Contenido del Temario: Tema 2.: Diseños univariados entresujetos. Introducción. El modelo lineal general. Comparación de modelos: Desarrollo de la forma general del test estadístico. Relación entre modelos e hipótesis. El caso de dos grupos. Caso general de los diseños univariados. Supuestos estadísticos en el cálculo de F. Tema 3.: Comparaciones de medias. Introducción. Comparaciones simples. Comparaciones complejas. Comparaciones múltiples: Planeadas y a posteriori. Los procedimientos de Bonferroni, Tukey, Scheffé y Dunnett. Tema 4.: Diseños factoriales entresujetos. Introducción. Comparación de modelos y el diseño general de dos factores. Guía general para analizar los efectos principales e interacciones en el diseño de 2 factores. El diseño general de n factores. Guía general para analizar los efectos principales e interacciones en el diseño de n factores. Tema 5.: Diseños univariados intrasujeto. Introducción. Comparación de modelos y el diseño general de un factor. Diseños entresujetos frente a diseños intrasujetos. Tema 6.: Diseños factoriales intrasujetos. Comparación de modelos y el diseño general de dos factores. Guía general para analizar los efectos principales e interacciones en el diseño de 2 factores intra-sujeto. El diseño general de n factores. Tema 7.: Diseños mixtos. Introducción. Comparación de modelos y el diseño mixto. Análisis a posteriori de los efectos principales y de la interacción. Tema 8.: Análisis de potencia y tamaño del efecto: Introducción. Potencia, significación estadística y tamaño del efecto. Tema 9.: Otros tipos de diseño. Diseños con variables concomitantes. Diseños de N=1.

Ejemplo Variable independiente: Tipo de música (Mozart vs. Pink Floyd) Variable dependiente: CI tras escuchar música N=10 (diseño entre-sujetos, asignación al azar a los grupos)

Escenario 1 Grupo CI tras música Suj. 1 Mozart 104.00 Suj. 6 Pink Floyd 106.00 Suj. 7 Pink Floyd 104.00 Suj. 8 Pink Floyd 108.00 Suj. 9 Pink Floyd 111.00 Suj. 10 Pink Floyd 101.00

Escenario 1

Escenario 2 Grupo CI tras música Suj. 1 Mozart 104.00 Suj. 6 Pink Floyd 106.00 Suj. 7 Pink Floyd 104.00 Suj. 8 Pink Floyd 108.00 Suj. 9 Pink Floyd 109.00 Suj. 10 Pink Floyd 103.00

Escenario 2

La aproximación de la comparación de modelos (1) Modelo: Expresión algebraica de cómo ocurren los valores de la variable dependiente. Un modelo es una simplificación de los datos en la forma de Datos=Modelo+Error V.g.: Rendimiento=constante+CI+horas estudio+motiv.+ Error Aleat. Objetivo: Desarrollar un modelo razonable de los datos que se halle motivado teóricamente

La aproximación de la comparación de modelos (2) ¿Cómo llegar al objetivo?: Se desarrollan dos modelos para representar los datos y se comparan. ¿Bajo qué criterios podemos comparar los modelos?: Hay 2 criterios básicos: Simplicidad y Precisión ¿Cómo se mide la simplicidad de un modelo? Por el número de parámetros. Un modelo es más sencillo cuanto menos parámetros tenga. ¿Cómo se mide la precisión de un modelo? Por lo bien que sus predicciones se asemejan a los datos “reales”. Un modelo es tanto más preciso cuanto menor sea la Suma de Cuadrados de los errores de predicción.

La aproximación de la comparación de modelos (3) Observad: Los modelos más complejos conllevan mayor precisión (lo cual es positivo), pero también son menos parsimoniosos (navaja de Occam). La pregunta clave es: ¿La reducción en los errores de predicción merece la complejidad adicional? Tal cuestión se operativiza mediante el cálculo de la suma de cuadrados de los errores de los pronósticos (tanto para el modelo sencillo -el restringido- como para el modelo complejo -el completo-), así como mediante el cálculo de los grados de libertad de ambos modelos. gl: Nº de observaciones independientes - nº parám a estimar (El modelo más simple tiene más g.l. que el más complejo)

La aproximación de la comparación de modelos (4) Una vez tenemos las sumas de cuadrados de ambos modelos (restringido y completo) y sus respectivos grados de libertad, podemos llegar fácilmente a una razón F, a partir de la cual elegiremos un modelo u otro. Observad: La hipótesis nula corresponderá al modelo restringido, mientras que la hipótesis alternativa corresponderá al modelo completo La diferencia con el enfoque “clásico”: El énfasis en nuestro caso es la capacidad del modelo en describir los datos, más que en confiar en la prueba estadística ciegamente. (Los análisis de regresión y ANOVA, entre muchos otros, pueden ser subsumidos bajo esta aproximación.)