Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
Descargar como docx, pdf o txt
Está en la página 1/ 16
REPÚBLICA BOLIVARIANA DE VENEZUELA
MINISTERIO DEL PODER POPULAR PARA LA EDUCACIÓN
SUPERIOR UNIVERSIDAD NACIONAL EXPERIMENTAL SUR DEL LAGO “UNESUR” PNF. MEDICINA VETERINARIA
Análisis de la Varianza
INTEGRANTE: Katerine Pérez
Santa Bárbara de Zulia, Julio del 2023.
INTRODUCCIÓN
El análisis de la varianza (o Anova: Analysis of variance) es un método para
comparar dos o más medias, que es necesario porque cuando se quiere comparar más de dos medias es incorrecto utilizar repetidamente el contraste basado en la t de Student. Por dos motivos:
En primer lugar, y como se realizarían simultánea e independientemente
varios contrastes de hipótesis, la probabilidad de encontrar alguno significativo por azar aumentaría. En cada contraste se rechaza la H0 si la t supera el nivel crítico, para lo que, en la hipótesis nula, hay una probabilidad. Si se realizan m contrastes independientes, la probabilidad de que, en la hipótesis nula, ningún estadístico supere el valor crítico es (1 – )m, por lo tanto, la probabilidad de que alguno lo supere es 1 – (1 – )m, que para valores de próximos a 0 es aproximadamente igual a m. Una primera solución, denominada método de Bonferroni, consiste en bajar el valor de , usando en su lugar /m, aunque resulta un método muy conservador. Por otro lado, en cada comparación la hipótesis nula es que las dos muestras provienen de la misma población, por lo tanto, cuando se hayan realizado todas las comparaciones, la hipótesis nula es que todas las muestras provienen de la misma población y, sin embargo, para cada comparación, la estimación de la varianza necesaria para el contraste es distinta, pues se ha hecho en base a muestras distintas. Análisis de la Varianza (ANOVA)
Es una fórmula estadística que se utiliza para comparar las varianzas entre las medias (o el promedio) de diferentes grupos. Una variedad de contextos lo utilizan para determinar si existe alguna diferencia entre las medias de los diferentes grupos.
Por ejemplo, para estudiar la efectividad de diferentes medicamentos para
la diabetes, los científicos diseñan y experimentan para explorar la relación entre el tipo de medicamento y el nivel de azúcar sanguínea resultante. La población de la muestra es un conjunto de personas. Dividimos la población de la muestra en varios grupos y cada grupo recibe un medicamento en particular durante un período de prueba. Al final del período de prueba, se miden los niveles de azúcar sanguínea para cada uno de los participantes individuales. Luego, para cada grupo, se calcula el nivel medio de azúcar sanguínea. ANOVA ayuda a comparar las medias de estos grupos para averiguar si son estadísticamente diferentes o si son similares.
En otras palabras, ANOVA nos ayuda a saber si hay una diferencia
significativa en la media entre los grupos que estás comparando o si cualquier diferencia que hayas observado se debe simplemente al azar.
El ANOVA compara la varianza entre los grupos con la varianza dentro de
los grupos. Si la varianza entre los grupos es mayor que la varianza dentro de los grupos, entonces es probable que exista una diferencia significativa en las medias. Si la varianza dentro de los grupos es mayor que la varianza entre los grupos, entonces cualquier diferencia observada en las medias podría ser simplemente aleatoria.
El análisis de varianza se utiliza para contrastar la hipótesis de que varias
medias son iguales. Esta técnica es una extensión de la prueba t para dos muestras. Además de determinar que existen diferencias entre las medias, es posible que desee saber qué medias difieren.
¿Para qué se usa el Análisis de la Varianza (ANOVA)?
El Análisis de la Varianza (ANOVA) es una técnica estadística muy versátil
y se utiliza en una amplia variedad de campos. Algunos de los principales usos del ANOVA son:
1. Comparación de medias: El ANOVA se utiliza para comparar la media
de tres o más grupos y determinar si existen diferencias significativas entre ellas. 2. Experimentos controlados: Se utiliza en experimentos controlados para analizar los efectos de diferentes tratamientos o intervenciones en los resultados. 3. Investigación de mercados: Se usa en investigación de mercados para analizar la preferencia de los consumidores por diferentes productos o servicios. 4. Ciencias sociales: Para analizar la relación entre diferentes variables, como la edad, la educación y los ingresos. 5. Investigación médica: El ANOVA se utiliza en investigación médica para analizar los efectos de diferentes tratamientos en pacientes con una determinada enfermedad. 6. Ciencias ambientales: Para analizar los efectos de diferentes variables en el medio ambiente, como la contaminación y el clima.
Tipos de prueba ANOVA
Los tres tipos de prueba ANOVA que es posible realizar son los siguientes:
Anova Unidireccional: Esta tiene una variable independiente. Este método
se utiliza para comparar dos medias de dos grupos independientes (no relacionados) utilizando la distribución F. La hipótesis nula para la prueba es que las dos medias sean iguales. Por lo tanto, un resultado significativo es que las dos medias sean desiguales. Anova Bidireccional: Este método es una extensión de la prueba unidireccional. Sin embargo, La prueba ANOVA bidireccional tiene dos variables independientes. Generalmente, se utiliza cuando existe una variable de medición, es decir, una variable cuantitativa y dos variables nominales. Manova: Este método se utiliza cuando existen múltiples variables independientes. Su propósito es determinar si la variable dependiente se modifica mediante la manipulación de la variable independiente.
Características y supuestos
Cuando se aplica el análisis de varianza (ANOVA) en estudios
experimentales, cada grupo consta de un determinado número de sujetos, siendo posible que difieran los grupos en cuanto a este número. Cuando el número de sujetos coincide, se habla de un modelo equilibrado o balanceado.
En estadística, para poder aplicar el análisis de varianza (ANOVA) deben
cumplirse una serie de supuestos: Normalidad: Esto quiere decir que las puntuaciones en la variable dependiente (por ejemplo la ansiedad) deben seguir una distribución normal. Este supuesto se comprueba mediante las llamadas pruebas de bondad de ajuste. Independencia: Implica que no exista autocorrelación entre las puntuaciones, es decir, la existencia de independencia de las puntuaciones entre sí. Para asegurarnos del cumplimiento de este supuesto, deberemos realizar un MAS (muestreo aleatorio simple) para seleccionar la muestra que vamos a estudiar o sobre la que vamos a trabajar. Homocedasticidad: Este término significa “igualdad de varianzas de las subpoblaciones”. La varianza es un estadístico de variabilidad y dispersión, y aumenta cuanto mayor sea la variabilidad o dispersión de las puntuaciones.
Otros supuestos
Los supuestos anteriores deben cumplirse cuando se emplea el análisis de
varianza (ANOVA) intergrupo. Sin embargo, cuando se utiliza un ANOVA intragrupo, deben cumplirse los supuestos anteriores y dos más:
Esfericidad: Si no se cumple, indicaría que las diferentes fuentes de error
correlacionan entre sí. Una posible solución si eso pasa es realizar un MANOVA (Análisis Multivariado de la Varianza). Aditividad: Supone la no interacción sujeto x tratamiento; si se incumple engrosaría la varianza error.
Guía para realizar un análisis de varianza con SPSS
Estos son los pasos que debes de seguir para un análisis de varianza con SPSS. Paso 1: Haz clic en “Analizar”, luego coloca el cursor sobre “Modelo Lineal General”. Haz clic en “Medidas Repetidas”.
Paso 2: Reemplaza el nombre de “factor1” con algo
que represente a tu variable independiente.
Paso 3: Introduce el “Número de niveles”. Esto es la cantidad
de veces que se ha medido la variable dependiente.
Paso 4: Haz clic en el botón “Agregar” y luego asigna un
nombre a tu variable dependiente.
Paso 5: Haz clic en el botón “Agregar”. Aparecerá un cuadro
de Definición de Medidas Repetidas. Haz clic en el botón “Definir”.
El análisis de la varianza parte del concepto de regresión lineal, cuya
funcionalidad amplía. Así, un análisis de la varianza permite determinar, por ejemplo, si diferentes tratamientos médicos (es decir, un grupo de más de dos tratamientos) muestran diferencias significativas en sus resultados o si por el contrario puede suponerse que sus medias poblacionales no difieren. De este modo el análisis de la varianza permite superar las limitaciones de hacer contrastes bilaterales por parejas entre todos los tratamientos posibles, lo que sería un mal método para determinar si un conjunto de variables con n > 2 difieren entre sí. El primer concepto fundamental es suponer que todo valor observado puede expresarse mediante la siguiente función: Supuestos previos El ANOVA parte de algunos supuestos o hipótesis que han de cumplirse:
La variable dependiente debe medirse al menos a nivel de intervalo.
Independencia de las observaciones. La distribución de los residuales debe ser normal. Homocedasticidad: homogeneidad de las varianzas.
La técnica fundamental consiste en la separación de la suma de cuadrados
(SS, 'sum of squares') en componentes relativos a los factores contemplados en el modelo. Como ejemplo, mostramos el modelo para un ANOVA simplificado con un tipo de factores en diferentes niveles. (Si los niveles son cuantitativos y los efectos son lineales, puede resultar apropiado un análisis de regresión lineal)
Tablas ANOVA
ANOVA de dos vías (factorial) Un ANOVA (análisis de la varianza) de dos vías tiene dos o más variables independientes categóricas (también conocidas como factor), y una variable dependiente continua (es decir, de nivel de intervalo o proporción) normalmente distribuida.
Las variables independientes dividen los casos en dos o más niveles,
categorías o grupos mutuamente excluyentes. Un ANOVA de dos vías también se denomina ANOVA factorial. Un ejemplo de ANOVA factorial incluye la comprobación de los efectos del contacto social (alto, medio, bajo), la situación laboral (empleado, autónomo, desempleado, jubilado) y los antecedentes familiares (sin antecedentes familiares, algunos antecedentes familiares) sobre la incidencia de la depresión en una población (la variable de respuesta).
Comprender el valor F del ANOVA
La estadística de la prueba para un ANOVA se denomina F. La fórmula del
ANOVA es F = varianza causada por el tratamiento/varianza debida al azar.
El valor F del ANOVA puede indicar si existe una diferencia significativa
entre los niveles de la variable independiente, cuando p < 0,05. Así, un valor F más alto indica que las variables de tratamiento son significativas.
Tenga en cuenta que el ANOVA por sí solo no nos dice específicamente
qué medias fueron diferentes entre sí. Para determinarlo, tendríamos que seguir con pruebas de comparaciones múltiples (o post-hoc).
¿Cómo ejecutar un ANOVA?
Para grandes conjuntos de datos, es mejor ejecutar un ANOVA en un
software estadístico como R o Stata. Refiriéndonos a un ejemplo de huevos: A los huevos no orgánicos, orgánicos y orgánicos en libertad se les asignarían valores cuantitativos (1,2,3) y servirían como nuestra variable de tratamiento independiente, mientras que el precio por docena de huevos serviría como variable dependiente. Otras variables erróneas pueden ser «Marca» o «Fecha de puesta».
Utilizando los datos y el comando aov() en R, podríamos entonces
determinar el impacto que tiene el Tipo de Huevo en el precio por docena de huevos.
¿Cuál es la diferencia entre la prueba F y el ANOVA?
La prueba F se utiliza para determinar si las medias de dos o más
poblaciones son estadísticamente diferentes entre sí. El ANOVA (análisis de la varianza) es una prueba más amplia que compara las medias con un grupo de control y con otros grupos experimentales, y también determina si existe una diferencia estadísticamente significativa entre las medias.
El ANOVA separa la varianza dentro del grupo de la varianza entre los
grupos y la prueba F es la relación del error medio al cuadrado entre estos dos grupos.
El ANOVA es una herramienta de análisis estadístico común en el diseño
experimental; la prueba F es más común en el análisis posterior al experimento.
¿Qué es la hipótesis nula en el ANOVA?
La hipótesis nula en el ANOVA es la suposición de que no hay diferencia
entre las medias de los grupos. La hipótesis nula se contrasta con la hipótesis alternativa, que es que hay una diferencia entre las medias de los grupos. Si los datos muestran que no hay diferencia entre las medias de los grupos, se apoya la hipótesis nula. Ejemplo1:
Con los datos de la encuesta sobre transporte, Enctrans.sav, razonar si
puede aceptarse que el tipo de transporte utilizado, Trans, influye sobre el variable tiempo.
Con la opción de menú Gráficos > Barras de error > Simple y con el botón Definir se selecciona como Variable Tiempo y en Eje de categorías la variable Trans; al aceptar se obtiene la siguiente representación gráfica:
Como puede observarse, los puntos que representan a las medias de cada grupo aparecen dispersos a diferentes niveles; sobre todo la media del grupo definido por el factor Tren. El intervalo de confianza para la media correspondiente al grupo definido por el factor Metro está contenido dentro del intervalo correspondiente al grupo definido por el factor Bus, así como, el intervalo correspondiente al factor Coche está contenido dentro de los intervalos correspondientes definidos por los factores Metro y Otros. El gráfico, por tanto, parece sugerir no una única población sino tres poblaciones con distintas medias. Para realizar el análisis de la varianza propiamente dicho la secuencia es Analizar > Comparar medias > ANOVA de un factor. En el cuadro de diálogo se selecciona Tiempo como variable Dependiente y Trans como Factor. Para contrastar la hipótesis de igualdad de varianzas se abre con el botón correspondiente el cuadro de diálogo ANOVA de un factor: Opciones y se activa Homogeneidad de varianzas. Si se desea un análisis descriptivo del comportamiento de la variable dependiente dentro de cada grupo se activa también la opción Descriptivos. Al aceptar se obtienen los siguientes cuadros de
resultados:
Este cuadro contiene un análisis descriptivo de la variable dependiente por
grupos, así como, los límites superior e inferior para la media de cada grupo al 95% de confianza.
Ejemplo2:
Los miembros de una empresa agrícola se dividen al azar en tres grupos
de ganado bovinos que entrenan con métodos diferentes. El primer grupo realiza largos recorridos en el campo, el segundo grupo realiza cortos recorridos es en el campo de alta intensidad y el tercero trabaja en la vaquera realizando cortos y lentos recorridos. Luego de un mes de realizar el experimento en los animales realiza un test de rendimiento consistente en un recorrido cronometrado de 9 Km. Los tiempos empleados fueron los siguientes:
A un nivel de confianza del 95% ¿Puede considerarse que los tres métodos producen resultados equivalentes? O por el contrario ¿Hay algún método superior a los demás?
Solución:
Comenzamos calculando los totales y los cuadrados de los totales divididos
por el número de observaciones: A continuación calculamos los cuadrados de las observaciones y su total:
A partir de estas cantidades básicas calculamos las Sumas de Cuadrados:
Por consiguiente el estadístico de contraste vale:
F = 13,4/ 1,43 = 9,37
El valor de la F teórica con 2 y 12 grados de libertad, a un nivel de
confianza del 95% es 3,89. Por consiguiente se rechaza la hipótesis nula y se concluye que los tres métodos de entrenamiento producen diferencias significativas. CONCLUSIÓN
En conclusión, el análisis de la varianza (ANOVA) es una herramienta
estadística poderosa que se utiliza para comparar las medias de tres o más grupos de datos. Una de las principales ventajas de realizar una prueba ANOVA es que permite determinar si hay una diferencia significativa entre las medias de los grupos, lo que puede ser útil en diversas áreas como la investigación científica, la industria, el marketing y la economía.
En la investigación de mercados, la prueba ANOVA se puede utilizar para
comparar las medias de diferentes grupos de consumidores, según sus características demográficas o de comportamiento, y evaluar si existen diferencias significativas entre ellos. Por ejemplo, se puede realizar una prueba ANOVA para comparar las opiniones de diferentes grupos de consumidores sobre un producto, según su edad, género o nivel educativo.
Además, la prueba ANOVA también se puede utilizar para evaluar la
efectividad de diferentes estrategias de marketing. Por ejemplo, se puede realizar una prueba ANOVA para comparar las ventas de un producto después de aplicar diferentes estrategias de publicidad o promoción, y evaluar si existe una diferencia significativa entre las ventas de cada grupo.
