Modelo de diseos anidados y cruzado-anidados

Modelo de diseos anidados

En algunas situaciones no se pueden combinar todos los niveles de un factor con todos los niveles de otro, es decir, no se pueden determinar todos los posibles tratamientos que aparecen al cruzar los factores. Ejemplo. Supongamos que en un centro de formacin profesional se estudia el porcentaje de aprobados en una materia, en los grupos de maana y de tarde. Por la maana imparten la asignatura dos personas y por la tarde tres. Cada persona da clase a tres grupos y se supone que estos son rplicas (no son fuente de variacin). As, Factor A Turno (i = 1, 2) Factor B Persona (j = 1, . . . , 5) yij Porcentaje de aprobados Maana . & P1 P2 P3 g1 g1 g1 g2 g2 g2 g3 g3 g3 Tarde . & P4 P5 g1 g1 g2 g2 g3 g3

Se dice que el factor B est anidado en el factor A, es decir B A.

Modelo matemtico
Se dice que un factor B est anidado en otro factor A (o que sus niveles estn anidados en los de A) cuando cada nivel del factor B aparece asociado a un nico nivel del factor A. Se denota como B A. A1 . & B1 B2 B3 obs. 1 obs. 1 obs. 1 obs. 2 obs. 2 obs. 2 obs. 3 obs. 3 obs. 3 A2 . & B4 B5 B6 obs. 1 obs. 1 obs. 1 obs. 2 obs. 2 obs. 2 obs. 3 obs. 3 obs. 3 Aa . & Bm2 Bm1 Bm obs. 1 obs. 1 obs. 1 obs. 2 obs. 2 obs. 2 obs. 3 obs. 3 obs. 3

El modelo se expresa como yijk = + i + j (i) + ijk donde i = 1, . . . , a j = 1, . . . , b k = 1, . . . , n y para cada i,

b X j =1

j (i) = 0 i = 0

a X i=1

Se observa que j (i) representa el efecto medio adicional del nivel j -simo anidado en el nivel i. Por otro lado, b es el nmero de niveles anidados en cada nivel i, de modo que el nmero total de niveles de B es a b y la suma de los efectos del factor B dentro de cada nivel de A es 0.

Estimadores por mnimos cuadrados Se tiene que

a X b X n X 2 m n = m n yijk i j (i) ,i , j (i) i=1 j =1 k=1

,i , j (i)

As, XXX = 2 yijk i j (i) = 0 = i=1 j =1 k=1

a b n

= y

Para cada i jado

b X n X = 2 yijk i j (i) = 0 = i j =1 k=1 b X n X j =1 k=1

yijk bny nbi = 0 =

i = y i y Para cada i jado y j jado

n X = 2 yijk i j (i) = 0 = j (i) k=1 n X k=1

yijk ny n ( yi y ) n j (i) = 0 =

j (i) = y ij y i De este modo, y ijk = y + ( yi y ) + ( yij y i ) = y ij El nmero total de observaciones es a b n y el nmero total de parmetros a estimar es 1+(a1)+a(b1) = ab, luego el nmero de grados de libertad total es abnab = ab(n1). De este modo, la estima de la varianza es Pa Pb Pn =
2 i=1 j =1

(yijk y ij )2 . ab(n 1)
k=1

Tabla ANOVA Si se considera la suma de cuadrados total SCT =

a X b X n X i=1 j =1 k=1

(yijk y )2

sumando y restando los trminos y i y ij se obtiene

b X n a X X i=1 j =1 k=1

(yijk y )

b X n a X X i=1 j =1 k=1

( yi y )2 + ( yij y i )2 + (yijk y ij )2

b X n a X X i=1 j =1 k=1 b X n a X X i=1 j =1 k=1

+ entonces

SCT = SCA + SCB (A) + SCE que puesto en trminos de totales queda A1 B1 B2 y111 y121 . . . . . . yij yi y11n y12n y11 y12 y1 A2 B3 B4 y211 y221 . . . . . . y21n y22n y21 y22 y2 A3 B5 B5 y311 y321 . . . . . . y31n y32n y31 y32 y3

SCT = SCA = para cada nivel i jado se tiene

a X b X n X

i=1 j =1 k=1 a 1 X 2 y bn i=1 i

2 yijk

1 2 y abn

1 2 y abn

1X 2 1 2 yij yi SCB (A)i = n j =1 bn

b

y como SCB (A) =

Pa

i=1

SCB (A)i , entonces

a b a

1 X 2 1 XX 2 yij y SCB (A) = n i=1 j =1 bn i=1 i SCE = SCT SCA SCB (A)

Los contrastes de hiptesis que se realizan son: H0 : 1 = = a = 0 (el factor A no inuye) H1 : algn i 6= 0 (el factor A inuye) en este caso F0 = de modo que se rechaza H0 a nivel si
SCA a1 SCE ab(n1)

MCA MCE

F0 > F(a1),ab(n1), La otra hiptesis que se contrasta es, i = 1, . . . , a H0 : 1(i) = = b(i) = 0 H1 : algn j (i) 6= 0 en este caso, F0 =
SCB (A) a(b1) SCE ab(n1)

MCB (A) MCE

de modo que se rechaza H0 a nivel si

F0 > Fa(b1),ab(n1), En este caso, se contrasta la hiptesis de que todos los niveles del factor anidado B son iguales dentro del factor A donde estn anidados. Sin embargo, si se obtiene que son distintos a nivel global, es interesante contrastar, a continuacin, si los niveles del factor B anidado en A son iguales entre s, dentro de cada nivel i (de A) en el que estn anidados. As, para cada nivel jado de i, donde i = 1, . . . , a se contrasta si los niveles del factor anidado son iguales o no dentro de cada uno de los niveles del factor A en el que estn anidados de manera individual 5

H0 : 1(i) = = b(i) = 0 H1 : algn j (i) 6= 0

SCB (A)i b1 SCE ab(n1)

en este caso, F0 = = MCB (A)i MCE

de modo que se rechaza H0 a nivel si F0 > F(b1),ab(n1) , La tabla ANOVA es F. V. Factor A S. C. SCA G. L. a1 M. C. MCA = F FA =

Factor B (B A) SCB(A) Residual SCE Total SCT Si FB(A) =

MCB (A) MCE

a(b 1) ab(n 1) abn 1

SCA a1 SC (A) MCB(A) = a(bB 1) MCE = abSCE (n1)

MCA MCE MCB (A) FB(A) = MC E

resulta ser signicativo, entonces el contraste se puede descomponer

en i = 1, . . . , a contrastes individuales: FB(A)i = MCB(A)i . MCE

Ejemplo. Un gelogo estudia el contenido en trazas radiactivas de cinco tipos diferentes de suelo. Para ello recoge cuatro muestras de contenido en sustancias radiactivas en cuatro localidades diferentes que estn situadas sobre cada tipo de suelo. Se obtienen los siguientes datos: A B 1 2 3 4 5 6 7 8 6 13 1 7 10 2 4 0 2 3 10 4 9 1 1 3 0 9 0 7 7 1 7 4 8 8 6 9 12 10 9 1 16 33 17 27 38 14 21 8 93 81 402 6 C 11 8 5 0 7 20 82

yij yi y

9 10 0 10 0 11 5 6 5 7 10 34

12 7 2 5 4 18

D 13 11 0 6 4 21 14 5 10 8 3 26 15 1 8 9 4 22 88 16 0 8 6 5 19 17 1 4 7 9 21 18 6 7 0 3 16

E 19 3 0 2 2 7 58 20 3 7 4 0 14

yij yi y

402

SCT =

a X b X n X i=1 j =1 k=1

2 yijk

1 2 y = abn 1 4022 = 969,95 80

= (62 + 132 + + 02 ) 1 2 1 X 2 y = yi SCA = bn i=1 abn

a

1 1 (932 + + 582 ) 4022 = 45,75 16 80

a b a

1 X 2 1 XX 2 yij y = SCB (A) = n i=1 j =1 bn i=1 i =

1 1 2 (16 + + 142 ) (932 + + 582 ) = 282,875 4 16

SCE = SCT SCA SCB (A) = 642 La tabla ANOVA es F. V. Factor A terreno S. C. 45,75 G. L. a1=4 M. C. F 11,269 FA =

Factor B(A) localidad 282,875 a(b 1) = 15 18,858 Residual 642 ab(n 1) = 60 10,7 Total 969,95 abn 1 = 79 Se obtiene que F(a1),ab(n1), = F4,60,00 1 = 2,04 7

MCA = 1,053 MCE MCB (A) FB(A) = MCE = 1,762

por lo cual se acepta H0 : 1 = = a = 0 As no existen diferencias signicativas entre los terrenos a nivel = 0,1. Por otro lado, Fa(b1),ab(n1), = F15,60,00 1 = 1,6 luego se rechaza i = 1, . . . , a la hiptesis H0 : 1(i) = = b(i) = 0 a nivel = 0,1. Estudiamos los contrastes individuales por nivel. Se calcula para cada i 1X 2 1 2 1X 2 1 2 yij yi = yij yi SCB (A)i = n j =1 bn 4 j =1 16
b 4

De este modo, i=1 i=2 i=3 i=4 i=5 SCB (A)1 SCB (A)2 SCB (A)3 SCB (A)4 SCB (A)5 = = = = =
1 (162 4 1 (382 4 1 (102 4 1 (212 4 1 (212 4 1 + 332 + 172 + 272 ) 16 932 = 50,18 1 2 2 2 + 14 + 21 + 8 ) 16 832 = 126,18 1 + 342 + 202 + 182 ) 16 822 = 74,75 1 2 2 2 + 26 + 22 + 19 ) 16 882 = 6,5 1 + 162 + 72 + 142 ) 16 582 = 25,25

La tabla ANOVA queda como F. V. Factor A terreno Factor B(A) localidad A(1) B(2) C(3) D(4) E(5) Residual Total Como F3,60,00 1 = 2,18 existen diferencias signicativas en los niveles B (2) y C (3), es decir, respecto a los terrenos de tipo B y C las localidades tienen distinto nivel de sustancia radiactiva. S. C. 45,75 282,875 50,18 126,18 74,75 6,5 25,25 642 969,95 G. L. M. C. 4 11,269 15 18,858 3 16,726 3 42,06 3 24,92 3 2,16 3 8,41 60 10,7 79 F FA = 1,053 FB(A) = 1,762 FB(A)1 = 1,56 FB(A)2 = 3,93 FB(A)1 = 2,33 FB(A)1 = 0,202 FB(A)1 = 0,786

Modelos anidados de efectos aleatorios y efectos mixtos

Modelo de efectos aleatorios
El modelo es yijk = + i + j (i) + ijk siendo i = 1, . . . , a j = 1, . . . , b k = 1, . . . , n donde i N 0, 2 j (i) N 0, 2 donde todas las v.a. son independientes. As, 2 2 yijk N , 2 + + ijk N 0, 2

para todo i,

son v.a. independientes.

Los contrastes de hiptesis son:

Las estimas de los componentes de la varianza son: 2 = MCE 2 MCB (A) MCE = n MCA MCB (A) 2 = bn 9

Las esperanzas de los cuadrados medios son: 2 E (MCA) = 2 + n 2 + bn E (MCB (A)) = 2 + n 2 E (MCE ) = 2

Si FA =

MCA > Fa1,a(b1); se rechaza la hiptesis nula, H0 2 = 0 MCB (A) MCB (A) > Fa(b1),ab(n1); se rechaza la hiptesis nula, H0 2 = 0 MCE

Si FB(A) =

Modelo de efectos mixtos B A, (A jo, B aleatorio)

El modelo es yijk = + i + j (i) + ijk siendo i = 1, . . . , a j = 1, . . . , b k = 1, . . . , n donde
a X i=1

i = 0

para todo i,

j (i) N 0, 2 donde todas las v.a. son independientes. As, 2 yijk N + i , 2 + ijk N 0, 2

son v.a. independientes.

Las estimas de los componentes de la varianza son: 2 = MCE MCB (A) MCE 2 = n i y i = y 10

Las esperanzas de los cuadrados medios son: Xa 2 bn i i=1 E (MCA) = 2 + n 2 + a1 2 2 E ( MCB ( A )) = + n E (MCE ) = 2

Los contrastes de hiptesis son: Si FA = MCA > Fa1,a(b1); se rechaza la hiptesis nula, H0 i = 0, i MCB (A) MCB (A) > Fa(b1),ab(n1); se rechaza la hiptesis nula, H0 2 = 0 MCE

Si FB(A) =

Modelo de efectos mixtos B A, (A aleatorio, B jo)

El modelo es yijk = + i + j (i) + ijk siendo i = 1, . . . , a j = 1, . . . , b k = 1, . . . , n donde i N 0, 2
b X j =1

para todo i,

j (i) = 0

donde todas las v.a. son independientes. As,

ijk N 0, 2

son v.a. independientes.

2 yijk N + j (i) , 2 +

Las estimas de los componentes de la varianza son:

Las esperanzas de los cuadrados medios son: E (MCA) = 2 + bn 2 Xa Xb 2 n j (i) i =1 j =1 2 E ( MCB ( A )) = + a(b 1) E (MCE ) = 2

11

 2 = MCE MCA MCE 2 = bn j (i) = y ij y i Si FA =

Los contrastes de hiptesis son: MCA > Fa1,a(b1); se rechaza la hiptesis nula, H0 2 = 0 MCE MCB (A) > Fa(b1),ab(n1); se rechaza la hiptesis nula, H0 i(i) = 0, i MCE

Si FB(A) =

Modelos de diseos cruzado-anidados

Se dice que dos factores estn completamente cruzados cuando aparecen todas las posibles cobinaciones de los niveles de cada factor, como es el caso de un diseo bifactorial. Se dice que dos factores estn cruzados cuando ninguno de ellos est anidado en el otro, es decir, ni A B ni B A. Por ejemplo en el ejemplo previo de turnos y personal docente, puede ser que alguno de estos d clase en los dos turnos a la vez, con lo que se tienen dos factores cruzados aunque no completamente cruzados. Los diseos cruzado-anidados se caracterizan por tener tanto factores cruzados como anidados. No existe un nico modelo matemtico, ya que depende de la disposicin de los factores en el diseo. Modelo 1. Se trata de estudiar el tiempo de montaje de una serie de piezas de relojera que ha de hacerse a mano. Se consideran 3 posiciones diferentes para montar las piezas y cuatro tamaos diferentes de las mismas. El montaje lo efectua una serie de personas, de modo que se ocupan dos personas distintas para cada montaje con cada tamao y posicin. Se tiene as, como factores, P Posicin (i = 1, 2, 3) T Tamao (j = 1, 2, 3, 4) I Individuo (k = 1, 2) 12

. T1 I1 I2

P1 T2 T3 I3 I5 I4 I6

& T4 I7 I8

P2 . & T1 T2 T3 T4 I 9 I 11 I 13 I 15 I 10 I 12 I 14 I 16

Se observa que todos los niveles del factor posicin se cruzan con todos los niveles del factor tamao y que el factor individuo tiene niveles distintos para cada uno de los cruces, es decir, trabajan personas diferentes en cada caso. El esquema es P T y I (P T ).

Modelo matemtico. En el modelo se tienen que incluir: Los efectos principales de P y T. Las interacciones entre P y T. Los efectos de cada nivel k del factor I anidado en la combinacin de (i, j ).

yijkl = + i + j + ( )ij + k(ij ) + ijkl donde i = 1, . . . , a j = 1, . . . , b k = 1, . . . , c l = 1, . . . , n sujeto a las restricciones

a X i=1

i =

b X j =1

a b X X j = ( )ij = ( )ij = 0 i=1 j =1 c X k=1

(i, j ) jo

k(ij ) = 0

ya que el factor I tiene c niveles anidados en cada combinacin de los niveles de P y T. Se minimiza la suma de cuadrados de los errores para obtener los estimadores, derivan-

13

do con respecto a cada uno de los parmetros e igualando a 0. Se obtiene: = y i = y i y j = y j y c )ij = y ( ij y i y j + y

Del mismo modo, para i, j, k jados

2 X j ( c )ij k(ij ) yijkl i = 0 = k(ij ) i,j,k,l 2

l=1

n X ij k(ij ) = 0 = yijkl y

ijk y ij k(ij ) = y

Las respectivas sumas de cuadrados y grados de libertad son: Sumas de Cuadrados b X c X n a X X SCT = (yijkl y )2 SCA = bcn
i=1 j =1 k=1 l=1 a X i=1 b X

grados de libertad = = = = = = abcn 1 a1 b1 ab a b + 1 = (a 1)(b 1) abc ab = ab(c 1) abcn abc = abc(n 1)

( yi y )2 ( yj y )2 ( yij y i y j + y )2 ( yijk y ij )2

SCB = acn

SCAB = cn

j =1 b a X X

SCC (AB ) = n SCE =

n a X b X c X X i=1 j =1 k=1 l=1

i=1 j =1 a X b X c X i=1 j =1 k=1

(yijkl y ijk )2

La tabla ANOVA es

14

F. V. Factor A Factor B Interaccin A*B Factor C Residual Total

(C AB )

S. C. SCA SCB SCAB SCC (AB) SCE SCT

G. L.
a1 b1 (a1)(b1) ab(c1) abc(n1) abcn1

M. C. A MCA = SC a1 SCB MCB = b1 SCAB MCAB = (a 1)(b1)

SC

F MCA FA = MC E B FB = MC MCE AB FAB = MC MCE FC (AB) =

C (AB ) MCC (AB) = ab( c1) SCE MCE = abc (n1)

MCC (AB ) MCE

As los contrastes que se establecen son: Si FA > Fa1,abc(n1), se rechaza H0 i = 0 a nivel . Si FB > Fb1,abc(n1), se rechaza H0 j = 0 a nivel . Si FAB > F(a1)(b1),abc(n1), se rechaza H0 ( )ij = 0 a nivel . Si FC (AB) > Fab(c1),abc(n1), se rechaza H0 k(ij ) = 0 a nivel . Modelo 2. En una serie de establecimientos de una cadena de tiendas de ropa se contabilizan las ventas realizadas de ropa de verano y de ropa de invierno. Se anotan, adems los empleados que realizan las ventas. Hay tres factores: A Tienda B Tipo de ropa C Empleado El esquema es el siguiente Tienda 1 . & V I E1 E2 E1 E2 Tienda 2 . & V I E 3 E4 E 3 E4

Se observa, aqu, que el factor C (empleado) no est anidado en el cruce de los factores A y B (AB ) porque no est combinado con una nica combinacin (i, j ), ya que se supone que estn los mismos empleados en verano e invierno. As, Empleados T iendas = C A Empleados Ropa = C B T iendas Ropa = A B 15

Modelo matemtico. yijkl = + i + j + ( )ij + k(i) + ( )k(i)j + ijkl donde i = 1, . . . , a j = 1, . . . , b k = 1, . . . , c l = 1, . . . , n sujeto a las restricciones
a X i=1

i =

b X j =1

a b X X j = ( )ij = ( )ij = 0 i=1 j =1

y para cada i
c X k=1

k(i) = 0

c b X X ( )k(i)j = ( )k(i)j = 0 k=1 j =1

Se minimiza la suma de cuadrados de los errores para obtener los estimadores, derivando con respecto a cada uno delo parmetros e igualando a 0. Se obtiene: = y i = y i y j = y j y c )ij = y ( ij y i y j + y k(i) = y ik y i Del mismo modo, para i, j, k jados:

2 X j ( c )ij yijkl i k(i) ( )k(i)j = 0 = ( )k(i)j i,j,k,l X 2 ij y ik + y i ( )k(i)j = 0 yijkl y ( )k(i)j i,j,k,l
l=1

n X 2 ij y ik + y i ( )k(i)j = 0 = yijkl y

16

y queda (d )k(i)j = y ijk y ij y ik + y i

Las respectivas sumas de cuadrados y grados de libertad son: Sumas de Cuadrados SCT =
n a X b X c X X i=1 j =1 k=1 l=1 a X i=1 b X

grados de libertad = = = = = = = abcn 1 a1 b1 ab a b + 1 = = (a 1)(b 1) ac a = a(c 1) abc ab ac + a = a(b 1)(c 1) abcn abc = = abc(n 1)

(yijkl y )2

SCA = bcn

( yi y )2 ( yj y )2 ( yij y i y j + y )2 ( yik y i )2 ( yijk y ij y ik + y i )2

SCB = acn

SCAB = cn

j =1 b a X X

SCC (A) = bn

i=1 j =1 a X c X

SCBC (A) = n SCE =

n a X b X c X X i=1 j =1 k=1 l=1

i=1 k=1 b X c a X X i=1 j =1 k=1

(yijkl y ijk )2

Modelos de diseos cruzado-anidados con efectos mixtos

Se supone que hay 3 factores A, B y C tales que C BA A y B son factores jos C es un factor aleatorio El modelo es

yijkl = + i + j + ( )ij + k(ij ) + ijkl donde i = 1, . . . , a j = 1, . . . , b k = 1, . . . , c l = 1, . . . , n 17

sujeto a las restricciones

a X i=1

i =

b X j =1

j =

a b X X ( )ij = ( )ij = 0 i=1 j =1

(i, j ) jo k(ij ) N (0, 2 ) ijkl N (0, 2 ) independientes entre s. Las esperanzas de los cuadrados medios son: Xa 2 bcn i i=1 2 2 + n + E [ MCA ] = a 1 X b 2 acn j j =1 E [MCB ] = 2 + n 2 + b 1 X X a b ( )2 cn ij i=1 j =1 2 2 E [MCAB ] = + n + (a 1)(b 1) 2 2 E [MCC (AB )] = + n E [MCE ] = 2

Los contrastes de hiptesis son: Si FA = Si FB =

Las estimas de los componentes de la varianza son: 2 = MCE MCC (AB ) MCE 2 = n MCA > Fa1,ab(c1); se rechaza la hiptesis nula, H0 i = 0, i MCC (AB ) MCB > Fb1,ab(c1); se rechaza la hiptesis nula, H0 j = 0, j MCC (AB ) MCAB > F(a1)(b1),ab(c1); se rechaza la hiptesis nula, H0 ( )ij = 0, ij MCC (AB ) MCC (AB ) > Fab(c1),abc(n1); se rechaza la hiptesis nula, H0 2 = 0 MCE

Si FAB =

Si FC (AB) =

18

Regla para determinar las medias de cuadrados esperadas (de Hesse)

En principio hay que diferenciar entre los factores jos y los aleatorios. Las interacciones entre los factores jos y los aleatorios se consideran aleatorias. A cada factor aleatorio se le asigna su componente de la varianza 2 y a cada factor jo se le asigna su efecto jo representado por la suma de cuadrados de los parmetros asociados a ese factor entre sus grados de libertad, e.g. si A es un factor jo se le asocia
a
2 i=1 i . a1

Se construye la siguiente tabla: F a i Pa 2 i=1 i (a 1) 0 2 a 2 1 2 1

Tipo Factor Num. Niveles Subndices

i j ( )ij (ij )k

A b j b 1 1 1

A n k n n n 1

1. El trmino del error del modelo ij...m se representa como (ij...)m donde m es el ndice de las replicaciones, es decir, jados ij . . . se consideran m rplicas aleatorias. 2. Los subndices de cada trmino se subdividen en tres clases: activos : estn en el trmino y no se encuentran entre parntesis. pasivos : estn en el trmino pero se encuentran entre parntesis. ausentes : No estn en el trmino aunque pertenecen al modelo. 3. En cada la se escribe un 1 si uno de los subndices pasivos (tambin estn entre parntesis los correspondientes a los anidados) del componente de la la coincide con el subndice de la columna.

19

Tipo Factor Num. Niveles Subndices

i j ( )ij (ij )k

Pa

F A A a b n i j k

i=1 2 2 2

2 i (a 1) 1 1

4. Si algn subndice de la la coincide con el subndice de la columna, se escribe: Un 1 si es un factor aleatorio Un 0 si es un factor jo F A A a b n i j k Pa 2 i=1 i (a 1) 0 2 1 2 1 1 2 1 1 1
Tipo Factor Num. Niveles Subndices

i j ( )ij (ij )k

En los huecos restantes, se escribe el nmero de niveles que tiene la columna correspondiente. Queda as la siguiente tabla: F a i Pa 2 ( a 1) 0 i=1 i 2 a 2 1 2 1
Tipo Factor Num. Niveles Subndices

i j ( )ij (ij )k

A b j b 1 1 1

A n k n n n 1

5. Para obtener el valor esperado de la media de cuadrados de cualquier componente del modelo, se hace: a ) Se tapan todas las columnas encabezadas por los subndices activos de ese componente. b ) Se multiplican los nmeros de las las que tienen al menos los mismos subndices que el componente, multiplicndolos a su vez por el factor jo (suma de cuadrados) o el factor aleatorio (varianza) obtenidos. 20

c ) La suma de estos productos es el valor esperado de la media de cuadrados. En el ejemplo, quedara:

2 i i E [MCA] = bn a + n 2 + 1 2 2 E [MCB ] = an 2 + n + 2 E [MCAB ] = n 2 + 2 E [MCE ] = 2

Por tanto, los contrastes de hiptesis son: FA = FB = MCA para H0 i = 0, i MCAB MCB para H0 2 = 0 MCAB MCAB para H0 2 = 0 MCE

FAB =

De todas formas, no siempre se pueden construir contrastes de hiptesis para cualquier modelo. Una posible solucin es suponer que algunas interacciones son nulas. Ejemplo. Supongamos un modelo bifactorial con efectos aleatorios:
Tipo Factor Num. Niveles Subndices

i j ( )ij (ij )k

2 2 2 2

A a i 1 a 1 1

A b j b 1 1 1

A n k n n n 1

Las medias de cuadrados son:

2 2 E [MCA] = bn 2 + n + 2 2 E [MCB ] = an 2 + n + 2 E [MCAB ] = n 2 + 2 E [MCE ] =

Por tanto, los contrastes de hiptesis son:

21

FA = FB =

MCA para H0 2 = 0, i MCAB MCB para H0 2 = 0 MCAB MCAB para H0 2 = 0 MCE

FAB =

Ejemplo. Supongamos un modelo bifactorial con efectos jos: F a i Pa 2 0 =1 i (a 1) Pi b 2 ( b 1) a =1 j Pj a Pb 2 i=1 j =1 ( )ij (a 1)(b 1) 0 2 1
Tipo Factor Num. Niveles Subndices
a

i j ( )ij (ij )k

F b j b 0 0 1

A n k n n n 1

Las medias de cuadrados son:

2 i=1 i + 2 a 1 b 2 =1 j E [MCB ] = an j + 2 b 1 a b 2 j =1 ( )ij E [MCAB ] = n i=1 (a1)(b1) 2

E [MCA] = bn

+ 2

E [MCE ] =

Por tanto, los contrastes de hiptesis son: FA = FB = MCA para H0 i = 0, i MCE MCB para H0 j = 0, j MCE MCAB para H0 ( )ij = 0, i, j MCE

FAB =

Ejemplo. Supongamos un modelo anidado con dos factores: B A donde B es aleatorio y A es jo: yijk = + i + j (i) + ijk siendo i = 1, . . . , a j = 1, . . . , b k = 1, . . . , n 22

donde
a X i=1

i = 0

para todo i,

j (i) N 0, 2 donde todas las v.a. son independientes. F a i Pa 2 i=1 i (a 1) 0 2 1 2 1

Tipo Factor Num. Niveles Subndices

ijk N 0, 2 A n k n n 1

i j (i) (ij )k

A b j b 1 1

Las medias de cuadrados son:

2 i=1 i E [MCA] = bn a + n 2 + 1 2 E [MCB (A)] = n 2 + E [MCE ] = 2 a 2

Por tanto, los contrastes de hiptesis son: FA = MCA para H0 i = 0, i MCB (A) MCB (A) para H0 2 = 0 MCE

FB =

Ejemplo. Supongamos un modelo por bloques aleatorizados completos con un factor aleatorio y un bloque aleatorio: yij = + i + j + ij siendo i = 1, . . . , a j = 1, . . . , b

23

donde i N (0, 2 ) j N 0, 2 ij N 0, 2 donde todas las v.a. son independientes.

Tipo Factor Num. Niveles Subndices

i j ij

2 2 2

A a i 1 a 1

A b j b 1 1

F* 1 k 1 1 1

(*) En este caso no hay rplicas aleatorias y hay un slo elemento jo (k = 1) . De este modo, k no es una rplica por lo que se pone ij . Las medias de cuadrados son:
2 E [MCA] = b 2 + 2 E [MCB ] = a 2 + E [MCE ] = 2

Por tanto, el contraste de hiptesis es: FA = MCA para H0 2 = 0 MCE

Ejemplo. Supongamos un modelo por bloques aleatorizados completos con un factor aleatorio y un bloque jo: yij = + i + j + ij siendo i = 1, . . . , a j = 1, . . . , b

24

donde i N (0, 2 ) j = 0 ij N 0, 2

b X j =1

donde todas las v.a. son independientes. A a i 2 1 P b 2 j =1 j (b 1) a 2 1

Tipo Factor Num. Niveles Subndices

i j ij

F b j b 0 1

F* 1 k 1 1 1

(*) En este caso no hay rplicas aleatorias y hay un slo elemento jo (k = 1) . De este modo, k no es una rplica por lo que se pone ij . Las medias de cuadrados son:
2 2 E [MCA] = b +
b j =1

E [MCB ] = a E [MCE ] = 2

2 j b1

+ 2

Por tanto, el contraste de hiptesis es: FA = MCA para H0 2 = 0 MCE

25

Aplicacin con R
# Diseo anidado datos <- read.table("datAnida.txt", header=T) attach(datos) terreno <- as.factor(terreno) locali <- as.factor(locali) # Dos formas de programarlo: modelo <- aov(silice ~ terreno + terreno/locali) # alternativamente: modelo <- aov(silice ~ terreno + locali%in%terreno) summary(modelo)

Aplicacin con SAS

options ls=76 nodate nonumber; title 'ANOVA ANIDADO'; data ano; input terreno locali silice; cards; 1 1 6 1 1 2 1 1 0 1 1 8 1 2 13 1 2 3 1 2 9 1 2 8 1 3 1 1 3 10 1 3 0 1 3 6 1 4 7 1 4 4 1 4 7 1 4 9 2 1 10 2 1 9 2 1 7 2 1 12 2 2 2 2 2 1 2 2 1 2 2 10 2 3 4 2 3 1 2 3 7 2 3 9 2 4 0 2 4 3 2 4 4 2 4 1

26

3 1 0 3 1 0 3 1 5 3 1 5 3 2 10 3 2 11 3 2 6 3 2 7 3 3 8 3 3 5 3 3 0 3 3 7 3 4 7 3 4 2 3 4 5 3 4 4 4 1 11 4 1 0 4 1 6 4 1 4 4 2 5 4 2 10 4 2 8 4 2 3 4 3 1 4 3 8 4 3 9 4 3 4 4 4 0 4 4 8 4 4 6 4 4 5 5 1 1 5 1 4 5 1 7 5 1 9 5 2 6 5 2 7 5 2 0 5 2 3 5 3 3 5 3 0 5 3 2 5 3 2 5 4 3 5 4 7 5 4 4 5 4 0 ; proc glm; class terreno locali; model silice=terreno locali(terreno); contrast 'locali(terreno_A)' locali(terreno) 1 -1 0 0 , locali(terreno) 1 0 -1 0 , locali(terreno) 1 0 0 -1 ; contrast 'locali(terreno_B)' locali(terreno) 0 0 0 0 1 -1 0 locali(terreno) 0 0 0 0 1 0 -1 locali(terreno) 0 0 0 0 1 0 0

0 , 0 , -1 ;

27

contrast 'locali(terreno_C)' locali(terreno) 0 0 0 0 0 0 0 0 locali(terreno) 0 0 0 0 0 0 0 0 locali(terreno) 0 0 0 0 0 0 0 0 contrast 'locali(terreno_D)' locali(terreno) 0 0 0 0 0 0 0 0 locali(terreno) 0 0 0 0 0 0 0 0 locali(terreno) 0 0 0 0 0 0 0 0 contrast 'locali(terreno_E)' locali(terreno) 0 0 0 0 0 0 0 0 locali(terreno) 0 0 0 0 0 0 0 0 locali(terreno) 0 0 0 0 0 0 0 0 means locali(terreno); run;

1 -1 0 1 0 -1 1 0 0

0 , 0 , -1 ;

0 0 0 0 0 0 0 0 0 0 0 0

1 -1 0 1 0 -1 1 0 0

0 , 0 , -1 ;

0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0

1 -1 0 1 0 -1 1 0 0

0 , 0 , -1 ;

ANOVA ANIDADO The GLM Procedure Class Level Information Class terreno locali Levels 5 4 Values 1 2 3 4 5 1 2 3 4

Number of observations ANOVA ANIDADO The GLM Procedure Dependent Variable: silice Sum of Squares 327.9500000 642.0000000 969.9500000

80

Source Model Error Corrected Total

DF 19 60 79

Mean Square 17.2605263 10.7000000

F Value 1.61

Pr > F 0.0823

R-Square 0.338110

Coeff Var 65.09623

Root MSE 3.271085

silice Mean 5.025000

Source terreno locali(terreno)

DF 4 15

Type I SS 45.0750000 282.8750000

Mean Square 11.2687500 18.8583333

F Value 1.05 1.76

Pr > F 0.3876 0.0625

Source terreno locali(terreno)

DF 4 15

Type III SS 45.0750000 282.8750000

Mean Square 11.2687500 18.8583333

F Value 1.05 1.76

Pr > F 0.3876 0.0625

28

Contrast locali(terreno_A) locali(terreno_B) locali(terreno_C) locali(terreno_D) locali(terreno_E)

DF 3 3 3 3 3

Contrast SS 50.1875000 126.1875000 74.7500000 6.5000000 25.2500000

Mean Square 16.7291667 42.0625000 24.9166667 2.1666667 8.4166667

F Value 1.56 3.93 2.33 0.20 0.79

Pr > F 0.2076 0.0125 0.0835 0.8943 0.5061

Level of locali 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4

Level of terreno 1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4 5 5 5 5

N 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4

------------silice----------Mean Std Dev 4.00000000 8.25000000 4.25000000 6.75000000 9.50000000 3.50000000 5.25000000 2.00000000 2.50000000 8.50000000 5.00000000 4.50000000 5.25000000 6.50000000 5.50000000 4.75000000 5.25000000 4.00000000 1.75000000 3.50000000 3.65148372 4.11298756 4.64578662 2.06155281 2.08166600 4.35889894 3.50000000 1.82574186 2.88675135 2.38047614 3.55902608 2.08166600 4.57347424 3.10912635 3.69684550 3.40342964 3.50000000 3.16227766 1.25830574 2.88675135

29