9.9: Resumen factorial
- Page ID
- 150373
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)
\( \newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\)
( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\)
\( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)
\( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\)
\( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)
\( \newcommand{\Span}{\mathrm{span}}\)
\( \newcommand{\id}{\mathrm{id}}\)
\( \newcommand{\Span}{\mathrm{span}}\)
\( \newcommand{\kernel}{\mathrm{null}\,}\)
\( \newcommand{\range}{\mathrm{range}\,}\)
\( \newcommand{\RealPart}{\mathrm{Re}}\)
\( \newcommand{\ImaginaryPart}{\mathrm{Im}}\)
\( \newcommand{\Argument}{\mathrm{Arg}}\)
\( \newcommand{\norm}[1]{\| #1 \|}\)
\( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\)
\( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\AA}{\unicode[.8,0]{x212B}}\)
\( \newcommand{\vectorA}[1]{\vec{#1}} % arrow\)
\( \newcommand{\vectorAt}[1]{\vec{\text{#1}}} % arrow\)
\( \newcommand{\vectorB}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vectorC}[1]{\textbf{#1}} \)
\( \newcommand{\vectorD}[1]{\overrightarrow{#1}} \)
\( \newcommand{\vectorDt}[1]{\overrightarrow{\text{#1}}} \)
\( \newcommand{\vectE}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash{\mathbf {#1}}}} \)
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \)
\( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)
Te hemos introducido diseños factoriales, que son simplemente diseños con más de un IV. La propiedad especial de los diseños factoriales es que todos los niveles de cada IV necesitan ser cruzados con los otros IV.
Te mostramos cómo analizar un diseño 2x2 de medidas repetidas con muestras-pruebas pareadas, y cómo sería una tabla ANOVA si hicieras esto en R. También pasamos, a mano, por la tarea de calcular una tabla ANOVA para un diseño de 2x2 entre sujetos.
El punto principal que queremos que te lleves es que los diseños factoriales son sumamente útiles para determinar cosas que provocan cambios en los efectos. Generalmente un investigador mide un efecto de interés (su IV 1). Entonces, quieren saber qué hace que ese efecto se haga más grande o menor. Quieren ejercer control experimental sobre su efecto. Por ejemplo, podrían tener una teoría que diga que hacer X debería agrandar el efecto, pero hacer Y debería hacerlo más pequeño. Pueden probar estas teorías usando diseños factoriales, y manipulando X o Y como segunda variable independiente.
En un diseño factorial cada IV tendrá su propio efecto principal. En ocasiones el efecto principal en sí es lo que le interesan las medidas al investigador. Pero más a menudo, es el efecto de interacción el que más relevante es. La interacción puede probar si el efecto de IV1 cambia entre los niveles de IV2. Cuando lo hace, los investigadores pueden inferir que su segunda manipulación (IV2) provoca un cambio en su efecto de interés. Estos cambios son luego documentados y utilizados para probar teorías causales subyacentes sobre los efectos de interés.