Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
ANÁLISIS DE LA VARIANZA (ANOVA) Planteo de un problema: Reproducir la figura compleja de Rey requiere de memoria de trabajo y de aplicación de estrategias. Esta prueba se administra para evaluar la organización perceptual y la memoria visual. 1 Figura compleja de Rey En una primera etapa el paciente la copia sin límite de tiempo y, de inmediato, se le pide que la reproduzca sin la ayuda del modelo. Luego de 30 minutos se le pide nuevamente que la reproduzca para evaluar su capacidad de recuerdo material no verbal. 2 El puntaje máximo posible de la prueba es de 36 porque en su desarrollo se evalúa la confección de 36 items. En nuestro ejemplo se estudia a pacientes que se quejan de falta de memoria (grupo Queja), y se los quiere comparar con pacientes sin patología (grupo Control), y con pacientes que ya están diagnosticados con Deterioro cognitivo leve (grupo MCI). En ese contexto, se les administra la prueba de la figura de Rey a los individuos de los tres grupos. 3 Los tratamientos los indicamos con un subíndice i. i = 1; 2; 3 Yi= puntaje obtenido por los individuos que pertenecen al grupo o tratamiento i. µi= puntaje medio de la población de individuos del grupo o tratamiento i. Estos son los datos obtenidos de la prueba: Yij: Puntaje obtenido por el j-ésimo individuo que pertenece al grupo i. En este problema hay 1 criterio de clasificación que es el grupo o tratamiento, que lo fija el experimentador y lo denominamos con el subíndice i: 1 i I = 3 niveles El subíndice j indica el individuo dentro del grupo: 1 j ni j: 1 ni i: 1I Yij = Y2 6 4 Yij: Respuesta del j-ésimo individuo que recibió el tratamiento i. 5 La H0 indica que las tres medias son iguales H0) 1 = 2 = 3 La H1 es complementaria de H0 H1) no todas las i son iguales 1- ¿Se puede afirmar, con pequeña probabilidad de error, que las medias (puntajes medios en nuestro problema) no son las mismas en las tres poblaciones? 2- Si hay diferencias, ¿cuáles son los grupos que difieren en sus valores medios de puntaje? Preguntas sobre el problema: ¿Cuántas comparaciones de a pares pueden plantearse entre tres grupos? 3 2 2.3 !23!2 !3 2 3 Efectivamente, si las medias poblacionales a comparar se nombran µ1, µ2 y µ3, las comparaciones serán: µ1 vs. µ2 µ1vs. µ3 µ2 vs. µ3 4 ¿Por qué introducimos un procedimiento nuevo para poner a prueba esta hipótesis? ¿Por qué no un test de Student por cada par de medias a comparar? 7 En general, la cantidad de comparaciones de a pares entre I medias será: 2 )1I(I )!2I(2 )!2I)(1I(I )!2I(!2 !I 2 I Si se rechaza una hipótesis de igualdad entre dos medias, la probabilidad de equivocarse es el nivel de significación fijado por el experimentador. 8 Pero ahora tenemos I.(I-1)/2 = 3.2/2 = 3 hipótesis a contrastar. ¿Cuál es la probabilidad de rechazar incorrectamente alguna de ellas? En otras palabras, ¿cuál es la probabilidad de cometer al menos un error de tipo I? Entonces necesitamos otro método. No efectuaremos el cálculo, pero es mayor que la probabilidad de equivocarse al rechazar una sola hipótesis. 9 El Análisis de la varianza (ANOVA) es el modelo que se aplica cuando se quieren comparar las medias de I niveles de un factor, donde I ≥ 2 Nosotros analizaremos el modelo de un solo factor o criterio de clasificación de variables aleatorias independientes (el grupo, en nuestro caso), pero hay otros modelos de ANOVA que efectúan comparaciones en más de un criterio de clasificación, y en medidas independientes o apareadas. El tratamiento i se aplica a ni unidades experimentales elegidas al azar. 10 MODELO DEL ANOVA: Yij = respuesta de la unidad experimental j que recibió el Tratamiento i Suposiciones:Yij ~ N(i ; ) independientes i = 1; 2;...; I j = 1; ... ; ni Para cada i fijo, las variables Yij constituyen una muestra aleatoria de la variable Yi . 11 Para cada tratamiento i fijo, las respuestas Yij serán iguales a la respuesta media para ese tratamiento, más una variable aleatoria que representa el error experimental. i = 1; 2;...; IYij = i + Eij j = 1; ... ; ni Suposiciones: Eij ~ N(0 ; ) independientes i = 1; 2;...; I j = 1; ... ; ni Otra forma de expresar el modelo de ANOVA: 12 HIPÓTESIS: H1) no todas las i son iguales H0) 1 = 2 = ... = I Analicemos estas causas de variación de los datos, previo acuerdo de algunas nomenclaturas: El nombre de Análisis de la varianza para el método proviene del hecho de que, para comparar medias, se evalúan las causas de variación presentes en las muestras de observaciones. ¿Cómo llegamos a un estadístico de prueba adecuado para evaluar esta hipótesis? ¿Por qué no tienen los mismos valores de la variable de respuesta los individuos de los diferentes grupos? 13 Causas o fuentes de variación: Grupo o tratamiento diferente (Variación controlada por el experimentador) ¿Por qué no todos los individuos de un mismo grupo tienen los mismos valores de la variable de respuesta? Diferencias individuales, errores de medición de la variable, efecto del medio ambiente, etc. (Variación no controlada y/o no controlable) ji ji i i.. Y n 1 T n 1 n T Y 14 Notaciones y fórmulas: n = número total de individuos Ti = suma o Total de las respuestas del Tratamiento i T = Total general o suma de todas las respuestas .iY = media muestral del Tratamiento i ..Y = media muestral general i i I 1i i nnn ji i iji TYT j jii YT j ji ii i .i Y n 1 n T Y 15 i.i )Y(E )Y(E .. ˆY.. ESTIMADORES DE LOS PARÁMETROS = respuesta media del total de la población sin tener en cuenta el tratamiento. i.i ˆY = media de la muestra aleatoria correspondiente al Tratamiento i. .iY ..Y = media muestral general (de todos los datos sin tener en cuenta el tratamiento) i = respuesta media poblacional al Tratamiento i. 16 Analicemos la variación de los datos, para lo cual descompondremos la variación total en dos causas de variación: Para encontrar un estimador de la varianza en el modelo de ANOVA, recordemos el cálculo del estimador de la varianza S2 con los datos de una sola muestra: Suma de Cuadrados: 22 ˆCM gl SC S n 1i 2 i )XX(SC Grados de libertad: gl = n-1 17 Variación total Variación dentro de tratamientos Variación entre tratamientos ..Y-Y ji ...i.iji Y-YY-Y Partición de la variación total: ij 2 ji ..Y-Y ij 2 ...i.iji Y-YY-Y ij 2 ...i...i.iij 2 .iji YYYY.YY.2YY Planteemos la Suma de Cuadrados: Luego de desarrollar la sumatoria dentro de cada sumando, el doble producto da igual a cero 18 2...2.i2 Y-Y-..- ∑∑∑ i i iji ji ji ji YnYYY Suma de cuadrados Total SCT Suma de cuadrados Dentro SCD Suma de cuadrados Entre SCE (n – 1) = (n - I) + (I – 1) Grados de libertad Cuadrados medios: Entonces: = + In SC CM DENTRODENTRO 1I SC CM ENTREENTRE 19 E(CMD) = 2 Demostrar Entonces el CMDENTRO es el que estima la variación no controlada, es decir: 2 DENTRO ˆCM Y además: El CMDENTRO es un estimador insesgado de la varianza poblacional Propiedad 7.1 : i i i 2 ii DENT RO )1n( S)1n( CM Propiedad 7.2 : 20 Veamos las fuentes de variación en las dos situaciones: I) Supongamos que H0 es falsa: Y.. _ Y1. _ Y2. _ Y3. _ CME >> CMD Y1. _ Y2. _ Y3. _ Y.. _ CME CMD II) Supongamos que H0 es verdadera: 21 Entonces, si al ser falsa la hipótesis nula lo que cambia es la relación entre los Cuadrados Medios Entre y Dentro, el Estadístico de prueba debería contenerlos. ¿En qué tipo de relación matemática? Recordemos que el Estadístico de pruebadebe detectar cuándo la H0 es falsa y que, además, debe tener una distribución conocida. Y recordemos, además, que los cuadrados medios son varianzas, y que son variables aleatorias. 22 ¿Cuál será el valor crítico para rechazar la hipótesis nula? )In();1I(;3210 Fsi:HchazaremosRe F E(CMD) = 2 i 2 ii 2 E n 1I 1 CME )( Si H0 no es verdadera, algún i 0, entonces 0n i 2 ii E(CME ) > 2 E(CME ) > E(CMD) αi = µi - µ Por lo tanto, si H0 es verdadera, todas las µi son iguales a µ y todos los αi son iguales a 0. Entonces se puede calcular la esperanza de los CM: )(;)1(~pruebadeoEstadístic InI DENTRO ENTRE F CM CM F 23 2 )1(2 ~ )1( I entreCMI 2 )(2 ~ )( In dentroCMIn Así también (no lo demostraremos): Entonces: )();1( 2 2 ~ 1)( 1 1)1( InI dentro entre F In CMIn I CMI Por la suposición de homogeneidad de varianzas 2 12 21 )n(~ S)n( Recordemos que ¿Por qué la distribución del estadístico? 24 Los resultados se presentan, en general, en una tabla: Tabla del ANOVA: Fuente de variación Suma de cuadrados (SC) Grados de libertad (gl) Cuadrado medio (CM) Estadístico de prueba (F) Entre tratamientos SC ENTRE I – 1 CME = SCE/(I-1) F = CME / CMD Dentro de tratamientos SC DENTRO n – I CMD = SCD/(n-I) Total SC TOTAL n - 1 La P del test, la probabilidad exacta de cometer error de tipo I, es la P(F(I-1); (n-I) ≥ Fmuestral ), es decir, el área a la derecha del Estadístico de prueba calculado. 25 Recordemos: 2..2.i2 Y-Y-- ∑∑∑ .i i iji ji ji ji YnY..YY Para completar la tabla del ANOVA necesitamos desarrollar estas fórmulas para obtener una fórmula útil desde el punto de vista computacional. Así, desarrollando los cuadrados se obtiene: CYSC ji 2 jiT C n T SC i i 2 i E SCD = SCT – SCE n T C 2 Donde: SCTOTAL SCDENTRO SCENTRE 26 7273,9870 22 466 n T C 22 2727,1399 7273,987011270 C)15...3518( CYSC 222 ij 2 ijT 6298,6607273,98703571,10531 7273,9870 7 102 8 166 7 198 C n T SC 222 i i 2 i E 6429,7386298,6602727,1399SCSCSC ETD En nuestro ejemplo: 30 Los puntajes medios difieren significativamente entre los grupos 27 Fuente de variación Suma de cuadrados (SC) Grados de libertad (gl) Cuadrado medio (CM) Estadístico de prueba (F) Entre tratamientos 660,6298 2 330,3149 8,497 Dentro de tratamientos 738,6429 19 38,8759 Total 1399,2727 21 52,3F 19;2;05,0 93,5F 19;2;01,0 8,497 > 5,93 Se rechaza H0 con P<0,01 30 0,00 0,93 1,85 2,78 3,70 4,63 5,56 6,48 7,41 0,0 0,2 0,5 0,7 1,0 D e n s id a d Función de densidad F-Snedecor(2,19): p(evento)=0,05 28 F0,05;2;19=3,52 29 Verifiquemos mediante la fórmula de cálculo del Sp 2 generalizada para más de dos tratamientos: 8759,38 19 6427,738 676 9524,43)17(3571,39)18(2381,33)17(2 pS n-I SCDENTRO CMDENTRO Recordemos la Propiedad i i i 2 ii DENT RO )1n( S)1n( CM 27 30 ANOVA en Excel 31 32 ANOVA en InfoStat Base de datos en InfoStat: Una columna es el grupo y otra la variable Cómo llegar a este cuadro de diálogo Estadísticas Análisis de la Varianza (Se pasan las variables mediante las flechas y se le da Aceptar) 33 Cuando aparece este cuadro de diálogo, tildar Residuos, Residuos estudentizados y Predichos Los residuos y los predichos se agregan a la base de datos. )ˆ( Residuo iij YY El residuo es la diferencia entre el valor observado y el valor esperado o predicho según el modelo. Observar que los predichos son las medias de cada grupo. Es decir que en el ANOVA, los residuos son: )( Residuo .iij YY 34 35 -15,0 -9,0 -3,0 3,0 9,0 15,0 Cuantiles de una Normal(4,0372E-016,35,173) -15,0 -9,0 -3,0 3,0 9,0 15,0 C u a n ti le s o b s e rv a d o s (R D U O _ P u n ta je ) n= 22 r= 0,984 (RDUO_Puntaje) QQ-Plot Normal una de muchoaparten se no residuos los que esperamos Ê comoy );0(~Econ :ANOVA de modelo elSegún ij ij ij ijiij residuo NEμY Verificación de supuestos: 36 10,0 15,0 20,0 25,0 30,0 PRED_Puntaje -2,0 -1,5 -1,0 -0,5 0,0 0,5 1,0 1,5 2,0 2,5 R E _ P u n ta je 1616 Gráfico de residuos estudentizados en función de predichos Se espera que no haya valores más allá de los 3 desvíos estándar. En el gráfico están marcadas con rojo dos líneas sobre los ± 2 DS. Un solo valor está a más de 2 DS: es el dato de la fila 16. 37 Test de Hartley o del F máximo: H0: σ1 2 = σ2 2 = … = σI 2 H1: no todas las σi 2 son iguales Test para evaluar la homogeneidad de varianzas: 2 MENOR 2 MAYOR S S oEstadístic máxF 1J;I;máx0 FsiHrechazaSe máxF Yij = respuesta del j-ésimo individuo que recibió el tratamiento i Suposiciones:Yij ~N(i ; i) independientes i = 1; 2;...; I j = 1; ... ; J No se rechaza la hipótesis de homogeneidad de varianzas. No se encuentran diferencias significativas entre las varianzas correspondientes a los tres grupos. 38 Por supuesto, se espera no rechazar la hipótesis nula de igualdad de varianzas. Por lo tanto, para disminuir la probabilidad de cometer error de tipo II, debemos fijar un nivel de significación alto, digamos como mínimo 10%. Si todos los ni no son iguales, se puede calcular la media armónica de los ni o bien ubicarse en la situación más desfavorable y utilizar como J el tamaño de la muestra de mayor tamaño. En nuestro ejemplo: 32,1 2381,33 9524,43 máxF 94,6F 7;3;05,0máx máxF 39 Test de Levene: H0: σ1 2 = σ2 2 = … = σI 2 H1: no todas las σi 2 son iguales Yij = respuesta del j-ésimo individuo que recibió el tratamiento i Suposiciones:Yij ~N(i ; i) independientes i = 1; 2;...; I j = 1; ... ; J El método consiste en efectuar un Análisis de varianza con la variable de respuesta: “Residuos Absolutos del modelo del ANOVA”; y como variable de clasificación, el grupo o tratamiento. 40 Test de Levene en InfoStat . absoluto Residuo iij YY Recordemos que Residuo es el valor observado de una variable menos el valor esperado según el modelo . Residuo iij YY CONTROL QUEJA MCI -14,0 -10,5 -7,0 -3,5 0,0 3,5 7,0 10,5 14,0 R D U O _ P u n ta je CONTROL QUEJA MCI 0,0 2,0 4,0 6,0 8,0 10,0 12,0 14,0 R A B S _ P u n ta je 41 No se puede rechazar la hipótesis de homogeneidad de varianzas: p-valor=0,9045 Test de Levene 42 Transformaciones de los datos: soluciones posibles a la falta de cumplimiento de los supuestos: Suele suceder que, al aumentar la media, aumenta proporcionalmente la desviación estándar o la varianza de los grupos. Se puede recurrir a las transformaciones de los datos. Esta transformación es útil cuando i es proporcional a µi Transformación logaritmo: Y´= log (Y) o Y´= ln (Y) Se utiliza cuando i 2 es proporcional a µi. Suele usarse cuando la variable proviene de recuentos: por ejemplo, número de células en un volumen determinado; número de pacientes que concurren a un servicio en un intervalo de tiempo determinado (Poisson) Transformación raíz cuadrada: Y´Y 43 Transformación Arcoseno: Ysenarc´Y Se utiliza cuando Y = proporción que proviene de un recuento de número de éxitos en m repeticiones independientes de un experimento (distribución Binomial). El arc sen es la función inversa del seno de un ángulo. Transformación recíproca: Y 1 ´Y Se utiliza cuando i es proporcional a µi 2 Es la transformación indicada cuando la variable es un tiempo de sobrevida, o un tiempo de espera hasta un evento. 44 Propiedades *Si hay sólo dos tratamientos (I=2) el ANOVA de un factor fijo es equivalente al test de Student de diferencia de medias en muestras independientes con la hipótesis: H0) 1 - 2 = 0 H1) 1 - 2 0 *Elestadístico F no cambia si se hace una transformación lineal a los datos. Se obtiene el mismo resultado si se modifica la unidad de medición. 45 Comparaciones múltiples Después de rechazar la hipótesis nula del ANOVA, se necesita saber dónde están las diferencias; en general, en comparaciones de a pares. Los tests de comparaciones múltiples, o tests a posteriori, se efectúan con un nivel de significación global que asegura que, aunque se rechazaran todas las comparaciones, no se superaría ese nivel de significación (se controla el error de tipo I). En nuestro ejemplo, nos interesa saber si los individuos que se quejan de la falta de memoria están más cerca de los controles o de los pacientes con deterioro cognitivo. 46 Para poner a prueba las hipótesis se calculan los estadísticos de prueba y se los confronta a un valor de tabla adecuado. H0 i i´: μi = μi´ H1 i i´: μi μi´ Si se comparan I medias de a pares, la cantidad total de comparaciones será: m = I(I-1)/2 Hay diversos métodos para controlar el error de tipo I. Las hipótesis nulas y alternativas, cuando se comparan las medias de a pares, son de la forma: i = 1; ... ; I i' = 1; ... ; I i i' 47 Método de Bonferroni La premisa del método para controlar la probabilidad de error de tipo I es: si se pretende no sobrepasar el nivel de significación α para m comparaciones, entonces el nivel de significación para cada una de las m comparaciones será * = / m Para encontrar el estadístico de prueba, necesitamos un estimador de µi - µi´ ´.ii´ii YYˆˆ 0 ´ ´. ~ 11 0. T Hbajot nn CM YY In ii D ii 48 con nivel de significación global , In; m.2 ´ii0 tTsi)HrechazaSe En nuestro ejemplo de los puntajes en los tres grupos de individuos, se rechazó H0) 1 = 2 = 3 con P < 0,01 Veremos cuáles son los grupos cuyos puntajes medios difieren significativamente. H012) 1 - 2 = 0 H112) 1 - 2 0 H013) 1 - 3 = 0 H113) 1 - 3 0 H023) 2 - 3 = 0 H123) 2 - 3 0 Podemos plantear hipótesis H0ii’ 3 2 133 m . 49 = 0,05 t n-I; /2m = t 19;0,05/2*3 = 2,625 (valor de tabla) = 0,01 t n-I; /2m = t 19; 0,01/2*3 = 3,354 (valor de tabla) H012) 1 = 2 NS mT 324,2 8 1 7 1 8759,38 8,203,28 H013) 1 = 3 **111,4 7 1 7 1 8759,38 6,143,28 mT H023) 2 = 3 NS mT 921,1 7 1 8 1 8759,38 6,148,20 50 Las conclusiones son las mismas tanto si tomamos un nivel de significación global del 5% como del 1%: sólo se rechaza H013). Se detecta diferencia significativa entre el grupo Control y el grupo de Deterioro cognitivo leve, pero el grupo de Queja no difiere significativamente de ninguno de los dos. Esta conclusión se puede informar así: con un código de letras iguales para los tratamientos o grupos que no difieren: GRUPO MEDIA Control 28,3 A Queja 20,8 AB MCI 14,6 B 51 Si la cantidad de tratamientos es muy grande, y hay muchas comparaciones, el método de Bonferroni puede llegar a tener una baja potencia, porque al achicarse mucho la zona de rechazo, el estadístico de prueba debe tener un valor absoluto muy grande para entrar en la zona de rechazo, y disminuye la capacidad de detectar diferencias verdaderas. Si todas las comparaciones a posteriori interesan, Bonferroni funciona bien cuando m I, y eso sucede cuando I=3 porque (3*2)/2 = 3 Sin embargo, cuando sólo interesa hacer un número limitado de comparaciones, menor que I(I-1)/2, el valor de m puede ser corregido sólo por la cantidad de comparaciones que interesan. Por ejemplo, si se tienen 5 tratamientos, (5*4)/2=10, pero si sólo interesan 5 de ellas, el valor de α se puede dividir por 5 en lugar de 10, y no disminuye tanto la potencia. No obstante, cuando se efectúa Bonferroni en InfoStat, por defecto efectúa todas las comparaciones. 52 Método de Bonferroni en InfoStat Luego de introducir las variables Puntaje y Grupo, en la solapa Comparaciones tildar Bonferroni: se activa automáticamente: “Mostrar medias según Grupo”Aceptar 53 Método de Tukey o de la Mínima Diferencia Significativa Recordemos que se rechaza H0 i i´: μi = μi´ si el estadístico: Tukey propone el uso de la distribución del rango studentizado con parámetros I y n-I Si X1; X2; ...; Xk son variables aleatorias N(0;1) independientes, e Y ~ n 2 es independiente de todas las Xi la variable aleatoria: n Y XX W minmax W sigue la distribución del rango studentizado con parámetros I y n-I. tabladeValor n 1 n 1 CM Y.Y ´ii D ´.ii 54 W ~ q I ; n-I P(W q ;I;n-I) = I (la cantidad de grupos o tratamientos) n-I (los grados de libertad del CMDentro) La probabilidad tabulada es la siguiente: Fue diseñado por Tukey para tamaños de muestra iguales, en cuyo caso el nivel de significación global α es exacto. Si los ni no son iguales, es algo conservador (usa las medias armónicas y rechaza menos, detecta menos diferencias): el nivel de significación es menor que α. 55 I-n I; ; ´ii D ´.ii q 2 1 n 1 n 1 CM Y.Y ´ii DI-n I; ;´.ii n 1 n 1 CMq 2 1 Y.Y J 2 CMq 2 1 Y.Y DI-n I; ;´.ii J CM 2q 2 1 Y.Y D I-n I; ;´.ii J CM qY.Y D I-n I; ;´.ii =MDS (Mínima diferencia significativa) ni = ni´=J Las medias de dos tratamientos difieren significativamente si la correspondiente diferencia de medias muestrales supera en valor absoluto a la MDS. 56 Con nivel de significación global , se rechaza H0ii') si La probabilidad de error al hacer todas las comparaciones es menor o igual que . MDSYY '.i.i I21 n 1 n 1 n 1 I J Si los ni no son iguales utilizamos la media armónica de los ni. 57 En nuestro ejemplo: 30,7 7 1 8 1 7 1 3 J 285,83077,2.59,3 30,7 8759,38 qMDS 19;3;05,0 Control Queja MCI 28,3 20,8 14,6 Control 7,5NS 13,7** Queja 6,2NS .iY 777,103077,2.67,4 30,7 8759,38 qMDS 19;3;01,0 En este problema, con el método de Tukey se rechazan las mismas hipótesis que con el de Bonferroni. GRUPO MEDIA Control 28,3 A Queja 20,8 AB MCI 14,6 B 58 Método de Tukey en InfoStat: Luego de introducir las variables Puntaje y Grupo, en la solapa Comparaciones tildar Tukey: se activa automáticamente: “Mostrar medias según Grupo”Aceptar 59 Método de Dunnett para comparar Tratamientos versus un Control (Mala noticia: InfoStat no hace Dunnett) H0 i c: μi = μc H1 i c : μi μc In1; I; 2 α ci D .ci 0ic td n 1 n 1 CM Y.Y siH rechaza Se El test de Dunnett es un test a priori de comparaciones múltiples entre I tratamientos, de los cuales uno es un Control; y el objetivo es comparar los I-1 tratamientos versus el Control. Test de Dunnett bilateral: Es el único test de comparciones múltiples que puede plantear una hipótesis alternativa unilateral (una sola cola). 60 H0 i c: μi = μc H1 i c : μi >μc I-n1;-I; . 0ic td 11 . siH rechaza Se ci D ci nn CM YY Test de Dunnett unilateral: H1 i c : μi <μc En este caso, se utiliza la tabla de Dunnett de una sola cola Si los ni son todos iguales a J, o se calcula la media armónica de los ni, el denominador del estadístico no depende del par de comparaciones. Entonces también se pueden simplificar los cálculos: 61 J CMY Dc 2 .tdY siH rechaza Se In1; I;i. 0ic Supongamos, en nuestro ejemplo, que queremos analizar si los grupos de queja y de MCI tienen puntajes medios menores que los del grupo Control, pero que no interesa compararlos entre sí. El valor crítico, si calculamos la media armónica, será: 30,7 2 .8759,38tdYY siH Rechazamos 19;2;05,0ci. 0ic 625,6 30,7 2 .8759,3803,2YY ci. H1 2c : μ2 < μcNuestras dos hipótesis alternativas serán: H1 3c : μ3< μc 625,65,73,288,20YY c2. 625,67,133,286,14YY c3. Ambos grupos tienen puntajes medios menores que el grupo Control, con un nivel de significación global del 5% y del 1% 62 Comparemos el valor crítico al 5% de Dunnett con respecto al obtenido con Tukey: 625,6 30,7 2 .8759,3803,2YY ci. 285,8 30,7 8759,38 59,3MDS Observamos que Dunnett tiene más potencia que Tukey, “rechaza más”: el valor de tabla es menor y el valor crítico es menor para Dunnett, ¿por qué? Porque Dunnett es un método específico para comparar tratamientos contra un Control. Pero OJO, el método nos inhibe de efectuar otras comparaciones de los grupos entre sí. Control Queja MCI 28,3 20,8 14,6 Control 7,5* 13,7* .iY Ahora, con Dunnett, y con la posibilidad de hacerlo de una cola, se detecta diferencia significativa entre el grupo de Queja y el grupo Control.
Compartir