Sie sind auf Seite 1von 31

Unidad 4

Modelos Estadsticos (I): ANOVA y ANCOVA


ndice
1. Introduccin
2. Diseos de ms de dos muestras: ANOVA
2.1 ANOVA de un factor
2.2 Comparaciones a posteriori
2.3 ANOVA factorial
2.4 ANOVA de medidas repetidas
2.4.1 ANOVA de medidas totalmente repetidas
2.4.2 ANOVA de medidas parcialmente repetidas
3. Diseos de ms de dos muestras: ANCOVA
4. Prcticas
5. Soluciones de las prcticas
6. Actividades prcticas de consolidacin

1. INTRODUCCIN
Presentamos en esta Unidad Didctica las pruebas estadsticas paramtricas de uso comn
cuando el objetivo es comparar las medias de ms de dos poblaciones o condiciones
experimentales o, dicho de otro modo, cuando pretendemos comprobar si una o varias
variables independientes influyen o afectan a una variable dependiente. En todos los casos, la
variable dependiente tiene que ser cuantitativa (medida en una escala de intervalo, al menos),
mientras que las variables independientes, o factores, son cualitativas.
Comenzaremos con el caso ms simple: el anlisis de varianza (ANOVA) de un factor,
donde un solo factor se pone en relacin con una variable dependiente, para seguir con los
modelos de ANOVA factorial, que implican ms de un factor. Finalizaremos con una
introduccin a los modelos de anlisis de covarianza (ANCOVA), en los que adems de uno o
varios factores y una variable dependiente, en el modelo se incorpora una o varias covariables
con objeto de controlar su posible efecto de confundido sobre la relacin entre los factores y la
variable dependiente.

2. DISEOS DE MS DE DOS MUESTRAS: ANOVA


Cuando disponemos de ms de dos muestras cuyas medias deseamos comparar, el problema
se convierte en el anlisis del influjo que una o varias variables independientes (generalmente
cualitativas), o factores, ejercen sobre una variable dependiente cuantitativa.
2.1 ANOVA de un factor
El ANOVA de un factor es aqul que implica una variable dependiente cuantitativa y un nico
factor o variable independiente. En este epgrafe nos centraremos en los diseos
completamente aleatorizados, es decir, aqullos que asumen muestras independientes. El
archivo debe contener, pues, dos variables, una cuantitativa (la variable dependiente) y otra
cualitativa (el factor o variable independiente). SPSS incorpora el ANOVA de un factor en la
ruta Analizar, Modelo Lineal General, Univariante:
 Analizar   Modelo Lineal General   Univariante
Una vez dentro del men de ANOVA las ventanas Dependiente y Factores fijos
sirven para identificar las variables dependiente e independiente, respectivamente. Entrando en

el men Opciones podemos pedir al programa que, adems de la tabla-resumen del ANOVA,
nos d los estadsticos descriptivos para cada grupo (Estadsticos descriptivos), la prueba de
Levene de homogeneidad de varianzas (Pruebas de homogeneidad) y algn ndice del
tamao del efecto (Estimaciones del tamao del efecto). Adems, entrando en el men
Grficos, podemos pedirle un grfico que represente el perfil de las medias que estamos
comparando.
En ANOVA de un factor la hiptesis nula afirma que las medias de las diferentes
categoras del factor son iguales o, lo que es lo mismo, que dicho factor no afecta a la variable
dependiente; mientras que la hiptesis alternativa afirma lo contrario:
Ho: Las medias de los niveles del factor son similares; es decir, el factor no afecta
a la variable dependiente.
Ha: Las medias de los niveles del factor son diferentes; es decir, el factor afecta a
la variable dependiente.
La regla de decisin a aplicar es la habitual:
(1) Si el p-valor .05, se rechaza la Ho.
(2) Si el p-valor > .05, no se rechaza la Ho.
Antes de aplicar la prueba F del ANOVA es preciso comprobar si se cumple el
supuesto de homogeneidad de varianzas. Para ello, interpretamos la prueba de homogeneidad
de varianzas de Levene, que el programa SPSS calcula. Las hiptesis nula y alternativa que
plantea este contraste son:
Ho: Las varianzas de los niveles del factor son homogneas.
Ha: las varianzas de los niveles del factor son heterogneas.
La regla de decisin a aplicar es la habitual:
(1) Si el p-valor .05, se rechaza la Ho.
(2) Si el p-valor > .05, no se rechaza la Ho.

Como ejemplo vamos a utilizar el archivo HUMOR, que contiene los resultados de un
ensayo clnico en el que se puso a prueba la eficacia de tres frmacos (litio, carbamazepina y
divalproex sodio) en pacientes con trastorno bipolar. En concreto vamos a comparar los
resultados obtenidos en el postest en la variable Y-MRS que refleja las valoraciones de los
clnicos del estado manaco del paciente (YMRS2). Observe cmo en la ventana de dilogo
introducimos la variable dependiente YMRS2 en Dependiente y la variable independiente
Farmaco en Factores fijos. Adems, entrando en el men Opciones, pedimos los estadsticos
descriptivos bsicos, la prueba de homogeneidad de varianzas y una estimacin del tamao
del efecto. Por ltimo, entrando en el men Grficos Le pedimos un grfico de las tres medias.

Observe la salida del programa:


Estadsticos descriptivos
Variable dependiente: YMRS2
Farmaco
Litio
Carbazepina
Divalproex Sodio
Total

Media
16,71
16,25
23,63
18,96

Desv. tp.
2,812
2,315
3,462
4,457

N
7
8
8
23

a
Contraste de Levene sobre la igualdad de las varianzas error

Variable dependiente: YMRS2


F
,830

gl1

gl2
2

20

Significacin
,450

Contrasta la hiptesis nula de que la varianza error de la


variable dependiente es igual a lo largo de todos los grupos.
a. Diseo: Interseccin+Farmaco
Pruebas de los efectos inter-sujetos
Variable dependiente: YMRS2

Fuente
Modelo corregido
Interseccin
Farmaco
Error
Total
Total corregida

Suma de
cuadrados
tipo III
268,153a
8151,429
268,153
168,804
8702,000
436,957

gl
2
1
2
20
23
22

Media
cuadrtica
134,076
8151,429
134,076
8,440

a. R cuadrado = ,614 (R cuadrado corregida = ,575)

F
15,886
965,789
15,886

Significacin
,000
,000
,000

Eta al
cuadrado
parcial
,614
,980
,614

Medias marginales estimadas de YMRS2

Medias marginales estimadas

24

22

20

18

16
Litio

Carbazepina

Divalproex Sodio

Farmaco

En la primera tabla figuran las medias y desviaciones tpicas de los tres grupos en la
variable YMRS2. Esas tres medias son las que estamos contrastando mediante el ANOVA,
para comprobar si son significativamente diferentes entre si. Pero antes de interpretar el
ANOVA es preciso primero comprobar si se cumple el supuesto de homogeneidad de
varianzas, mediante la prueba de Levene que nos reporta la salida del programa. Vemos en la
tabla correspondiente que la prueba de Levene no alcanz la significacin estadstica,
llevndonos al no rechazo de la hiptesis nula y, en consecuencia, a la conclusin de que se
cumple el supuesto de homogeneidad de varianzas [F(2, 20) = 0.830, p = .450].
A continuacin, interpretamos el resultado de la prueba F del ANOVA, que en este caso
arroja un resultado estadsticamente significativo [F(2, 20) = 15.886, p < .001]. Por tanto,
podemos concluir que el nivel medio de sntomas manacos de los pacientes que recibieron los
tres frmacos no es el mismo en el postest, es decir, justo tras la finalizacin del tratamiento. El
grfico de las medias nos ayuda a interpretar este resultado significativo, observando cmo los
pacientes que se sometieron al litio y la Carbamazepina presentan medias (16.71 y 16.25,
respectivamente) inferiores a la media obtenida por los pacientes sometidos a Divalproex sodio
(media igual a 23.63), lo que indica que el litio y la carbamazepina parecen funcionar mejor que
el divalproex sodio en cuanto a la presencia de sntomas manacos. No obstante, el resultado
de la prueba F no nos permite ir ms all en la comparacin de las tres medias, ya que es una
prueba mnibus, es decir, evala la significacin global de las diferencias existentes entre el
conjunto de todas las medias. Para examinar ms en detalle las diferencias entre los frmacos
tendremos que aplicar pruebas de comparaciones a posteriori, como veremos ms adelante.
El resultado de la significacin estadstica del ANOVA debe complementarse con una
interpretacin de la significacin prctica o clnica. Cuando tenemos un diseo en el que
estamos comparando las medias de ms de dos grupos o niveles de tratamiento, el ndice del
tamao del efecto ms apropiado es alguno de la familia de ndices de la proporcin de
varianza explicada. Un ndice de proporcin de varianza explicada nos da un valor en tantos
por uno que se puede interpretar como la proporcin de la varianza de la variable dependiente
que es explicada por el factor o variable independiente. De todos los ndices de esta familia
2
existentes, SPSS nos ofrece el ndice Eta al cuadrado (Eta ). En nuestro ejemplo, hemos
2
obtenido un valor Eta = 0.614, lo que significa que el tipo de frmaco administrado a los
pacientes explica el 61.4% de la varianza de las puntuaciones en la escala de sntomas
manacos.
La interpretacin de los ndices de proporcin de varianza explicada puede hacerse
ayudndonos del criterio propuesto por Cohen (1988), segn el cual en modelos de ANOVA de
un factor sera preciso que dicho factor sea capaz de explicar al menos un 10% de la varianza

de la variable dependiente para poder considerar que el factor tiene relevancia prctica o
clnica. Por tanto, podemos tomar 0.10 como el valor mnimo que debera valer la proporcin de
varianza explicada, mientras que un valor en torno a 0.25 (25% de varianza explicada) ya sera
indicativo de una magnitud alta o clnicamente muy relevante. Por tanto, en nuestro ejemplo
podemos decir que el tipo de frmaco parece ejercer una muy alta relevancia clnica en la
explicacin de los sntomas manacos justo tras la finalizacin del tratamiento.
Qu hacer cuando no se cumple el supuesto de homogeneidad de las varianzas? En
ese caso podemos solicitar al programa que calcule alguna prueba robusta de ANOVA, que no
requiere del cumplimiento de este supuesto. ste es el caso de las pruebas de Brown-Forsythe
y de Welch. SPSS nos permite calcular estas pruebas siguiendo una ruta diferente a la que
hemos seguido en nuestro ejemplo. En lugar de entrar en el men Modelo Lineal General,
tenemos que acceder a travs del men ANOVA de un factor:
 Analizar   Comparar medias   ANOVA de un factor
Dentro de la ventana Opciones, marcamos la opcin Brown-Forsythe y Welch.
Aunque el ejemplo que hemos desarrollado cumpla con el supuesto de homogeneidad
de varianzas, vamos a repetirlo para ilustrar cmo se obtienen las pruebas robustas de ANOVA
y su interpretacin. Partiendo del archivo HUMOR, seguimos la ruta Analizar, Comparar
medias, ANOVA de un factor, seleccionamos YMRS2 como variable dependiente y Farmaco
como factor. Entramos en el men Opciones y seleccionamos las pruebas de Brown-Forsythe
y de Welch. La lgica del contraste es idntica a la de la prueba F clsica del ANOVA. Observe
la tabla resultante:
Pruebas robustas de igualdad de las medias
YMRS2
a

Welch
Brown-Forsythe

Estadstico
12,910
15,955

gl1
2
2

gl2
12,815
18,216

Sig.
,001
,000

a. Distribuidos en F asintticamente.

Si tomamos, por ejemplo, el resultado de la prueba F de Brown-Forsythe (es la que


recomendamos), obtenemos: F(2, 18.2) = 15.955, p < .001. Por tanto, rechazaramos la
hiptesis nula de igualdad de medias y concluiramos que existen diferencias estadsticamente
significativas entre ellas. Observe que alcanzaramos el mismo resultado con la prueba de
Welch: F(2, 12.8) = 12.910, p = .001.
2.2 Comparaciones a posteriori
Adems de la prueba F global del ANOVA, este men de SPSS incorpora un amplio abanico
de procedimientos de comparaciones a posteriori (o post-hoc). Los procedimientos de
comparaciones a posteriori (o post hoc) son aqullos que permiten realizar comparaciones
ms especficas acerca de entre qu grupos existen diferencias significativas. Para su correcta
aplicacin requieren que primero se haya aplicado una prueba F global de ANOVA y que sta
haya resultado estadsticamente significativa (por eso se llaman pruebas post hoc). SPSS
incorpora todo un arsenal de pruebas de comparaciones post hoc en la opcin Post hoc.
Todos estos contrastes tienen en comn que slo permiten realizar comparaciones simples, o
comparaciones dos a dos (es decir, una media frente a otra), pero no comparaciones ms
complejas.
La ventana Post hoc distingue entre contrastes a posteriori para cuando se cumple el
supuesto de varianzas homogneas y para cuando no se cumple (varianzas no homogneas).
Dentro de los contrastes para varianzas homogneas incluye:
La prueba de la diferencia mnima significativa, de Fisher (DMS).

La prueba de Bonferroni, de Fisher (Bonferroni).


La prueba de Sidk (Sidak).
La prueba de comparaciones mltiples de Scheff (Scheff).
El procedimiento mltiple de Ryan-Einot-Gabriel-Welsch (R-E-G-W-F).
La prueba de rangos de Ryan-Einot-Gabriel-Welsch (R-E-G-W-Q).
La prueba de Student-Neuman-Keuls (S-N-K).
La prueba de Tukey (Tukey).
La prueba B de Tukey (Tukey-b).
La prueba de recorrido mltiple de Duncan (Duncan).
La prueba GT2 de Hochberg (GT2 de Hochberg).
La prueba de Gabriel (Gabriel).
La prueba de Waller-Duncan (Waller-Duncan).
La prueba de Dunnett (Dunnett).
Dentro de los contrastes para varianzas no homogneas incluye:
La prueba T2 de Tamhane (T2 de Tamhane).
La prueba T3 de Dunnett (T3 de Dunnett).
La prueba de Games-Howell (Games-Howell).
La prueba C de Dunnett (C de Dunnett).
Pueden consultarse los textos de Hochberg y Tamhane (1991) y Toothaker (1991),
entre otros, para una revisin de los procedimientos de comparaciones mltiples. Algunos
comentarios orientativos acerca de qu procedimiento elegir:
(a) Respecto de las pruebas para varianzas homogneas. El procedimiento de Tukey
es el ms apropiado, para la mayora de las situaciones, cuando interesan las comparaciones
dos a dos entre los grupos. No obstante, cuando tenemos tres grupos solamente, es ms
potente la prueba de Student-Neuman-Keuls. Por otra parte, la prueba de Dunnett est
especialmente diseada para aquellos casos en los que interesa comparar slo un grupo de
control con cada uno de varios tratamientos alternativos. La prueba de Duncan est
actualmente desaconsejada, porque no controla adecuadamente la tasa de error Tipo I. La
prueba de Fisher (DMS) no controla la inflacin de la tasa de error Tipo I, por lo que slo es
aconsejable con un nmero reducido de comparaciones (2 3 comparaciones). La prueba de
Bonferroni controla la inflacin de la tasa de error Tipo I ajustando el nivel de significacin
mediante /k, donde k es el nmero de comparaciones a realizar; por tanto, no es aconsejable
con un nmero elevado de comparaciones, porque se convierte en una prueba muy
conservadora (aconsejable slo para 4 5 comparaciones como mximo).
(b) Respecto de las pruebas para varianzas no homogneas. La prueba de GamesHowell es la de eleccin para tamaos muestrales grandes (en torno a 15-20 sujetos por
grupo, como mnimo). La prueba C de Dunnett es muy similar a la de Games-Howell, pero ms
conservadora. Cuando los tamaos muestrales son pequeos (menores de 15 sujetos por
grupo), es preferible la prueba T3 de Dunnett. Finalmente, la prueba T2 de Tamhane es
tambin aconsejable para tamaos muestrales pequeos, pero es ms conservadora que la T3
de Dunnett.
Sea cual sea la prueba a posteriori que seleccionemos, el planteamiento de la hiptesis
nula y de la alternativa para cada comparacin es siempre el mismo:
Ho: No existen diferencias significativas entre las dos medias objeto de comparacin.
Ha: Existen diferencias significativas entre las dos medias.
La regla de decisin a aplicar es la habitual:
(1) Si el p-valor .05, se rechaza la Ho.
(2) Si el p-valor > .05, no se rechaza la Ho.

Siguiendo con el ejemplo anterior, vamos a realizar las comparaciones a posteriori dos
1
a dos mediante el procedimiento de Tukey:
Comparaciones mltiples
Variable dependiente: YMRS2
DHS de Tukey

(I) Farmaco
Litio
Carbazepina
Divalproex Sodio

Diferencia
entre
medias (I-J)
,46
-6,91*
-,46
-7,38*
6,91*
7,38*

(J) Farmaco
Carbazepina
Divalproex Sodio
Litio
Divalproex Sodio
Litio
Carbazepina

Error tp.
1,504
1,504
1,504
1,453
1,504
1,453

Significacin
,949
,000
,949
,000
,000
,000

Intervalo de confianza al
95%.
Lmite
Lmite inferior
superior
-3,34
4,27
-10,71
-3,11
-4,27
3,34
-11,05
-3,70
3,11
10,71
3,70
11,05

Basado en las medias observadas.


*. La diferencia de medias es significativa al nivel ,05.

Subconjuntos homogneos
YMRS2
a,b,c

DHS de Tukey

Farmaco
Carbazepina
Litio
Divalproex Sodio
Significacin

Subconjunto
1
2
16,25
16,71
23,63
,948
1,000

N
8
7
8

Se muestran las medias para los grupos en subconjuntos


homogneos.
Basado en la suma de cuadrados tipo III
El trmino error es la Media cuadrtica (Error) = 8,440.
a. Usa el tamao muestral de la media armnica = 7,636
b. Los tamaos de los grupos son distintos. Se
emplear la media armnica de los tamaos de los
grupos. No se garantizan los niveles de error tipo I.
c. Alfa = ,05.

En la primera tabla de la salida tenemos los resultados de todas las comparaciones


simples (dos a dos) entre los tres frmacos (es decir, 3 comparaciones posibles). Vemos que la
comparacin entre Litio y Carbamazepina no ha resultado estadsticamente significativa (p =
.949), ya que la diferencia entre las medias es mnima (slo 0.46 puntos). Sin embargo, la
comparacin entre Litio y Divalproex sodio (p < .001) y la de Carbamazepina y Divalproex sodio
(p < .001) fueron estadsticamente significativas, con diferencias entre sus medias de 6.91 y
7.38, respectivamente. Se deduce, pues, que los resultados con Litio y Carbamazepina son
muy similares y, a su vez, estn por encima de los obtenidos con Divalproex sodio.

Tngase en cuenta que en este ejemplo sera ms apropiado aplicar la prueba de StudentNewman-Keuls, porque tenemos tres niveles de tratamiento. A efectos didcticos, hemos
preferido aplicar la prueba de Tukey, ya que es la que con ms frecuencia se aplica.

2.3 ANOVA factorial


Cuando son dos o ms los factores que deseamos poner en relacin con una variable
dependiente cuantitativa, el diseo de ANOVA se complica y SPSS ofrece los anlisis dentro
del Modelo Lineal General, siguiendo la ruta Analizar, Modelo lineal general, Univariante:
 Analizar   Modelo lineal general   Univariante
En esta seccin nos ocuparemos de los diseos completamente aleatorizados, es
decir, aqullos en los que todos los factores son inter-sujeto, no habiendo ningn factor de
medidas repetidas.
Una vez dentro de este men seleccionamos la variable dependiente en la ventana
Dependiente y los factores en la ventana Factores fijos. Si tuviramos algn factor aleatorio
se introducira en la ventana Factores aleatorios.
En el submen Opciones podemos solicitar que la salida incluya, aparte del ANOVA,
las medias de los factores y de las interacciones, especificndolo en la ventana Mostrar las
medias para. Este mismo submen incorpora otras opciones interesantes:
Estadsticos descriptivos: Presenta las medias y desviaciones tpicas de las
celdillas y marginales de los factores.
Estimaciones del tamao del efecto: Calcula el coeficiente Eta Cuadrado para cada
fuente de variacin sistemtica.
Potencia observada: Calcula la potencia a posteriori del contraste de cada razn F
global del ANOVA.
Pruebas de homogeneidad: Aplica la prueba de Levene para contrastar la
homogeneidad de las varianzas.

El submen Grficos permite construir grficos de lneas que representen el perfil de


las medias para los factores y las interacciones. En un ANOVA de dos factores, por ejemplo, en
la ventana Eje horizontal se especifica uno de los factores y en la ventana Lneas distintas
el otro factor. Si el diseo es ms complejo, se puede recurrir a la tercera ventana Grficos
distintos para representar las distintas interacciones entre los factores implicados.
El submen Post-hoc permite definir todos los procedimientos de comparaciones
mltiples entre medias ya comentados en la seccin anterior para cada efecto principal del
diseo que se est analizando. Del mismo modo, el submen Contrastes permite disear
contrastes a priori y anlisis de tendencias para cada efecto principal del diseo. Pero slo son
aplicables a factores inter-sujeto, no a factores de medidas repetidas, para cuyo caso hay que
utilizar otras opciones del programa.
El submen Guardar permite archivar diversos anlisis de residuales (tipificados, no
tipificados, ponderados, estudentizados, eliminados), estadsticos de diagnstico del modelo
(distancias de Cook, valores de influencia), as como los valores pronosticados por el modelo
(no tipificados, ponderados y los errores tpicos).
Finalmente, el submen Modelo posibilita modificar los parmetros iniciales del
modelo, en lugar de partir del modelo factorial completo, que es la opcin por defecto.
El diseo de ANOVA factorial ms sencillo es aqul que incluye slo dos factores intersujeto. En ese caso, son tres las preguntas que es posible responder: (a) Influye el factor A
sobre la variable dependiente? (b) Influye el factor B sobre la variable dependiente? Y (c)
Existe un efecto de interaccin de A y B sobre la variable dependiente? Para responder a
cada pregunta es preciso formular una hiptesis nula con su correspondiente hiptesis
alternativa:

(a) Factor A:
Ho: El factor A no influye sobre la variable dependiente.
Ha: El factor A s influye sobre la variable dependiente.
(b) Factor B:
Ho: El factor B no influye sobre la variable dependiente.
Ha: El factor B s influye sobre la variable dependiente.
(a) Interaccin AxB:
Ho: No existe un efecto de interaccin AxB sobre la variable dependiente.
Ha: Existe un efecto de interaccin AxB sobre la variable dependiente.
Para los tres contrastes de hiptesis aplicamos la misma regla de decisin universal:
(1) Si el p-valor .05, se rechaza la Ho.
(2) Si el p-valor > .05, no se rechaza la Ho.
Como primer ejemplo (archivo HUMOR.SAV), vamos a programar un ANOVA de dos
factores completamente aleatorizado, tomando como factores el tipo de frmaco (FARMACO) y
el tipo de trastorno bipolar (BIPOLAR), y como variable dependiente las puntuaciones
obtenidas por los sujetos en el postest en la variable sntomas manacos (YMRS2). Incluimos
en la salida un grfico de lneas para observar el perfil de las medias, para lo cual, entramos en
la opcin Grficos y efectuamos la seleccin oportuna. Adems, entrando en Opciones,
vamos a completar la salida de los resultados pidindole al programa que reporte una tabla con
los estadsticos descriptivos bsicos para cada factor y la interaccin, as como la prueba de
homogeneidad de varianzas y la estimacin del tamao del efecto.

Observe la salida del programa:

Estadsticos descriptivos
Variable dependiente: YMRS2
Farmaco
Litio

Carbazepina

Divalproex Sodio

Total

Bipolar
Trastorno Bipolar I
Trastorno Bipolar II
Total
Trastorno Bipolar I
Trastorno Bipolar II
Total
Trastorno Bipolar I
Trastorno Bipolar II
Total
Trastorno Bipolar I
Trastorno Bipolar II
Total

Media
15,67
17,50
16,71
15,50
17,00
16,25
22,00
24,60
23,63
17,50
20,08
18,96

Desv. tp.
3,512
2,380
2,812
2,082
2,582
2,315
1,000
4,159
3,462
3,749
4,769
4,457

N
3
4
7
4
4
8
3
5
8
10
13
23

Contraste de Levene sobre la igualdad de las varianzas error

Variable dependiente: YMRS2


F
1,602

gl1

gl2
5

Significacin
,213

17

Contrasta la hiptesis nula de que la varianza error de la


variable dependiente es igual a lo largo de todos los grupos.
a. Diseo: Interseccin+Farmaco+Bipolar+Farmaco *
Bipolar
Pruebas de los efectos inter-sujetos
Variable dependiente: YMRS2

Fuente
Modelo corregido
Interseccin
Farmaco
Bipolar
Farmaco * Bipolar
Error
Total
Total corregida

Suma de
cuadrados
tipo III
291,090a
7796,168
237,435
21,776
1,218
145,867
8702,000
436,957

gl
5
1
2
1
2
17
23
22

Media
cuadrtica
58,218
7796,168
118,718
21,776
,609
8,580

F
6,785
908,603
13,836
2,538
,071

Significacin
,001
,000
,000
,130
,932

Eta al
cuadrado
parcial
,666
,982
,619
,130
,008

a. R cuadrado = ,666 (R cuadrado corregida = ,568)

Grficos de perfil
Medias marginales estimadas de YMRS2
Bipolar
Trastorno Bipolar I
Trastorno Bipolar II

Medias marginales estimadas

25

22,5

20

17,5

15

Litio

Carbazepina

Divalproex Sodio

Farmaco

10

La tabla de estadsticos descriptivos presenta las medias y desviaciones tpicas para cada
nivel de cada factor, as como de la interaccin. Son esas medias las que estamos comparando
mediante la aplicacin de las pruebas F de ANOVA. Lo que dichas pruebas F evalan es si las
discrepancias que se aprecian entre esas medias son lo suficientemente grandes como para
poder rechazar la hiptesis nula de igualdad entre ellas (lo que implica ausencia de efecto del
factor sobre la variable dependiente). As mismo, el grfico de medias ayuda a interpretar el
resultado de las pruebas F del ANOVA. Pero los resultados fundamentales del ANOVA los
tenemos en la segunda tabla de la salida bajo el ttulo Prueba de los efectos inter-sujetos.
No obstante, antes de interpretar los resultados del ANOVA es preciso comprobar si se
cumple el supuesto de homogeneidad de varianzas mediante la interpretacin del resultado de
la prueba de Levene. En este caso, la prueba de Levene resulta no significativa: F(5, 17) =
1.602, p = .213; lo que nos lleva a aceptar la hiptesis nula de igualdad de varianzas. En
consecuencia, podemos interpretar los resultados del ANOVA. En concreto, vemos que:
(a) La prueba F para el factor A (frmaco) ha resultado estadsticamente significativa: F(2, 17)
= 13.836, p < .001. Por tanto, existen diferencias significativas entre el nivel medio de
mana en el postest entre los frmacos Litio (16.71), Carbamazepina (16.25) y Divalproex
(23.63).
(b) La prueba F para el factor B (tipo de trastorno bipolar), no alcanz la significacin
estadstica: F(1, 17) = 2.538, p = .130. Por tanto, no existen diferencias significativas en el
nivel de mana entre los pacientes con trastorno bipolar I (17.50) y trastorno bipolar II
(20.08).
(c) La prueba F para la interaccin AxB no result estadsticamente significativa: F(2, 17) =
0.071, p = .932. Por tanto, no existe un efecto de interaccin entre el tipo de frmaco y el
tipo de trastorno bipolar.
La significacin estadstica se complementa con alguna estimacin de la significacin
2
prctica. Para ello, hemos pedido al programa que calcule el coeficiente Eta , que es un ndice
de la proporcin de la varianza explicada por cada factor sobre la variable dependiente. As,
vemos que el factor tipo de frmaco explica el 61.9% de la varianza, una cantidad que puede
considerarse de muy alta magnitud. El factor tipo de trastorno explica el 13% de la varianza
que, siguiendo el criterio de Cohen, se sita por encima del 10% y, en consecuencia puede
valorarse como reflejando una magnitud clnica relevante, aunque baja. Observe que este
resultado es incongruente con la ausencia de significacin estadstica encontrada para este
factor en el ANOVA. Posiblemente, la razn de esta incongruencia est en el escaso tamao
muestral. Por ltimo, la interaccin entre los dos factores explic tan slo el 0.8% de la
varianza, un valor prcticamente irrelevante.
2.4 ANOVA de medidas repetidas
Otra modalidad dentro de los diseos de ANOVA es la que se da cuando son los mismos
sujetos los que pasan por las diferentes condiciones experimentales del factor o variable
independiente. En este caso, decimos que nos encontramos ante un diseo de medidas
repetidas. Dentro de esta seccin distinguiremos entre ANOVA de medidas totalmente
repetidas, cuando todos los factores son de medidas repetidas (o intra-sujeto), y ANOVA
factorial mixto, cuando al menos un factor es de medidas repetidas (intra-sujeto) y al menos un
factor es inter-sujeto.
2.4.1 ANOVA de medidas totalmente repetidas
Teniendo en cuenta que la variable dependiente tiene que ser cuantitativa, es posible comparar
las medias o, lo que es lo mismo, comprobar si el factor (esta vez intra-sujeto) influye sobre la
variable dependiente aplicando un ANOVA de un factor de medidas repetidas. Esta tcnica de
anlisis da una razn F que nos permite tomar una decisin sobre cul de las dos hiptesis
formuladas debemos aceptar:
Ho: No existen diferencias entre las medias del factor (el factor no influye sobre la
variable dependiente).

11

Ha: S existen diferencias entre las medias del factor (el factor s influye sobre la variable
dependiente).
La regla de decisin a aplicar es la universal:
(1) Si el p-valor .05, se rechaza la Ho.
(2) Si el p-valor > .05, no se rechaza la Ho.
Aparte de los supuestos de normalidad y homogeneidad de varianzas, el ANOVA de un
2
factor con medidas repetidas requiere que se cumpla el supuesto de esfericidad . SPSS
incorpora la prueba de Mauchly para comprobar este supuesto. Si no se cumple el supuesto,
debemos interpretar, en lugar de la prueba F clsica del ANOVA, alguna de las pruebas F
robustas univariantes que el programa incorpora (Greenhouse-Geisser, Huynh-Feldt o Lmite
inferior), o bien alguna de las pruebas multivariantes (Lambda de Wilks, Traza de Pillai-Bartlett,
Raz caracterstica mayor de Roy o Traza de Hotelling), que no requieren del cumplimiento de
este supuesto.
Para realizar este tipo de ANOVA con SPSS seguimos la ruta Analizar, Modelo lineal
general, Medidas repetidas:
 Analizar   Modelo lineal general   Medidas repetidas
Accedemos de esta forma a un men en el que identificamos el factor o factores de
medidas repetidas en la ventana Nombre del factor intra-sujetos, especificando el nmero
de niveles de tratamiento en la ventana Nmero de niveles. Al marcar en Definir,
accedemos a un nuevo men en el que disponemos de los mismos submens que al
programar los anteriores diseos de ANOVA. En Modelo podemos modificar los parmetros
del modelo. En Contrastes y Post hoc podemos definir comparaciones entre medias a priori
y a posteriori. En Grficos podemos pedir un grfico de lneas para observar el perfil de las
medias. En Guardar podemos archivar residuales y valores pronosticados por el modelo. Y en
Opciones disponemos de las mismas posibilidades que en los diseos de ANOVA anteriores.
Como primer ejemplo, y continuando con los datos del archivo HUMOR.SAV, vamos a
realizar un ANOVA de un factor con medidas repetidas para comparar los niveles medios de
mana a lo largo de las tres valoraciones temporales realizadas: pretest, postest y seguimiento.
Con este propsito, no vamos a distinguir entre los tres tipos de frmaco, sino que vamos a
analizar los resultados de forma conjunta mediante un ANOVA de un factor de medidas
repetidas. En primer lugar, siguiendo la ruta Analizar Modelo lineal general Medidas
repetidas, se abre una ventana de dilogo en la que tenemos que indicar el nmero de niveles
de tratamiento del factor de medidas repetidas que, en nuestro caso es 3. Y picamos en
Aadir:

El supuesto de esfericidad en un diseo de medidas repetidas consiste en que debe


cumplirse que las covarianzas entre cualesquier pareja de puntuaciones diferenciales entre las
diferentes condiciones del factor, tienen que ser homogneas.

12

Al picar en Definir se abre una segunda ventana de dilogo en la que vamos


introduciendo las variables donde corresponda: en la ventana Variables intra-sujeto
introducimos las variables YMRS1, YMRS2 y YMRS3:

A continuacin, picamos en Opciones para seleccionar Estadsticos descriptivos y


Estimacin del tamao del efecto. Picamos tambin en Grficos para pedirle al programa que
construya un grfico con el perfil de las medias de los tres momentos temporales de registro.
Observe la salida del programa:

Modelo lineal general


Factores intra-sujetos
Medida: MEASURE_1
factor1
1
2
3

Variable
dependiente
YMRS1
YMRS2
YMRS3

Estadsticos descriptivos
YMRS1
YMRS2
YMRS3

Media
29,04
18,96
11,74

Desv. tp.
4,005
4,457
2,240

N
23
23
23

Contrastes multivariadosb

Efecto
factor1

Traza de Pillai
Lambda de Wilks
Traza de Hotelling
Raz mayor de Roy

Valor
,947
,053
17,755
17,755

F
186,428a
186,428a
186,428a
186,428a

a. Estadstico exacto
b.
Diseo: Interseccin
Diseo intra sujetos: factor1

13

Gl de la
hiptesis
2,000
2,000
2,000
2,000

Gl del error
21,000
21,000
21,000
21,000

Significacin
,000
,000
,000
,000

Eta al
cuadrado
parcial
,947
,947
,947
,947

Prueba de esfericidad de Mauchlyb


Medida: MEASURE_1
Epsilon
Efecto intra-sujetos
factor1

Chi-cuadrado
aprox.
,074

W de Mauchly
,996

gl

Significacin
,964

Greenhous
e-Geisser
,996

Huynh-Feldt
1,000

Lmite-inferior
,500

Contrasta la hiptesis nula de que la matriz de covarianza error de las variables dependientes transformadas es proporcional a
una matriz identidad.
a. Puede usarse para corregir los grados de libertad en las pruebas de significacin promediadas. Las pruebas corregidas
se muestran en la tabla Pruebas de los efectos inter-sujetos.
b.
Diseo: Interseccin
Diseo intra sujetos: factor1

Pruebas de efectos intra-sujetos.


Medida: MEASURE_1

Fuente
factor1

Error(factor1)

Esfericidad asumida
Greenhouse-Geisser
Huynh-Feldt
Lmite-inferior
Esfericidad asumida
Greenhouse-Geisser
Huynh-Feldt
Lmite-inferior

Suma de
cuadrados
tipo III
3475,130
3475,130
3475,130
3475,130
376,203
376,203
376,203
376,203

Media
cuadrtica
1737,565
1743,703
1737,565
3475,130
8,550
8,580
8,550
17,100

gl
2
1,993
2,000
1,000
44
43,845
44,000
22,000

F
203,222
203,222
203,222
203,222

Significacin
,000
,000
,000
,000

Eta al
cuadrado
parcial
,902
,902
,902
,902

Pruebas de contrastes intra-sujetos


Medida: MEASURE_1

Fuente
factor1
Error(factor1)

factor1
Lineal
Cuadrtico
Lineal
Cuadrtico

Suma de
cuadrados
tipo III
3443,565
31,565
194,435
181,768

gl
1
1
22
22

Media
cuadrtica
3443,565
31,565
8,838
8,262

F
389,634
3,820

Significacin
,000
,063

Eta al
cuadrado
parcial
,947
,148

Pruebas de los efectos inter-sujetos


Medida: MEASURE_1
Variable transformada: Promedio

Fuente
Interseccin
Error

Suma de
cuadrados
tipo III
27360,522
524,145

gl
1
22

Media
cuadrtica
27360,522
23,825

F
1148,407

Significacin
,000

Medias marginales estimadas


factor1
Medida: MEASURE_1

factor1
1
2
3

Media
29,043
18,957
11,739

Error tp.
,835
,929
,467

14

Intervalo de confianza al
95%.
Lmite
Lmite inferior
superior
27,311
30,776
17,029
20,884
10,770
12,708

Eta al
cuadrado
parcial
,981

Grficos de perfil
Medias marginales estimadas de MEASURE_1

Medias marginales estimadas

30

25

20

15

10
1

factor1

En la tabla de la salida etiquetada Prueba de esfericidad de Mauchly, podemos


2
comprobar si se cumple el supuesto de esfericidad: (2) = 0.074, p = .964. Por tanto, al
aceptar la hiptesis nula podemos concluir que los datos cumplen con el supuesto de
esfericidad. Esto nos permite interpretar la prueba F clsica del ANOVA, sin necesidad de
acudir a alguna de las pruebas F robustas o a las pruebas multivariantes. En la tabla etiquetada
Estadsticos descriptivos tenemos las medias en nivel de mana para los tres momentos
temporales de registro, donde se observa un paulatino descenso en las medias conforme
vamos pasando del pretest (media = 29.04) al postest (media = 18.96) y al seguimiento (media
= 11.74). Lo que la prueba F del ANOVA evala es si esas discrepancias entre las medias son
lo suficientemente grandes como para poder rechazar la hiptesis nula de igualdad de medias.
El perfil de las medias tambin puede observarse en el grfico que se incluye en la salida. El
resultado de la prueba F de ANOVA lo consultamos en la tabla etiquetada Pruebas de efectos
intra-sujetos. De las cuatro pruebas F reportadas en la tabla, seleccionamos en este caso la
que asume esfericidad: F(2, 44) = 203.222, p < .001; lo que nos lleva al rechazo de la hiptesis
nula y a la conclusin de que existen diferencias significativas entre las medias de mana con el
paso del tiempo. En efecto, en el grfico se aprecia un descenso gradual del nivel de mana del
pretest al seguimiento.
2

La significacin estadstica se complementa con la interpretacin del ndice Eta para


obtener una valoracin de la significacin clnica de la evolucin de los niveles medios de
mana a lo largo de las tres mediciones. En concreto, obtenemos un 90.2% de varianza
explicada por las tres medidas temporales. En consecuencia, podemos afirmar que el
tratamiento farmacolgico (sin distinguir entre ellos) ha logrado reducir significativamente,
clnica y estadsticamente, el nivel de mana de los pacientes.
Estos anlisis se complementan con la aplicacin de comparaciones a posteriori, para
comprobar entre qu medias existen diferencias significativas. Para ello, pedimos al programa
que aplique el procedimiento de comparaciones de Bonferroni, a travs de la ruta Analizar
Modelo lineal general Medidas repetidas Definir Opciones. Dentro de Opciones
seleccionamos factor(1) y lo pasamos a la ventana de la derecha Mostrar medias para, con lo
cual se activa el botn Comparar los efectos principales, picamos en la lengeta de la derecha
Ajuste del intervalo de confianza y seleccionamos Bonferroni. El resultado figura en la tabla
Comparaciones por pares:

15

Comparaciones por pares


Medida: MEASURE_1

(I) factor1
1
2
3

(J) factor1
2
3
1
3
1
2

Diferencia
entre
medias (I-J)
10,087*
17,304*
-10,087*
7,217*
-17,304*
-7,217*

Error tp.
,873
,877
,873
,836
,877
,836

Significacin
,000
,000
,000
,000
,000
,000

Intervalo de confianza al 95
a
% para la diferencia
Lmite
Lmite inferior
superior
7,824
12,350
15,033
19,576
-12,350
-7,824
5,050
9,384
-19,576
-15,033
-9,384
-5,050

Basadas en las medias marginales estimadas.


*. La diferencia de las medias es significativa al nivel ,05.
a. Ajuste para comparaciones mltiples: Bonferroni.

Los resultados muestran la existencia de diferencias estadsticamente significativas


entre las tres medias: entre la media del pretest y del postest, el pretest y el seguimiento y
entre el postest y el seguimiento (p < .001).
Por ltimo, recuerde el lector que no ha sido necesario interpretar en este ejemplo los
resultados de las pruebas F de ANOVA robustas, ni las pruebas multivariantes, al cumplirse el
supuesto de esfericidad. Pero si hubiramos tenido que seleccionarlas, todas ellas nos
hubieran llevado a la misma conclusin que la de la prueba F clsica del ANOVA: al rechazo de
la hiptesis nula. Por ejemplo, si no se hubiese cumplido el supuesto de esfericidad, podramos
haber interpretado la prueba F robusta basada en la correccin de Greenhouse-Geisser, la cual
arroj el siguiente resultado: F(1.99, 43.84) = 203.222, p < .001; un resultado que nos lleva a la
misma interpretacin que la F tpica de ANOVA. Por ltimo, en lugar de interpretar alguna de
las pruebas F robustas univariantes, tambin podramos haber seleccionado alguna de las
pruebas F multivariantes que se encuentran en la tabla Contrastes multivariados. En concreto,
podramos haber interpretado el resultado de la prueba F multivariante basada en el estadstico
Lambda de Wilks: F(2, 21) = 186.428, p < .001; que tambin result estadsticamente
significativo, llevndonos a la misma interpretacin que las pruebas estadsticas anteriores.
2.4.2 ANOVA de medidas parcialmente repetidas
Cuando interesa estudiar el efecto que sobre una variable dependiente cuantitativa ejercen uno
o varios factores intra-sujeto y uno o varios factores inter-sujeto, nos encontramos ante un
diseo de ANOVA factorial mixto, que puede abordarse en SPSS siguiendo la misma ruta que
acabamos de presentar: Analizar, Modelo lineal general, Medidas repetidas.
El primer paso consiste en definir el factor o factores intra-sujeto mediante las ventanas
Nombre del factor intra-sujetos y Nmero de niveles. A continuacin, al marcar en definir,
accedemos al men que nos permite especificar el factor o factores inter-sujetos, en la ventana
Factores inter-sujetos. El resto de la lgica es idntica a lo ya comentado anteriormente.
El diseo ms simple de este tipo es aqul que contiene slo dos factores: uno intra- y
otro inter-sujeto. El modelo de ANOVA permite en este caso responder a tres preguntas (del
mismo modo que el ANOVA de dos factores completamente aleatorizado):
(a) Factor A (por ejemplo, inter-sujeto):
Ho: El factor A no influye sobre la variable dependiente.
Ha: El factor A s influye sobre la variable dependiente.
(b) Factor B (por ejemplo, intra-sujeto):
Ho: El factor B no influye sobre la variable dependiente.
Ha: El factor B s influye sobre la variable dependiente.
(a) Interaccin AxB:
Ho: No existe un efecto de interaccin AxB sobre la variable dependiente.

16

Ha: Existe un efecto de interaccin AxB sobre la variable dependiente.


Para los tres contrastes de hiptesis aplicamos la misma regla de decisin universal:
(1) Si el p-valor .05, se rechaza la Ho.
(2) Si el p-valor > .05, no se rechaza la Ho.
Como ejemplo, sirvindonos de los datos del archivo HUMOR.SAV, vamos a
comprobar si los tres frmacos han provocado cambios del pretest al postest diferentes en los
sujetos en cuanto a la variable nivel de mana medida con la escala Y-MRS. Se trata, pues, del
diseo de ANOVA factorial mixto ms sencillo posible: una factor inter-sujeto (Frmaco), un
factor intra-sujeto representado por las medidas pretest y postest y una variable dependiente,
que es el nivel de mana recogido en las variables YMRS1 e YMRS2. Adems de los anlisis
ordinarios, a travs de los mens de Grficos y Opciones, solicitamos el grfico de medias
y los estadsticos descriptivos bsicos.

Observe la salida del programa:

Factores intra-sujetos
Medida: MEASURE_1
factor1
1
2

Variable
dependiente
YMRS1
YMRS2

Factores inter-sujetos

Farmaco

1
2
3

Etiqueta
del valor
Litio
Carbazepi
na
Divalproe
x Sodio

N
7
8
8

Estadsticos descriptivos
YMRS1

YMRS2

Farmaco
Litio
Carbazepina
Divalproex Sodio
Total
Litio
Carbazepina
Divalproex Sodio
Total

Media
28,00
29,50
29,50
29,04
16,71
16,25
23,63
18,96

17

Desv. tp.
4,933
2,000
4,899
4,005
2,812
2,315
3,462
4,457

N
7
8
8
23
7
8
8
23

Contrastes multivariadosb

Efecto
factor1

Traza de Pillai
Lambda de Wilks
Traza de Hotelling
Raz mayor de Roy
Traza de Pillai
Lambda de Wilks
Traza de Hotelling
Raz mayor de Roy

factor1 * Farmaco

Valor
,939
,061
15,306
15,306
,601
,399
1,509
1,509

Gl de la
hiptesis
1,000
1,000
1,000
1,000
2,000
2,000
2,000
2,000

F
306,113a
306,113a
306,113a
306,113a
15,086a
15,086a
15,086a
15,086a

Gl del error
20,000
20,000
20,000
20,000
20,000
20,000
20,000
20,000

Significacin
,000
,000
,000
,000
,000
,000
,000
,000

Eta al
cuadrado
parcial
,939
,939
,939
,939
,601
,601
,601
,601

a. Estadstico exacto
b.
Diseo: Interseccin+Farmaco
Diseo intra sujetos: factor1
Prueba de esfericidad de Mauchlyb
Medida: MEASURE_1
Epsilon
Efecto intra-sujetos
factor1

W de Mauchly
1,000

Chi-cuadrado
aprox.
,000

gl
0

Significacin
.

Greenhous
e-Geisser
1,000

Huynh-Feldt
1,000

Lmite-inferior
1,000

Contrasta la hiptesis nula de que la matriz de covarianza error de las variables dependientes transformadas es proporcional a
una matriz identidad.
a. Puede usarse para corregir los grados de libertad en las pruebas de significacin promediadas. Las pruebas corregidas
se muestran en la tabla Pruebas de los efectos inter-sujetos.
b.
Diseo: Interseccin+Farmaco
Diseo intra sujetos: factor1

Pruebas de efectos intra-sujetos.


Medida: MEASURE_1

Fuente
factor1

factor1 * Farmaco

Error(factor1)

Suma de
cuadrados
tipo III
1177,033
1177,033
1177,033
1177,033
116,011
116,011
116,011
116,011
76,902
76,902
76,902
76,902

Esfericidad asumida
Greenhouse-Geisser
Huynh-Feldt
Lmite-inferior
Esfericidad asumida
Greenhouse-Geisser
Huynh-Feldt
Lmite-inferior
Esfericidad asumida
Greenhouse-Geisser
Huynh-Feldt
Lmite-inferior

gl
1
1,000
1,000
1,000
2
2,000
2,000
2,000
20
20,000
20,000
20,000

Media
cuadrtica
1177,033
1177,033
1177,033
1177,033
58,006
58,006
58,006
58,006
3,845
3,845
3,845
3,845

F
306,113
306,113
306,113
306,113
15,086
15,086
15,086
15,086

Significacin
,000
,000
,000
,000
,000
,000
,000
,000

Eta al
cuadrado
parcial
,939
,939
,939
,939
,601
,601
,601
,601

Pruebas de contrastes intra-sujetos


Medida: MEASURE_1

Fuente
factor1
factor1 * Farmaco
Error(factor1)

factor1
Lineal
Lineal
Lineal

Suma de
cuadrados
tipo III
1177,033
116,011
76,902

gl
1
2
20

Media
cuadrtica
1177,033
58,006
3,845

F
306,113
15,086

Significacin
,000
,000

Eta al
cuadrado
parcial
,939
,601

Pruebas de los efectos inter-sujetos


Medida: MEASURE_1
Variable transformada: Promedio

Fuente
Interseccin
Farmaco
Error

Suma de
cuadrados
tipo III
26240,942
163,098
433,902

gl
1
2
20

Media
cuadrtica
26240,942
81,549
21,695

18

F
1209,534
3,759

Significacin
,000
,041

Eta al
cuadrado
parcial
,984
,273

Grficos de perfil
Medias marginales estimadas de MEASURE_1
Farmaco

Medias marginales estimadas

30

Litio
Carbazepina
Divalproex Sodio

27,5

25

22,5

20

17,5

factor1

En la tabla de la salida etiquetada Estadsticos descriptivos tenemos las medias objeto


de comparacin. Para comprobar si el factor inter-sujetos (el tipo de Frmaco) ha influido sobre
el nivel de mana de los sujetos, nos fijamos en la tabla etiquetada Pruebas de los efectos
inter-sujetos, donde obtenemos el siguiente resultado: F(2, 20) = 3.759, p = .041, con un
27.3% de varianza explicada, de magnitud alta y reflejando, por tanto, significacin prctica o
clnica relevante. Por tanto, podemos rechazar la hiptesis nula y concluir que los tres frmacos
presentan diferencias significativas, estadstica y clnicamente relevantes, en cuanto al nivel
medio de mana de los sujetos. Esto no quiere decir, no obstante, que un frmaco haya sido
mejor que el otro, porque las medias que estamos contrastando con esta prueba son el
promedio del pretest y el postest. Dichas medias no figuran directamente reportadas en la tabla
de Estadsticos Descriptivos, sino que habra que obtenerlas promediando las que figuran en
dicha tabla. As, las medias para los tres frmacos seran: Litio, media = (28.00 + 16.71)/2 =
22.35; Carbamazepina, media = (29.50 + 16.25)/ = 22.87, y Divalproex Sodio, media = (29.50 +
23.63)/2 = 26.56.
Para comprobar si el otro factor (el de medidas repetidas) y la interaccin entre ambos
influyen sobre la variable dependiente, tenemos que acudir a la tabla etiquetada Pruebas de
efectos intra-sujeto. En dicha tabla podemos comprobar que el factor intra-sujeto (la medida
temporal, con valores pretest y postest) arroja la siguiente razn F: F(1, 20) = 306.113, p <
.001, con un 93.9% de varianza explicada. Por tanto, rechazamos la hiptesis nula y
concluimos que el nivel medio de mana en el pretest (media = 29.04) es significativamente
inferior a la media del postest (media = 18.96), pero tomando conjuntamente los tres frmacos;
por lo que sta tampoco es la razn F que ms nos interesa interpretar si queremos saber si
alguno de los tratamientos ha sido ms efectivo que el otro. El principal resultado es el de la
interaccin entre los dos factores: El tipo de frmaco y la medida temporal, que podemos
recoger de la misma tabla: F(2, 20) = 15.086, p < .001, con un 60.1% de varianza explicada.
Por tanto, al rechazar la hiptesis nula para la interaccin, podemos afirmar que el cambio del
pretest al postest en los tres tipos de frmaco no ha sido el mismo. El grfico de medias nos
puede ayudar a interpretar este resultado significativo para la interaccin. Como se puede
observar en dicho grfico, la mejora que se ha producido del pretest al postest con los
frmacos Litio y Carbamazepina ha sido mayor que la producida con Divalproex Sodio. Es esta
diferente tendencia en los resultados lo que explica el efecto de interaccin observado al
interpretar el resultado de la prueba F correspondiente y el porcentaje de varianza explicada..
Por ltimo, es preciso hacer notar que si la prueba de Mauchly para comprobar el
supuesto de esfericidad hubiera resultado estadsticamente significativa, no podramos haber
interpretado las razones F del ANOVA clsicas, sino que tendramos que habernos servido de
alguna de las pruebas F robustas (Greenhouse-Geisser, Huynh-Feldt o Lmite inferior), o bien

19

de alguna de las pruebas multivariantes (Lambda de Wilks, Traza de Pillai-Bartlett, Raz


3
caracterstica mayor de Roy o Traza de Hotelling-Lawley).
3. DISEOS DE MS DE DOS MUESTRAS: ANCOVA
Si en un diseo de ANOVA queremos controlar de forma estadstica el influjo que terceras
variables pueden ejercer en la relacin entre los factores y la variable dependiente, podemos
aplicar anlisis de covarianza, ANCOVA, donde disponemos de una o ms variables
cuantitativas que actan como covariables. Esta estrategia puede ser til cuando sospechamos
(o, de hecho, sabemos) que los sujetos asignados a los diferentes niveles de tratamiento de un
factor no estn igualados con respecto a alguna variable (cuantitativa) y que, si su influjo no se
controla, puede confundir los resultados del ANOVA. As, pudiera darse el caso de que en el
pretest los grupos de tratamiento no estn igualados en la variable dependiente, de forma que
si no controlamos esas diferencias iniciales entre los grupos, entonces la comparacin de estos
grupos en el postest puede estar sesgada. El ANCOVA lo que hace es controlar
estadsticamente ese desajuste producido en las puntuaciones del pretest (o en alguna otra
variable cuantitativa en la que los grupos no estn igualados) para conseguir que la
comparacin en el postest de los grupos en la variable dependiente sea equitativa y, en
consecuencia, no sufra de sesgos.
SPSS incorpora el ANCOVA tanto para los diseos completamente aleatorizados como
en los diseos de medidas repetidas y mixtos. En el primer caso, la ruta a seguir es:
 Analizar   Modelo lineal general   Univariante
mientras que en el segundo y tercer casos, la ruta es:
 Analizar   Modelo lineal general   Medidas repetidas
La lgica a seguir es, pues, la misma que para los diseos de ANOVA, pero ahora
introduciendo en la ventana Covariables la(s) variable(s) cuyo influjo deseamos controlar. El
planteamiento de la(s) hiptesis nula(s) es el mismo que para los modelos de ANOVA, con la
salvedad de que, en este caso, las medias que estamos comparando son medias ajustadas por
la(s) covariable(s).
Como ejemplo (archivo HUMOR.SAV), vamos a obtener un ANCOVA de un factor
completamente aleatorizado tomando como factor el tipo de frmaco, como variable
dependiente las puntuaciones en el postest en nivel de mana (YMRS2) y como covariable las
puntuaciones en esa misma variable en el pretest (YMRS1), incluyendo un grfico de medias,
los estadsticos descriptivos no ajustados y las medias ajustadas por la covariable:
Anlisis de varianza univariado
Factores inter-sujetos

Farmaco

1
2
3

Etiqueta
del valor
Litio
Carbazepi
na
Divalproe
x Sodio

N
7
8
8

Obsrvese que en el ejemplo que nos ocupa, al tener slo dos niveles de tratamiento el factor
intra-sujeto (pretest versus postest), no tiene sentido preguntarse si se cumple o no el supuesto
de esfericidad, porque slo hay una posible puntuacin diferencial: la que compara el pretest
con el postest. En este caso, pues, no hay que preocuparse por este supuesto. Pero s habra
que hacerlo en el caso de que el factor intra-sujeto tenga ms de dos niveles de tratamiento

20

Estadsticos descriptivos
Variable dependiente: YMRS2
Farmaco
Litio
Carbazepina
Divalproex Sodio
Total

Media
16,71
16,25
23,63
18,96

Desv. tp.
2,812
2,315
3,462
4,457

N
7
8
8
23

Contraste de Levene sobre la igualdad de las varianzas errora


Variable dependiente: YMRS2
F
1,434

gl1

gl2
2

20

Significacin
,262

Contrasta la hiptesis nula de que la varianza error de la


variable dependiente es igual a lo largo de todos los grupos.
a. Diseo: Interseccin+YMRS1+Farmaco
Pruebas de los efectos inter-sujetos
Variable dependiente: YMRS2

Fuente
Modelo corregido
Interseccin
YMRS1
Farmaco
Error
Total
Total corregida

Suma de
cuadrados
tipo III
361,317a
5,551
93,164
245,661
75,639
8702,000
436,957

gl
3
1
1
2
19
23
22

Media
cuadrtica
120,439
5,551
93,164
122,831
3,981

F
30,253
1,394
23,402
30,854

Significacin
,000
,252
,000
,000

a. R cuadrado = ,827 (R cuadrado corregida = ,800)

Medias marginales estimadas


Farmaco
Variable dependiente: YMRS2

Farmaco
Litio
Carbazepina
Divalproex Sodio

Media
17,259a
16,012a
23,387a

Error tp.
,762
,707
,707

Intervalo de confianza al
95%.
Lmite
Lmite inferior
superior
15,663
18,855
14,532
17,492
21,907
24,867

a. Las covariables que aparecen en el modelo se evalan en los


siguiente valores: YMRS1 = 29,04.

21

Eta al
cuadrado
parcial
,827
,068
,552
,765

Grficos de perfil
Medias marginales estimadas de YMRS2

Medias marginales estimadas

24

22

20

18

16
Litio

Carbazepina

Divalproex Sodio

Farmaco

Un primer dato que ayuda a entender lo que hace el ANCOVA se aprecia cuando
comparamos las medias reales obtenidas con los tres frmacos en el nivel de mana en el
postest (YMRS2) y las medias ajustadas por la covariable. Podemos ver estas dos parejas de
medias en la tabla etiquetada 'Estadsticos descriptivos' (medias reales: 16.71 para Litio, 16.25
para Carbamazepina y 23.63 para Divalproex Sodio) y en la tabla Medias marginales
estimadas (medias ajustadas por la covariable: 17.259 para Litio, 16.012 para Carbamazepina
y 23.387 para Divalproex Sodio). Estas ltimas ajustan las medias en el postest como si
hubieran tenido las mismas puntuaciones de partida en el pretest en la variable YMRS.
Antes de examinar si las tres medias ajustadas difieren significativamente entre s, es
preciso comprobar si se cumple el supuesto de homogeneidad de varianzas con la prueba de
Levene: F(2, 20) = 1.434, p = .262. Al cumplirse dicho supuesto es posible interpretar los
resultados del ANCOVA. La razn F que nos permite contrastar la hiptesis nula de que las
medias ajustadas de los tres frmacos son iguales la encontramos en la tabla etiquetada
Pruebas de los efectos inter-sujetos: F(2, 19) = 30.854, p < .001, con un 76.5% de varianza
explicada. Por tanto, rechazamos la hiptesis nula y concluimos que en el postest el nivel de
mana de los sujetos sometidos a los tres frmacos es significativamente diferente. Observe
que alcanzamos el mismo resultado si aplicamos un ANOVA de un factor tomando el tipo de
frmaco como factor inter-sujetos y las puntuaciones del YMRS en el postest como variable
dependiente (YMRS2): F(2, 20) = 15.886, p < .001, con un 61.4% de varianza explicada. Esta
similitud de resultados se debe al hecho de que en este ejemplo los tres grupos estn
igualados en el pretest en el YMRS y, en consecuencia, utilizar las puntuaciones del YMRS1
como covariable a penas afecta a los resultados. De hecho, observe cmo las medias reales y
las medias ajustadas antes comentadas para los tres grupos de sujetos en el postest son muy
similares. En la medida en que los grupos no estn igualados en la covariable, tanto mayores
discrepancias habr entre las medias reales y las ajustadas por la covariable y, en
consecuencia, mayores diferencias podrn darse entre el ANOVA (que no incorpora la
covariable) y el ANCOVA (que s la incorpora), hasta el punto de poderse alcanzar resultados
significativos en un caso y no significativos en el otro.

4. PRCTICAS

1. A partir de los datos del archivo HUMOR.SAV que hemos venido utilizando en esta Unidad
Didctica, compruebe si existen diferencias significativas entre los tres frmacos en el postest,
en cuanto a la escala de valoracin clnica general CGI. Obtenga los estadsticos descriptivos

22

bsicos, la prueba de homogeneidad de varianzas, la estimacin del tamao del efecto y


construya el grfico correspondiente.

2. Siguiendo con el archivo HUMOR.SAV, compruebe si los factores tipo de frmaco y tipo de
trastorno bipolar afectan a las puntuaciones obtenidas por los sujetos en la escala CGI en el
postest. Incluya en la salida la tabla de estadsticos descriptivos, la prueba de homogeneidad
de varianzas, las estimaciones del tamao del efecto y construya un grfico con el perfil de las
medias.
3. A partir de los datos del archivo HUMOR.SAV, compruebe si existen diferencias en la escala
CGI a lo largo de las tres medidas temporales registradas: pretest (CGI1), postest (CGI2) y
seguimiento (CGI3). Incluya los estadsticos descriptivos, la estimacin del tamao del efecto,
el grfico de medias y, si se alcanzan diferencias estadsticamente significativas entre las tres
medias, aplique comparaciones a posteriori por el procedimiento de Bonferroni.

4. A partir de los datos del archivo HUMOR.SAV, compruebe si el tipo de frmaco y el


momento temporal de la medida (pretest, postest) influyen sobre las puntuaciones en la escala
de valoracin clnica CGI. Aplique para ello un diseo de ANOVA factorial mixto con un factor
inter-sujeto (el tipo de frmaco) y un factor intra-sujeto (el momento temporal de la medida).
Obtenga los estadsticos descriptivos, las estimaciones del tamao del efecto y construya un
grfico de las medias.

5. SOLUCIONES DE LAS PRCTICAS


PRCTICA 1
Anlisis de varianza univariante
Factores inter-sujetos

Farmaco

Etiqueta
del valor
Litio
Carbazepi
na
Divalproe
x Sodio

1
2
3

N
7
8
8

Estadsticos descriptivos
Variable dependiente: CGI2
Farmaco
Litio
Carbazepina
Divalproex Sodio
Total

Media
4,71
4,75
4,75
4,74

Desv. tp.
1,113
1,282
1,753
1,356

N
7
8
8
23

Contraste de Levene sobre la igualdad de las varianzas error


Variable dependiente: CGI2
F

gl1
,351

gl2
2

20

Significacin
,708

Contrasta la hiptesis nula de que la varianza error de la


variable dependiente es igual a lo largo de todos los grupos.
a. Diseo: Interseccin+Farmaco

23

Pruebas de los efectos inter-sujetos


Variable dependiente: CGI2

Fuente
Modelo corregido
Interseccin
Farmaco
Error
Total
Total corregida

Suma de
cuadrados
tipo III
,006a
514,299
,006
40,429
557,000
40,435

gl
2
1
2
20
23
22

Media
cuadrtica
,003
514,299
,003
2,021

F
,002
254,423
,002

Significacin
,998
,000
,998

Eta al
cuadrado
parcial
,000
,927
,000

a. R cuadrado = ,000 (R cuadrado corregida = -,100)

Grficos de perfil
Medias marginales estimadas de CGI2

Medias marginales estimadas

4,75

4,74

4,73

4,72

4,71
Litio

Carbazepina

Divalproex Sodio

Farmaco

Interpretacin:
En la tabla Estadsticos Descriptivos y en el grfico de medias podemos ver el perfil de las tres
medias en la escala CGI que pretendemos comparar mediante el ANOVA de un factor. En
concreto, las tres medias son muy similares: 4.71, 4.75 y 4.75 para los tres frmacos (Litio,
Carbamazepina y Divalproex Sodio). Con la prueba F de ANOVA podemos comprobar si esas
diferencias se deben a mero error de muestreo aleatorio o si son los suficientemente grandes
como para rechazar la hiptesis nula de igualdad de medias. Pero primero interpretamos el
resultado de la prueba de Levene para comprobar si se cumple el supuesto de homogeneidad
de varianzas: F(2, 20) 0.351, p = .708. Dado que se cumple el supuesto de homogeneidad de
varianzas, podemos interpretar el resultado de la prueba F convencional: F(2, 20) = 0.002, p =
.998, con un 0% de varianza explicada. Por tanto, mantenemos la hiptesis nula y concluimos
que los tres frmacos presentaron niveles prcticamente idnticos en la escala CGI en el
postest.

PRCTICA 2
Anlisis de varianza univariado
Factores inter-sujetos

Farmaco

1
2
3

Bipolar

1
2

Etiqueta
del valor
Litio
Carbazepi
na
Divalproe
x Sodio
Trastorno
Bipolar I
Trastorno
Bipolar II

24

N
7
8
8
10
13

Estadsticos descriptivos
Variable dependiente: CGI2
Farmaco
Litio

Carbazepina

Divalproex Sodio

Total

Bipolar
Trastorno Bipolar I
Trastorno Bipolar II
Total
Trastorno Bipolar I
Trastorno Bipolar II
Total
Trastorno Bipolar I
Trastorno Bipolar II
Total
Trastorno Bipolar I
Trastorno Bipolar II
Total

Media
5,00
4,50
4,71
5,00
4,50
4,75
3,67
5,40
4,75
4,60
4,85
4,74

Desv. tp.
1,000
1,291
1,113
1,414
1,291
1,282
1,528
1,673
1,753
1,350
1,405
1,356

N
3
4
7
4
4
8
3
5
8
10
13
23

Contraste de Levene sobre la igualdad de las varianzas error a


Variable dependiente: CGI2
F

gl1
,291

gl2
5

17

Significacin
,911

Contrasta la hiptesis nula de que la varianza error de la


variable dependiente es igual a lo largo de todos los grupos.
a. Diseo: Interseccin+Farmaco+Bipolar+Farmaco *
Bipolar
Pruebas de los efectos inter-sujetos
Variable dependiente: CGI2

Fuente
Modelo corregido
Interseccin
Farmaco
Bipolar
Farmaco * Bipolar
Error
Total
Total corregida

Suma de
cuadrados
tipo III
6,568a
487,260
,234
,333
6,215
33,867
557,000
40,435

gl
5
1
2
1
2
17
23
22

Media
cuadrtica
1,314
487,260
,117
,333
3,107
1,992

F
,659
244,589
,059
,167
1,560

Significacin
,659
,000
,943
,688
,239

a. R cuadrado = ,162 (R cuadrado corregida = -,084)

Medias marginales estimadas de CGI2


Bipolar

5,5

Medias marginales estimadas

Trastorno Bipolar I
Trastorno Bipolar II

4,5

3,5
Litio

Carbazepina

Divalproex Sodio

Farmaco

25

Eta al
cuadrado
parcial
,162
,935
,007
,010
,155

Interpretacin:
La tabla de Estadsticos Descriptivos y el grfico de perfiles de las medias representa las
medias que pretendemos contrastar en este ANOVA de dos factores inter-sujeto. Antes de
comenzar con el ANOVA propiamente dicho, es preciso comprobar si se cumple el supuesto de
homogeneidad de varianzas interpretando el resultado de la prueba de Levene: F(5, 17) =
0.291, p = .911. Como se cumple el supuesto de homogeneidad de varianzas, podemos
interpretar a continuacin los resultados del ANOVA. Con respecto al factor Frmaco
obtenemos: F(2, 17) = 0.059, p = .943, con un 0.7% de varianza explicada. Por tanto, no
podemos rechazar la hiptesis nula y concluimos que no existen diferencias significativas entre
los tres frmacos en cuanto a las puntuaciones en la escala de valoracin clnica CGI en el
postest. En cuanto al factor tipo de trastorno bipolar obtenemos: F(1, 17) = 0.167, p = .688,
con un 1% de varianza explicada. Por tanto, tampoco podemos rechazar la hiptesis nula y
concluimos que no existen diferencias significativas entre los dos tipos de trastorno bipolar en
la escala CGI en el postest. Por ltimo, el resultado de la interaccin entre tipo de frmaco y
tipo de trastorno bipolar fue: F(2, 17) = 1.560, p = .239, con un 15.5% de varianza explicada.
Por tanto, tampoco podemos rechazar la hiptesis nula y concluimos que no existe un efecto
de interaccin estadsticamente significativo entre el tipo de frmaco y el tipo de trastorno
bipolar.
Sin embargo, el porcentaje de varianza explicada por la interaccin no es nada
despreciable, ya que fue superior al 15%, lo cual nos lleva a pensar que cierto efecto de
interaccin clnicamente significativo ocurri. De hecho, el perfil de las medias reflejado en el
grfico revela que el Litio y la Carbamazepina funcionaron mejor para los sujetos con trastorno
bipolar I, mientras que el Divalproex Sodio fue mejor con los sujetos con trastorno bipolar II.
Posiblemente, el escaso tamao muestral impidi que la prueba F de ANOVA fuera capaz de
detectar este efecto que parece importante.

PRCTICA 3
Modelo lineal general
Factores intra-sujetos
Medida: MEASURE_1
factor1
1
2
3

Variable
dependiente
CGI1
CGI2
CGI3

Estadsticos descriptivos
CGI1
CGI2
CGI3

Media
7,96
4,74
2,26

Desv. tp.
1,364
1,356
1,054

N
23
23
23

Contrastes multivariadosb

Efecto
factor1

Traza de Pillai
Lambda de Wilks
Traza de Hotelling
Raz mayor de Roy

Valor
,941
,059
15,987
15,987

F
167,866a
167,866a
167,866a
167,866a

a. Estadstico exacto
b.
Diseo: Interseccin
Diseo intra sujetos: factor1

26

Gl de la
hiptesis
2,000
2,000
2,000
2,000

Gl del error
21,000
21,000
21,000
21,000

Significacin
,000
,000
,000
,000

Eta al
cuadrado
parcial
,941
,941
,941
,941

Prueba de esfericidad de Mauchlyb


Medida: MEASURE_1
Epsilon
Efecto intra-sujetos
factor1

W de Mauchly
,911

Chi-cuadrado
aprox.
1,949

gl
2

Greenhous
e-Geisser
,919

Significacin
,377

Huynh-Feldt
,998

Lmite-inferior
,500

Contrasta la hiptesis nula de que la matriz de covarianza error de las variables dependientes transformadas es proporcional a
una matriz identidad.
a. Puede usarse para corregir los grados de libertad en las pruebas de significacin promediadas. Las pruebas corregidas
se muestran en la tabla Pruebas de los efectos inter-sujetos.
b.
Diseo: Interseccin
Diseo intra sujetos: factor1

Pruebas de efectos intra-sujetos.


Medida: MEASURE_1

Fuente
factor1

Suma de
cuadrados
tipo III
375,159
375,159
375,159
375,159
36,174
36,174
36,174
36,174

Esfericidad asumida
Greenhouse-Geisser
Huynh-Feldt
Lmite-inferior
Esfericidad asumida
Greenhouse-Geisser
Huynh-Feldt
Lmite-inferior

Error(factor1)

Media
cuadrtica
187,580
204,204
187,909
375,159
,822
,895
,824
1,644

gl
2
1,837
1,997
1,000
44
40,418
43,923
22,000

F
228,162
228,162
228,162
228,162

Significacin
,000
,000
,000
,000

Eta al
cuadrado
parcial
,912
,912
,912
,912

Pruebas de contrastes intra-sujetos


Medida: MEASURE_1

Fuente
factor1
Error(factor1)

factor1
Lineal
Cuadrtico
Lineal
Cuadrtico

Suma de
cuadrados
tipo III
373,065
2,094
23,435
12,739

gl
1
1
22
22

Media
cuadrtica
373,065
2,094
1,065
,579

F
350,224
3,617

Significacin
,000
,070

Eta al
cuadrado
parcial
,941
,141

Pruebas de los efectos inter-sujetos


Medida: MEASURE_1
Variable transformada: Promedio

Fuente
Interseccin
Error

Suma de
cuadrados
tipo III
1715,014
69,652

gl
1
22

Media
cuadrtica
1715,014
3,166

F
541,696

Significacin
,000

Eta al
cuadrado
parcial
,961

Comparaciones por pares


Medida: MEASURE_1

(I) factor1
1
2
3

(J) factor1
2
3
1
3
1
2

Diferencia
entre
medias (I-J)
3,217*
5,696*
-3,217*
2,478*
-5,696*
-2,478*

Error tp.
,251
,304
,251
,242
,304
,242

Basadas en las medias marginales estimadas.


*. La diferencia de las medias es significativa al nivel ,05.
a. Ajuste para comparaciones mltiples: Bonferroni.

27

Significacin
,000
,000
,000
,000
,000
,000

Intervalo de confianza al 95
a
% para la diferencia
Lmite
Lmite inferior
superior
2,567
3,868
4,907
6,484
-3,868
-2,567
1,850
3,106
-6,484
-4,907
-3,106
-1,850

Grficos de perfil
Medias marginales estimadas de MEASURE_1

Medias marginales estimadas

2
1

factor1

Interpretacin:
La tabla de estadsticos descriptivos y el grfico de medias presenta las tres medias que
pretendemos comparar: 7.96, 4.74 y 2.26, para el pretest, postest y seguimiento,
respectivamente. Antes de interpretar el ANOVA, comprobamos si se cumple el supuesto de
2
esfericidad examinando el resultado de la prueba de Mauchly: (2) = 1.949, p = .377. Al
cumplirse el supuesto de esfericidad podemos interpretar la prueba F convencional del
ANOVA: F(2, 44) = 228.162, p < .001, con un 91.2% de varianza explicada. Por tanto, se
rechaza la hiptesis nula y concluimos que se ha producido una reduccin estadstica y
clnicamente significativa del pretest al postest y al seguimiento en el nivel de malestar clnico
de los sujetos, segn la escala CGI.
Por ltimo, el procedimiento de Bonferroni de comparaciones entre las tres medias
arroj resultados estadsticamente significativos en todos los casos: se observaron diferencias
significativas entre el pretest y el postest, entre el postest y el seguimiento y entre el pretest y el
seguimiento (p < .001).

PRCTICA 4
Modelo lineal general
Factores intra-sujetos
Medida: MEASURE_1
factor1
1
2

Variable
dependiente
CGI1
CGI2

Factores inter-sujetos

Farmaco

1
2
3

Etiqueta
del valor
Litio
Carbazepi
na
Divalproe
x Sodio

28

N
7
8
8

Estadsticos descriptivos
CGI1

CGI2

Farmaco
Litio
Carbazepina
Divalproex Sodio
Total
Litio
Carbazepina
Divalproex Sodio
Total

Media
8,00
7,63
8,25
7,96
4,71
4,75
4,75
4,74

Desv. tp.
1,291
1,598
1,282
1,364
1,113
1,282
1,753
1,356

N
7
8
8
23
7
8
8
23

Contrastes multivariadosb

Efecto
factor1

Traza de Pillai
Lambda de Wilks
Traza de Hotelling
Raz mayor de Roy
Traza de Pillai
Lambda de Wilks
Traza de Hotelling
Raz mayor de Roy

factor1 * Farmaco

Valor
,887
,113
7,840
7,840
,050
,950
,053
,053

F
156,791a
156,791a
156,791a
156,791a
,531a
,531a
,531a
,531a

Gl de la
hiptesis
1,000
1,000
1,000
1,000
2,000
2,000
2,000
2,000

Gl del error
20,000
20,000
20,000
20,000
20,000
20,000
20,000
20,000

Eta al
cuadrado
parcial
,887
,887
,887
,887
,050
,050
,050
,050

Significacin
,000
,000
,000
,000
,596
,596
,596
,596

a. Estadstico exacto
b.
Diseo: Interseccin+Farmaco
Diseo intra sujetos: factor1
Prueba de esfericidad de Mauchlyb
Medida: MEASURE_1
Epsilon
Efecto intra-sujetos
factor1

W de Mauchly
1,000

Chi-cuadrado
aprox.
,000

gl
0

Significacin
.

Greenhous
e-Geisser
1,000

Huynh-Feldt
1,000

Lmite-inferior
1,000

Contrasta la hiptesis nula de que la matriz de covarianza error de las variables dependientes transformadas es proporcional a
una matriz identidad.
a. Puede usarse para corregir los grados de libertad en las pruebas de significacin promediadas. Las pruebas corregidas
se muestran en la tabla Pruebas de los efectos inter-sujetos.
b.
Diseo: Interseccin+Farmaco
Diseo intra sujetos: factor1

Pruebas de efectos intra-sujetos.


Medida: MEASURE_1

Fuente
factor1

factor1 * Farmaco

Error(factor1)

Esfericidad asumida
Greenhouse-Geisser
Huynh-Feldt
Lmite-inferior
Esfericidad asumida
Greenhouse-Geisser
Huynh-Feldt
Lmite-inferior
Esfericidad asumida
Greenhouse-Geisser
Huynh-Feldt
Lmite-inferior

Suma de
cuadrados
tipo III
118,783
118,783
118,783
118,783
,805
,805
,805
,805
15,152
15,152
15,152
15,152

gl
1
1,000
1,000
1,000
2
2,000
2,000
2,000
20
20,000
20,000
20,000

29

Media
cuadrtica
118,783
118,783
118,783
118,783
,402
,402
,402
,402
,758
,758
,758
,758

F
156,791
156,791
156,791
156,791
,531
,531
,531
,531

Significacin
,000
,000
,000
,000
,596
,596
,596
,596

Eta al
cuadrado
parcial
,887
,887
,887
,887
,050
,050
,050
,050

Pruebas de contrastes intra-sujetos


Medida: MEASURE_1

Fuente
factor1
factor1 * Farmaco
Error(factor1)

factor1
Lineal
Lineal
Lineal

Suma de
cuadrados
tipo III
118,783
,805
15,152

gl
1
2
20

Media
cuadrtica
118,783
,402
,758

F
156,791
,531

Significacin
,000
,596

Eta al
cuadrado
parcial
,887
,050

Pruebas de los efectos inter-sujetos


Medida: MEASURE_1
Variable transformada: Promedio

Fuente
Interseccin
Farmaco
Error

Suma de
cuadrados
tipo III
1846,465
,783
64,652

gl
1
2
20

Media
cuadrtica
1846,465
,391
3,233

F
571,203
,121

Significacin
,000
,887

Eta al
cuadrado
parcial
,966
,012

Grficos de perfil
Medias marginales estimadas de MEASURE_1
Farmaco

Medias marginales estimadas

Litio
Carbazepina
Divalproex Sodio
8

4
1

factor1

Interpretacin:
La tabla de estadsticos descriptivos y el grfico de medias presenta las medias que
pretendemos comparar con este ANOVA. Al tener slo dos niveles de tratamiento el factor
intra-sujetos (pretest y postest), no procede comprobar el supuesto de esfericidad, por lo que la
prueba de Mauchley no arroja ningn resultado. Pasamos, pues, a interpretar los resultados de
las tres pruebas F del ANOVA. Con respecto al efecto del tipo de frmaco sobre las
puntuaciones en el CGI, hemos obtenido: F(2, 20) = 0.121, p = .887, con un 1.2% de varianza
explicada. Por tanto, podemos concluir que no existen diferencias significativas entre las
puntuaciones (promediando el pretest y el postest) para los tres frmacos. Respecto del factor
intra-sujeto momento de la medida, hemos obtenido: F(1, 20) = 156.791, p < .001, con un
88.7% de varianza explicada. Por tanto, rechazamos la hiptesis nula y concluimos que existen
diferencias estadstica y clnicamente significativas entre las puntuaciones del pretest y el
postest, pero agrupando los tres tipos de frmaco. Sin duda, el principal resultado de este
anlisis nos lo ofrece la F para la interaccin, ya que es la que permite comprobar si el cambio
del pretest al postest ha sido similar para los tres frmacos. Hemos obtenido este resultado:
F(2, 20) = 0.531, p = .596, con un 0.5% de varianza explicada. Por tanto podemos afirmar que
los tres frmacos presentan un perfil de medias similar entre el pretest y el postest y, en
consecuencia, no se observa un comportamiento diferente entre los sujetos que han recibido
uno u otro tipo de frmaco.

6. ACTIVIDADES PRCTICAS DE CONSOLIDACIN


Prctica 5. El archivo MIREAULT.SAV contiene los datos de una muestra de 381 estudiantes
universitarios norteamericanos, parte de los cuales haban perdido alguno de sus progenitores,

30

padre o madre, durante su infancia. La variable grupo distingue entre tres grupos de
estudiantes: el grupo 1 lo formaban aquellos sujetos que haban perdido a alguno de sus
padres, el grupo 2 inclua a los estudiantes cuyos padres todava vivan y permanecan
casados, y el tercer grupo inclua a los estudiantes de padres divorciados. Compruebe si los
tres grupos de estudiantes difieren en su nivel de ansiedad, construya un grfico de las medias
y realice todas las comparaciones dos a dos por el procedimiento de Tukey.
Prctica 6. Con el mismo archivo MIREAULT.SAV, compruebe mediante la prueba estadstica
pertinente si el grado de hostilidad cambia significativamente en funcin de la titulacin
cursada. Acompae el resultado de un grfico sobre la relacin entre ambas variables.
Prctica 7. En el archivo TRATAMIENTO DEL SOBREPESO.SAV se recoge el peso de 10
pacientes sometidos a una intervencin para adelgazar, antes del tratamiento (pretest),
inmediatamente despus del mismo (postest) y tras un mes de seguimiento (seguimiento).
Evale la eficacia del tratamiento, de forma global y a partir de todas las comparaciones dos a
dos entre la medias. Elabore un grfico donde se muestre la evolucin del peso de los
pacientes en los tres registros temporales: pretest, postest y seguimiento.
Prctica 8. Con el archivo DROGAS.SAV, compruebe si los factores tipo de tratamiento y
sexo influyen en las puntuaciones obtenidas por los sujetos en la variable locus de control
medida en el postest (LOCUS2). Evale la significacin prctica y estadstica de los resultados.
Prctica 9. A partir de los datos del archivo DEPRES.SAV, compruebe si existen diferencias
entre hombres y mujeres (SEXO) en cuanto a sus niveles de ingresos (INGRESOS),
controlando el posible influjo de la edad (EDAD). Elabore un grfico con las medias ajustadas
por la covariable.
Prctica 10. A partir de los datos del archivo DROGAS.SAV, compruebe si el tipo de
tratamiento influye en el ajuste emocional, tomando en consideracin las medidas pretest y
postest de esta variable. Aplique para ello un diseo de ANOVA factorial mixto con un factor
inter-sujeto (TRATAM) y un factor intra-sujeto (medidas pretest y postest en ajuste emocional:
AJE1 y AJE2).
Prctica 11. El archivo ANSIEDAD.SAV contiene los resultados de un estudio realizado sobre
una muestra de 8 pacientes con un alto nivel de ansiedad, que se sometieron a un tratamiento
psicolgico durante cuatro meses. Cada mes se anot la ansiedad de cada paciente, en una
escala de 0 (ansiedad baja) a 100 (ansiedad elevada), disponindose de 4 registros en el
tiempo correspondientes a las variables mes1, mes2, mes3 y mes4. Compruebe los efectos del
tratamiento a lo largo de los cuatro meses, efecte todas las comparaciones dos a dos entre
las medias y elabore un grfico con las cuatro medias.
Prctica 12. A partir del archivo DROGAS.SAV, aplique un diseo de ANOVA factorial para
comprobar el efecto del gnero (SEXO) y del centro asistencial en que estaban ingresados los
pacientes (CENTRO) en el nivel de locus de control medido en el pretest (LOCUS1).
Prctica 13. El archivo ESTUDIANTES PREUNIVERSITARIOS.SAV incluye una muestra de
600 estudiantes norteamericanos cursando el ltimo ao previo a su entrada en la Universidad.
Entre otras variables, el archivo incluye la raza (1 = hispano; 2 = asitico; 3 = negro; 4 = blanco)
y la habilidad para escribir en ingls (escribir), esta ltima en una escala cuantitativa donde las
puntuaciones ms altas indican una elevada destreza escribiendo. Compruebe si la habilidad
para escribir de los estudiantes cambia significativamente en funcin de la raza y ponga a
prueba todas las comparaciones dos a dos a partir del mtodo de Tukey.
Prctica 14. El archivo MEMORIA.SAV muestra el nivel de recuerdo de una muestra de sujetos
con el paso del tiempo (una hora, un da, una semana y un mes despus de estudiar una
historia durante 20 minutos). Compruebe si hubieron cambios significativos en la capacidad de
recuerdo a lo largo del tiempo y efecte todas las comparaciones dos a dos entre las medias.

31