
ggplot(df, aes(x=Distraction, y=Mean_diffs, group=Reward, fill=Reward))+
  geom_bar(stat="identity", position="dodge")+
  theme_classic()+
  ylab("Mean differences spotted")+
  xlab("Distraction Condition")+
  ggtitle("The distraction effect as a function of reward")

Figura\(\PageIndex{3}\): Datos de ejemplo que muestran cómo el efecto de distracción podría ser modulado por una manipulación de recompensa. La condición de distracción trazada en el eje x, hace que sea más difícil comparar los cambios en el efecto de distracción entre las condiciones de recompensa.

Acabo de mostrarte un nuevo tipo de gráfico. Te pido disculpas ahora mismo por mostrarte esto primero. Es más inútil que la siguiente gráfica. Lo que hice fue mantener el eje x igual que antes (para ser consistente). Entonces, tenemos distracción vs. ninguna distracción en el eje x. En la condición de distracción, hay medios para el desempeño puntual de la diferencia en las condiciones sin recompensa (rojo) y recompensa (aqua). Lo mismo ocurre con la condición de no distracción, una barra roja y una barra acuática para las condiciones de no recompensa y recompensa. Podemos intentar interpretar esta gráfica, pero la siguiente gráfica traza los mismos datos de una manera diferente, lo que facilita ver de qué estamos hablando.

library(ggplot2)
df <- data.frame(Distraction = c("No distraction","Distraction",
                                 "No distraction","Distraction"),
                 Mean_diffs = c(10,5,11,9),
                 Reward = rep(c("No Reward","Reward"),each=2))
ggplot(df, aes(x=Reward, y=Mean_diffs, group=Distraction, fill=Distraction))+
  geom_bar(stat="identity", position="dodge")+
  theme_classic()+
  ylab("Mean differences spotted")+
  xlab("Reward Condition")+
  ggtitle("The distraction effect as a function of reward")

Figura\(\PageIndex{4}\): Datos de ejemplo que muestran cómo el efecto de distracción podría ser modulado por una manipulación de recompensa. La condición de recompensa trazada en el eje x, facilita la comparación de los cambios en el efecto de distracción entre las condiciones de recompensa.

Todo lo que hicimos fue cambiar el eje x. Ahora el lado izquierdo del eje x es para la condición sin recompensa, y el lado derecho es para la condición de recompensa. La barra roja es para la condición de distracción, y la barra de agua es para la condición de no distracción. Es más fácil ver el efecto de distracción en esta gráfica. El efecto de distracción es la diferencia de tamaño entre las barras rojas y aqua. Por cada condición de recompensa, las barras rojas y acuáticas están justo al lado de la otra, por lo que puede ver si hay una diferencia entre ellas más fácilmente, en comparación con la primera gráfica.

Condición sin recompensa: En la condición sin recompensa la gente jugaba detectar la diferencia cuando estaban distraídos y cuando no estaban distraídos. Esta es una réplica de nuestro primer estudio falso. Deberíamos esperar encontrar el mismo patrón de resultados, y eso es lo que muestra la gráfica. Hubo una diferencia de 5. Las personas encontraron 5 diferencias cuando estaban distraídas y 10 cuando no estaban distraídas. Entonces, hubo un efecto de distracción de 5, igual que el que tuvimos la última vez.

Condición de recompensa: En la condición de recompensa la gente jugaba detectar la diferencia cuando estaban distraídos y cuando no estaban distraídos. Excepto, les sacaban 5 dólares cada vez que veían una diferencia. Predijimos que esto haría que la gente prestara más atención y hiciera un mejor trabajo al ignorar las cosas que distraen. El gráfico muestra que esto es lo que pasó. Las personas encontraron 9 diferencias cuando estaban distraídas y 11 cuando no estaban distraídas. Entonces, hubo un efecto de distracción de 2.

Si hubiéramos realizado este estudio, podríamos haber llegado a la conclusión de que la recompensa puede manipular el efecto de distracción. Cuando no hubo recompensa, el tamaño del efecto de distracción era 5. Cuando hubo recompensa, el tamaño del efecto de distracción era 2. Entonces, la manipulación de la recompensa cambió el tamaño del efecto de distracción en 3 (5-2 =3).

Esta es nuestra descripción de por qué los diseños factoriales son tan útiles. Permiten a los investigadores averiguar qué tipo de manipulaciones pueden provocar cambios en los efectos que miden. Medimos el efecto de distracción, luego encontramos que la recompensa causa cambios en el efecto de distracción. Si estuviéramos tratando de entender cómo funciona prestar atención, entonces tendríamos que explicar cómo es que los niveles de recompensa podrían cambiar causalmente la forma en que la gente presta atención. Tendríamos alguna evidencia de que la recompensa sí causa cambios en la atención, y tendríamos que llegar a algunas explicaciones, y luego ejecutar más experimentos para probar si esas explicaciones tienen agua.