tv.um.es

En este vídeo vemos a no va factorial. Empezamos con un ejemplo que ya vimos en la Nova simple, que recomiendo que revise 6 ese vídeo lo primero que hacemos es abrir un archivo de datos. Ya vivimos un ejemplo sobre absentismo escolar donde se ponen a prueba 3 programas para reducir el absentismo. Estos datos son totalmente ficticios y los resultados no deberían tomarse como como reales vimos en una nueva siempre una 90 sujetos, que si yo quiero ver si hay diferencias en el promedio de horas de absentismo en función de los distintos programas, pues encontraba que sí que había diferencias, después comprobaba los supuestos la homogeneidad, que se cumplía, y el supuesto de normalidad, que también se cumplía. Hay que recordar que en una nueva ley el supuesto de normalidad se refiere a los residuales del modelo y que si para tamaños mostrarle grandes por encima de 50 se recomienda la prueba de colmo, antes de la desaparición, el que más sensible, ante los tamaños muestrales grandes. Bueno se cumplía. Ambos supuestos detectábamos, que había diferencias estadísticamente significativa y entonces procedemos a hacer unas comparaciones, pasó que nos determinaban que había diferencias entre mentoría y motivación que también las había incrementaría y apoyo académico y que también las había entre motivación y apoyo académico. Esto lo podríamos acompañar de la vez de Cohen y también en cuanto al modelo de hormiga 4 Todo esto se sepa cómo os podéis ver en el vídeo anterior donde se explican estos índices del tamaño. Además, podríamos ver con medios marginales estimadas. Cuál es el sentido de estas comparaciones? Porque hay diferencias significativas, porque apoyo académico con apoyo académico se consigna una tasa de promedio de absentismo inferior a motivación e inferior a mentoría, con lo cual deberíamos decidir que el apoyo académico sería el más adecuado. Bueno, pero yo también tengo aquí el promedio de horas en función del tipo de centros y entonces, si yo hiciera eso, observaría que hay diferencias debidas al tipo de centro. Solo hay 2 tipos de centro. Hubiera sido igual con una prueba, con una prueba, hete pero bueno, ya que estábamos aquí pues se cumple el supuesto de homogeneidad, de varianzas. También se cumple la normalidad, con lo cual admito que el promedio de hora o sentimos diferente, estadísticamente diferentes según el centro, sea público o privado. Si hago esas pruebas poso, pues entonces observaremos que la diferencia público privado es positiva, lo cual quiere decir que en centros públicos hay más absentismo, que en centros privados, con medias e imaginables, estimadas charlado, y entonces este es el sentido de esta. Esta comparación? Bueno, pero estoy haciendo 2. Cánovas independientes, una nueva simple Qué me está diciendo? El efecto de los tipos de centro y otra norma simple que me está diciendo el efecto. La diferencia que hay entre centros públicos y privados, una nueva factorial es analizar una variable dependiente aparte en más de un de un factor con un factor así que vamos a hacer lo mismo, pero en este caso incluimos los 2 factores. Entonces esta tabla no va a creer. Lo primero que me parece me está indicando que hay diferencias significativas debidas a la intervención, que hay diferencias significativas debidas al tipo de centro. Esto más o menos ya lo habíamos visto, pero aparece un nuevo elemento. Que en la interacción como qué es esto, de la interacción, bueno, vamos a detenernos un momentín este es el efecto que tienen los los los programas puestos en marcha, donde se observa que hay menos absentismo con el apoyo académico, un poco más con motivación y un poco más comentario. Estas son las los efectos observados con el tipo de intervención, que implica una interacción que esta tendencia que observo es igual tanto en centros públicos como privados, que es independiente el tipo, el efecto del tipo de intervención del tipo de centro. Bueno, pues ahora aquí lo que me está diciendo una integración no significativa es que efectivamente el efecto que produce lo distinto tipo de intervención son equivalentes en centros públicos y privados que no está relacionada la intervención con el tipo de centro, y esto lo puedo comprobar con un gráfico. En vez de imaginar, desestimadas traslado los 2, los 2 factores y esto entonces estoy viendo cómo es el efecto en centros públicos y como es el efecto en centros privados. Bueno, vemos que la tendencia es equivalente, que en ambos casos hay menos absentismo con el apoyo académico, algo más con motivación y algo más comentaría, de manera que esa tendencia es equivalente. En ambos. También veo que en centros públicos hay más. En general se produce más absentismo que en centros que en centros privados. Muy bien. Pues si este es el modelo que una nueva factorial se ofrecen a la factoría de, aplicar algunos principios, lo primero es el principio de parsimonia, el principio de parsimonia es que me indica que siempre es preferible un modelo simple, un modelo complejo y que los elementos que yo tenga en el modelo siempre que no exista un principio, una razón teórica que lo justifique. En ese modelo, si hay un elemento que no es relevante, que no es significativo, no debería estar en el modelo, y aquí estoy observando que la integración no es significativa. Por tanto, debería extraerla, debería quitarla del modelo, como hago eso. En la pestaña modelo tengo los elementos del modelo factor intervención factor tipo de centro interacción seleccionan la interacción y la eliminó y entonces al eliminar la integración el modelo es mucho más parsimoniosos. Me está diciendo que hay diferencias debidas a intervención debidas a tipo de centro y que son totalmente independientes. Esa independencia se ve en que estas líneas son totalmente paralelas. Si por lo que fuese yo quisiera meter de nuevo la interacción marco un factor con la tecla, control, pulsada- marco, el otro y con la flechita, introduzco de nuevo esa integración. Muy bien. Aquí en este elemento podía haber amiga cuadrado que dijimos que era el tamaño del efecto conveniente, vamos a eliminar el tipo de interacción por ese principio de parsimonia y entonces detectado que hay diferencias debidas al tipo de intervención y al tipo de centro, debería hacer entonces las pruebas. Poso en cada caso. Vamos a simplificar estas. Así esto también lo simplifican más. Todo esto lo simplificamos esto también. Bueno, llegados a que este es el modelo más parsimoniosos, ahora es cuando debería comprobar los supuestos del modelo que se cumplen tanto la homogeneidad de varianzas como el supuesto de normalidad. Bien hecho, eso sí admito que hay diferencias significativas en. Según la intervención, debería realizar las comparaciones, pasa siempre, pero esta mañana muestrales eran aproximadamente iguales, pues aplicaría toque, y si no, sería preferible Hall y obtendré también el tamaño del efecto, con la cola, y entonces estoy observando diferencias debidas, hay diferencias significativas entre mentoría y motivación entre apoyo mentoría, apoyo académico y motivación y apoyo académico. Pero, ojo, esto no se ve en este gráfico, sería como el promedio, el promedio de estatutos, el promedio de todo y el promedio de lo que se se observan, diferencias estadísticamente significativas, también puedo hacer las pruebas por son del tipo de centro, entonces tendría que hay diferencias entre centros públicos y privados, que sería como obtener la media de 3 obtener la media de doctrina, y eso no lo que difiere que se corresponde perfectamente. Con este gráfico que tenemos que tenemos. Bueno, pues esto sería una nueva factorial, donde me interesó por el efecto de 2 factores y especialmente me interesa analizar la interacción entre esos 2 factores, vamos a ir profundizando y entramos en otro en otro ejemplo que es satisfacción laboral. Abrimos este ejemplo y este otro ya lo podemos cerrar, no lo quiero guardar bien, donde tengo 3 variables. La la satisfacción laboral de un conjunto de personas que pueden ser hombres o mujeres y en función de su, de su formación académica, que es una formación académica básica obligatoria, una formación secundaria de bachiller, FP o una formación universitaria en cada caso. Son personas que están trabajando y les evaluamos su satisfacción laboral. De nuevo este ejemplo es ficticio. Bueno, si yo explorase estos datos, pues vería. Como en la satisfacción laboral en función del género. Podría hacer aquí un gráfico y observar que parece ser similar. Entre hombres y mujeres está más concentrada. La la variabilidad es parecidas más o menos equivalentes, y vemos la longitud de la caja entre 1 otro, pues esa podemos determinar que sí que es más o menos parecida. También podría hacer esto en función de la formación, con un diagrama de caja, y entonces veo que esta variabilidad es un poco más baja que esta. Tendría que ver si eso es homogéneos o no y que la satisfacción laboral es un poco más baja cuando la enseñanza es obligatoria. Un poco mayor, cuando la formación recibida es de tipo medio y un poco mayor, cuando es una formación universitaria, este caso 57 me está indicando. Un caso que se aleja de lo que suele ser la tendencia de esos datos es un valor extremo, por si es conveniente revisar muy bien en una nueva; vamos a interesarnos por si hay diferencias debidas al a la formación recibida, si hay diferencias debidas al género y si hay una interacción entre ambos factores y ya que estamos, pues vamos a ver qué ocurre con la mezcla de ambos factores de nuevo, un estudio crítico, y entonces vemos qué ocurre, que en los hombres hay más satisfacción, cuando cuando la formación es universitaria y en las mujeres también; pero en las mujeres hay muchísima variabilidad mucho más variable. Bien, pues lo que nos tocaría sería comprobar que el análisis de estos factores y la posible integración e integración que nos va a decir si la tendencia de la formación menos mal más es equivalente en hombres y mujeres o si se produce algún cambio en esa tendencia, que indicaría una interacción significativa, hacemos en la norma y analizamos la satisfacción laboral en función del género y de la fundación. Entonces observo que parece ser que no hay diferencias debidas al género. Parece ser que sí que hay diferencias debidas a la formación y que hay una integración entre ambos factores. Bien. Si comprueban el supuesto del modelo, si soy estricto, pediría que si se cumple la homogeneidad de varianzas, porque el 95 por 100, porque el error es superior a ese 5 por 100 la significación estadística, admito que se cumple el supuesto de homogeneidad, y admito que los residuales siguen una distribución normal, que es el supuesto de normalidad. En un hogar vale visto que se compren los supuestos, pues ahora debería para menester. No hay diferencias debidas al género. Si hay diferencias debidas a la formación y hay una interacción significativa en una nueva factoría, vamos a seguir un principio de interpretación muy, muy, muy especial. Si hay una interacción significativa, tendremos mucha cautela con los factores por separado, porque posiblemente nos equivoquemos los factores por separado en lo que llamamos los efectos principales y entonces sí una interacción significativa. Deberemos tener mucho cuidado con los efectos principales. Bien, yo podría estar tentado puesto que que digo que hay diferencias debidas a la formación en comprobar esos efectos principales, porque qué efecto tiene la la formación en la satisfacción laboral y podría hacer una prueba poso de la formación y entonces comprobar que hay diferencias en todos, en todos los niveles de formación y con media marginal? El séptima, dar traslado formación y entonces veo el sentido. Esto. Hombre, pues cuando la formación es universitaria hay más satisfacción que cuando cuando los estudios son de tipo medio, cuando son obligatorios, bien, pero decimos sí hay una interacción significativa. Esto con mucha cautela, con mucha cautela, igual que el hecho que pueda decir que no hay diferencias debidas al género. Aquí no hay diferencias en la satisfacción laboral entre hombres y mujeres. Parece ser que la mujer es algo inferior, pero esa diferencia no es estadísticamente significativa. Estoy interpretando los efectos principal, los los efectos principales, cada factor por separado, y entonces insistimos si hay una interacción significativa. Ojo con eso, porque te puedes equivocar, como principio básico. No interprete los factores de manera independiente. Si hay un una interacción significativa o en su caso, con mucha cautela. Bien, vamos a ver qué está ocurriendo aquí. Pues sí trasladó los 2 factores. Entonces entenderé porque hay una interacción, hay una interacción, porque en enseñanza obligatoria la satisfacción es menor en mujeres que nombres. Lo mismo ocurre en la formación de tipo medio, pero, pero en formación universitaria perdón, en formación obligatoria la segregación laboral es algo superior en mujeres que en hombres, aunque posiblemente esta diferencia no sea significativa. El tipo medio también hay una ligera, un ligero incremento de la satisfacción laboral, laboral, de mujeres y hombres, y posiblemente no haya diferencias en estos gráficos. Si trasladamos el punto medio de 1 de los grupos y cae dentro de la caja del otro, posiblemente no existan diferencias significativas. En cambio, sí hay diferencias significativas en formación universitaria. Entonces, como decíamos antes, que no había diferencias debidas al género, claro que las hay, claro, pero en formación universitaria. Esa es la existencia de una interacción significativa, que el efecto de 1 de los factores hombre, mujer no se mantiene igual en los 3 niveles de formación o el efecto de la formación, no es igual en los 3 niveles, el otro nivel de género y como analizo yo esto, si hay una interacción significativa, voy a llevar mucho cuidado de no interpretar los efectos principales por separado, por si me equivoco y analizaré los efectos de interacción. Esto lo podemos hacer con la prueba, pero obteniendo las pruebas personal de la interacción. Claro, aquí me salen muchísimas comparaciones. Si yo me fijo en el gráfico fijo en el gráfico rebuscar que lo que yo, que lo que yo quiero, pues entonces hay diferencias entre hombres y mujeres en formación básica, con hombre, formación obligatoria, mujer, formación obligatoria no difieren significativamente. Hay diferencias entre hombres y mujeres en formación de tipo medio. Hombre, bachiller FP, formación, tipo medio con mujer, bachiller y FP tampoco, difieren significativamente y hay diferencias entre hombres y mujeres en formación universitaria. Pues hombre, formación universitaria con mujer universitaria sí que difieren significativamente, luego hay una diferencia de vida entre hombres y mujeres, pero solo solo cuando la formaciones es de tipo universitario bueno, pero aquí tenemos este es un diseño 3 por 2, 3 niveles de formación por 2 niveles de género, que me da 6 combinaciones, sí si fuese un diseño 3 por 3, esta tabla sería mucho más grande. Por eso, en diseños en diseños factores tales es preferible utilizar el complemento de modelo lineales. Este complemento lo tenemos en módulos, en la biblioteca móvil; si buscamos con el J, vamos a instalar el candil J 3 la versión 3, porque la más completa, si no te aparece la versión 3, es que estás utilizando una versión antigua de jamón; a partir de las 3, 5. 1. Se se incorporó este este modelo y es el que deberíamos instalar, que yo ya lo tengo instalado bien lo tengan modelos lineales. Me permite hacer un modelo lineal general, el modelo lineal, el mixtos, modelo lineal generalizado y modelo mixto generalizados, pero una nueva es un caso especial de un modelo lineal general, donde tengo mi variable dependiente y la analizo en función de factores si solo son factores o variables nominales, estaré ante un modelo anónima. Si esta variable fuesen variantes o continúa, se estaría ante un modelo de regresión. Bien, pues entonces, en un modelo lineal general trasladado muy variable dependiente y traslado mi factores y tengo exactamente lo mismo, a quienes me parece mucho más mandatos el cuadrado me indica que el 88 por 100 de la variación observa en la satisfacción laboral se puede explicar por el modelo que se está ajustando, género, formación y la integración. Si habláramos de de ese porcentaje en la población como una estimación, sería un poco poco más más ligero, un 87 con 2 por 100 tendríamos el modelo y los distintos elementos que lo componen género, formación y género. Pero cuando hablamos de el tamaño del efecto de los distintos componentes de un modelo, Anova preferible omega cuadrado a ETA cuadrado, como ya vimos también en los modelos simples que, conveniente conveniente, repasar aquí estamos viendo que este modelo, en conjunto, implicaría un 87 por 100 de la variación observada en la satisfacción laboral, que de ese 87 por 100, apena nada y se asocia con el género, que todo se asocia con mayoritariamente, con la formación, pero que hay una interacción significativa que explica casi un 3 por 100 de esa desintegración. Esta parte, que sería la parte como más de regresión, ahora mismo no nos interesa bien, cuando hay una interacción significativa. Lo que se suele solicitar o lo que se suele presentar en una revista es el análisis de los efectos simples aquí lo tenemos efectos los efectos simples. Quiero saber los efectos simples de la formación para cada nivel de género moderados por por género, y entonces me dice que cuando son hombres hay diferencias significativas debidas a a la formación y cuando son mujeres también hay diferencias significativas, y entonces observo que los efectos de los distintos niveles de formación son equivalentes en nombre y mujeres en bachiller y obligatoria y diferencias significativas. También las hay entre universidades, entre formación universitaria y obligatoria, y lo mismo ocurre en mujeres, pero si lo hago al revés, quiero saber las diferencias, los efectos simples de la variable género en función de los distintos tipos de formación. Entonces reservaré que cuando la firma la formación es obligatoria no hay diferencias entre hombres y mujeres. Cuando es de tipo medio sí que hay diferencias, no hay diferencias entre hombres y mujeres; en cambio, sí que las hay. Cuando la formación es universitaria, los efectos simples me comparan una variable en cada nivel de la otra me comparan en género en cada nivel de formación. Esto es lo que serían, como las pruebas. Por eso no voy a hacer caso cuando la formación es obligatoria o de tipo medio, porque no hay diferencias significativas, y sí que haré me fijaré cuando la formación sea universitaria. Bien, aquí además podría hacer un gráfico de la formación en el eje, que es separando por género y entonces observaría lo que hemos, lo que hemos visto, lo que hemos visto antes, que no hay diferencias en general. Formación obligatoria, tipo medio, pero si las hay en formación universitaria. En resumen, una interacción significativa me indica que lo observado en 1 de los factores es diferente para cada nivel del otro factor, y en esos casos he de interpretar con mucha cautela los efectos por separado. Vamos a utilizar otro ejemplo que se suele tratar, para que se suele utilizar mucho para explicar análisis a nuevos factores reales. Miren, el ejemplo sería el siguiente. Le voy a presentar a una persona que va a ser un hombre, es un ejemplo también ficticio. Una fotografía de un modelo que puede ser atractiva, atractiva. Pero antes de enseñarle esa fotografía, le he facilitado a cada 1 de esos hombres, esa de sus participantes. Una cerveza que le voy a decir que lleva alcohol, pero que no lleva. Es una cerveza sin alcohol, una cerveza con bajo alcohol y una cerveza con alto alcohol, y la pregunta es obvia. Interviene el nivel de alcohol. Bueno, después de la cerveza; esperaré a unos 30 minutos. Le enseñaré esa fotografía, y le preguntaré por el atractivo que percibe de esa fotografía. Si le parece más o menos atractiva, interfiere el nivel de alcohol con hoy influye el nivel de alcohol con el atractivo percibido Influye como sea de; a de atractiva la misma la la modelo bueno pues sí sí yo espero los datos han sido una manera rápida en función de la modelo diagrama de caja. Pues evidentemente, si la modelo de sociedad atractiva hay un mayor consenso, de que esa imagen es atractiva, en cambio, cuando es no atractiva, parece que hay mucha más variabilidad. Bueno, esto es en función del modelo, en función de la cerveza. Pues entonces observo que cuando la cerveza tiene alto alcohol el atractivo percibido es mayor, ligeramente mayor. Por lo menos hay menos variabilidad que cuando es de bajo alcohol, aunque aquí posiblemente tendríamos que decir que no hay diferencias, y parece ser o puede ser que sean ligeramente superiores, cuando la cerveza, el plazo, pero aquí hay una gran variabilidad. Claro, sí sí si lo comparo en función de la combinación de los 2 Pues yo tengo se posibles combinaciones. Hay grupos sin alcohol, imagen atractiva, sin alcohol, la imagen atractiva con bajo alcohol no atractiva. Con bajo alcohol atractiva vale? Bueno, pues esto es lo que yo sepa. Pues vamos a hacer una nueva para ver qué efecto tiene el alcohol. Qué efecto tiene la modelo. Si existe una interacción entre ambos factores no va, no va atractivo en función de un modelo ideal. Bien veo que observo una interacción significativa y entonces debería decir cuidado con interpretar con interpretar los factores por separado, porque posiblemente que confunde las consultas, porque aquí me está diciendo que hay diferencias estadísticamente significativas. En el atractivo percibido si la foto es atractiva, atractiva, que en este caso la la, la foto atractiva, se percibe más atractiva, atractiva, que también hay diferencias significativas debidas a la cerveza, porque ya hemos visto que si es con lo bueno pues yo hacer aquí unas pruebas poso arriesgándome, esto es lo que no debe hacer la cerveza y comprobar que no hay diferencias significativas entre placebo y bajo alcohol que sí que hay diferencias entre placebo y alto alcohol y que no hay diferencias significativas entre bajo alcohol y alto alcohol. Esto lo puedo probar puede observar con este gráfico que sí que hay de placebo, alto, alcohol, pero que no hay entre placebo y bajo alcohol y tampoco las hay entre bajo alcohol. Esto es lo que me dicen las pruebas, las pruebas, pero si hay una interacción significativa posiblemente esté confundido con eso y no debería hacer esto que estoy haciendo. Así que las pruebas, pues voy a quitar y esto también lo voy a quitar vale, y lo que voy a hacer es un poso de la integración y un gráfico de con los 2 factores siempre intentaré poner bajo el nivel que tenga más niveles. El factor que tenga más niveles en este caso, si observo la tendencia, es a mayor valoración. Conforme la cerveza tiene más alcohol, siempre que la foto sea no atractiva, porque si la foto es atractiva, el alcohol no tiene ningún efecto. Es la valoraciones. Es igual, por tanto, que diferentes el efecto del alcohol en un caso y en otro. Esto es lo que nos muestra que existe una interacción significativa. Si esta línea naranja hubiera seguido un patrón ascendente. La integración no sería significativa, pero el efecto que tiene un factor cambia notablemente según el nivel que tenga. El otro factor muy bien, pues en este caso podría comprobar, podría comprobar en estas pruebas. Poso estos esto que estoy viendo aquí, que no hay diferencias aquí que sí que hay diferencias. Aquí sí que hay diferencias aquí, pero lo correcto sería hacer un análisis de efectos simples. Comparar estos solo estos 3, es decir, cuando la foto no tractiva comparar solo 3 cuando no atractiva o comparar la modelos en cada 1 de los niveles, pero para eso me debería ir a modelos lineales donde traslado el atractivo modelo y factor bien pedirme cuadrado, y voy hacer un análisis de efectos simples de la cerveza quiero ver los efectos de la cerveza, pero para cada tipo de fotografía, y entonces, cuando se llevó esto, cuando la foto no atractiva hay diferencias estadísticamente significativas, y cuando la foto es atractiva no hay diferencias estadísticamente significativas. Por tanto, cuando se atractiva no me interesa esto debajo me fijo solo aquí y además puedo hacer voy a hacerlo ya cerveza en el eje equis modelo en el eje, o sea líneas separadas, y entonces los efectos simples de cerveza para la fotografía no atractiva, esta línea azul que me confirma que hay diferencias entre no entre bajo alcohol y placebo. Hay diferencias entre bajo alcohol y placebo y también entre alto alcohol y placebo cuando unos efectos simples todavía quedaría una comparación que es bajo alcohol con bajo alcohol, con con alto alcohol que no me viene realizada. Automáticamente va a generar tantas comparaciones como grado de libertad? Tenga, tenga ese componente. Si yo lo quisiera hacer esa comparación podría hacer una prueba de la interacción. Muy bien, pues entonces concluimos que si la foto es atractiva no hay. No hay diferencias significativas debidas al alcohol, el alcohol no influye en la valoración, pero en cambio, si la foto atractiva sí que influye esto es un ejemplo que se suele utilizar para esto y que también es de tipo ficticio, pero se entiende muy bien el efecto de una interacción. Los efectos simples podría hacerlos al revés, comparar los efectos de tipo de fotografía en función del tipo de cerveza, y entonces me diría que cuando es una cerveza sin alcohol sí que hay diferencias en la valoración. Cuando tiene bajado también hay diferencias en la atractivo percibido, pero cuando la cerveza tiene alcohol alto alcohol, no hay diferencia significativa. Lo que estamos viviendo estamos comparando en este caso este con este y los efectos simples. El efecto que tiene la diferencia que hay en 1, el efecto que produce si se observa en 1 de los factores, en función de un nivel del otro, muy bien, ya solo nos quedaría. Cuando hablamos de factores tales un caso especial y vamos a analizar este archivo, una nueva factorial, también un ejemplo ficticio, donde lo que tengo es una prueba de memoria de una lista de palabras, esa lista de palabras se puede presentar en papel o en una tabla en una pantalla digital. Esa lista de palabras puede ser larga o corta. Se le va a dejar un tiempo prudencial, unos 30 minutos. Para qué? Para que las revise, y una vez que hayan pasado los 30 minutos, le quitamos la lista y le vamos a pedir que recuerde todo lo que pueda, pero pasado 5 minutos, pasados 10 minutos o pasado, 15 minutos. Es obvio pensar que el recuerdo será mayor, cuando cuanto menos tiempo de demora haya para preguntarle que nos recuerde todas las palabras que pueda de esa lista. Bueno, esto podría haberlo aquí. Si me voy a exploración descriptivas, quiero ver el recuerdo en función de la presentación. Entonces observo que parece ser que no hay diferencia significativa en función de la presentación en función de la longitud. Parece ser que tampoco, pero en función del tiempo aquí sí que parece que hay una diferencia, que cuando pasan 15 minutos el recuerdo es menor que cuando pasan 10 o cuando pasan 5. Bien, esto también lo podría hacer con todos los factores, pero ya me pasa que tengo aquí un nivel de elementos que se me puede hacer difícil entender es bueno? Pues para esto iba a hacer una nueva, así que haga una nueva para analizar el recuerdo en función de los 3 factores, los 3 factores y tengo una tabla donde tengo los 3 efectos principal en los 3 factores por separado. Todas las interacciones posibles de los sendos presentación por longitud, presentación por tiempo. El objeto por tiempo y una interacción de los 3 factores Cómo se interpreta el mojito de los de los 3 factores? Pues que el efecto que tiene la longitud en función de la presentación difiere en función de que sea 5 segundos, 5 minutos, 10 minutos o 15 minutos. Bien, por qué tratar este ejemplo? Porque cuando 1 ajusta una Nova debe buscar el mejor modelo posible, como ya vimos y entonces aquí vamos a aplicar una serie de principios. Si la integración de orden superior es significativa, el modelo, el modelo que tengo es el mejor modelo posible, pero si no es significativa, yo puedo prescindir de esa integración y, como principio general, yo puedo prescindir de cualquier elemento de cualquier componente del modelo. Si es no significativo, puedo prescindir de él, siempre que ese elemento no esté incluido en una interacción significativa, así que este, que es el de orden superior, perfectamente lo puedo eliminar, lo elimina y entonces paso a continuación a las integraciones de primer orden con la interacción de factores y observo que presentación por tiempo parece ser la menos significativa puede eliminar este componente. Sí porque presentación por tiempo no está incluida en ninguna interacción de orden superior. Así que presentación por tiempo lo presentación por tiempo lo puedo eliminar. Presentación por tiempo. No se lo quita, quita una que no era longitud por tiempo presentación por por tiempo con longitud por presentación, o si era esa la que tenían que quitar su presentación por tiempo, la que tenía que quitar, esta la eliminó del modelo y entonces vuelva a revisar el modelo. Voy buscando el modelo más simple, aplicando un principio de parsimonia, longitud por presentación, siendo estrictos, la puedo eliminar porque no está incluida en una interacción de orden superior, eliminó longitud por tiempo, no puedo eliminarlo, puedo eliminar longitud que no significativa. No puede eliminarlo, porque el objeto está incluida en interacción significativa, así que no puedo eliminar el principio de marginalidad, no puede ser eliminar una fuente de variación si está incluida en una integración de orden superior o si hay una interacción significativa. Todos esos factores deberían estar incluidos de manera independiente, así que no puedo eliminar ni longitud ni tiempo y presentación, presentación, siendo estrictos. Sí que puedo eliminarla porque me indica que no hay diferencias estadísticamente significativas, así que presentación la puedo eliminar. He llegado al modelo, al modelo definitivo, donde ahora compruebo los supuestos homogeneidad y normalidad que se cumplen esos supuestos, y entonces, como hay una interacción significativa, pues debería hacer unos efectos simples de esta. Esta interacción. Esto lo podría hacer con modelos lineales. Podría haber hecho todo esto con modelo lineales, es decir, me voy a modelo lineal, analizo el recuerdo en función de los 3 factores. Entonces observo mal lo veo, no me venga cuadrado. Veo el efecto entendido como porcentaje de varianza aplicada de cada 1 de estos componentes. Parece ser que el tiempo es el fundamental, aunque hay una integración importante de longitud por tiempo y entonces, empiezo a depurar el modelo. Este esté este componente no es significativo. Pues vamos a quitarnos la interacción de terceros de segundo orden. Se elimina, me quedo con el resto y entonces observo en la probabilidad que presentación por tiempo no es significativa. La puedo eliminar porque no está incluida en otras de orden superior. Qué presentación por longitud también la podría eliminar presentación por longitud? Podemos ir observando cómo vamos perdiendo capacidad explicativa del modelo? También lo vemos aquí el modelo en su conjunto con este ejemplo, como decimos, es ficticio, pero está bien. También ver qué ocurre, qué ocurre. Pues lo que va a ocurrir es que voy. Si quito esta interacción, voy a perder un 3 por 100 sobre la capacidad del modelo, un 3,2 por 100, presentación por longitud la eliminó de aquí ya estoy en un 36,1 por 100, longitud por 100 es estadísticamente significativa, no puedo quitar longitud porque porque está incluido en una interacción y sí que puedo quitar presentación sabiendo que voy a perder un 3,7 por 100 de capacidad explicativa, pero sí soy eléctrico, y esto es un ámbito que no hay diferencias debido a esa presentación no debe, no debería estar así que presentación, lo eliminó y me quedo con el modelo final que me explica un 31 por 100. Ahora ya podría hacer los efectos simples del factor tiempo en función de la longitud Qué me dice? Que hay diferencias significativas entre los tiempos, pero solo cuando el número de palabras a memorizar es largo, cuando la lista es larga, porque cuando es corta no hay diferencias significativas vale. Y entonces aquí podría hacer un gráfico para ver qué es lo que está ocurriendo. Tiempo en función de la longitud, cuando la longitud es corta, más o menos, el recuerdo es. Es equivalente. En cambio, cuando es larga el recuerdo es. Es diferente en función del tiempo? Hay menos recuerdo cuando pasa mucho tiempo y el recuerdo en más o menos equivalente, cuando cuando el tiempo es de 5 minutos o de 10 minutos, como vemos aquí 5 minutos, 10 minutos, no hay diferencias significativas, pero en cambio de 5 minutos a 15 minutos hay diferencias estadísticamente significativas y en este último ejemplo era para mostrar que cuando 1 ajusta un modelo factorial debe buscar el modelo más el modelo óptimo, eliminando los componentes que no sean significativos y que para eso aplicamos un principio, el principio parsimonia, buscar el modelo más sencillo eliminando los elementos que no sean significativos, siempre que no estén incluidos en una interacción significativa. Bien, y con esto damos por terminado este vídeo de Anova, factorial, interés sujetos o cuando los grupos formados por la combinación de los factores son de sujetos diferentes. Muchas gracias por vuestra atención hasta otro vídeo.