Captulo 4 Estadstica Superior

1

CAPTULO 4: MANOVA

Definicin de Manova:
El anlisis multivariante de la varianza es una extensin del anlisis de la Varianza (ANOVA) en
donde se tiene en cuenta ms de una variable de criterios. Es una tcnica de dependencia que
mide las diferencias de dos o ms variables mtricas dependientes basadas en un conjunto de
variables categricas (no mtricas) que actan como predictores.
El MANOVA se refiere a diferencias entre grupos que se usa para valorar diferencias entre
grupos a travs de mltiples variables dependientes mtricas de forma simultnea.
Tanto MANOVA como ANOVA son particularmente tiles cuando se utilizan conjuntamente
con diseos de experimentos, esto es, dselos de investigacin en los que el investigador
controla o manipula directamente una o ms variables independientes para determinar el
efecto sobre una o ms variables dependientes para determinar l efecto de uno (ANOVA) o
ms (MANOVA) variables dependientes. Ambas proporcionan las herramientas necesarias para
juzgar la fiabilidad de cualquier efecto observado
En MANOVA, la hiptesis nula contrastada es la igualdad de vectores de medias de variables
dependientes mltiples entre los grupos. El investigador tiene realmente dos valores tericos,
uno construido a partir de las variables dependientes y el otro a partir de las variables
independientes. El valor terico con las variables dependientes es ms interesante, ya que las
medidas dependientes mtricas pueden ser introducidas en una combinacin lineal como ya
se vio en la regresin mltiple y en el anlisis discriminante.
EL CASO DE DOS GRUPOS: T
2
de Hotelling
Lo deseable es un contraste de las diferencias entre los mensajes en ambas variables
conjuntamente. Aqu es donde se puede utilizar la T
2
de Hotelling, una forma especializada del
MANOVA que es una extensin directa del contraste t univariante.
La T
2
de Hotelling proporciona un contraste estadstico de valor terico formado por las
variables dependientes que produce la mayor diferencia entre los grupos. Tambin tiene en
cuenta el problema de inflar la tasa de error Tipo I que aumenta al realizar una serie de
contrastes t para la comparacin entre las medias de los grupos sobre las medidas
dependientes. Este contraste controla el aumento de la tasa del error Tipo I proporcionando
un nico contraste general para contrastar las diferencias de los grupos entre todas las
variables dependientes para un nivel de significacin dado
EL CASO DE K GRUPOS: MANOVA
El MANOVA puede ser considerado como una sencilla extensin del procedimiento de la T
2
de
Hotelling, es decir, nosotros ideamos ponderaciones de las variables dependientes para
elaborar una puntuacin del valor terico para cada encuestado, como se describi
anteriormente.
Captulo 4 Estadstica Superior
2

Con MANOVA queremos encontrar ahora el conjunto de ponderaciones que maximizan el
valor de la F del ANOVA calculado sobre las puntuaciones de los valores tericos para todos los
grupos. Pero el MANOVA tambin puede ser considerado como una extensin del anlisis
discriminante en donde pueden ser construidos los valores tericos de las medidas
dependientes si el nmero de grupos es tres o ms.
El primer valor terico, denotado como funcin discriminante, establece un conjunto de
ponderaciones que maximizan las diferencias entre los grupos, y por tanto maximiza el valor
de la F. El valor de la F mximo nos permite calcular directamente lo que es conocido como el
estadstico de la mayor raz caracterstica (mrc), que da cabida para el contraste estadstico de
la primera funcin discriminante.
CUNDO SE DEBE UTILIZAR MANOVA
El investigador puede obtener diferentes ventajas con el empleo de MANOVA, ya que esta
tcnica permite el examen de varias medidas dependientes simultneamente
a) Control del porcentaje de errores experimentales:
Si el investigador quiere mantener el control sobre el porcentaje del error
experimental y exige algn grado de correlacin entre las variables dependientes.
b) Diferencias entre una combinacin de variables dependientes:
El MANOVA puede detectar diferencias combinadas que no se encuentra con los
contrastes univariantes. Adems, si se construyen valores tericos mltiples, entonces
estos pueden proporcionar dimensiones de diferencias que puedan distinguir entre los
grupos mejor que las variables de forma independiente.
ETAPAS PARA LLEVAR A CABO EL ANLISIS MULTIVARIANTE DE LA VARIANZA:
1.- PRIMER PASO: OBJETIVOS DEL MANOVA:
La seleccin del MANOVA est basada en el deseo de analizar una relacin de dependencia
representada como las diferencias en un conjunto de medidas dependientes a travs de una
serie de grupos formados por una o ms medidas independientes categricas. Si se emplea en
situaciones cuasi-experimentales puede proporcionar no solo un entendimiento de la
naturaleza y del poder predictivo de las medidas independientes, sino tambin de las
interrelaciones y diferencias observadas en el conjunto de medidas dependientes
a) Tipos de preguntas adecuadas en el anlisis multivariante del MANOVA
El MANOVA tiene la flexibilidad de permitir que el investigador seleccione los
contrastes estadsticos ms apropiados para las cuestiones que le afecten.
a. preguntas del anlisis univariante mltiple: un investigador que analice
preguntas del anlisis univariante mltiple identifica un nmero de variables
dependientes separadas que son analizadas de forma separada pero en donde
se necesita algn control sobre el porcentaje de error experimental.
i. Se emplea MANOVA para valorar si se encuentra alguna diferencia
global entre los grupos, y despus se llevan a cabo contrastes
univariantes separados para dar respuestas individuales a cada
variable dependiente.
Captulo 4 Estadstica Superior
3

b. Preguntas del anlisis multivariante estructurado: el investigador rene dos o
ms medidas dependientes que tiene unas determinadas relaciones entre
ellas. Una situacin habitual son las medidas repetidas, donde las respuestas
mltiples son reunidas para cada sujeto.
i. El MANOVA proporciona un mtodo estructurado para especificar las
comparaciones de las diferencias de los grupos sobre un conjunto de
medidas dependientes mientras se mantiene la eficiencia estadstica.
c. Preguntas del anlisis multivariante intrnseco: comprende un conjunto de
medidas dependientes en donde la principal cuestin es cmo se diferencian
como un total entre los grupos.
i. La potencia completa del MANOVA se utiliza en este caso para valorar
no solamente las diferencias globales sino tambin las diferencias
entre las combinaciones de medidas dependientes que de otro modo
no seran evidentes. Este tipo de cuestin se aborda de forma correcta
con el MANOVA debido a su capacidad para detectar diferencias
multivariante, incluso cuando ningn contraste univariante muestra
diferencias.
d. Seleccin de las medidas dependientes: un problema comn que se da en el
MANOVA es la tendencia de los investigadores a emplear errneamente uno
de sus argumentos. El problema se produce cuando los resultados indican que
un subconjunto de variables dependientes tiene la capacidad de influir sobre
las diferencias globales entre los grupos.
i. El MANOVA proporciona un contraste especial, el anlisis de
reduccin, para valorar las diferencias estadsticas de una manera
secuencial, muy parecida a la inclusin de variables en un anlisis de
regresin. En resumen, el investigador debe valorar todos los aspectos
de la pregunta de investigacin cuidadosamente y asegurarse de que
el MANOVA se aplica de la forma ms correcta y potente.
2.- SEGUNDO PASO: CUESTIONES BSICAS DEL DISEO DE LA INVESTIGACIN
a. Requisitos de tamao muestral (en conjunto y por grupos):
El MANOVA requiere tamaos muestrales grandes. Un tamao de celda mnimo es
de 20 observaciones, aunque es posible que se necesiten tamaos de celdas
mayores para una potencia estadstica aceptable. Como mnimo, el tamao en
cada celda debe ser ms grande que el nmero de variables dependientes
incluidas. La introduccin de un nmero pequeo de variables dependientes en el
anlisis pone una restriccin algunas veces molesta en el conjunto de datos. Este
problema se pone de manifiesto particularmente en el campo de la
experimentacin o del estudio de investigacin, donde el investigador tiene menor
control sobre la muestra obtenida.
b. Diseos factoriales (dos o ms tratamientos): un anlisis con ms de dos
tratamientos se denomina diseo factorial. En general, un diseo con n
tratamientos se denomina diseo factorial de n-va.
a. Seleccin de tratamientos: los diseos factoriales ms habitualmente
empleados son esas preguntas de investigacin que relacionan dos o ms
Captulo 4 Estadstica Superior
4

variables independientes no-mtricas con un conjunto de variables
dependientes. En estos casos, las variables independientes se han
especificado en el diseo del experimento o se han incluido en el diseo
del experimento de campo en un cuestionario. Pero en algunos casos, los
tratamientos son aadidos despus de que el anlisis ha sido diseado. Los
tratamientos adicionales de uso ms comn se introducen como factor en
bloques, que es una caracterstica no-mtrica empleada de forma
posterior para dividir a los encuestados con el fin de obtener una
homogeneidad dentro del grupo ms grande y reducir la fuente de
diferencias intra-grupo.
b. Uso de covariaciones: las covariaciones mtricas son incluidas
normalmente en un diseo experimental para eliminar influencias
extraas de la variable dependiente, que incrementa la varianza dentro de
los grupos. Esta situacin es similar al uso de un factor de bloqueo,
solamente, que esta vez la variable es mtrica.
c. Objetivos del anlisis de la covarianza: es apropiado para lograr dos
objetivos:
i. Eliminar cualquier error sistemtico fuera del control del
investigador que pueda sesgar los resultados.
ii. Tener en cuenta las diferencias en las respuestas debidas a
caractersticas propias de los encuestados.
El objetivo de la covarianza es eliminar cualquiera de los efectos que
influyen solamente a una parta de los encuestados, varan entre los
encuestados
d. Un caso especial de MANOVA: medidas repetidas: hemos tratado un
conjunto de situaciones en las que deseamos examinar las diferencias
sobre varias medidas dependientes. Una situacin especial de este tipo se
produce cuando el mismo encuestado proporciona varias medidas, tales
como las puntuaciones de un contraste a lo largo del tiempo, y nosotros
deseamos examinarlas para comprobar si existe alguna tendencia. Sin
embargo, sin un tratamiento especial, estaramos violando el supuesto
bsico ms importante, la independencia. Existen modelos MANOVA
especiales, denominados medidas repetidas, que pueden tener en cuenta
esta dependencia y sirven para averiguar si existen algunas diferencias
entre los individuos del conjunto de variables dependientes.
3.- TERCER PASO: SUPUESTOS BSICOS DE MANOVA
Para que los procedimientos de los contrastes multivariantes del MANOVA sean vlidos se
deben de cumplir tres supuestos:
1- Las observaciones deben ser independientes
2- Las matrices de varianzas-covarianzas deben ser iguales para todos los grupos de
tratamiento
Captulo 4 Estadstica Superior
5

3- El conjunto de las p-variables dependientes debe seguir una distribucin normal
multivariante.

a) Independencia: el incumplimiento ms bsico, aunque ms importante, de un
supuesto ocurre cuando existe una falta de independencia entre las observaciones. Se
puede producir un efecto de ordenacin en el tiempo (correlacin serial) si las
medidas son tomadas a lo largo del tiempo, incluso de diferentes encuestados. Otro
problema habitual es la obtencin de informacin en la composicin de los grupos, por
lo que una experiencia comn producira un subconjunto que tendran respuestas que
estaran un tanto correlacionadas. Los efectos extraos y no medidos pueden afectar a
los resultados creando una dependencia entre los encuestados. Si se encuentra
dependencia entre los grupos de encuestados, entonces una posible solucin es
combinar a stos dentro de los grupos y analizar la puntuacin media del grupo en
lugar de las puntuaciones de los diferentes encuestados.
Otro enfoque consiste en emplear alguna forma del anlisis de la covariacin para
tener en cuenta la dependencia. En cualquier caso, o cuando se sospecha que existe
dependencia, el investigador debe emplear un menor nivel de significacin (001 o
menor)
b) Igualdad de las matrices de varianzas-covarianzas: el segundo supuesto es la igualdad
de las matrices de covarianzas entre los grupos. En este caso, estamos interesados en
las diferencias sustanciales en la cantidad de varianza de un grupo en comparacin con
la de otro grupo para las mismas variables. En el MANOVA el inters se centra en las
matrices de varianzas y covarianzas de las medidas dependientes para cada grupo.
a. El contraste de MANOVA examina todos los elementos de la matriz de
covarianzas, la violacin de este supuesto tiene un mnimo impacto si los
grupos son aproximadamente de igual tamao (si el tamao del grupo ms
grande dividido por el tamao del grupo ms pequeo es menor que 15). Si los
tamaos difieren ms que esta medida, entonces el investigador, si es posible,
debe contrastar y corregir la posible existencia de varianzas distintas. Los
programas del MANOVA proporcionan el contraste para la igualdad de las
matrices de covarianza (contraste de M de BOX) y aportan los niveles de
significacin para el contraste. Si el investigador encuentra una diferencia
significativa que requiere algn tipo de tratamiento, se utiliza una de las
muchas transformaciones de estabilizacin de la varianza disponibles
b. Si persisten las diferencias entre las varianzas despus de la transformacin y
los tamaos de los grupos difieren de forma importante, el investigador debe
realizar una serie de ajustes que tengan en cuenta estos efectos.
i. Primero debemos determinar qu grupo presenta la varianza mayor.
Esta determinacin se realiza fcilmente, bien examinando la matriz
de varianzas-covarianzas o bien usado el determinante de esta matriz,
que es calculado por todos los paquetes estadsticos. Si las mayores
varianzas pertenecen a los grupos de mayor tamao, el nivel alfa de
significacin tiende a ser ms grande. Este resultado significa que las
diferencias deben ser realmente tenidas en cuenta empleando para
ello algn valor ms pequeo. Si las mayores varianzas se dan en los
Captulo 4 Estadstica Superior
6

grupos de tamao ms pequeo, entonces se producir lo contrario.
Es decir, la potencia del contraste se vera reducida, y por ello el
investigador debera incrementar el nivel de significacin.
c. Normalidad: se refiere a la normalidad de las medidas dependientes. El
supuesto es que todas las variables siguen una distribucin normal
multivariante. la normalidad multivariante supone que el efecto conjunto de
dos variables se distribuye normalmente. Por ello, la mayora de los
investigadores contrastan la normalidad univariante para cada variable. Si
todas las variables cumplen ese requisito, entonces cualquier posible
incumplimiento de este supuesto es generalmente insignificante.
d. Linealidad y multicolinealidad entre las variables dependientes: aunque el
MANOVA valora las diferencias entre combinaciones de medidas
dependientes, solamente se puede construir una relacin lineal entre las
medidas dependientes. Se anima una vez ms al investigador, en primer lugar,
a examinar los datos, valorando la posible presencia de relaciones no lineales.
Si existen, entonces se debe tomar la decisin de si se deben incluir dentro del
conjunto de variables dependientes, que tiene como coste aumentar la
complejidad pero tambin se incrementa la representatividad.
i. Adems del requisito de la linealidad, las variables dependientes no
deben presentar alta multicolinealidad entre ellas, porque esto slo
indica medidas dependientes redundantes y tiende a disminuir la
eficiencia estadstica.
e. Sensibilidad a los datos atpicos: junto con el efecto de la heterocedasticidad,
el MANOVA es especialmente sensible a la presencia de datos atpicos, que
influyen sobre el error Tipo I. Se incita al investigador, en primer lugar, a
examinar los datos en busca de datos atpicos, y a eliminarlos del anlisis si es
posible, ya que su influencia ser muy importante en el conjunto de los
resultados.
4.- CUARTO PASO: ESTIMACIN DEL MODELO MANOVA Y VALORACIN DEL AJUSTE GLOBAL
El investigador debe seleccionar los contrastes estadsticos ms apropiados para los objetivos
que se persiguen. Adems, en cualquier situacin, pero especialmente cuando el anlisis llega
a ser ms complejo, el investigador debe evaluar la potencia de los contrastes estadsticos para
proporcionar la mejor representacin de los resultados obtenidos
a) Criterios para la contrastacin de la significacin: el MANOVA proporciona varios
criterios con los que valorar las diferencias multivariantes entre los grupos:
a. La mayor raz de Roy: mide las diferencias solamente sobre la primera raz
cannica (o funcin discriminante) entre las variables dependientes. Este
criterio proporciona alguna ventaja sobre potencia y especificidad de los
contrastes, pero los hace menos tiles en ciertas situaciones donde todas las
dimensiones deben ser consideradas.
i. Es el ms adecuado cunado las variables dependientes estn
fuertemente interrelacionadas en una sola dimensin, pero tambin
Captulo 4 Estadstica Superior
7

es la medida que es ms probable que se vea afectada gravemente por
incumplimientos de los supuestos bsicos
b. Lambda de Wilks: considera todas las races caractersticas, es decir, compara
si los grupos son de algn modo diferentes sin estar afectados por el hecho de
que los grupos difieran en al menos una combinacin lineal de las variables
dependientes. Es mucho ms fcil de calcular que la mayor raz de Roy. Su
formulacin es |W|/|W+A| donde |W| es el determinante de la matriz de
dispersin multivariante dentro de los grupos, y |W+A| es el determinante de
la suma de W y A donde A es la matriz de dispersin multivariante entre los
grupos
i. Cuanto mayor es la dispersin entre los grupos, ms pequeo es el
valor del Lambda de Wilks y mayor la significacin
Otras medidas ampliamente empleadas son el criterio de Pillai y la Traza de Hotelling, ambas
similares al Lambda de Wilds, dado que consideran todas las races caractersticas y pueden ser
aproximadas por un estadstico F
Potencia estadstica de los contrastes multivariantes:
La potencia es la probabilidad de que el contraste especfico identifique un efecto del
tratamiento si este realmente existe. La potencia puede ser definida como uno menos la
probabilidad del error Tipo I (), La potencia est relacionada con el nivel de significacin alfa
(), que defino el error Tipo I aceptable.
El nivel de potencia para cualquiera de los cuatros criterios estadsticos se basa en tres
cuestiones:
- El nivel de significacin alfa: la potencia est inversamente relacionada con el nivel de
significacin alfa seleccionado.
- El efecto tamao del tratamiento: a medida que alfa se incrementa la potencia
disminuye.
- El tamao muestral de los grupos
Por tanto, si el investigador reduce el nivel de significacin alfa para reducir el error Tipo I,
como en el caso de una posible dependencia entre las observaciones o un ajuste para
comparaciones mltiples, la potencia disminuye. El investigador siempre debe conocer las
implicaciones del ajuste del nivel de significacin alfa, ya que el objetivo del anlisis que no se
tiene en cuenta, no es solamente evitar los errores tipo I, sino tambin identificar los efectos
del tratamiento si en verdad existen. Si se impone un nivel de significacin alfa demasiado
riguroso, entonces la potencia puede ser demasiado baja para identificar resultados vlidos. El
investigador debe considerar, no slo el nivel de significacin alfa, sino tambin la potencia
resultante, y que intente mantener un nivel de significacin alfa aceptable con una potencia
cerca de 080.
El incremento de potencia en MANOVA:
La principal herramienta que tiene a su disposicin es el tamao muestral de los grupos. El
impacto del efecto tamao, que es una medida estandarizada de las diferencias de los grupos,
Captulo 4 Estadstica Superior
8

generalmente definida como las diferencias en las medidas de los grupos divididas por sus
desviaciones estndar. La magnitud del efecto tamao tiene un efecto directo sobre la
potencia del contraste estadstico. Para cualquier tamao muestral dado, la potencia del
contraste estadstico ser mayor cuanto mayor sea el efecto tamao. Si el tratamiento tiene un
efecto tamao esperado ms pequeo, se debe conseguir un tamao muestral mayor para
lograr la misma potencia que un tratamiento con un mayor efecto tamao.
Una vez especificado el nivel de significacin alfa e identificada el efecto tamao, el ltimo
elemento que afecta a la potencia es el tamao muestral. Incrementos en el tamao muestral
generalmente reducen el error muestral e incrementan la sensibilidad del contraste.
El aumento de los tamaos muestrales en cada grupo tiene efectos importantes, hasta que se
alcanzan unos tamaos de aproximadamente 150 miembros, y entonces los incrementos en la
potencia disminuyen notablemente. Tambin se debe tener cierta precaucin cuando los
tamaos muestrales son grandes. En muchos contrastes estadsticos, tamaos muestrales
grandes reducen el componente del error muestral a un nivel tan pequeo que cualquier
diferencia se considera estadstica significativa.
La utilizacin de potencia en la planificacin y el anlisis:
La estimacin de la potencia debe ser empleada tanto en planificar el anlisis como en la
valoracin de los resultados. En la etapa de planificacin, el investigador determina el tamao
muestral necesario para identificar el efecto tamao estimado. En muchos casos, el efecto
tamao puede ser estimado a partir de una investigacin previa a partir de juicios razonados o
incluso ponerlo a un nivel mnimo de significacin prctica. En cada caso, se puede determinar
el tamao muestral necesario para lograr un determinado nivel de potencia con un nivel de
significacin especfico.
El investigador debe determinar primero si la potencia obtenida fue suficiente (080 o ms). Si
no fuese as, una posibilidad sera realizar alguna forma de tratamiento en bloques o de
anlisis de la covarianza que har que el contraste sea ms eficiente haciendo nfasis en el
efecto tamao. Si la potencia fuese adecuada entonces lo ms probable es que el efecto
tamao para el tratamiento fuese demasiado pequeo para considerar significacin estadstica
o prctica.
Los efectos de la multicolinealidad de la variable dependiente sobre la potencia:
En MANOVA, el investigador tambin tiene que considerar los efectos de multicolinealidad de
las variables dependientes sobre la potencia de los contrastes estadsticos. El investigador,
bien en la etapa de planificacin o bien en la etapa de anlisis, tiene que considerar la fuerza y
direccin de las correlaciones adems de los efectos tamao de las variables dependientes. Si
clasificamos las variables por sus tamaos de efecto como fuertes o dbiles, entonces surgen
pautas:
- En primer lugar, si la pareja de variables correlacionadas est compuesta de variables
fuertes-fuertes o dbiles-dbiles, entonces se obtiene la mxima potencia cuando la
correlacin entre las variables es altamente negativa. Esto sugiere que MANOVA estn
Captulo 4 Estadstica Superior
9

en las mejores condiciones con la adicin de las variables dependientes que tiene
correlaciones altamente negativas.
Cuando la pareja de variables correlacionada es una mezcla, entonces la potencia est
maximizada cuando la correlacin es alta, bien positiva o bien negativa. Una excepcin es el
resultado de que el uso de los tems mltiples para incrementar la fiabilidad tiene como
resultado una ganancia neta de potencia, incluso si los tems son redundantes y positivamente
correlacionados.
5.- QUINTO PASO: INTERPRETACIN DE LOS RESULTADOS DE MANOVA:
Existen tres mtodos:
a) Interpretar los efectos de las covarianzas si stas han sido empleadas: para cada
covarianza se forma una ecuacin de regresin que seala la validez de la relacin
predictiva. Si las covarianzas representan tericamente efectos despreciables,
entonces estos resultados proporcionan una base objetiva para aceptar o rechazar las
relaciones propuestas. En la prctica, el investigador puede examinar el impacto de las
covarianzas y eliminar aquellas con poco o ningn efecto.
a. Tambin se debe examinar el impacto global de la introduccin de la
covarianza en un contraste estadstico de los tratamientos. El enfoque ms
directo es realizar el anlisis con y sin las covarianzas. Aquellas que sean
efectivas mejorarn la potencia estadstica de los contrastes y reducirn la
varianza dentro del grupo. Si no se observa ninguna mejora sustancial,
entonces pueden ser eliminadas, ya que reducen los grados de libertad
disponibles para los contrastes de los efectos del tratamiento.
b) Valorar que variables dependientes presentan diferencia entre los grupos: el anlisis
del valor terico dependiente para evaluar cul de las variables dependientes
contribuye a las diferencias globales sealadas en los contrastes estadsticos. Este paso
es esencial ya que se puede identificar un conjunto de variables que, o bien acenta
las diferencias. Los procedimientos descritos en esta seccin se denominan contraste
post hoc, contrastes que se planean con anterioridad a observar los datos desde un
punto de vista de toma de decisin terico o prctico. Las situaciones surgen cuando
una variable dependiente clave debe ser aislada y contrastada con mxima potencia. El
enfoque ms comn consiste en realizar los contrastes univariantes para las variables
seleccionadas.
a. Un anlisis MANOVA de dos grupos implica un ajuste estadstico T
2
. Cuando el
estadstico T
2
excede a T
2
crit
para un nivel dado, concluimos que los vectores
de puntuaciones medias son diferentes. La funcin discriminante nos informa
de qu combinacin lineal de las variables dependientes produce la diferencia
entre los grupos ms fiable, pero otras comparaciones tambin pueden ser de
inters.
b. Anlisis de reduccin: para valorar individualmente las diferencias entre las
variables dependientes. Este procedimiento comprende el clculo de un
estadstico univariante F para una variable dependiente despus de eliminar
los efectos de otras variables dependientes que la preceden en el anlisis.
Captulo 4 Estadstica Superior
10

El procedimiento es de alguna forma similar a la regresin por etapas, pero
aqu se examina si una determinada variable dependiente proporciona
informacin nica. Los resultados del anlisis de reduccin seran exactamente
los mismos que los que se obtendran si se realizase un anlisis de covarianzas
con las otras variables dependientes precedentes empleadas como
covarianzas. Un supuesto decisivo del anlisis de reduccin es que el
investigador conoce el orden en que se deben introducir las variables
dependientes, ya que la interpretacin puede variar fuertemente segn
diferentes rdenes para entrar.
c. Las variables identificadas como no significativas son redundantes con las
anteriores variables significativas, con lo que aaden ms informacin
referente a las diferencias entre los grupos.
d. Otros procedimientos incluyen ms anlisis de las funciones discriminantes, en
particular sobre la primera funcin discriminante, para obtener informacin
adicional sobre qu variables diferencian mejor entre los grupos.
c) Identificar qu grupos difieren en una sola variable dependiente o en el valor terico
dependiente completo: aunque los contrastes univariantes y multivariantes nos
permiten probar la hiptesis nula de que las medias de los grupos son todas iguales,
no nos sealan dnde se establecen esas diferencias significativas. Los contrastes t
mltiples no son apropiados para contrastar la significacin individual de las
diferencias entre las medias de pares de grupos dado que la probabilidad del error
Tipo I se incrementa con el nmero de comparaciones realizadas entre grupos.

6.- SEXTO PASO: VALIDACIN DE LOS RESULTADOS
La capacidad para validar los resultados en estas situaciones se basa en la replicacin de los
tratamientos. El investigador debe considerar de manera importante el empleo de covarianzas
para controlar otras caractersticas que podran estar relacionadas con los grupos edad/gnero
y que podran afectar a las variables dependientes, pero que no estn incluidas en el anlisis.
Otra cuestin es la exigencia de causalidad cuando se emplean mtodos o tcnicas
experimentales. El investigador debe recordar que en todos los campos de investigacin,
incluyendo el experimental, ciertos criterios conceptuales deben ser establecidos antes que la
causalidad pueda ser respaldada, la aplicacin simple de una tcnica en particular en un
mbito experimental no asegura causalidad.