Bloc 2. Tema 3: Disseny factorial (2015)

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

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 3: DISSENY FACTORIAL I.
DEFINICIÓ Disseny factorial: És quan tenim més d’una VI.
 Què és? Estructura d’investigació en que es manipules simultàniament dos o més VI. En funció de la quantitat de factors o variables del tractament, els formats factorials es denominen també dissenys de tractament x tractaments, tractament x tractament x tractament, etc, i es simbolitzen amb AxB, AxBxC, etc.
 Avantatges  A part de veure una VI per separat, també podem veure la interacció, com actuen dues o més VI. Per un mateix experiments tindrem l’efecte de la variable A (repeticions), variable B (temps presentació) i la interacció entre els dos. Tindrem molta més info.
 Quan tenim més d’una VI, la variància de l’error disminueix. Recordem que la VD = VI/s + error. Si controlem les variables estranyes reduïm l’error. Més VI = menys error  Estalvi de temps i de subjectes. Ex: hem de dissenyar un experiment amb una mostra de subjectes per veure com influeix la quantitat de repassos, un altre experiment per veure com influeix el temps de presentació. Necessitarem subjectes pels dos experiments perquè son dos dissenys separats. Aquí, en un mateix disseny podrem veure com influeix el temps de presentació i la quantitat de repassos. Així doncs, no cal tenir tants subjectes com si fossin dos experiments separats.
 La conducta humana sempre s’explica per més duna VI, per tant els dissenys factorials són dels més utilitzats.
II.
CLASSIFICACIÓ 3 criteris: 1. Quantitat de valors que té cada VI o variables a. Quantitat fixa i. 2x2 = dos valors per variable A i dos valors per variable B.
b. Quantitat variable i. 2X3 = variable A dos valors i variable B, 3.
ii. 3x2 = variable A 3 valors i variable B, 2.
2. Quantitat de combinacions de tractaments a. Complet i. Fer totes les combinacions: A1 amb B1 (10 paraules) i B2 (30 paraules) i A2 amb B1 i B2.  2x2 ii. Ho assignem a l’atzar. Dins de cada grup tindrem els mateixos subjectes. Per cada combinació tenim assignats subjectes.
b. Incomplet o fraccionat i. Si tenim moltes VI, se’ns generarà una gran quantitat de grups i més combinacions. No tindrem tants subjectes! per tal de seleccionar en quins grups no és necessari assignar s ubjectes a una determinada combinació, és a dir, hi hauria algunes combinacions on no assignaríem subjectes. No s’eliminen els grups a l’atzar, l0investigador seguiria un procés per determinar quins grups eliminar.
ii. Pràcticament no s’utilitza.
3. Grau de control de variables estranyes a. Disseny factorial completament a l’atzar i. Si no es diu res, és a l’atzar Sònia Mestre. Si necesitas más apuntes puedes encontrarlos en Unybook.com buscando el usuario smestremartinez b. Disseny factorial de mesures repetides i. Tots els subjectes passen per totes les condicions, és a dir, fan totes les combinacions.
ii. A vegades podem patir pèrdua de subjectes *Dissenys balancejats  mateixa quantitat de subjectes a tots els grups *Dissenys no balancejats  Dins de cada grup hi ha diferent quantitat de subjectes *Tots els dissenys, no només el factorial! III.
EFECTES ESTIMABLES EN UN DISSENY FACTOIAL 1) Efectes principals  cada variable per separat com influeixen a. De la variable A b. De la variable B  Els efectes factorials principals són l’impacte global de cada factor considerat de forma independent.
2) Efectes secundaris  interacció variable A i B  Es defineix per la relació entre els factrs o variables independents, és a dir, l’efecte creuat.
IV.
DISSENY FACTORIAL A X B COMPLETAMENT A L’ATZAR  Exemple Disseny factorial al atzar 2x2: Assignem els subjectes a l’atzar Variable A: mètode d’ensenyança (presencial i a distància) Variable B: matèries (mates i historia)  4 grups  VD: notes de l’examen - Matriu de dades  Tenim la nota mitja de cada estudiant per cada combinació Pas 1  Hipòtesis nul·la: segons l’estructura del disseny són estimables tres efectes. Per això, es plantejant tres hipòtesis de nul·litat relatives a la variable i variable B i interacció.
Sònia Mestre. Si necesitas más apuntes puedes encontrarlos en Unybook.com buscando el usuario smestremartinez H1: mètode d’ensenyança = mètode a distància (a 1=a2 ) H2: notes mates = notes historia (b1=b2) H3: totes les combinacions són iguals Pas 2 : Hipòtesis alternativa  hi ha diferencies Pas 3  el estadístic de la prova és la F de Snedecor, amb una alfa de 0.05, per les tres hipòtesis de nul·litat. La mida de la mostra experimental és N=32 i el de les submostres n=8 Pas 4  Càlcul del valor F. Per fer-ho, agafem la matriu de dades de l’experiment.
Calculem l’anàlisi de la variància. L’ANOVA és: Nota examen = mitjana global de totes les dades + mètode d’ensenyança + matèria + interacció mètode d’ensenyança i matèria + error.
 Descomposició polietápica de la suma de quadrats F de Snedecor  Variació dels subjectes entre els diferents grups i variació de l’error. Si no hagués error, tots traurien la mateixa nota perquè reben el mateix tipus d’ensenyança i la mateixa matèria.
Variància entre els grups / Variancia entre l’error Error  com canvia la nota de cada subjecte respecte la nota del seu grup Suma de quadrats  variació entre A, B, AB i variació intra (!) S’han de complir les condicions d’aplicació AxB  p< 0.05: és significatiu: s’interpreta la interacció AxB // P>0.05: s’interpreta A i B.
En aquest cas, com la interpretació és >0.05 entre A i B ho interpretem per separat A i B.
Sònia Mestre. Si necesitas más apuntes puedes encontrarlos en Unybook.com buscando el usuario smestremartinez Pas 5  Inferència de l’anàlisi Dels resultats de l’anàlisi s’infereix la no acceptació de les hipòtesis de nul·litat pes efectes principals de A i B amb risc d’error del 5%. En canvi, s’accepta la hipòtesis de nul·litat per la interacció. En suma, només es deriva la significació dels efectes principals.
V.
REPRESENTACIÓ DE LA INTERACCIÓ Exemple Representació gràfica de la interacció: Interpretació gràfic  si la ANOVA diu que no hi ha interacció, no hi ha, no ho interpretem.
Entre distància i presencial, és millor el mètode de distància en els dos casos: mates i història.
Pel que fa en la matèria, en rendiment en història és més alt que en mates tant en la distància i presencial.
Altres exemples: Hi ha interacció nul·la i només ens dóna significativa la variable assignatura.
Interpretació gràfic: Entre distància i presencial no hi ha diferències.
En mates hi ha millor rendiment que en història ja sigui presencial o a distància.
Ens dóna significativa la interacció  només interpretarem la interacció i no cada variable per separat Interpretació del gràfic: Quin mètode d’ensenyança es millor? Depèn de la matèria. En presencial no hi ha diferencies, i a distància és millor en mates que en història. És millor el mètode d’ensenyança a distància però únicament en mates.
Sònia Mestre. Si necesitas más apuntes puedes encontrarlos en Unybook.com buscando el usuario smestremartinez Ens dóna significativa la interacció  només interpretarem la interacció i no cada variable per separat Interpretació del gràfic: Distància és millor per les mates i mètode d’ensenyança és millor per història.
...