PSICOLOGÍA EXPERIMENTAL. CAPÍTULO 16. PEREDA MARÍN

Diseño Factorial

1. Introducción

· Experimentos con más de una variable independiente en donde todos los niveles de una variable se combinen con los niveles del resto de las variables (hay diseños factoriales llamados incompletos donde no existen todas las combinaciones).

· Estudian en un mismo experimento los efectos de dos o más factores sobre la conducta de los sujetos.

· Permite comprobar los efectos de dos o más factores sobre el fenómeno que se está estudiando así como saber si dichos factores interactúan entre sí.

Ventajas del diseño factorial en comparación con los simples:

· Mayor cantidad de información: Estudia los efectos combinados no aditivos (interacción) de dos o más factores además de los efectos de cada uno de los factores. Podemos observar cómo se comporta una variable bajo todas las condiciones de la otra.

· Mayor posibilidad de generalización de las conclusiones (validez ecológica: la situación experimental es más similar a la vida real)

· Mayor economía de trabajo: se reduce el tiempo y el número de sujetos.

· Favorece el control de las variables contaminadoras

 

2. Definición de factor y clasificación de los factores

Factor: variable que se manipula para comprobar sus efectos sobre la conducta (el criterio); sistema de clasificación de condiciones experimentales. Las siguientes clasificaciones se pueden combinar entre sí. Se representa simbólicamente: A, B, C, etc.

En función de que implique o no el concepto de magnitud	Factores Cualitativos	Permiten establecer categorías pero no ordenar estas categorías en función de su magnitud. Nivel de medida nominal. Ej: Distintos métodos de enseñanza.
	Factores Ordinales	Permiten establecer una relación de orden entre sus categorías. Ej: Puesto ocupado en una carrera.
	Factores Cuantitativos	Permiten establecer categorías según su magnitud. Nivel de medida de intervalos o de razón. Ej: Dosis de droga.
En función del nivel de manipulación	Factores de clasificación	No es posible la manipulación intencional. Integran características de sujeto y solo permite establecer grupos de sujetos con niveles diferentes. Investigaciones cuasi experimentales. Ej: Sexo de los sujetos
	Factores experimentales	Permite una manipulación intencional. Permiten su asignación libre y aleatoria a los sujetos. Investigaciones experimentales. Ej: Las instrucciones dadas a los sujetos.
En función del procedimiento seguido para elegir los niveles de factores	Factores al azar	Factores cuyos niveles fueron elegidos aleatoriamente por el experimentador a partir del infinito número posible de niveles.
	Factores Fijos	Factores cuyo niveles han sido elegido siguiendo criterios específicos (arbitrarios) de los experimentadores o han sido utilizados todos los posibles niveles.

 

3. Niveles de un factor

Nivel: son los valores elegidos por el experimentador para que adopten los factores en su experimento. Se representa con letras minúsculas, como p, q, r, etc., y cada nivel concreto adoptado por el factor en el experimento por las letras minúsculas correspondientes a la mayúscula del factor acompañadas de subíndices correlativos. Ej: los p niveles del factor A, serán: a1, a2, a3; los 1 niveles de factor B serán: b1, b2, b3.

El número de niveles viene determinado por la naturaleza del problema y el interés del investigador (la minuciosidad con que desea conocer los efectos de dicho factor y por el tipo de inferencias que desea hacer al terminar el experimento).

Al aumentar el número de niveles aumenta rápidamente el número de tratamientos experimentales, el número de grupos y la complejidad del trabajo experimental.

 

4. Tratamiento experimental: determinada combinación de niveles de los factores que se quieren estudiar. El número de tratamientos experimentales se determina a partir de la fórmula del diseño factorial, es decir que viene determinado por el número de factores y por el número de niveles que adopta cada factor.

 

5. Clasificación de los diseños factoriales:

Según el tipo de situación experimental	Diseños factoriales con medidas independientes	Cada grupo pasa sólo por un tratamiento experimental. Los efectos de cada tratamiento experimental son probados en un grupo diferente de sujetos. Situación experimental de tipo I. Número de grupos experimentales = número de tratamientos.
	Diseños factoriales con medidas repetidas	Un mismo grupo de sujetos es sometido a todos los tratamiento experimentales. Situación experimental de tipo II. Un solo grupo experimental.
	Diseños factoriales con medidas repetidas en algunos factores	Uno o varios factores son probados en una situación de medidas independientes, mientras que otro y otros factores son probados en una situación de medidas repetidas. Habrá tantos grupos experimentales como factores estudiados con medidas independientes. Situación experimental de tipo III.
Según el criterio de selección para elegir los niveles de los factores	Modelo Fijo	Sólo se utilizan factores fijos. Cuando los niveles de los distintos factores incluidos en el experimento agotan el número total de posibles niveles que puede adoptar esos factores y, cuando la selección de los niveles de los factores se hace de forma sistemática, sin seguir procedimiento aleatorio, serán modelos fijos.
	Modelo al azar	Sólo se utilizan factores al azar.
	Modelo mixto	Se utilizan factores fijos y factores al azar.

 

6. Técnica de análisis de datos .

Análisis de varianza o análisis de covarianza (cuando se tratan de eliminar los efectos de alguna variable contaminadora no controlada experimentalmente).

Las fuentes de variación que se van a estudiar mediante el AVAR son:

• Varianza intertratamiento

- Efecto de los factores

- Efecto de interacción

• Varianza de error

En ellas debe aparecer:

· Un valor F por cada VI indicando el valor P. Si P es menor que el nivel de significación puede ser suficiente indicarlo sin que aparezca el valor P.

· Un valor F de la interacción entre las dos VI. Si fueran 3 VI tendremos tres valores de F, dos interacciones dobles y una triple.

Interacción: efecto adicional a la suma de los efectos individuales de las variables independientes. Se dice que no hay interacción cuando este efecto es nulo, no aparece. En estos casos una variable actúa independientemente de la otra. Existe interacción cuando el comportamiento de una variable se modifica según los niveles de otra variable.

 

7. Representación simbólica de los diseños factoriales:

Se hace la matriz factorial, se utiliza una tabla de doble entrada, colocando en cada eje uno o más factores combinados, en cada una de las casillas de la matriz se colocan los tratamientos experimentales. A, B, C representan los factores y, a, b, c los niveles de los mismos.

a. La ausencia de letra minúscula significaría que el factor actúa con el nivel más bajo.

b. La presencia de la correspondiente letra minúscula significaría que el factor actúa con el nivel más alto.

c. Cuando aparece un (1) indica que ambos factores actúan con el nivel más alto.

d. Si los datos se presentan en función de las medias, los correspondientes tratamientos irán entre paréntesis.

e. Si los datos presentan por totales bajo cada tratamiento, se utilizaran corchetes en lugar de paréntesis.

 

8. Efectos estudiados en una investigación con diseño factorial.

Efectos Simples: expresan los efectos de los niveles de un factor bajo cada nivel de los otros factores. Descomposición del diseño factorial en dos experimentos simples de una variable. (Estudio si al pasar de B₁ a B ₂ se producen cambios en la variable dependiente pero no sé nada de qué pasa al pasar de A₁ a A₂ )

Efecto principal: diferencia existente entre la media paramétrica de la variable criterio bajo un nivel determinado de uno de los factores y la madia paramétrica total. Resultado de analizar un único experimento principal con una variable como independiente y las otras como controladas (desaparecen las diferencias de las variables controladas) Una variable se comporta de forma similar en presencia de los niveles de la otra.

Efector diferenciales: hacen referencia a las diferencias existentes entre los efectos principales de dos niveles de un mismo factor.

Efectos de interacción: la interacción expresa la medida en que la media obtenida en la variable criterio bajo un determinado tratamiento, no puede ser explicada a partir de la suma de los efectos principales de los niveles de cada factor. Se puede decir que existe una interacción entre dos factores cuando el valor de la variable criterio que resulta de uno de los factores está determinado por el valor específico asumido por el otro factor. En caso de no ocurrir interacción el efecto de un factor sobre el criterio estaría afectado aditivamente por los distintos valores adoptados por el otro factor.

Se pueden encontrar interacciones entre más de dos variables; y para distinguir unas de otras se utilizan los siguientes nombres:

a. Interacciones de primer orden: interacciones entre dos o más variables.

b. Interacciones de segundo orden : interacciones entre tres variables

c. Interacciones de tercer orden: interacciones entre cuatro variables.

Interacción nula : las dos líneas de cada gráfica son paralelas. Esto se da cuando los patrones de los efectos simples son iguales.

Existencia de interacción: las líneas no son paralelas. Esto se da cuando los patrones de los efectos simples son distintos.

Extensión a más niveles: las dos reglas anteriores se mantienen para cualquier número de niveles y para cualquier número de variables. Las líneas de resultados pueden ser paralelas a pesar de no ser rectas. Esto indica que no existe interacción.

En la vida real se pueden encontrar dos tipos de situaciones:

a. Situaciones en que las personas se comportan de una manera similar.

b. Situaciones en que las personas se comportan de una manera distinta.

Para saber si entre dos variables o más variables existe una interacción, se aplica el método estadístico (análisis de varianza) o el método gráfico.

Interacción	Ordinal	Las líneas están unas por encima de las otras sin juntarse. Se puede interpretar el efecto principal.
	No ordinal	La línea condicionada por A1 no mantiene un orden respecto a la línea condicionada A2. Estas líneas se juntan al cruzarse. No se puede interpretar el efecto principal.
Casos especiales de interacción	Efecto techo	Se producen unos resultados con unos resultados con apariencia de interacción aunque no la hay. En uno de los niveles se alcanza el máximo y no es posible registrar niveles superiores.
	Efecto suelo	Se producen unos resultados con unos resultados con apariencia de interacción aunque no la hay. En uno de los niveles se alcanza el mínimo y no es posible registrar niveles inferiores.

Efectos del error experimental.

Son los efectos producidos por todas las fuentes de variables contaminadoras no controladas por el experimentador y que van a influir en el fenómeno estudiado, en la variable criterio. Estos efectos son los referidos a los errores aleatorios. Las fuentes de error son las mismas que en los diseños univariados.

 

10. Ventajas del diseño factorial sobre los diseños univariados .

a. La cantidad de información que se obtiene gracias a ellos es mayor que la que se puede obtener con los diseños univariados empleando un mismo número de sujetos.

b. Se reduce el tiempo necesario para el experimento y el número de sujetos que se debe emplear en el mismo.

Se obtiene información sobre los posibles efectos de la interacción entre los dos factores tiene sobre la variable criterio.

· Es mucho más fácil controlar las posibles variables contaminadoras.

· Hay más posibilidades de generalización de los resultados.
 

DISEÑOS DE INVESTIGACIÓN. CAP 7. LEÓN Y MANTERO

En un experimento complejo obtenemos más información que en uno simple, pero ¿podemos decir que en un experimento con dos variables obtenemos más información que con dos experimentos de una variable? La estrategia del diseño factorial consigue que podamos observar cómo se comporta una variable bajo todas las condiciones de la otra. Si hacemos dos experimentos simples consecutivos, podemos dejar fuera una combinación de niveles crucial para entender el fenómeno en estudio.

Extensiones del diseño

1. Con más de una variable independiente, sólo dos variables y sólo dos niveles por variables. Esta dirección la podemos aumentar en varias direcciones: aumentando el número de niveles, aumentando el número de variables o combinando diversos tipos de grupos.

2. Otro tipo de diseño complejo se da cuando aumentamos el número de variables independientes. Con el mismo tipo de razonamiento con el que justificábamos pasar de un experimento con una sola variable independiente a otro con dos, podemos justificar pasar de uno con dos, a otro con tres.

3. La tercera de las extensiones combinamos una variable independiente experimental con grupos aleatorios con una variable independiente cuasi experimental.

Interacción

Es el efecto adicional a la suma de los efectos individuales de las variables independientes. Se dice que no hay interacción cuando este efecto es nulo, una variable actúa independientemente de las condiciones que se den en la otra. Entonces hay interacción cuando el comportamiento de una variable se modifica según los niveles de otra variable.

Cuando los patrones de los efectos simples son iguales no existe interacción (rectas paralelas). Cuando los patrones de los efectos simples no son iguales, existe interacción (las rectas no son paralelas).

Cuando se ha comprobado que no existe interacción, se debe proceder a continuar el estudio de los efectos principales. El hecho de que una variable se comporte de forma similar en presencia de los niveles de la otra es lo que hace que tenga sentido estudiar su influencia de forma conjunta. En esto consiste el estudio de los efectos principales: la influencia de las manipulaciones de una variable independiente sobre una variable dependiente a través de los niveles de otra variable independiente. Cuando se ha comprobado que hay interacción es mas seguro detenerse en su estudio y no sacar conclusiones sobre los efectos principales. Se corre el riesgo de llegar a inferencias absolutamente erróneas.

Interacción ordinal: las líneas están unas por encima de las otras, sin juntarse.

Interacción no ordinal: una línea no mantiene un orden respecto a la otra, se juntan al cruzarse.

Casos especiales de interacción

Aquellos en los que, tanto grafica como numéricamente, aparece interacción y sin embargo no es posible explicarla teóricamente. Estas interacciones se han producido por restricciones en el rango de medida de la variable dependiente. Son los casos en los que aparece efecto techo o suelo.

Efecto techo: en algunas de las variables se producen unos resultados con apariencia de interacción.

Efecto suelo: aparece cuando en uno de los niveles se alcanza el mínimo y no es posible registrar niveles inferiores.

Análisis de datos, análisis de varianza.

a. Debe aparecer un valor F por cada variable independiente del experimento, indicando el nivel al que el valor hallado es estadísticamente significativo o el nivel de riesgo utilizado. Si no alcanza el nivel de significación, puede ser suficiente con indicarlo, sin que aparezca el valor de F.

b. Debe aparecer un valor de F de la interacción entre dos variables independientes. Si fuesen tres variables independientes, tendremos tres valores de F, dos interacciones dobles y una triple; en el caso de más variables se razona de forma análoga.

Organización de los datos.

Los tres casos más comunes en diseños complejos factoriales de dos variables independientes son:

a. Grupos aleatorios x grupos aleatorios: en este caso se organiza exactamente igual que cuando hay una variable independiente y otra bloqueada.

b. Grupos aleatorios x medida repetidas.

c. Medidas repetidas x medidas repetidas: una variante del experimento de preferencia antes el riego podría ser prescindir de la agrupación en estilos, medir las preferencias en los tres niveles de demanda, y a su vez en un contexto donde se obtienen puntos frente a otro en el que se obtiene dinero.

Técnicas de análisis para cada diseño.

a. Grupos aleatorio x grupos aleatorios: análisis de varianza de dos factores.

b. Grupos aleatorios x medidas repetidas: análisis de varianza de dos factores, uno con medidas repetidas.

c. Medidas repetidas x medidas repetidas : análisis de varianza de medidas repetidas con dos variables.

d. Caso general: podrá utilizar un análisis de varianza, pero, además de la correcta organización de los datos, deberá indicar el número total de variables independientes, especificando las que sean de medidas repetidas.

DISEÑOS DE UN SOLO SUJETO: REVERSIÓN Y LÍNEAS BASE MÚLTIPLES. UNIDAD 32. SULZER AZAROFF

Doble ventaja:

• Principios conductuales: producen principios conductuales apropiados a los individuos así como para grupos de individuos. Cuando los resultados aplicables a un número de sujetos son legítimos constituyen un principio general
• Reducción de la confusión de sujeto: reducen los efectos de confusión de las variables ajenas al programa. Reduce las diferencias del cliente individual. Permite hacer comparaciones entre la conducta de un individuo bajo una condición y bajo otras condiciones. Es necesario que en el transcurso de todo el programa se mantengan constantes todas las condiciones, a excepción de los cambios sistemáticos en el variable independiente. El análisis experimental es un componente esencial del método de análisis conductual. Deberá transcurrir un período de adaptación al nuevo ambiente antes de que se inicie formalmente la fase de línea de base. La fase de línea de base consiste en mediciones repetidas de las variables dependientes en el transcurso de varios días o incluso semanas. Esto continúa hasta que se hayan identificado los límites externos dentro de los que fluctúa la conducta. Esta línea de base funciona como estándar con el cual se puede comparar el procedimiento de tratamiento.

1. Diseños de reversión => ABAB

· Se mide el rendimiento en la línea de base => FASE A

• Se introduce la VI (tratamiento)

· Se mide el rendimiento => FASE B

• Se elimina la VI (tratamiento)

· Se mide el rendimiento => FASE A (El retorno a la línea de base es la reversión o sondeo. Las condiciones son idénticas a las de la línea de base.)

· Se introduce la VI (tratamiento)

· Se mide el rendimiento => FASE B

Variaciones del diseño de reversión:

a. El reforzador se presenta en todas las fases del estudio, pero no contingente a la respuesta meta durante las condiciones repetidas de línea de base.

b. Una segunda variación del diseño ABAB cosiste en sólo una fase muy breve de línea de base. Esta variación se usa cuando muchas mediciones repetidas de línea de bese resultarían absurdas, o el individuo nunca ha emitido la conducta dependiente, o tales emisiones son tan raras que las mediciones repetidas no tendrían sentido.

c. Una tercera variación del diseño ABAB implica la adición de una fase RDO o de R-alt. Cuando la conducta dependiente no es reversible, cuando no se ve afectada por un retorno a las condiciones de línea de base, la variable independiente puede aplicarse a todas las conducta a excepción de la dependiente o solamente a conductas alternativas específicas durante el segundo período de línea de base.

Ventajas de los diseños de reversión:

· Demuestra una relación funcional entre la conducta dependiente y la intervención.

· El diseño puede usarse como un instrumento de enseñanza.

· Les proporciona una base para contrastar los efectos de sus enfoques típicos con los de otros que se haya demostrado du efectividad.

Desventajas de los diseños de reversión:

· El establecimiento y la medición de las condiciones de línea de base lleva tiempo y las condiciones mismas no contribuyen al cambio conductual real.

· La conducta puede no recobrarse después del regreso a las condiciones de línea de base.

· Los padres / maestros /etc. pueden no querer instituir la reversión.

2. Diseños de línea de base múltiple

a. A través de conductas:

· Se miden e identifican varias conductas para proporcionar la línea de base.

· Se aplica el tratamiento en una de las conductas

· Se produce un cambio en esta conducta (no en las otras)

· Se aplica el tratamiento a otra de las conductas

· Se produce el cambio en esa conducta => aumenta la evidencia de que la variable experimental es efectiva y que el cambio anterior no fue una coincidencia.

Las conductas meta (VD) no deben ser interdependientes ni estar muy relacionadas. Si son dependientes un cambio en una conducta podría generar un cambio en las otras.

b. A través de los individuos:

· Se miden las líneas de base de la misma conducta con varias personas

· Se aplica el tratamiento a uno de los clientes y se comprueba sus efectos mientras las condiciones de línea de base continúan en los otros sujetos.

· Se aplica el tratamiento a otro de los clientes y se comprueba sus efectos (si hay más sujetos estos continúan en línea de base)

Se busca demostrar que la conducta de cada sujeto cambia de modo sustancial sólo cuando se introduce la intervención. Es mejor utilizar sujetos que no interactúen entre sí para evitar que las alteraciones en la conducta de un sujeto influencien las conductas de los otros sujetos previo a la intervención

Este diseño debe utilizarse para conductas que no requieran de acción inmediata ya que el diseño demanda que algunos sujetos reciban el tratamiento más tarde que otros.

c. A través de situaciones:

· Se recopilan datos de una conducta meta para uno o más sujetos a través de diferentes circunstancias o situaciones

· Se aplica el tratamiento en una situación y se comprueban sus efectos mientras que en las otras situaciones se continúa en línea de base

· Se aplica el tratamiento en otra situación y se comprueban sus efectos (si se intervienen en más de dos situaciones las restantes continuarían en línea de base)

Se intenta demostrar que la conducta cambió sustancialmente sólo cuando se le aplicaba el tratamiento. En las situaciones donde el tratamiento se aplicó, la conducta cambiaría muy poco o nada.

Se debe intentar que no haya generalización de las conducta meta seleccionadas a través de las situaciones porque sino el diseño no funcionará como debe.

INVESTIGACIÓN CUANTITATIVA EN PSICOLOGIA. CAP 11. CLARK CARTER