Upload
rosa-e-padilla
View
867
Download
1
Embed Size (px)
Citation preview
Bloque unidades de grupos experimentales que tienden a respuestas similares
Métodos comunes para obtener bloques:
Sorteo
Subdividir
Reutilizar
Resumen de diseño de bloque completo
Fit = B Avg + Tr Avg + Gr Avg
Factor Efecto estimado Grado de libertad
“Benchmark” Gr Avg 1
Bloques B1 Avg – Gr Avg # bloques – 1
Intentos Tr Avg – Gr Avg # intentos – 1
Error residual Obs – Fit (# bloques – 1) (# intentos –1)
Sujeto Placebo Cafeína Teobromina Promedio Efecto
I 11 26 20 19 -15
II 56 83 71 70 36
III 15 34 41 30 -4
IV 6 13 32 17 -17
Promedio 22 39 41 34 = Gran promedio (Gr Avg)Efecto -12 5 7
Las filas (bloques) corresponden a los sujetos
Las columnas (tratamientos) corresponden a los medicamentos administrados
La taza de respuesta (“Response Rate”) del “FingerTapping” es de dos horas más tarde de haberse tomado el medicamento.
Al descomponer todos esos números, muestra cada valor observado como la suma de cuatro pedazos:
Valor observado = Gran promedio + efecto en el sujeto + efecto del medicamento + error residual
El gran promedio (34) se utiliza como punto de referencia
Solución:
Efecto por bloque:
A parte del punto de referencia, no tenemos factores externos en los bloques entonces:
Efecto por bloque = promedio del bloque – Gr Avg
I. 19 – 34 = -15 III. 30 – 34 = -4
II. 70 – 34 = 36 IV. 17 – 34 = -17
Solución: Efecto por medicamento:
El único factor externo es el punto de referencia
Efecto por medicamento = promedio del bloque – Gr Avg
El efecto estimado de los medicamentos es de 12 pinchazos o “taps” menor que el promedio general (Gr Avg) después del placebo , cafeína y teobromina .
Placebo 22 – 34 = -12
Cafeína 39 – 34 = 5
Teobromina 41 – 34 = 7
Solución:
Error residual
Los factores externos lo son: el punto de referencia, sujetos y medicamentos
Cada error residual sería: Obs – Fit
Fit value = Gr Avg + (Block Avg - Gr Avg) + (Drug Avg – Gr Avg)
Si observamos la tabla de datos podemos calcular el error residual para el sujeto I y el placebo como:
“fitted value” [19 + 22 -34] = 7
Error residual 11 – 7 = 4
Valores observados
11 26 20
56 83 71
15 34 41
6 13 32
Gr Avg
34 34 34
34 34 34
34 34 34
34 34 34
Sujetos
-15 -15 -15
36 36 36
-4 -4 -4
-17 -17 -17
Medicamentos
-12 5 7
-12 5 7
-12 5 7
-12 5 7
Residuales
4 2 -6
-2 8 -6
-3 -1 4
1 -9 8
SSTotal= 20,554 SSGrand= 13,872 SSBlocks= 5,478 SSDrugs= 872 SSRes= 332
•Aquí podemos observar los patrones que suman cero:•Sujetos vertical (Columnas)•Medicamentos horizontal (Filas)•Residuales tanto horizontal como vertical (Filas y Columnas)
La mayoría de los dfs son sencillos de calcular: df total = # de observaciones = 12
df Grand = 1 (siempre)
df Bloques = # de bloques – 1 = 3
df Intentos = # de intentos – 1 = 2
df Res = (# de bloques - 1) (# de intentos – 1) = (2)(3) = 6
Resumen de diseño
Fit = Row Avg + Col Avg + Tr Avg – 2[Gr Avg]
Factor Efecto estimado Grado de libertad
“Benchmark” Gr Avg 1
Filas Row Avg – Gr Avg # filas – 1
Columas Col Avg – Gr Avg (# col – 1) = (# filas – 1 )
Intentos Tr Avg – Gr Avg (# intentos – 1) =(# filas – 1)
Error residual Obs – Fit (# filas – 1) (# filas – 2)
Siempre estimaremos el punto de referencia con el promedio general
Para cada fila, columna e intento solo tendrá un factor externo (punto de referencia), por lo tanto, cada efecto estimado es igual al promedio de la fila, columna o intento menos el promedio general (Gr Avg)
Para obtener los residuales, sumamos el Gr Avg a cada fila, columna e intento para obtener los valores y después restarlos para obtener: Res = Obs - Fit
SujetoSemanas
Promedio Efecto 1 – 6 7 – 12 13 - 18
I A 608 B 716 C 845 723 -98
II B 885 C 1086 A 711 894 73
III C 940 A 766 B 832 846 25
Promedio 811 856 796 821 = Gran promedio (Gr Avg)Efecto -10 35 -25
Intento Promedio Efecto
A 695 -126
B 811 -10
C 957 136
A = heno; B = grano parcial; C = grano completo
Filas Organizadas bajo este diseño, ya que este experimento espera mostrar las diferencias entre vacas según el efecto en su dieta. Aquí observamos que la vaca II es la más que produce.
Columnas las columnas están diseñadas para segmentar la producción de las vacas por semanas (periodos). Aquí podemos notar que la suma de los efectos es cero.
Ajuste: Fit = Gr Avg + [(Row Eff) + (Col Eff) + (Tr Eff)]
= Gr Avg + (Row Avg – Gr Avg) + (Col Avg – Gr Avg)+ (Tr Avg – Gr Avg)
= Row Avg + Col Avg + Tr Avg – 2[Gr Avg]
Valores observados
608 716 845
885 1086 711
940 766 832
SS Total = 6,227,067
Promedio
821 821 821
821 821 821
821 821 821
SS Grand = 6,066,369
Efecto por fila
-98 -98 -98
73 73 73
25 25 25
SS Rows = 48, 674
Efecto por columna
-10 35 -25
-10 35 -25
-10 35 -25
SSCols = 5,850
Efecto por intentos
A -126 B -10 C 136
B -10 C 136 A -126
C 136 A -126 B -10
SS Treats = 103,416
Residuales
A 21 B -32 C 11
B 11 C 21 A -32
C -32 A 11 B 21
SS Res = 4, 758
df Row = 2
1 R R
2 R R
+ R R
df Cols = 2
1 2 +R R R
R R R
df Diets = 2
1 A 2 B + C
RB RC RA
RC RA RB
Resumen del diseño
Factor Efecto estimado Grado de libertad
“Benchmark” Gr Avg 1
Between Between Avg – Gr Avg # Between levels – 1
Blocks Block Avg -Between Avg # Blocks - # Between levels
Within Within Avg – Gr Avg # Within levels – 1
Interactions Cell Ave – [Between Avg+ Within Avg - Gr Avg]
df Between df Within
Residual error Obs – Fit df Blocks df Within
Fit = Cell Avg + Block Avg – Beteen Avg
Excepción: Para tener el “F-ratio” para comprobrar el factor entre bloques de SP/RM debemos utilizar MS para bloques como denominador.
Entre y Dentro (Between and Within) Ambos factores no son externos como lo es el punto de referencia. Para cada factor:
Efecto = Factor Avg – Gr Avg df = (# de niveles – 1)
Bloques (Blocks) Los factores externos son el punto de referencia y el factor entre bloques Ajuste parcial (Partial fit) = (Gr Avg) – (Between Avg – Gr
Avg) = Between Avg Efecto de bloque (Block effect)= Block Avg – Between Avg Para bloques, de la regla para “df” se obtiene:
df = (# bloques – [dfBetw + dfGrand]) =(# blocks - # Between levels).
Interacciones tenemos los bloques “entre” y “dentro” (between and within blocks) como los dos factores Ajuste parcial (Partial Fit)= [Gr Avg + (Between Avg - Gr
Avg) + (Within Avg - Gr Avg )]= [Between Avg + Within Avg - Gr Avg]
Cada efecto de interacción estimado es igual al promedio de la celda menos el ajuste parcial
# cells = (dfBetw + 1)(dfWithin + 1 ) df = (# cells – [dfGrand + dfBetw + dfW/in ]) = (dfBetw dfWithin )
Error residual (Residual error) Res = Obs – Fit
Es utilizado cuando los datos son en pares para podercomparar los mismos.
Relaciones: Positiva cuando los patrones de datos se asocian los
bajos con los bajos y los altos con los altos
Negativa cuando los patrones de datos se asocianbajos con altos y viceversa
Constante de enfriamientomedida de razón de cambio de temperatura entre un objeto y la temperatura de ambiente.
Cada objeto tiene su constante de enfriamientoparticular.
Es utilizada para conocer la hora de la muerte de un cuerpo.
Ratón(Bloque)
Reciénmuerto
RecalentadoRatón
(Bloque)Reciénmuerto
Recalentado
1 573 481 11 445 443
2 482 343 12 383 342
3 377 383 13 391 378
4 390 380 14 410 402
5 535 454 15 433 400
6 414 425 16 405 360
7 438 393 17 340 373
8 410 435 18 328 373
9 418 422 19 400 412
10 368 346
De acuerdo con cada modelo para cada bloquetenemos: Reheated reading = Benchmark + Block effect +
Reheated effect + Error
Fresh reading = Benchmark + Block effect + Fresh effect + Error
Si restamos la segunda a la primera obtenemos: Reheated reading - Fresh reading = (Difference of the
two conditions effects) – (Difference of the two errors)
Una forma sencilla, pero muy útil de verificar los modelos y los residuales es a través de una gráfica de puntos de dispersión.
Si los ajustes son buenos, los puntos sugieren un óvaloque se forma alrededor del eje x moviéndose hacia el medio.
Valores atípicos (“outliers”) uno o más puntosaislados que inclinan el óvalo
DS desiguales Si los residuales son pequeños (+ ó -), el ajuste obtenido es pequeño mientras que los valores grandes se asocian, formando un cono que abrehacia la derecha.
Símbolos para los factores Subíndices
Factor Símbolo
i = primer subíndice
Punto de referencia (Benchmark) = factor de nivel de intento
Intentos (Treatments)
Bloques j = segundo subíndice
Error residual e = factor de nivel de bloque
Modelo
yij Valor observado en el intento i en el bloque j
= Punto de referencia (Benchmark)
+ i Efecto en el intento i
+ j Efecto en el bloque j
+ eij Error residual para el intento i en el bloque j
Símbolos para los factores Subíndices
Factor Símbolo
i = primer subíndice
Punto de referencia (Benchmark) = factor de nivel de fila
Factor de molestia para filas(Nuisance) j = segundo subíndice
Factor de molestia = factor de nivel de columna
Intentos k = tercer subíndice
Error residual e = factor de nivel de intentos
Modelo
yijk Valor observado en la fila i, columna j e intento k
= Punto de referencia (Benchmark)
+ i Efecto en la fila i
+ j Efecto en la columna j
+ k Efecto en el intento k
+ eijk Error residual para la fila i, columna j e intento k
Símbolos para los factores Subíndices
Factor Símbolo
Punto de referencia (Benchmark) i = primer subíndice
Factor entre bloques (Between blocks) = factor de entre bloques
Bloques j = segundo subíndice
Factor sobre bloques (Within blocks) = factor de nivel de bloque
Interacción ( ) k = tercer subíndice
Error residual e = factor de nivel sobre bloques
Modelo
yijk Valor observado en el nivel i del factor entre bloques, bloquej con nivel k de sobre bloque
= Punto de referencia (Benchmark)
+ i Efecto en el nivel i del factor entre bloques
+ ij Efecto en la bloque j (para el nivel i del factor entre bloques)
+ k Efecto en el nivel k del factor sobre bloque
+ ( )ik Efecto de la interacción para el nivel k del fator entre bloques con nivel k del factor sobre bloque
+ eijk Error residual para valor observado yijk