Dissenys de Recerca II 2.2 (2014)

Apunte Catalán
Universidad Universidad de Barcelona (UB)
Grado Psicología - 2º curso
Asignatura Dissenys de Recerca
Año del apunte 2014
Páginas 43
Fecha de subida 09/04/2016
Descargas 15
Subido por

Vista previa del texto

PSICOLOGIA DISSENYS DE RECERCA BLOCS TEMÀTICS II i III DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III 1 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III DISEÑOS EXPERIMENTALES Y CUASIEXPERIMENTALES UNIDAD 1. PLANTEAMIENTO DE ESTUDIOS EXPERIMENTALES Y CUASIEXPERIMENTALES.
UNIDAD 2. DISEÑOS EXPERIMENTALES DE DOS GRUPOS Y MULTIGRUPO.
UNIDAD 3. DISEÑO FACTORIAL.
UNIDAD 4. DISEÑOS DE MEDIDAS REPETIDAS.
UNIDAD 5. DISEÑO DE GRUPO CONTROL NO EQUIVALENTE Y DISEÑO DE DISCONTINUIDAD EN LA REGRESIÓN.
2 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III 3 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III UNIDAD 1. PLANTEAMIENTO DE ESTUDIOS EXPERIMENTALES Y CUASIEXPERIMENTALES.
1.
FASES DE LA INVESTIGACIÓN CIENTÍFICA.
1. Delimitación del problema. Se trata de la pregunta que se formula el investigador y que da lugar a la investigación. Es la delimitación del problema de investigación. ¿Es eficaz esta terapia para el tratamiento de la Esquizofrenia? 2. Hipótesis. Se define como la respuesta al problema de la investigación. Es un enunciado en el que se establece una relación entre variables. En concreto, tiene que recoger la predicción del investigador, es decir, qué resultados espera encontrar. Si la terapia es eficaz para el tratamiento de la Esquizofrenia, esperamos que los pacientes que siguen esta terapia muestren una mejora en su sintomatología.
3. Diseño de la investigación. Se define como el plan de actuación que establece el investigador para recoger sus datos. Manera que va a seguir para recogerlos.
En esta fase ha de recoger una serie de cuestiones para dar lugar a un diseño u otro: - Con cuántos grupos va a trabajar.
- Cómo va a formar los grupos. Al azar o grupos ya formados.
- Con qué variables va a trabajar.
- Cómo va a medir dichas variables.
- …….
Todas ellas hacen referencia al procedimiento de recogida de datos, dependiendo de la elección se dará lugar a un diseño u otro.
4 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III 4. Recogida de datos.
5. Análisis de datos. Realización de los datos mediante un análisis estadístico, el que permite obtener ese conocimiento de los datos.
6. Contraste de hipótesis. Hace referencia al contraste de la hipótesis nula (hipótesis estadística). En la segunda fase tenemos la hipótesis experimental o conceptual, mientras que ahora se trata de una hipótesis que se refiere a la población.
7. Discusión de los resultados. El investigador tiene su problema de investigación junto con la hipótesis inicial, así como los resultados obtenidos de la investigación. Por tanto, los tiene que poner en relación. A partir de los resultados tiene que decir si se confirma o no su hipótesis de partida.
Estas fases se agrupan en 4 niveles: a. En un primer nivel, el teórico-conceptual se lleva a cabo la delimitación de del problema, la formulación de hipótesis, así como la discusión de los resultados.
b. El segundo nivel, técnico-metodológico donde se recoge el diseño y la recogida de datos.
c. Por último lugar, el nivel analítico-estadístico que recoge el análisi de datos y el contraste de hipótesis.
5 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III 2.
DISEÑOS DE INVESTIGACIÓN.
Diseño experimental.
Busca establecer una relación causal (causa-efecto) inequívoca. Se podrá predecir el futuro, de ahí su importancia, dado que frente a un antecedente, habrá una consecuencia.
Es el proceso de indagación que tienen como objetivo establecer relaciones causales inequívocas entre las variables. Para conseguirlo el experimentador deberá actuar de la siguiente manera: 1) Provocará el fenómeno que quiere estudiar. Es decir, manipulará la variable independiente.
2) Aislará el fenómeno que quiere estudiar. Es decir, controlará el efecto de las variables extrañas.
Ejemplo. Ámbito seguridad vial. Si se quiere estudiar el efecto de privación de sueño sobre el rendimiento en una tarea compleja, en este caso, conducción.
Se selecciona una muestra y se forman aleatoriamente 2 grupos formados al azar 1. A 1r grupo se le lleva al laboratorio y se les priva el sueño.
2. A 2º grupo se les deja que duerman (provocación fenómeno) 3. Se reunirán en el laboratorio (aislamiento fenómeno / control variables) 4. Todos ellos realizarán una tarea de conducción.
5. Se obtendrá una medida del número de errores.
Si a las personas privadas de sueño, tienen más errores, se podrá establecer la relación causal inequívoca.
El problema del diseño experimental es ¿En qué medida son extrapolables los resultados? 6 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III Diseño cuasi experimental.
Son similares a los experimentos, excepto en que los grupos no se forman aleatoriamente (diseño experimental). En este caso, los grupos son naturales, es decir, ya están formados. El investigador, por tanto, no interviene en la formación de los grupos.
Son diseños que tienen problemas en cuanto a la validez interna, no permiten establecer la relación causal tan claro como el experimental. Pero se aplican mucho en el ámbito aplicado.
Ejemplo. Se quiere aplicar un sistema innovador en matemáticas 1. Se seleccionan dos grupos de una escuela (5º a y 5º b) 2. 5º a se les hace seguir el curso con el sistema innovador 3. 5º b sistema enseñanza tradicional 4. Al final del curso se les somete a la misma prueba Diseño no experimental.
Es el proceso de indagación en el que se recogen datos sin intentar inducir ningún cambio. A veces, reciben el nombre de diseño observacional.
Ventaja → Alta validez ecológica, se estudia el fenómeno tal y como acontece.
Inconveniente → No se pueden realizar relaciones causales.
7 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III 3.
VARIABLES DE LA INVESTIGACIÓN EXPERIMENTAL.
• Variable independiente: es aquella que manipula el investigador con objeto de comprobar qué efecto/cambio produce sobre el aspecto que le interesa modificar. Ejemplo Seguridad vial. VI. privación de sueño (se priva o no se priva de sueño) • Variable dependiente: es el aspecto que nos interesa modificar, sobre el que se predicen cambios en función de la manipulación de la variable independiente. Ejemplo Seguridad vial. VD. número de errores que se cometen en la tarea, dependiendo de si se ha privado de sueño o no.
• Variables extrañas (o de posible confundido): son aquellas que pueden incidir sobre la variable dependiente provocando cambios sobre ésta no deseados. Es imprescindible que se controlen. Ejemplo Seguridad vial: Sala insonorizada, Iluminación constante, Al mismo tiempo….De alguna manera hay que controlar que las personas que han dormido en casa, realmente, hayan dormido bien.
VI (causa) VD (efecto) VE 4.
OBJETIVOS DE LA INVESTIGACIÓN EXPERIMENTAL.
1. Maximizar el efecto de la variable independiente (maximizar la variancia sistemática primaria). Es decir, que el efecto de VI sobre VD sea lo más grande posible.
1. Mediante la adecuada elección de los valores de la variable independiente. Se ha de recurrir a la revisión bibliográfica sobre el tema.
8 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III Ejemplo. Si una vez revisado, todo apunta a que la relación es de tipo lineal.
Cabe saber que los valores extremos de la VI, se conseguirá las máximas diferencias en VD.
Pero no siempre es adecuada la utilización de valores extremos, dado que si la relación es cuadrática, los valores extremos no son adecuados. Dado que concluiremos que no hay relación entre VD y VI cuando si la hay.
Por tanto se necesitarán tres valores: los dos extremos y uno central.
2. Minimizando la varianza del error. Así se maximiza el efecto de la VI, por una cuestión puramente estadística, dada que reducir el error, permite tener un diseño más sensible a los efectos y cambios.
2. Controlar las variables extrañas de efectos sistemáticos (provocan variabilidad entre grupos o entre condiciones, por ello lo de efecto sistemático) (controlar la varianza sistemática secundaria) 1. Mediante la selección de un diseño adecuado.
2. Mediante técnicas de control no asociadas al diseño.
- Eliminación. Si hay una V extraña que puede influenciar a la VI creando, variabilidad no deseada, eliminándola, controlaremos el efecto que pueda tener. Lo que ocurre es que no todas las variables se pueden eliminar.
- Constancia.
- Balanceo.
- Aleatorización.
1. Reducir el efecto de las variables extrañas con efectos aleatorios (minimizar la varianza del erro).
1. Utilizando instrumentos de medida precisos.
2. A través del diseño.
3. Mediante la estandarización del procedimiento experimental.
9 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III 5.
CONTROL EXPERIMENTAL.
6.
CLASICACIÓ DEL DISEÑO EXPERIMENTAL.
10 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III UNIDAD 2. DISEÑOS EXPERIMENTALES DE DOS GRUPOS Y MULTIGRUPO..
1. DEFINICIÓ I CLASSIFICACIÓ DEL DISSENY EXPERIMENTAL DE GRUPS.
Els dissenys experimentals de grups són aquells en els quals es treballa amb dos o més grups, cada un dels quals rep un valor de la variable independent (condició). N’hi ha de diferents tipus:  Segons el número de variables independents:  Simples: una sola variable independent.
 Factorials: més d’una variable independent.
 Segons el número de valors de la variable independent:  Bicondicional: la variable independent té dos valors.
 Multicondicional: la variable independent té més de dos valors.
 En funció de la seva capacitat per tal de controlar les variables estranyes i reduir la variància de l’error:  Disseny de grups a l’atzar.
 Disseny de grups homogenis.
2. DEFINICIÓ EXPERIMENTAL DE DOS GRUPS: DEFINICIÓ I CLASSIFICACIÓ.
Una de les situacions més simples d’investigació experimental és aquella en la qual es treballa amb dos grups, dels quals normalment és el control i l’altre l’experimental.
Així, són dissenys bicondicionals, però s’usen molt poc a causa de la seva senzillesa (sobretot s’usen quan hi ha un grup experimental que rep tractament i un de control que no en rep).
11 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III Aquests poden ser de dos tipus:  Disseny de dos grups completament a l’atzar: per exemple, per estudiar l’eficàcia d’un tractament psicològic pel TDAH es formen aleatòriament dos grups, dels quals, un segueix la teràpia (grup experimental) i l’altre no (grup control).
 Disseny de dos grups aparellats: l’objectiu d’aquest és controlar les variables amb efectes sistemàtics, com podrien ser el gènere i l’edat de detecció del trastorn. Es formen parelles amb subjectes de la mateixa edat de detecció i gènere i, llavors, un membre de la parella forma part d’un grup i l’altre de l’altre grup.
3. DISSENY EXPERIMENTAL DE DOS GRUPS: ANÀLISI ESTADÍSTIC.
Hi ha diverses tècniques estadístiques:  T de Student per a dades independents: s’usa quan es tenen grups a l’atzar i és una prova paramètrica.
 U de Mann-Whitney: s’usa quan es tenen grups a l’atzar i és una prova no paramètrica.
 T de Student per a dades relacionades: s’usa quan es tenen grups aparellats i és una prova paramètrica.
12 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III  T de Wilcoxon: s’usa quan es tenen grups aparellats i és una prova no paramètrica.
4. DISSENY MULTIGRUP A L’ATZAR: DEFINICIÓ.
Són dissenys en els quals hi ha una sola variable independent (simple) que té tres o més valors coneixen, (multicondicional). També de fer, com es dissenys multicondicionals de grup.
Poden ser de grups a l’atzar (requereixen assignació aleatòria dels subjectes de la mostra a diferents grups, sense cap tipus de restricció) o homogenis. Per exemple, aquest tipus de disseny s’usa quan es vol estudiar l’eficàcia d’un tractament i, per això, es creen tres grups: placebo, tractament psicològic i tractament farmacològic.
5. DISSENY MULTIGRUP A L’ATZAR: ANÀLISI ESTADÍSTIC.
Hi ha diverses proves:  Prova de significació general: és l’anàlisi de la variància (ANOVA) unifactorial per a dades independents.
 Si la variable independent és categòrica o quantitativa, s’usen una comparació múltiple per mitjà dels contrasts parcials.
 Si la variable independent és quantitativa, es pot dur a terme l’anàlisi de tendències.
Exemple: es vol provar si la quantitat de repassos és una variable decisiva per al record.
Els subjectes han de llegir en veu alta un llistat d’ítems i, llavors, el primer grup llegeix el llistat una sola vegada (condició 1), el segon la llegeix dues vegades (condició 2), el tercer tres cops (condició 3) i el quart quatre vegades (condició 4). La mesura de la variable dependent és la quantitat de respostes o ítems contestats correctament.
13 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III ANOVA.
La variabilitat total en la variable dependent fa referència a la variància explicada per la variància independent més la variància no explicada (és l’error aleatori). El número d’ítems varia en funció del número de repassos.
Alhora hi ha variabilitat entre condicions (seria la variància explicada) i també dintre de la mateixa condició, ja que no tots els subjectes contesten igual. Així, la variabilitat total també és la variabilitat entre els grups més la variabilitat dintre dels grups.
L’índex de variabilitat usat és l’anàlisi de pendents, en què la SC (suma quadrats) total és igual a la SC entre grups més la SC intragrup: 2 𝑆𝑡𝑜𝑡𝑎𝑙 = 𝑆𝐶 𝑡𝑜𝑡𝑎𝑙 𝑛−1 2 𝑆𝑒𝑛𝑡𝑟𝑒 = 𝑆𝐶 𝑒𝑛𝑡𝑟𝑒 𝑘−1 2 𝑆𝑖𝑛𝑡𝑟𝑎 = 𝑆𝐶 𝑖𝑛𝑡𝑟𝑎 𝑛−𝑘 D’aquesta forma, es tenen dues variacions de la variància poblacional (intergrupal i intragrupal). L’estadístic de contrast usat és: 𝐹 = 2 𝑆𝑒𝑛𝑡𝑟𝑒 2 𝑆𝑖𝑛𝑡𝑟𝑎 i s’ha de tenir en compte el següent: o F=1 la variància explicada per la variable independent és igual a la variància aleatòria, la qual cosa indica que no hi ha diferències entre les condicions.
o F>1  la variància explicada per la variable independent és major, la qual cosa indica que hi ha diferències.
14 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III Per tal de saber si les diferències són estadísticament significatives, s’usa el p-value, usant una alfa = 0’05. Si el p-value és inferior a 0’05, es rebutja la hipòtesi nul·la, ja que la probabilitat d’equivocar-se al rebutjar la hipòtesi nul·la és molt baixa. Si el p valor és superior, no es rebutja la hipòtesi nul·la, ja que la probabilitat d’equivocar-se al fer-ho és superior (la hipòtesi nul·la és la que estableix la igualtat de condicions).
Pel que fa a l’ANOVA, hi ha unes condicions d'aplicació i són tres supòsits:  Independència de les observacions, és a dir, no hi ha d'haver covariació entre les dades. Respecte a això, s'ha de saber que quan el disseny és de grups a l'atzar es compleix el supòsit.
 Normalitat de les dades: la variable dependent, en la població, s'ha de distribuir seguint el model de probabilitat normal. D'això no ens n'hem de preocupar massa perquè l'anàlisi de la variància és robust a l'incompliment de la condició, és a dir, la tècnica és poc sensible a que no es doni aquesta condició, les dades no estaran massa alterades tot i que no es compleixi aquesta condició.
 Homoscedasticitat o homogeneïtat de variàncies. Per tal que es compleixi aquest supòsit, les variàncies poblacionals han de ser homogènies, no han de diferir, han de ser estadísticament iguals. Abans d'interpretar l'anàlisi de la variància, s'ha de comprovar que es compleixi aquest supòsit i, per això, es recorre a una tècnica estadística que és la prova de Levene i ens dóna l'SPSS.
En l'exemple, que ens ocupava, la hipòtesi nul·la exposa la igualtat de variàncies (n'hi ha quatre, ja que hi ha quatre grups i, per tant, quatre poblacions de referència).
L'estadístic de contrast de Levene és igual a 0'680, llavors hi ha els graus de llibertat i, finalment, hi ha el grau de significació associada a l'estadístic, que és igual a 0'577. En aquest cas, no es rebutja la hipòtesi nul·la, ja que la probabilitat d'equivocar-se rebutjant-la és elevada, la qual cosa ens diu que les variàncies són estadísticament iguals i això ens porta a concloure que es compleix la condició d'aplicació.
En l'ANOVA, la hipòtesi nul·la deia que la mitjana de les poblacions era igual, però a causa de que el p-value té un valor inferior a 0''05, es rebutja la hipòtesi nul·la, de 15 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III forma que sabem que, almenys, hi ha diferències entre dues mitjanes, però no sabem entre quines de les mitjanes dels quatre grups hi ha les diferències, de forma que hi falta informació. És per això que tot anàlisi de la variància s'acompanya d'un anàlisi complementari, que seria el dels contrastos parcials.
Contrastos parcials.
El que fan és comparar dues mitjanes poblacionals. N'hi ha de dos tipus:  Contrastos a priori o planificats: s'usen quan hi ha una hipòtesi clara de partida en la investigació. Pel que fa a l'anàlisi estadístic s'usa la t de Student per a dades independents.
 Contrastos a posteriori o no planificats: s'usen en investigacions de tipus exploratori, en les quals no hi ha una hipòtesi de partida clara. Es fa un anàlisi de la variància, es veu si hi ha diferències estadísticament significatives i, llavors, es fan totes les possibles comparacions entre parells de mitjanes, es fan tots els creuaments possibles.
En els contrastos a priori, ja hi ha una o mes hipòtesis de partida que es volen verificar, de forma que s'ha de crear una taula de coeficients. Abans, però, s'ha de complir un requisit i aquest és que la suma dels coeficients sigui zero. En la part superior, es posen els valors de la variable independent, que serien els diferents grups possibles. La hipòtesi nul·la estableix la igualtat entre la mitjana amb una presentació i la mitjana amb dues presentacions. A cada columna s'hi posa una possible hipòtesi.
Contrasts Grup 1 Grup 2 Grup 3 Grup 4 C1: H0: M2=M1 1 -1 0 0 C2: H0: M3=M1 1 0 -1 0 C3: H0: M4=M1 1 0 0 -1 C4: M1+M2/2=M3 1/2 1/2 -1 0 1/3 o 1 1/3 o 1 -1 i aquí seria -3 M1+M2+M3/3=M4 1/3 o es pot fer 1 16 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III A l'SPSS no s'hi poden posar fraccions i no funciona gaire bé amb els decimals. Quan s'introdueixen les dades, s'obté una taula de dades. La t de Student requereix que les variàncies de la població siguin iguals i, si no ho són, s'ha d'aplicar una correcció tenint en compte els graus de llibertat. Ara bé, en el nostre exemple, la prova de Levene ens ha dit que les variàncies poblacions sí que eren iguals. Els valors de significació observats són molt baixos, de forma que en tots els casos es rebutja la hipòtesi nul·la i en tots els casos s'assumeix que hi ha diferències estadísticament significatives en les mitjanes dels grups.
Contrastos a posteriori o no planificats.
El principal in convenient de les comparacions a priori és que, a mesura que augmenta el número de contrastos, també incrementa la probabilitat de cometre algun tipus d’error tipus I, és a dir, de rebutjar la hipòtesi nul·la quan aquesta és certa. Llavors, els contrastos a posteriori mantenen constant la probabilitat de cometre errors de tipus I quan es pren la decisió estadística.
Pel que fa als contrastos a posteriori, hi ha una gran quantitat de tècniques que permeten analitzar-los. La prova que utilitzarem es la prova de Sheffé, que fa totes les possibles comparacions per parells de mitjanes.
Anàlisi de tendències.
L'última tècnica estadística és l'anàlisi de tendències, que intenta ajustar una funció matemàtica que relacioni la variable independent i la dependent. Les condicions que s'han de complir per poder usar l'anàlisi són dues:  Les dues variables han de ser quantitatives.
 La variable independent ha de tenir tres o més valors, de forma que ha de ser multigrup o multicondicional.
Per saber les tendències que es poden ajustar, es fa k-1 (és a dir, el número de grups menys 1). En el cas que ens ocupa, es podrien ajustar tres tendències: que hi hagi una 17 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III recta lineal, quadràtica o cúbica. L'SPSS ens intenta ajustar el màxim número de tendències.
En el nostre exemple, l'única tendència que té significació estadística és la lineal, de forma que la variable dependent i la independent es relacionen seguint una tendència lineal. Ara bé, no sabem en quin sentit (ascendent o descendent) i, per això, s'ha d'anar a buscar la representació gràfica de les mitjanes per a les dades i, en el nostre exemple, veiem que és una relació lineal i positiva.
18 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III UNIDAD 3. DISEÑO EXPERIMENTAL, FACTORIAL DE GRUPOS.
1. DEFINICIÓN DEL DISEÑO FACTORIAL.
El diseño factorial es una estructura de investigación en la que se manipulan simultáneamente dos o más variables independientes o de tratamiento.
Cada grupo tendrá distintas condiciones experimentales  distintas combinaciones posibles con los valores de las diferentes variables independientes.
A. nivel ruido (a1 silencio, a2 40dB) B. tipo de tarea (b1 simple, b2 compleja)  Diseño factorial De grupos (habrá que trabajar con diferentes grupos, tantos como condiciones experimentales o valores de VI).
a1 b1 silencio simple a1 b2 silencia compleja a2 b1 ruido simple a2 b2 ruido compleja 2. CLASIFICACIÓN DEL DISEÑO FACTORIAL.
Criterios Cantidad de valores por factor Grado de control Diseño  Igual cantidad de valores: 2k, 3k, etc.
 Cantidad variable: 2x3: 2x3x4, etc.
2 VI con 2 valores y otra con 3.
Por ejemplo 3 VI con distintos valores (2x3x5=30 grupos).
 Diseño factorial completamente al azar  Diseño factorial de bloques o de grupos homogéneos.
19 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III 3. EFECTOS ESTIMABLES EN UN DISEÑO FACTORIAL.
Si el diseño es factorial, se pueden estimar los siguientes efectos: o Efectos simples: Es el efecto puntual de una variable independiente o factor para cada valor de la otra.
A(b1), A(b2), B(a1), B(a2) o Efectos principales: son el impacto global de cada factor o variable (por sí misma) considerado de forma independiente, es decir, el efecto global de un factor se deriva del promedio de los dos efectos simples.
o Efecto secundario o interactivo: se define por la relación entre los factores o variables independientes, es decir, el efecto cruzado. Habrá interacción entre dos variables independientes cuando los efectos de una variable sobre la conducta cambie con los diferentes valores de la otra variable. Directamente relacionado con los efectos simples, cuando estos son iguales, no hay interacción.
Ventajas del diseño factorial.
1. Además de permitir el análisis de los efectos principales también posibilitan examinar los efectos de interacción.
2. Más económico que el diseño simple puesto que permite obtener más información con menos sujetos.
3. Al introducir varias variables independientes como factores en el diseño, los efectos asociados a tales factores se sustraen del término de error. En consecuencia, se reduce la varianza de error y se incrementa la potencia de la prueba estadística.
4. Por último, cabe señalar que, dada la complejidad de la conducta humana, es lógico suponer que la mayoría de los comportamientos no se hallan determinados por la acción de una sola variable, sino que responden a los efectos de un conjunto de factores.
4. DISEÑO FACTORIAL AxB COMPLETAMENTE AL AZAR: ESTRUCTURA.
Ejemplo 2. Se pretende estudiar la eficacia de dos métodos de enseñanza (a distanciab1 y presencial-b2) sobre el aprendizaje de dos materias (matemáticas-a1 e historia- 20 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III a2). Se forman aleatoriamente cuatro grupos y cada uno seguirá uno de los cuatro cursos resultantes de combinar las dos variables independientes. La variable dependiente de esta investigación será la puntuación obtenida por cada estudiante en un examen que realizarán al finalizar el curso.
a1 b1 a2 b2 b1 b2 El análisis de la varianza es multifactorial (dado que hay más de 1 VI, por tanto, más de 1 factor) Además, es de datos independientes, dado que hay diferentes grupos.
La varianza total es igual a la suma de la explicada más la no explicada: SCtotal = SC explicada + SC no explicada SCtotal = SC entregrupos + SC intragrupos SCtotal = SC materia + SC enseñanza + SC materia*enseñanza + SC error 5. DISEÑOS FACTORIAL AxB COMPLETAMENTE AL AZAR: ANÁLISIS ESTADÍSTICO.
ANOVA multifactorial para datos independientes.
Diseño factorial AxB.
21 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III Modelo del ANOVA.
yijk = la puntuación del i sujeto bajo la combinación del j valor del factor A y el k valor del factor B.
μ = la media común a todos los datos del experimento.
α = el efecto o impacto αj del j nivel de la variable de tratamiento A.
ßk = efecto del k valor de la variable de tratamiento B. (αß)jk = efecto de la interacción entre el j valor de A y el k valor de B.
εijk = error experimental o efecto aleatorio de muestreo.
Descomposición de las Sumas de cuadrados.
Cuadro resumen del ANOVA.
Proceso de decisión estadística.
Paso 1. Según la estructura del diseño son estimables tres efectos. Por esa razón, se plantean tres hipótesis nulas relativas a la variable A, la variable B y la interacción AxB: H0: μa1 = μa2 materia H0: μb1 = μb2 método de enseñanza H0: μ11 - μ12 = μ21 - μ22 método materia - enseñanza Paso 2. Se aplica un ANOVA. El estadístico de la prueba es la F de Snedecor, con un α de 0.05, para las tres hipótesis nulas. El tamaño de la muestra experimental es 32 y el de las submuestras 8.
22 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III Cuadro resumen del ANOVA para el ejemplo 2.
Paso 3. De los resultados del análisis se infiere el rechazo de la hipótesis nula para los efectos principales de A y B, con riesgo de error del 5%. En cambio, no se rechaza la hipótesis nula para la interacción. En suma, sólo los efectos principales alcanzan significación estadística.
 Materia. H0: μa1 = μa2 (p-value = 0.000). Rechazamos Ho dado que el valor de significación es significativo, por lo que sí hay diferencias significativas en las materias.
 Enseñanza. H0: μb1 = μb2 (p-value = 0.000). Rechazamos Ho dado que el valor de significación es significativo, por lo que sí hay diferencias significativas en el método de enseñanza.
 Materia * Enseñanza. H0: μ11 - μ12 = μ21 - μ22 (p-value = 0.632). Aceptamos Ho, dado que el valor de significación es superior a 0.05, por tanto, no hay diferencias estadísticamente significativas, dado que los efectos son iguales, por lo que no hay interacción entre VI. En conclusión, el efecto del métodos no dependen de la materia.
Supuestos del ANOVA.
Los tres supuestos que han de cumplirse si queremos aplicar un ANOVA factorial para datos independientes son: 1. Independencia de las observaciones 2. Normalidad de los datos 3. Homocedasticidad 23 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III 6. REPRESENTACIÓN DE LA INTERACCIÓN.
Representación gráfica de la interacción para los datos del ejemplo 2.
- En Historia las notas son más elevadas que en matemáticas.
- En las dos, el método a distancia es más eficaz que el método presencial.
- Tanto para una como para la otra hay igualdad en la eficacia del método a D o P.
Representación gráfica de la interacción: otros ejemplos.
H0: μa1 = μa2 Se rechaza Ho.
H0: μa1 = μa2 Se rechaza Ho.
H0: μb1 = μb2 Se acepta Ho.
H0: μb1 = μb2 Se rechaza Ho.
H0: μ11 - μ12 = μ21 - μ22 Se acepta Ho.
H0: μ11 - μ12 = μ21 - μ22 Se rechaza Ho.
24 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III H0: μa1 = μa2 Se rechaza Ho.
H0: μb1 = μb2 Se rechaza Ho.
H0: μ11 - μ12 = μ21 - μ22 Interacción AxBxC.
Se rechaza Ho.
25 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III UNIDAD 4. DISEÑO DE MEDIDAS REPETIDAS.
1. DEFINICIÓN.
En el diseño medidas repetidas todos sujetos de la muestra reciben todos los tratamientos. De este modo, se trabaja con un solo grupo y cada individuo genera más de un dato (tantos datos como condiciones haya).
Ejemplo. Descripción del efecto Mozart. Selección muestra de sujetos, todos ellos realizan tareas de tipo especial después de haber escuchado un determinado tipo de música o de silencio (3 condiciones).
Ventajas.
1. Reducción radical del error experimental (parte de variabilidad no explicada, variables extrañas por efectos aleatorios). El uso del procedimiento de medidas repetidas proporciona un control más efectivo de las fuentes de variación extrañas asociadas a las características individuales, consiguiendo así reducir la variancia variancia del error. Esto es así porque la variabilidad variabilidad debida a las diferencias individuales se elimina del término de error.
De este modo, el diseño de medidas repetidas constituye una estructura más potente para detectar el efecto del tratamiento que los diseños completamente aleatorizados.
F = S2 explicada / S2 error En el análisi de la variancia se produce una disminución del error, por lo que la F aumenta, con lo que habrá un valor de significación bajo, por lo que, se rechaza la Ho (así pues, su intervención no tendrá efecto sobre la variable dependiente).
2. Se evita la presencia de variancia sistemática secundaria puesto que los distintos tratamientos o condiciones experimentales se aplican a un mismo grupo de sujetos.
3. No requiere trabajar con muestras demasiado grandes.
No requiere trabajar con muestras de gran tamaño, dado que (ejemplo: Efecto Moart, con 20 sujetos, como todos reciben las condiciones, obtuvo un total de 60 datos, pero si los grupos hubieran sido elegido al azar, para obtener 60 datos, se hubiesen necesitado 60 sujetos).
Inconvenientes.
1. El principal problema de los diseños de medidas repetidas son los efectos secuenciales que derivan de la propia estructura del diseño. Estos efectos deben ser neutralizados para que no confundan los efectos de los tratamientos. Pueden ser de dos tipos: efectos efectos residuales residuales y efectos efectos de orden (estos últimos últimos pueden controlarse mediante el contrabalanceo o la aleatorización).
26 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III Estos efectos se producen por la propia estructura del diseño, dado que todos los participantes reciben todas las condiciones.
Dentro de los efectos secuenciales, los efectos de orden, aparecerán en la investigación si todos los participantes reciben las condiciones en el mismo orden.
Rendimiento I I x I I x I I x silencio relajación Mozart La música de Mozart, produce un incremento en el rendimiento (razonamiento espacial) Sin embargo, si se da una información adicional, es decir, que todos los participantes recibieron las condiciones en el mismo orden (silencia, relajación, Mozart) y luego la tarea. → En este momento, no sabemos si la música de Mozart produce algún efecto o si los resultados se deben a que los participantes se van entrenando y, por tanto, su puntuación mejora.
Rendimiento I x I x I I I x I silencio relajación Mozart En este caso, las puntuaciones podrían deberse a la fatiga.
27 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III Los efectos de orden se pueden controlar mediante 2 técnicas distintas: - Contrabalanceo. Cada participante recibe las condiciones en un orden distinto.
En esta investigación (Mozart) hay 3 condiciones, por tanto, con seis participantes se podrán ejecutar los seis órdenes posibles.
Su1 a1 a2 a3 Su2 a1 a3 a2 Su3 a2 a1 a3 Su4 a2 a3 a1 Su5 a3 a1 a2 Su6 a3 a2 a3 - Aleatorización. en el Efecto Stroop, se trabajaba con 1 solo grupo de participantes y a todos ellos se les presentaban palabras que denotaban un color, escritas en diferentes colores. Los participantes debían indicar el color de la tinta.
La VI era la congruencia o incongruencia entre la palabra y el color.
Presentó a cada participante presentó una secuencia aleatoria de estímulos, así se controlaron los efectos de orden en esta investigación.
En esta investigación no tenía sentido utilizar un contrabalanceo, ya que supondría que la mitad de los participantes vieran primero estímulos congruentes y luego incongruentes o viceversa.
2. Puede no ser una estructura adecuada si se trabaja con muchas condiciones de tratamiento.
Si tenemos un diseño 2x4x5 = 40 condiciones experimentales, y si cada participante ha de recibir las 40 condiciones, se fatigarían excesivamente los sujetos y se alargaría el experimento.
28 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III 2. CLASIFICACIÓN.
Simples ( S x A ) De un grupo o muestra Factorial ( S x A x B, S x A x B x C , etc ) Diseño factorial de medidas totalmente repetidas. Todas las VI son variables de medidas repetidas. habrá 1 solo grupo y todos lo participantes reciben todas las condiciones.
Multigrupo o Factorial Mixto ( S (A) x B ) Diseño factorial de medidas mixto. Combina las medidas repetidas y los grupos. Como mínimo habra 1 variable de medidas repetidas y 1 variable de grupos.
Tenemos por una parte varios grupos que vendrán definidos por la variable independiente de agrupación. y una parte de 1 solo grupo que, recibe todas las condiciones.
3. DISEÑO SIMPLE DE MEDIDAS REPETIDAS.
1 única VI y pueden ser de dos tipos (bicondicionales o multicondicionales, dependiendo de los valores que tenga la VI, 1 valor = bicondicIonal, más valores = multicondicional).
La investigación sobre el Efecto Mozart es un diseño factorial multicondicIonal simple - Stroop es un diseño bicondicional de medidas repetidas, para datos relacionados, se utilizaría la técnica t de student.
- Mozart, es el caso del diseño factorial multicondicIonal simple, en este caso, se utilizaría, como análisis estadístico, el análisis de la variancia = Análisis de la variancia unifactorial para datos relacionados.
Variancia unifactorial: 1 única VI Medidas repetidas: datos relacionados Ejemplo. Se decide estudiar si el tamaño de las sumas repercute en la estrategia de cálculo que se utiliza. Se seleccionan al azar 10 sujetos para participar en un experimento y se les presentan sumas de tres tamaños, pequeño (2 + 3), mediano (7 + 9) y grande ( 16 + 25 ).. Los sujetos sujetos deben indicar indicar el resultado resultado 29 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III de la suma. La variable dependiente es el tiempo de respuesta promedio para cada tipo de suma.
VD: tiempo que transcurre desde la aparición de la variable aritmética hasta que el sujeto emite el juicio.
SC total = Sc (tipo de suma) + SC sujeto + Sc residual (interacción sujeto y VI tratamiento) ¿Por qué varían los datos? Porque se han presentado sumas diferentes Hay una parte de la variabilidad de los datos, que se puede estimar a partir del efecto del sujeto, y explicar un aparte de la variabilidad que presentan los datos.
Lo que se quiere estudiar es el efecto del tratamiento (VI), el efecto del sujeto no interesa, sino en que interesa en la medida en la que repetimos el error.
Condiciones de aplicación: Para poder utilizar el ANOVA se ha de cumplir la condición de esfericidad. Esta condición requiere que las variancias de las diferencias entre todos los pares de medidas repetidas sean iguales. Para comprobar el cumplimiento de este supuesto se recurre a la prueba de esfericidad de Mauchley (1940 ).
Las variancias de las puntuaciones de diferencia sean iguales.
se refiere a las nuevas variables creadas en el cálculo de las puntuaciones de diferencias, las que han de ser iguales. Para comprobar el cumplimiento, se utilizará la técnica de la prueba de esfericidad de Mauchhley.
Si no se cumple la condición de esfericidad: Se aplica corrección a los grados de libertad.
F conservadora (límite inferior).
Es una solución muy conservadora, no va a llevar a p-valores elevados, a niveles de significación altos y nos conduce a no rechazar la Ho en muchas ocasiones.
F ajustada (Greenhouse-Geisser) (es la que se utiliza con más frecuecia)k ANOVA Se utiliza más dado que es una opcion intermedia.
F ajustada (Huynh-Feidt) Es una solución muy laxa, dado que nos llevará a p-valores bajos, a niveles de significación bajos, que nos llevaran a rechazar la Ho y que nos podamos equivocar.
30 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III MANOVA (opción muy adecuada pero se utiliza poco).
En la prueba de Mauchly la Ho indica que las variancias son iguales, establece la igualdad de las puntuaciones de diferencia. Si la rechazamos, dado a que el p-valor es alto (0’500), si hay diferencia en las variancias de las puntuaciones de diferencia, por tanto, las medias para los tamaños de las sumas son diferentes, se podría decir que al menos, hay diferencias entre dos medias.
Para averiguar entre qué pares de la medias se producen las medias, se realizarían los contrastes parciales.
Si se cumple la condición de aplicación hay que mirar la fila: Esfericidad asumida Si no se cumple: el Modelo Hyunh-Feldt Los grados de libertad cambian dado que se ha aplicado una correción.
4. DISEÑO FACTORIAL DE MEDIDAS REPETIDAS.
Más de 1VI El tamaño del problema aritmético, también tendrá un efecto en restas? A todos los participantes les presentará sumas (pequeñas, medianas, grandes) y restas (pequeñas, medianas, grandes) Grupos Formación Pretest Condiciones Postest 1 Sujeto como / X1 (a1b1) o1 X2 (a1b2) o2 X3 (a1b3) o3 X4 (a2b1) o4 X5 (a2b2) o5 X6 (a2b3) o6 2 Control / 31 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III 5. DISEÑO DE MEDIDAS PARCIALMENTE REPETIDAS.
1r grupo resolverá sumas (pequeñas, medianas y grandes) 2o grupo resolverá restas (pequeñas, medianas y grandes) Grupos Formación Pretest Condiciones 1 Azar / X1 (a1b1) suma X2 (a1b2) suma X3 (a1b3) suma 2 Azar / X4 (a2b1) resta X5 (a2b2) resta X6 (a2b3) resta Se utilizan para solventar el problema de alargar mucho el proceso de recogida de datos, con este diseño, se reduce a la mitad las condiciones que han de administrarse a cada sujeto, por tanto, también la pasación.
El diseño de medidas parcialmente repetidas, conocido también como diseño de medidas repetidas multigrupo, combina, en un mismo experimento, el procedimiento de grupos independientes y el procedimiento con sujetos de control propio. Se trata de un diseño donde están presentes, presentes, por lo menos, dos variables variables independientes: una variable entre o de agrupación y una variable intra o de medidas repetidas.
Dentro de los diseños de medidas parcialmente repetidas se distingue entre el diseño factorial mixto y el diseño split-plot.
La diferencia entre ellos radica en que en el segundo las variables entresujetos no son experimentales sino que son variables de sujeto.
2 grupos: unos habilidad alta, unos habilidad baja a todos ellos se les presentarían sumas pequeñas y sumas medianas En este caso el diseño es factorial (tamaño de la suma y habilidad en aritmética) pero esta segunda es una variable de sujeto, por tanto, es un diseños split-plot, en el ámbito de la psicología, muchas veces se utiliza este tipo de sujeto para estudiar variables de sujeto.
Análisi de datos 1. Si uso análisi variancia factorial mixto, en el cual de nuevo, se combina grupos y medidas repetidas.
2. Las condiciones de aplicación: las condicones de aplicación para grupo (independencia.
observaciones, normalidad y igualdad variancias) y para el de medidas repetidas (esfericidad) 32 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III UNIDAD 5. DISEÑOS CUASI-EXPERIMENTALES.
1. DEFINICIÓN.
Son diseños muy parecidos a los experimentales, pero hay un elemento que los hace diferentes, a cómo se forman los grupos. En el caso de los diseños cuasi-experimentales, los grupos son naturales (intactos o ya formados). El investigador no interviene en la formación de estos.
Por ejemplo, en el contexto educativo, a nivel escolar, se trabaría con grupos ya formados (con los diferentes cursos). En el ámbito de una empresa (trabajadores de diferentes departamentos. Finalmente, en el ámbito clínico, pacientes de centros hospitalarios diferentes.
Es parecido al experimento, porque cumple con dos características: ● ● También se manipula la variable independiente, dado que una vez que tenemos los grupos, al azar se les asigna una condición (una valor de VI, en caso del diseño simple),.
En ambos, hay un control de las variables extrañas. En el cuasi-experimento se controlan las ve, dentro de lo que se puede. Al ser los grupos naturales, no son controlados desde este punto de vista. En cuanto al control, los diseños cuasiexperimentales se utulizan mucho en el ámbito aplicado, por tanto, es difícil controlar todas las ve.
CLASIFICACION: Diseños de tipo no experimental: ● 1 solo grupo: Diseño de un grupo solamente postest.
Grupo Formación 1 Natural Pretest / Tratamineto X1 Postest O1 El problema más destacado es que no hay elemento de comparación. Se utiliza poco, pero en un ámbito concreto, en el ámbito de la medicina, se utiliza para el estudio de casos clínicos.En este tipo de estudio lo que se hace es comparar con unos datos normativos Diseño de un grupo con pretest y postest.
Grupo Formación Pretest 1 Natural O1 Tratamineto X1 Postest O2 Con esta corrección se podría hacer una comparación, pero al no ser experimental, tiene poca validez interna, y por ello, no permite establecer una relación causal clara e inequívoca.
Ejemplo. Estudio comportamiento agresivo en un centro penitenciario durante dos meses.
33 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III Factores que pueden atentar contra la validez interna.
● Historia. Hecho o acontecimiento externo que coincide con la administración del tratamiento y provoca cambios en el postest.
Ejemplo. cambio de personal, por tanto, en el postest hay que preguntarse si el descenso del comportamiento agresivo se debe al proceso natural o al cambio de personal. Por tanto, no habría validez.
● Maduración. Algún cambio interno en los participantes que provoca cambios en el postest.
● Mortalidad experimental: Pérdida de sujetos que se da entre las diferentes observaciones. En los diseños con pretests y postest, así como en cualquier diseño que tengas diferentes observaciones para los diferentes sujetos.
Son unos diseños que se utilizan mucho, que tengan baja validez interna, no quiere decir que no se utilicen.
● 2 grupos.
Diseño con grupo control sólo postest.
Grupo Formación 1 Natural 2 Pretest / Tratamineto X1 Postest O1 / X0 02 Natural Son naturales y no se podría establecer una relación causal clara e inequívoca. Para incrementar la validez interna → Diseño experimental de grupos control no equivalente.
Ejemplo. 2 módulos del centro penitenciario.
34 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III Diseños de tipo cuasi-experimental: ○ Estrategia Transversal. Después de administrar las diferentes condiciones, se da una única observación, en un único momento temporal.
■ Diseño de grupos control no equivalente. Con medidas pretest sustitutivas.
Grupo 1 Formación Natural Pretest O1 Tratamineto X1 Postest O2 2 Natural O3 X0 04 Se caracteriza porque no medimos el postest con el mismo instrumento de medida que el pretest.
Al ser los grupos naturales, no hay equivalencia entre ellos, para ello se incorporan unos controles: - ■ 1r control. Al incorporar medidas pretest, nos permitirá estudiar la equivalencia inicial de los grupos, es decir, comparar las dos observaciones del pretest para saber si son equivalentes de entrada.
2o control. Grupo control que no recibe tratamiento o recibe un tratamiento placebo.
Diseño de grupo control no equivalente.
Técnicas estadísticas.
1. Análisis de la varianza (ANOVA).
2. Análisi de la covarianza (ANCOVA).
3. Recurrir al análisi de la varianza de las puntuaciones de diferencia o de cambio.
EJEMPLO 5. Un psicólogo quiere probar la eficacia de una terapia cognitiva para el tratamiento Un psicólogo clínico quiere probar la eficacia de una terapia cognitiva para el tratamiento de la depresión. Selecciona dos grupos de pacientes de dos centros hospitalarios. Los pacientes del primer centro reciben la nueva terapia durante un periodo de 3 meses. Los pacientes del otro centro reciben su tratamiento habitual durante el mismo periodo. Antes y después de recibir los tratamientos todos los pacientes contestan un cuestionario para medir su autoestima y se utiliza esta medida como variable dependiente en esta investigación.
35 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III 1. Análisis de la varianza (ANOVA).
Comparación puntuaciones del postest (no sería el procedimiento adecuado) El efecto del grupo en el postest es estadísticamente significativo (p=0’000) la medida de autoestima es diferente en los pacientes que reciben el tratamiento habitual y los que no.
Además la media de autoestima en el GC es de 43 y en el GE es de 50.
Se podría concluir que la nueva terapia es eficaz para el tratamiento de la depresión, dado que la autoestima es mayor en los pacientes que siguen la técnica.
1. Análisi de la varianza (ANCOVA). Otro psicólogo tiene las medidas pretest. De entrada los grupos difieren en el nivel de autoestima dado que en el análisi del pretest el valor de significación es de 0’003. El GC 34 y el GE 38 (mejor nivel de autoestima). No se podría decir nada de la efectividad de la terapia.
2. Análisis de la covarianza (ANCOVA). (es el más idóneo, pero se han de cumplir unas condiciones de aplicación).
Técnica que va a permitir analizar las medidas del postest, pero corrigiendo, en función de las diferencias en el pretest.
Se usa en este tipo de diseño, pero es una técnica estadística que permite controlar variables extrañas en general.
36 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III El análisis de la varianza: Sc Total = Sc tratamiento + SC error El análisis de la covarianza: Sc total (variabilidad postest) = SC tratamiento + Sc covariable (pretest) + Sc error una parte viene SC tratamiento otra parte viene del término error Queda claro que el análisis de la covarianza tendrá 2 efectos: - Corregirá la magnitud del efecto de tratamiento.
Reducirá el término de error. Por tanto, la prueba estadística será más potente.
Condiciones de aplicación: 1. La relación entre la variable dependiente y la covariable ha de ser lineal.
Postest x x x x ____________________________ VD - Homogeneidad de las pendientes de regresión. Las pendientes de regresión deben ser iguales para cada grupo de tratamento. Si las líneas de regresión de los grupos no son paralelas, significa que existe un efecto de interacción entre los tratamientos la covariable, es decir, que el efecto de la variable manipulada dependen de los valores que obtiene cada sujeto en la covariable.
37 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III No habrá interacción pretest-por grupo cuando el valor de significación nos obligue a no rechazar la hipótesis nula (p<0’005). Por tanto, la interacción no será estadísticamente significativa, las líneas serán paralelas y se cumpliría condición de aplicación.
Relación entre 2 variables cuantitativas = Correlación de Pearson, informará si la correlación es lineal.
Índice de correlación de Pearson = 0’836 (próximo a 1, relación positiva) Nivel de significación p = 0’000 por tanto, se rechaza la Ho, con lo que sí hay relación estadísticamente significativa.
Grupo * Pretest = 0’198, no rechazamos Ho.
Prueba de homogeneidad de los coeficientes de la regresión, Ho = β1 = β2 38 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III Resultados ANCOVA Grupo * Postest. p = 0’000 rechazamos nula por tanto es estadísticamente significativa.
Podemos concluir que sí hay diferencias estadísticamente significativas entre las medias de autoestima del GC y del GE.
Los descriptivos muestran que la media del GE (49) es superior que la media del GC (44). Con lo que el GE tiene mayor autoestima que el GC, con lo que la terapia es efectiva para aumentar la autoestima en los pacientes con depresión.
3. Recurrir al análisi de la varianza pero se analizan puntuaciones de diferencia o de cambio.
Si no se cumplen las condiciones de aplicación del ANCOVA.
Diferencia entre la puntuación postest y la puntuación pretest. Están informando del cambio en autoestima para un de los sujetos.
39 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III Si se comparan en la condición C y en la condicón E, y no difieren (el incremento en autoestima es igual en los pacientes que siguen la nueva terapia y en los que siguen el tratamiento habitual) por tanto no será efectiva.
En la medida en que difieran y, además, el incremento sea mayor en la terapia que se esta probando, entonces estará indicando la eficacia de la terapia.
De alguna manera se controlar las puntuaciones iniciales, dado que se está estudiando el cambi producido.
1. Análisis de la varianza (ANOVA).
GRUPO p= 0’001 estadísticamente significativo es en las medias. el incremneto en autoestima para GE es de 11 puntos y en el GC es de 8, por tanto, se muestra la efectivida de la terapia.
■ DIseño de discontinuidad en la regresión.
El diseño de discontinuidad en la regresión ofrece mejores perspectivas que el diseño de grupos no equivalentes, dado que se conoce la naturaleza del proceso de selección de los grupos (o asignación de las unidades de estudio). Aunque es escasa la utilización de esta estrategia, constituye un buen ejemplo de cómo es posible verificar el efecto del tratamiento mediante grupos organizados en función de los valores de la variable pre-tratamiento. En la práctica, su uso se ha limitado al ámbito de la investigación sobre educación compensatoria (Trochim, 1984).
Según la lógica del diseño, los sujetos se consideran, a partir de un punto de corte en la variable pre-tratamiento, como pertenecientes al grupo control y al grupo experimental. Por esta razón, la estrategia de discontinuidad en la regresión requiere que se conozca el criterio de formación del grupo control y grupo experimental; es decir, el criterio de selección (Thistlethwaite y Campbell, 1960).
Según Cain (1975), una clara ilustración de la modelación del procedimiento de selección es el uso de una puntuación pretest en la asignación de los sujetos a los grupos de tratamiento (control y experimental).
40 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III Técnicas estadísticas.
1. Análisis de la varianza (ANOVA).
2. Análisi de la covarianza (ANCOVA).
3. Recurrir al análisi de la varianza de las puntuaciones de diferencia o de cambio.
EJEMPLO 5. Se pretende estudiar el efecto de un programa sobre el rendimiento escolar.
Puesto que los sujetos seleccionados que van a seguir el programa presentan niveles más altos en variables relacionadas con el rendimiento escolar que los controles, se decide utilizar esta información previa como covariable. Según la estrategia del diseño, los sujetos que puntúan bajo en la covariable forman el grupo control y los que puntúan alto, el grupo experimental o de tratamiento. En la tabla de datos de este hipotético estudio, los sujetos control obtienen puntuaciones entre 1 y 5 en la covariable, y los sujetos con tratamiento entre 6 y 10. El punto de corte se sitúa en el intervalo 5-6.
1. Análisis de la varianza (ANOVA).
41 DISEÑOS DE INVESTIGACIÓN EN PSICOLOGÍA. BLOQUE II Y III 2. Análisis de la covarianza (ANCOVA). (es el más idóneo, pero se han de cumplir unas condiciones de aplicación).
Análisis de la covarianza: homogeneidad de las pendientes de regresión Análisis de la regresión ○ Estrategia Longitudinal. Después de administrar las diferentes condiciones, se da más de una observación en distintos momentos del tiempo.
■ ■ Diseño simple de series de tiempo interrumpidas.
Diseño de series de tiempo interrumpidas con grupo control no equivalente.
42 ...