Capítulo 10: Comparación de tratamientos

Capítulo 11: Comparación de varios tratamientos o grupos
Muchas preguntas de investigación en educación, psicología, negocios, industria y ciencias naturales tienen que ver con la
comparación de varios grupos o tratamientos. Ya estudiamos como comparar diferencias entre dos tratamientos cuando las
poblaciones son independientes, ahora nos interesa comparar más de dos poblaciones. La pregunta de interés del
investigador será ¿existen diferencias significativas entre las medias de los tratamientos? Si comprueba que existen
diferencias significativas, entonces le interesará saber ¿cuáles de las poblaciones o tratamientos comparados son diferentes?
Primero necesitamos saber cómo contestar la pregunta general. El procedimiento para determinar si existen diferencias
significativas entre varias poblaciones o grupos se llama Análisis de Varianza, y nos vamos a referir a él usando las letras
ANOVA por Analysis of Variance, en inglés. ANOVA es un nombre genérico y se usa para una variedad inmensa de
modelos de comparación de medias, también conocido como diseño de experimentos. Por ahora sólo hablaremos del
ANOVA simple, de un factor, o de una vía (one way ANOVA), que se refiere a la comparación de medias de dos o más
tratamientos. Vamos a llamar factor a una variable cualitativa que usaremos para designar a los grupos o tratamientos a
comparar. Los niveles del factor serán el número de tratamientos o grupos.
El análisis de varianza es similar al análisis de regresión y en realidad los dos pertenecen a la gran familia de los modelos
lineales. Los modelos lineales se caracterizan por investigar la relación entre una variable respuesta cuantitativa y una o más
variables explicatorias. Sin embargo el análisis de varianza difiere del análisis de regresión en que en el ANOVA las
variables explicatorias son cualitativas o factores.
Lo que nos interesa en el análisis de varianza de una vía es extender el test t para dos muestras independientes, para
comparar más de dos muestras.
ANOVA simple, de un factor, de una vía (one way ANOVA)
Caso 1: Un médico quiere comparar la efectividad de tres tratamientos para reducir el colesterol de pacientes con altos
niveles de colesterol sanguíneo. Se asignan aleatoriamente 60 individuos a los tres tratamientos (20 en cada uno) y se
registra la reducción de colesterol de cada paciente.
Caso 2: Una ecóloga está interesada en comparar la concentración de cadmio en 5 ríos. Recolecta 50 muestras de agua (10
muestras en cada río) y mide la concentración de cadmio.
En cada uno de los casos, describa:
a)
¿cuál es el diseño de la investigación?
b)
¿cuál es la variable respuesta?
c)
¿cuál es el factor o variable explicativa?
d)
¿cuántos niveles tiene cada factor?
Estos dos casos tienen similitudes. En ambos tenemos una variable respuesta cuantitativa (reducción del colesterol,
concentración de cadmio) medida en varias unidades (personas y muestras de agua). Esperamos que la respuesta sea Normal
en ambos casos. Queremos comparar varias poblaciones, tres tratamientos en el caso 1 y 5 ríos en el caso 2. El caso 1 es un
experimento en el cual los pacientes son asignados aleatoriamente a los tratamientos. En el caso 2 es un estudio
observacional simplemente se toman muestras de distintos ríos. En ambos casos podemos usar el ANOVA para analizar los
datos.
El caso 1 se analizará mediante un análisis de varianza de un factor con 3 niveles. El caso 2 se analizará mediante un
análisis de varianza de un factor con 5 niveles.
TOMATES
¿Porqué las plantas de tomate crecen con diferente tamaño? Un agricultor quiere comparar el efecto de tres fertilizantes (A,
B y C) en el crecimiento de sus plantas de tomate. Seleccionó 15 plantas de tomate de una semana y las plantó en diferentes
maceteros. Asignó aleatoriamente los 3 fertilizantes y se los administró a las plantas por 45 días. La figura muestra la altura
de las plantas (en cms) según cada fertilizante.

El desarrollo de este tema de estudio se debe principalmente al trabajo de Sir Ronald Fisher, cuyas contribuciones a la
estadística, desde 1912 hasta 1962, tuvieron una gran influencia en toda la estadística moderna.
1
¿Qué ocurrió con la altura de estas plantas? Las plantas de tomate son todas de la misma variedad y de la misma edad.
Además recibieron el mismo cuidado. ¿Qué razones hay para que las plantas crezcan a diferente altura?
50
Altura (cms)
45
40
35
30
0
1
2
3
4
Fertilizantes
Figura: altura de plantas en centímetros según tres tipos de fertilizantes.
DATOS: Altura de plantas de tomates tratadas con distintos fertilizantes
Fertilizante
A
B
31
41
32
42
36
43
38
44
39
46
C
35
36
36
37
38
¿De qué manera podríamos comparar estos tres tratamientos?
La respuesta natural sería comparar cada par de tratamientos o grupos con una prueba t para muestras independientes. Sin
embargo, no es correcto hacer pruebas t de Student entre todos los pares posibles de medias ya que se altera el nivel de
significación fijado para cada una de las pruebas. Específicamente, aumenta la probabilidad de encontrar diferencias donde
no existen, es decir aumenta el Error Tipo I.
Si tenemos 3 grupos, son 3 comparaciones posibles. En el Ejemplo A con B, A con C y B con C. Si tenemos 4 tratamientos
el número posible de pares de pruebas sería  4   4!  6 . El test de ANOVA permite el estudio simultáneo de las
 2
 
2!2!
diferencias con un nivel fijo de significación.
Problema de comparaciones múltiples
Si tenemos 4 grupos o tratamientos, necesitamos hacer 6 test de hipótesis:
H 0 : 1  2
H 0 : 1  3
H 0 : 1  4
H1 : 1  2
H1 : 1  3
H1 : 1  4
=0,05
=0,05
=0,05
H 0 :  2  3
H 0 : 2  4
H1 : 2  3
H1 : 2  4
=0,05
=0,05
H 0 : 3   4
H1 : 3  4
=0,05
2
A medida que aumenta el número de grupos, no podemos garantizar que se mantenga el nivel de significación. Para
solucionar este problema es que hacemos primero una pregunta global y dependiendo del resultados seguimos investigando
pares de grupos.
Comparando medias mediante ANOVA:
Se tienen k muestras aleatorias independientes
N  k ,  
N  2 ,  
N 1 ,  
m.a.s.
tamaño
n1
m.a.s.
tamaño
n2
m.a.s.
tamaño
nk
...
Población k
Población 2
Población 1
n 1 observaciones de una población N 1,  .
Tenemos una muestra aleatoria simple de n2 observaciones de una población N  2 ,   .
Tenemos una muestra aleatoria simple de
.
.
.
Tenemos una muestra aleatoria simple de
nk
observaciones de una población N  k ,   .
Las k muestras aleatorias son independientes una de otra.
Nota: La desviación estándar poblacional de cada grupo es igual a

(homocedasticidad).
HIPOTESIS GLOBAL
Usaremos  i para representar la media del grupo i, entonces estaremos interesados en docimar la siguiente hipótesis:
H 0 : 1   2  ...   k
H1 : al menosdos medias no son iguales
Graficamente podemos representar esta hipótesis:
Ho: las medias poblacionales son iguales
N orma l


1 2 3
H1 : al menos una media es diferente
N orma l



1 2
N orma l

3
3
TOMATES continuación
Hipótesis de interés:
H 0 : 1   2   3
H1 : al menosdos medias no son iguales.
Con un nivel de significación =0,05
Datos:
N
Desviación
típica
Media
A
5
35.20
3.564
B
5
43.20
1.924
5
36.40
1.140
15
38.27
4.284
C
Total
Notación en las k muestras (i=1,2,3):
ni
n1
n2
n3
yi
y1
y2
y3
si
s1
s2
s3
Fuentes de variación
El análisis de varianza se define como una técnica en la que la variabilidad de un conjunto de datos se divide en varios
componentes y cada unos de ellos se asocia a una fuente específica de variación, de manera que durante el análisis es
posible encontrar la magnitud con la que contribuye cada una de esas fuentes en la variación total.
El nombre ANOVA es porque para comparar las medias de los grupos o tratamientos necesitamos identificar las distintas
fuentes de variabilidad.
La variabilidad de la variable respuesta, sin referencia a ningún factor que la pudiera estar afectando, se conoce como
variabilidad total.
La variabilidad de la variable respuesta que se atribuye a factores específicos se conoce como variabilidad explicada. Mide
la variabilidad entre los diferentes grupos.
La variabilidad de la variable respuesta de las unidades (experimentales) dentro de cada nivel del factor se conoce como
variabilidad no-explicada.
Se desprende que: Variabilidad total = variabilidad explicada + variabilidad no explicada
En el ejemplo de los tomates distinga las fuentes de variación.
Para docimar la hipótesis global acerca de las medias usaremos el test estadístico F. Este test contrasta la variabilidad
entre los grupos con la variabilidad que será natural dentro de los grupos.
F
variabilid ad ENTRE las medias muestrales
variabilid ad DENTRO de las muestras
4
Pensemos
Caso A:
Case B:
Si las medias muestrales son exactamente iguales, ¿cuál será el numerador del test F?
Si las medias muestrales son muy distintas entre los grupos, ¿como será la variabilidad entre comparada
con el caso A?
¿Qué valores puede tener el estadístico F? ¿F puede ser negativo? ¿Qué tipo de valores de F serán a favor de la hipótesis
alternativa?
Medias cuadráticas
El test estadístico del ANOVA es la razón entre dos medidas de variación de los datos muestrales. El test estadístico F
compara la variación entre los promedios de los grupos con la variación natural dentro de los grupos. Formalmente estas
dos medidas de variación se llaman medias cuadráticas, así en el numerador tendemos la media cuadrática entre los
grupos (MCE) y en el denominador la media cuadrática dentro de los grupos (MCD).
F
variabilid ad ENTRE las medias muestrales
MCE

variabilid ad DENTRO de las muestras
MCD
Las dos medidas de variabilidad en ANOVA, MCE y MCD tienen la misma forma.
Media cuadrática 
Suma de cuadrados (SC)
Grados de libertad(gl)
Entre más grande sea la variación entre las medias muestrales comparada con la variación natural dentro de las muestras,
mayor evidencia a favor de diferencias entre las medias poblacionales. En vista de que sólo valores grandes del test
estadístico nos sirven para rechazar la hipótesis nula, los test F de ANOVA son unilaterales (de una cola) con la dirección
del extremo hacia la derecha. El valor p será la probabilidad de observar un test estadístico tan o más grande.
Distribución F de Fisher
Bajo H 0 el test estadístico F que se calcula en el ANOVA tiene una distribución F de Fisher con (k-1, n-k) grados de
libertad. Características:
 La distribución es sesgada a la derecha
 Sus valores son positivos, empiezan en cero y se extienden hasta infinito
 La curva de la distribución queda definida por los grados de libertad del numerador y del denominador
5
GRAFICOS
Se muestran dos gráficos de caja. Cada uno representa el resultado de sacar 3 muestras aleatorias independientes de tres
poblaciones normales. ¿En cuál de los dos gráficos cree usted que podemos rechazar la hipótesis nula
H 0 : 1   2  3 ?
Respuesta
Respuesta
Grupo 1
Grupo 2
Grupo 3
Grupo 1
Grupo 2
Grupo 3
Cómo calculamos F
Cuando tenemos una muestra aleatoria de una población con varianza desconocida 2, vamos a estimar esta varianza con la
varianza muestral s2. La varianza muestral se calcula tomando la suma de los cuadrados de las desviaciones a la media y
dividiendo por los grados de libertad (n-1). En este caso cada muestra aleatoria, una por cada k poblaciones, tiene su media
muestral y su varianza muestral representados por:
y1 , y2 ,..., yk
2
2
2
y s1 , s 2 ,...,s k .
Variación ENTRE grupos:
Bajo la hipótesis nula, las medias poblacionales son iguales. Si la hipótesis nula fuera cierta, sería razonable promediar
todas las observaciones para tener una estimación de la media de la población. La media muestral común sería:
y
n1 y1  n2 y 2    nk y k
n
La media cuadrática ENTRE los grupos o media cuadrática de los tratamientos se calcula como:
MCE 
SCE
k 1
donde la suma de cuadrados ENTRE (SCE) se calcula como:
SCE  n1  y1  y   n2  y 2  y     nk  y k  y  
2
2
2
 n y
i
 y
2
i
grupos

 tamañomuestragrupomedia muestralgrupo  media muestralconjunta
2
grupos
Variación DENTRO de los grupos:
Uno de los supuestos de ANOVA es que las k poblaciones tienen la misma varianza. Cada una de las varianza muestrales es
un estimador de la varianza común 2, independiente de si la hipótesis nula es cierta. Los grados de libertad de cada
varianza muestral es, ni – 1. La MCD esencialmente combina las varianza muestrales para obtener un estimador de 2. La
media cuadrática dentro, es también llamada la media cuadrática del error. El denominador del estadístico F es:
MCD 
SCD
nk
6
donde la suma de cuadrados DENTRO de los grupos se calcula:
SCD  n1  1s12  n2  1s 22    nk  1s k2 
 n
i
 1si2
grupos

 tamañomuestralgrupo - 1varianzamuestralgrupo
grupos
Note que esta cantidad es una extensión de la estimación combinada de la varianza empleada para la prueba t de 2 muestras:
s 2p 
n1  1s12  n2  1s 22    nk
 1s k2
n1  n2    nk  k
Midiendo la variación TOTAL:
En ANOVA de una vía, la varianza total de todas las observaciones esta dada por la suma de cuadrados total, SCT, que
mide la variación de cada observación a la media muestral de todas las observaciones.
SCT 
 y
ij
observaciones
 y 
 observación - media muestral
2
2
observaciones
La variación total puede ser particionada entre las dos fuentes de variación entre y dentro. La relación entre las sumas de
cuadrados es:
SCT  SCE  SCD .
Si se tienen dos de las sumas de cuadrados, se obtiene la tercera fácilmente.
Tabla ANOVA
Todo esto se resume en la tabla de Análisis de Varianza, en que se presentan las fuentes de variación, los grados de libertad, las
sumas de cuadrados y las medias cuadráticas correspondientes:
TABLA DE ANALISIS DE VARIANZA
gl
Fuente de variación Grados de libertad
Entre tratamientos
k 1
SC
Suma de Cuadrados
MC
Medias cuadráticas
SCE   ni  yi  y 
SCE
k 1
n
SCD
nk
k
2
i 1
Dentro de tratamientos
nk
SCD   ni  1si2
i 1
n 1
Total
F
F
MCE
MCD
SCT   yij  y 
n
2
i 1
Salida SPSS para ANOVA TOMATES
Inter-grupos
Suma de
cuadrados
186.133
2
Media
cuadrática
93.067
Intra-grupos
70.800
12
5.900
256.933
14
Total
gl
F
15.774
Sig.
.000
7
-
Realice los cálculos para docimar la hipotesis de interés del Sr. de los tomates. Compruebe sus resultados con tabla
salida del SPSS.
Compruebe la relación entre las sumas de cuadrados y la de los grados de libertad.
Escriba su conclusión para el Sr. de los Tomates.
Revisión de supuestos de ANOVA:
Los supuestos del ANOVA son exactamente los mismos que los de la prueba t para comparar dos grupos 1.
1.
los grupos o tratamientos son independientes entre sí, por ejemplo en un diseño experimental, los tratamientos son
asignados a grupos de personas asignados al azar. Este supuesto es parte del diseño experimental, o en caso de que el
estudio sea observaciones se verifica en los datos.
2.
La distribución de los residuos es Normal.
En la práctica, esto implica un problema sólo si se considera que las poblaciones tienen distribuciones marcadamente
asimétricas y en direcciones opuestas. En general, la falta de normalidad de los residuos no tiene gran efecto en el nivel
de significancia del test F (se dice que la prueba F es estadísticamente robusta). En otro capítulo hablaremos de una
alternativa de análisis cuando los residuos no son normales que se llama estadística no paramétrica.
En SPSS no obtenemos directamente los residuos del ANOVA. Como alternativa vamos a verificar el supuesto de
Normalidad usando la variable respuesta en vez de los residuos. Se verifica normalidad haciendo gráficos y test de
hipótesis. Para los residuos (respuesta) de cada tratamiento construya un histograma o tallo-y-hoja y verifique que no
exista un sesgo pronunciado. Para tamaños de grupos ni pequeños, estos gráficos serán de poca utilidad.
SPSS realiza dos test estadísticos para verificar normalidad, el test de Kolmogorov-Smirnov y el test de Shapiro-Wilk.
El test de Kolmogorov-Smirnov es un test clásico y conocido. El test de Shapiro-Wilk es más nuevo y recomendado
para tamaños muestrales mayores a 50. En todo caso, se espera que las conclusiones con cualquiera de los dos test sean
las mismas.
La hipótesis será:
H 0 : los residuos provienentes del tratamiento i son normales
H1 : los residuos provienentes del tratamiento i NO son normales
Por lo tanto si el valor p del correspondiente test es mayor que 0,05 aceptamos la hipótesis nula y concluimos que se
cumple el supuesto de Normalidad. Note que en este caso especial la hipótesis de interés es la hipótesis nula.
3.
La varianza de cada una de las distribuciones es la misma (homocedasticidad).
El supuesto de homogeneidad de varianza se verifica con el test de Levene, tal como vimos para el caso de comparar
dos grupos.
Hipótesis
H 0 :  12   22     k2
Test Estadístico
Distribución bajo Ho
F
F de Fisher con grados de libertad (k-1, n-k)
H1 : al menosuna varianzadifiere
Si el valor p del test es mayor que 0,05 entonces aceptamos la hipótesis nula y decimos que se cumple el supuesto de
homocedasticidad. Si el valor p fuera menor de 0,05 y entonces no se cumple el supuesto de homogeneidad de varianza.
En este caso ya no podremos usar el test F de ANOVA para comparar las medias o tratamientos. Existe un test de
comparación de medias que toma en cuenta este problema y se llama el test de Welch.
1
En el libro de Hopkins & Hopkins & Glass aparece una discusión detallada sobre la verificación de supuestos pag. 202207.
8
Salida SPSS para ANOVA TOMATES (continuación)
Gráfico Q-Q normal de Altura en cms.
Gráfico Q-Q normal de Altura en cms.
Para FERTIL= A
Para FERTIL= B
1.0
.5
0.0
0.0
Normal esperado
.5
-.5
-1.0
30
32
34
36
38
-.5
-1.0
40
40
Valor observado
41
42
43
44
45
46
47
Valor observado
Gráfico Q-Q normal de Altura en cms.
Para FERTIL= C
1.0
.5
0.0
Normal esperado
Normal esperado
1.0
-.5
-1.0
34.5
35.0
35.5
36.0
36.5
37.0
37.5
38.0
38.5
Valor observado
Pruebas de normalidad para los tomates con SPSS
ALTURA
FERTILIZ
A
A
Kolmogorov-Smirnov(a)
Estadístico
.215
B
gl
.141
Shapiro-Wilk
5
Sig.
.200(*)
Estadístico
.901
5
.200(*)
.200(*)
C
.237
5
* Este es un límite inferior de la significación verdadera.
a Corrección de la significación de Lilliefors
gl
5
Sig.
.415
.979
5
.928
.961
5
.814
Prueba de homogeneidad de varianzas con SPSS
Estadístico de
Levene
5.450
gl1
gl2
2
Sig.
.061
12
Pruebas robustas de igualdad de las medias
Estadístico(a)
Welch
gl1
22.565
2
a Distribuidos en F asintóticamente.
gl2
6.942
Sig.
.001
9
Comparaciones múltiples
En el ANOVA estamos tratando de comparar varios promedios poblacionales, es decir estamos haciendo comparaciones
múltiples. El procedimiento nos indica que primero hacemos un test global para saber si existen diferencias en al menos uno
los promedios. Si la respuesta es negativa (es decir aceptamos la hipótesis de que las medias son iguales) no es necesario, ni
útil, seguir haciendo comparaciones. Pero si los datos son estadísticamente significativos, entonces la pregunta siguiente es:
¿cuáles medias o grupos difieren?
El llamado problema de comparaciones múltiples se debe a que cuando tenemos más de dos grupos a comparar, aumenta el
número de pares de comparaciones y el nivel de significación  establecido ya no es 0,05 sino mayor. Existe controversia
en este tema, pero las revistas de corriente principal en general requieren el uso de métodos de comparaciones múltiples al
hacer un ANOVA en sus publicaciones.
Existen diferentes métodos de comparaciones múltiples, primero lo más simple sería realizar test t para cada par de medias,
esto se conoce como contrastes y "están permitidos" cuando las comparaciones a realizar han sido pre-planeadas en el
diseño o protocolo del estudio. Sin embargo, a pesar de poder justificar como pre-planeadas o a- priori, los llamados
métodos post-hoc son los más seguros. Los métodos de comparaciones múltiples o post-hoc nos permiten comparar las
medias con un nivel de significación global de =0,05.
En este curso revisaremos los contrastes (a-priori) y el método de Tukey (post-hoc), SPSS realiza muchos otros métodos
que pudieran ser útiles y que siguen la misma filosofía de Tukey.
Contrastes
Realizar contrastes es equivalente a realizar test t para comparar medias de todos los posibles pares de combinaciones:
t
yi  y j
MCD

1
ni

1
nj

Donde MCD es la media cuadrática dentro o la estimación de la varianza poblacional.
En SPSS tenemos que indicar cuales son los pares a comparar indicándole cuales son los coeficientes de los contrastes.
Cada contraste tiene que sumar cero:
Coeficientes de los contrastes
Fertilizante
Contraste
1
A
B
C
1
-1
0
2
1
0
-1
3
0
1
-1
El contraste 1 equivale a docimar la hipótesis: H 0
:11  1 2  03  0 , es decir H 0 : 1   2  0
:11  0 2  13  0 , es decir H 0 : 1  3  0
El contraste 2 equivale a docimar la hipótesis: H 0 : 01  1 2  13  0 , es decir H 0 :  2  3  0
El contraste 2 equivale a docimar la hipótesis: H 0
10
Pruebas para los contrastes
ALTURA
Asumiendo
igualdad de
varianzas
Valor del
contraste
-8.00
Error típico
1.536
t
-5.208
12
Sig. (bilateral)
.000
2
-1.20
1.536
-.781
12
.450
3
6.80
1.536
4.426
12
.001
Contraste
1
gl
Test de Tukey
El test de Tukey es bastante conocido y aceptado en la literatura. La prueba estadística que utiliza el método de Tukey es la
estadística de rango estudentizado, q, donde
q
yi  y j
MCD q
~ q(k , n  k )
Existen tablas para la estadística de rango estudentizado pero no las vamos a necesitar, usaremos los resultados de SPSS.
Comparaciones múltiples
Intervalo de confianza al
95%
Error típico
1.536
1.536
Sig.
.001
.721
Límite inferior
-12.10
-5.30
Límite
superior
-3.90
2.90
8.00(*)
1.536
.001
3.90
12.10
6.80(*)
1.20
-6.80(*)
* La diferencia entre las medias es significativa al nivel .05.
1.536
1.536
1.536
.002
.721
.002
2.70
-2.90
-10.90
10.90
5.30
-2.70
HSD de Tukey
(I) Fertilizante
A
(J) Fertilizante
B
C
B
A
Diferencia de
medias (I-J)
-8.00(*)
-1.20
C
C
A
B
Notar que el error estándar es el mismo, lo que cambia es la distribución que estamos usando como referencia, y por lo tanto
cambia el valor- p.
Subconjuntos homogéneos
Fertilizante
N
Subconjunto para alfa = .05
1
HSD de
Tukey(a)
A
2
5
35.20
C
5
36.40
B
5
Sig.
43.20
.721
1.000
Se muestran las medias para los grupos en los subconjuntos homogéneos.
a Usa el tamaño muestral de la media armónica = 5.000.
Una manera de presentar los resultados es con el gráfico que muestra las medias de cada grupo y sus intervalos de 95% de
confianza:
Nota final:
-
El método de Tukey es casi siempre bueno
Si se tienen muchos tratamientos y poca planificación (muchas preguntas) Scheffe es el más seguro, pero más
exigente
Si se tiene un grupo control con el cual se quieren comprar los tratamientos, existe la prueba de Dunnet
11
Pasos en ANOVA de un factor:
1.
Describir los grupos y verificar los supuestos, se recomienda una descripción numérica (promedio y error estándar) y
descripción gráfica (box)
Descripción gráfica de efecto de los fertilizantes en la altura de los tomates
50
50
45
40
40
ALTURA
30
20
N=
5
5
5
A
B
C
95% IC ALTURA
35
30
25
20
N=
5
5
5
A
B
C
Fertilizante
Fertilizante
2.
Análisis de los supuestos: Normalidad y Homocedasticidad
-
Normalidad: Test de Kolmogorov-Smirnov y Shapiro-Wilks
-
Homocedasticidad: Test de Levene
2a) Si no se obtiene normalidad, se pueden trasformar los datos2 o usar métodos no paramétricos (otro capítulo).
2b) Si no se obtiene homogeneidad de varianza: se pueden trasformar los datos o usar métodos no paramétricos o
realizar el Test de Welch (para comparar las medias)
3.
Tabla de ANOVA
3a) Si F grande, valor p menor a 0,05 entonces: Test de comparaciones múltiples
3b) Si valor p mayor a 0,05 quiere decir que no hay diferencias estadísticamente significativas entre los promedios y
por lo tanto no hay más preguntas.
2
Ver Aron & Aron capítulo 15
12