Bloc 2. Tema 4: Disseny de mesures repetides (2015)

Apunte Catalán
Universidad Universidad de Barcelona (UB)
Grado Psicología - 2º curso
Asignatura Dissenys de Recerca
Año del apunte 2015
Páginas 7
Fecha de subida 08/04/2016
Descargas 5

Descripción

Bloc 2 dissenys de recerca

Vista previa del texto

Sònia Mestre. Si necesitas más apuntes puedes encontrarlos en Unybook.com buscando el usuario smestremartinez BLOC II TEMA 4: DISSENY DE MESURES REPETIDES I.
DEFINICIÓ En el disseny de mesures repetides tenim: - - Un major control de possibles variables estranyes, es a dir, controlem les diferencies individuals que hi ha entre els objectes que poden afectar als resultats. Si les mantenim controlades reduïm la variància de l’error. VD = VI/s + error Tots els subjectes de la mostra reben tots els tractaments  les diferències individuals queden controlades, ja que si hi ha un subjecte més llest, al passar per totes les condicions controlem aquesta variable individual Constitueix una estructura més potent que els dissenys completament aleatoritzats Problema!  efectes d’ordre que es deriva de la pròpia estructura del disseny. Aquests efectes han de ser neutralitzats perquè no es confonguin amb els efectes del tractament.
 Tipus d’efectes d’ordre: 1. Efecte de període Tenen lloc independentment del tractament aplicat.
El subjecte respon més a la posició que ocupa en un determinat tractament que no al tractament en si, és a dir, respon més a l’ordre en que passem els tractaments. Ex: el subjecte intenta respondre millor al primer tractament: efecte primacia: vol quedar bé amb l’experimentador i fer-ho molt bé, això emmascararà l’efecte del tractament.
Solució  Ho solucionem mitjançant el contra balanceig, és a dir un subjecte passa per la condició A1, A2, A3, un altre per A1, A3, A2, l’altre per A2, A1, A3, etc.
2. Efecte residual També és conegut com a error progressiu.
Es caracteritza per la persistència de l’acció d’un tractament més enllà del període o temps d’aplicació. Representa la progressiva acumulació tant d’efectes de tractaments anteriors, tant facilitadors (pràctica, aprenentatge) o bé obstaculitzadors (fatiga). Correm el risc que els efectes quedin contaminats.
Com es pot solucionar?  fent que l’interval entre un tractament i el seguent incrementi, perquè quan s’apliqui el segon tractament no hi hagi els efectes del primer II.
CLASSIFICACIÓ 1) D’un grup o mostra a. Grup o mostra simple que passa per tots els tractaments. Només hi ha una variable independent: tots els subjectes passen per tots els nivells de la variable A.
b. Factorial de mesures repetides: tots els subjectes passen per totes les combinacions 2) Multigrup, multimostra o factorial mixte (S(A) X B)  Hi ha més d’una variable independent. Hi ha una variable de classificació és a dir una variable inter i una intra (B). Una amb subjectes diferents en cada grup i que tots els subjectes passen per tots els tractaments.
Dins de A tenim A1, on trobem un grup de subjectes assignats a l’atzar i A2, on trobem un grup diferent de subjectes també assignats a l’atzar. Tots els subjectes de A (A1 i A2) passen per totes les categories de B.
Sònia Mestre. Si necesitas más apuntes puedes encontrarlos en Unybook.com buscando el usuario smestremartinez Quan la variable inter (grups de subjectes diferents) és de classificació o categòrica, significa que no la manipula l’investigador. Ex: edat, gènere, trets de personalitat. Quan hi ha aquesta variable inter de classificació el disseny s’anomena Split – plot, on dividim el disseny en categories.
III.
DISSENY SIMPLE DE MESURES REPETIDES  Estructura del disseny És una estructura similar al format factorial de dos variables independents. A diferència del disseny factorial, la variable de subjectes no es manipula ja que es tracta d’un pseudo-factor. La variable de tractament està manipulada per el experimentador i es considera com un autèntic factor.
Exemple: Es pretén estudiar l’efecte de tres tons auditius d’igual intensitat sobre el temps de reacció per identificar aquests tons. De la variable independent d’escolleixen 3 valors: 300 cps (A1), 600 cps (A2) i 1200 cps (A3) Pas 1  Hipòtesis nul·la: independentment del temps auditiu, el temps de reacció és el mateix  µ1= µ2= µ3 Pas 2  Hipòtesis alternativa: hi ha desigualtats segons el to Pas 3  Anàlisis: ANOVA de mesures repetides amb alfa de 0.05. Mida mostra és N=n=3 Pas 4  Es calcula F a partir de la matriu de dades.
La VI s’explica per la mitjana global + la variable de subjectes (controlem diferencies individuals) + efecte d’alfa (tractament: efecte dels tons auditius) + error Condicions d’aplicació: perquè el model sigui vàlid - Variància homogènia Mitjana 0 Condició d’aplicació de l’ANOVA de mesures repetides Sònia Mestre. Si necesitas más apuntes puedes encontrarlos en Unybook.com buscando el usuario smestremartinez Pas 5  Model de prova d’hipòtesis: La p de tractament ens dóna > 0.05, és a dir que no hi ha diferencies entre els 3 tons, per tant acceptem la hipòtesis nul·la.
Condició d’aplicació per poder fer l’ANOVA de mesures repetides  Cal que es compleixi el supòsit de esfericitat.
Tots els subjectes passen per totes les condicions. Així doncs, cal que es compleixi que les variàncies siguin homogènies i que les covariàncies també siguin homogènies: com correlaciona A1 amb A2 = A1 amb A3 = A2 amb A3  cal que la matriu de variàncies i covariàncies sigui constant (prova de Box al SSPS). Una alternativa a aquest supòsit tant exigent és la prova de Mauchly, que ens diu que les variàncies de les diferencies entre tots els parells de mesures repetides siguin iguals: A1-A2 = variància; A1-A3= variància; A2-A3 = variància  variàncies homogènies.
El SSPS ens dóna: Significació (p): 0.788 > 0.05  SI que es compleix el supòsit de variàncies i covariàncies són homogènies.
Epsilon: valor d’esfericitat  màxim 1: molt esfèric, que significa que es compleix molt el supòsit: + variàncies i covariàncies homogènies.
Quan es compleix la condició d’esfericitat calculem F normal I si no es compleix la condició d’aplicació d’esfericitat?  Calculem F ajustada Formules per el càlcul dels graus de llibertat Calculem el valor d’esfericitat multiplicant el seu valor per els graus de llibertat. Així, redueix els graus de llibertat de l’anàlisi de la variància i fem que sigui més difícil que el tractament sigui significatiu, perquè en el seu càlcul té en compte que hi ha diferencies de variàncies i covariàncies.
Sònia Mestre. Si necesitas más apuntes puedes encontrarlos en Unybook.com buscando el usuario smestremartinez Factor 1: mesures repetides: tons Esfericitat assumida  p: 0.065: si es compleix la condició d’aplicació i ho interpretem.
Si no es complís la condició d’aplicació utilitzarien Greenhouse – Geisser, on p: 0.097 IV.
- DISSENY FACTORIAL DE MESURES REPETIDES Tots els subjectes passen per totes les combinacions: A1 B2, A2 B2, etc, ..
Cal fer la prova d’esfericitat i si es compleix la ANOVA.
V.
DISSENY FACTORIAL MIXTE  Estructura del disseny Combina, en un mateix experiment, el procediment de grups independents i el procediment amb subjectes de control propi. Es tracta d’un disseny on estan presents, al menys, dos variables independents: una variable entre o d’agrupació i una variable intra o de mesures repetides. Assignem una variable a l’atzar als subjectes i tots els subjectes passen per tots els nivells de l’altre variable.
Exemple: Es pretén estudiar l’efecte de la memòria icònica que tenen dos variables: camp post-exposició i temps de presentació.
De la variable entre o inter, es seleccionen dos valors: camp post-exposició brillant (A1) i camp post-exposició fosc (A2). De la variable intra, escollim 4 valors: B1: 45, B2: 90, B3:180, B4: 240. Tots els subjectes passen per totes les B.
- Per fer l’experiment, es confeccionen targetes on apareixen lletres consonants, seleccionades a l’atzar i les disposa en matrius 3x4.
La tasca a realitzar pels subjectes consisteix en identificar, de forma correcta, la màxima quantitat de lletres.
Cada subjecte executa 40 assajos (10 targetes per temps de presentació).
VD = quantitat d’identificacions correctes en blocs de 10 assajos.
Sònia Mestre. Si necesitas más apuntes puedes encontrarlos en Unybook.com buscando el usuario smestremartinez Tenim 8 subjectes. 4 al post tractament brillant i 4 al fosc.
Tots els subjectes passen per totes les B.
Pas 1  H. Nul·la  Pas 2  H. Alternativa : almenys una desigualtat Pas 3  Fem servir el model ANOVA de mesures repetides. L’estadistic de la prova és la F normal (sota el supòsut de homogeneïtat i simetria), amb un nivell de significació de alfa= 0.05. mida de la mostra és N=an=8 i la quantitat d’observacions abn=32 Pas 4  es calcula el valor de F a partir de la matriu de dades del experiment.
Model estructural del disseny: Condicions d’aplicació:  Prova d’esfericitat de Mauchly: P= 0.95  si es compleix la condició d’esfericitat Sònia Mestre. Si necesitas más apuntes puedes encontrarlos en Unybook.com buscando el usuario smestremartinez Pas 5  Model de prova estadística: un cop tenim els resultats de l’anàlisi, s’interfereix l’acceptació de la hipòtesis de nul·litat per la variable A i la seva no-acceptació per la variable B i la interacció AxB, amb una probabilitat d’error del 5%.
Factor 1: variable B Primer mirarem la interacció entre variable B i A  mirem esfericitat assumida, ja que hem vist que s’ha complert la condició dóna 0.022, per tant < 0.05  si és significatiu, per tant si hi ha interacció.
En quan a la variable temps (B) ens dóna significativa, però hem vist que els seus valors estan relacionats amb la variable A, així que ens centrem amb la interacció.
Variable A: p: 0.393 > 0.05: no és significativa, però ens centrem en l’interacció, així que no importa.
Sònia Mestre. Si necesitas más apuntes puedes encontrarlos en Unybook.com buscando el usuario smestremartinez (!) Quan hi ha una V. Quantitativa, aquesta es posa en l’eix horitzontal.
Interpretació gràfic: en el camp brillant es recorden més paraules que en el fosc però únicament en presentacions de temps inferiors: B1 i B2. No podrem dir que sempre és millor el brillant, ja que depèn del temps de presentació. Per temps de presentació menors és millor el brillant, però en temps de presentació a partir de 180 són iguals brillants que foscs.
...