Research Methods - Interactions Pt2 - Factorial Designs

Diseños Factoriales en Investigación

Introducción a los Diseños Factoriales

• Los diseños factoriales permiten estudiar múltiples factores y su relación con una variable dependiente.

• Ejemplo: estudios sobre el efecto de medicamentos en la memoria de ratones.

Pregunta de Investigación

• ¿Las condiciones del laboratorio afectan la cognición de los ratones?

• Se plantea operacionalizar la cognición como el número de errores en una tarea laberinto.

Estudio 1: Efecto del Alimentación

• Comparación entre ratones alimentados diariamente y aquellos con acceso libre a comida.

• Resultados muestran que no hay diferencia significativa en el rendimiento (14 errores).

Estudio 2: Efecto del Alojamiento

• Ratones en buenas condiciones hacen un promedio de 10 errores, mientras que los de malas condiciones hacen 18.

• Se concluye que las condiciones de alojamiento sí afectan la cognición.

Diseño Factorial para Estudios Combinados

• Propuesta para realizar un diseño factorial combinando alimentación y alojamiento.

• Cada combinación se asigna a grupos específicos para analizar interacciones.

Análisis de Resultados Combinados

• Datos muestran promedios variados según las combinaciones, permitiendo análisis más detallado.

• La alimentación diaria no parece afectar significativamente, pero hay patrones interesantes al observar por separado.

Conclusiones sobre Interacciones

• En buenas condiciones, la alimentación libre es mejor; en malas condiciones, alimentar diariamente reduce errores.

• El análisis revela que las interacciones entre factores son cruciales para entender resultados.

Efectos de la Alimentación y Alojamiento

Interacción entre Alimentación y Alojamiento

• La mejor programación de alimentación depende del tipo de alojamiento.

• El efecto de la alimentación varía según el alojamiento; en un horario fijo, el alojamiento no importa.

• Se descubrió un efecto de interacción: el impacto de una variable depende del nivel de otra.

Diseño Factorial

• Un diseño factorial implica más de un factor, como tipo de alojamiento o tipo de alimentación.

• Los factores pueden ser variables independientes manipuladas o características existentes como raza o género.

• Se pueden comparar combinaciones diferentes sin manipular todos los factores.

Ejemplo Práctico

• Un diseño factorial puede comparar horas de televisión vistas entre diferentes combinaciones de edad y género.

• En este estudio, se agrupan participantes por género (2 niveles) y edad (3 niveles).

• Se mide el tiempo que ven televisión para cada combinación, resultando en seis grupos.

Análisis Estadístico

• Para cada grupo se calcula la media y se realizan pruebas estadísticas para determinar diferencias significativas.

• En el ejemplo, el factor A es género (2 niveles), y el factor B son grupos etarios (3 niveles).

• Esto se representa como un diseño 2x3 o 3x2, donde cada número indica los niveles del factor.

Consideraciones Finales

• Importante recordar que esto no está relacionado con la variable dependiente que se mide al final.

• Por ejemplo, las horas vistas son la variable dependiente en el primer caso.

• En otro caso, podría medirse cómo afecta la cafeína a la resolución de laberintos.

Diseño Factorial en Estudios

Introducción a los Diseños Factoriales

• Se pueden agregar más factores en un diseño factorial, como la cantidad de cafeína y la especie.

• Un diseño 4x2x2 implica múltiples niveles para cada factor, lo que complica el número de grupos necesarios.

Cálculo de Grupos Necesarios

• Para un diseño 2x2, se requieren cuatro grupos; para un 4x2, ocho grupos son necesarios.

• Con diseños más complejos, como 4x2x2, se necesitan hasta 16 grupos si hay suficientes sujetos.

Ejemplo Práctico

• En estudios con múltiples factores, el número total de combinaciones puede aumentar rápidamente.

• Un estudio con ratas y ratones requiere considerar todos los niveles de cada factor.

Ventajas del Diseño Factorial

• Permite responder preguntas complejas al analizar interacciones entre factores.

• Se pueden evaluar efectos principales e interacciones entre variables en un solo estudio.

Efectos Principales e Interacciones

• Los efectos principales evalúan cómo cada factor afecta la variable dependiente (DV).

• Las interacciones examinan si el efecto de un factor depende del nivel del otro.

Ejemplo de Estudio sobre Consumo de Alcohol

• Se estudia la relación entre consumo de alcohol y género respecto a la habilidad para conducir.

• El diseño factorial compara diferentes combinaciones de género y cantidad de alcohol consumido.

Diseño de Estudio y Efectos

Diseño del Estudio

• El estudio mide el género como un factor con dos niveles, resultando en un diseño 3x2 o 2x3.

• Se requieren seis grupos para probar todas las combinaciones de niveles: tres grupos femeninos y tres masculinos.

Preguntas de Investigación

• Se cuestiona si el alcohol afecta la conducción y si hay un efecto principal del género sobre la misma.

• También se investiga si uno de los géneros es más afectado por el alcohol que el otro, lo que implica una interacción entre factores.

Análisis de Datos

• Los datos muestran errores promedio en la conducción; tanto mujeres como hombres tienen cuatro errores con cero cervezas.

• Con dos cervezas, los errores aumentan a seis; con cuatro cervezas, a ocho. Esto sugiere un efecto principal del alcohol pero no del género.

Efectos Interactivos y Resultados

Evaluación de Efectos

• No parece haber un efecto interactivo entre género y alcohol; ambos géneros son igualmente afectados.

• En otro conjunto de datos, se observa que hay un efecto principal del alcohol, pero no del género.

Comparación Detallada

• A medida que aumenta el nivel de alcohol, los hombres parecen ser más afectados que las mujeres en términos de errores al conducir.

• En altos niveles de alcohol, los hombres cometen más errores comparativamente a las mujeres.

Importancia Estadística

Consideraciones Estadísticas

• No se han realizado pruebas estadísticas formales; solo se observan tendencias generales en los promedios.

• Para determinar efectos significativos, es necesario realizar análisis estadísticos adecuados.

Análisis Profundo

• Para efectos interactivos, es crucial comparar celdas individuales dentro de la tabla en lugar de solo promedios generales.

Análisis de Efectos Simples y Efectos de Interacción

Efectos Simples

• Se analizan los efectos simples en lugar de los efectos principales, enfocándose en una fila o columna específica.

• Al observar a personas sobrias, se nota que los hombres cometen menos errores al conducir (4 vs 2).

• Con dos cervezas, también hay un efecto simple donde los hombres cometen menos errores (6 vs 4).

Análisis por Género

• Al analizar solo a las mujeres, se observa que más alcohol se relaciona con más errores al conducir.

• En hombres, el aumento del alcohol también está relacionado con más errores al conducir.

• Los efectos principales pueden ser engañosos si hay un efecto de interacción presente.

Importancia del Diseño Factorial

Predictores de Eructos

• Se discuten posibles predictores como la dieta y el peso corporal (BMI).

• Se plantean preguntas sobre interacciones entre calidad de dieta y BMI bajo o alto.

Estudios Separados vs. Diseño Factorial

• Realizar estudios separados puede no revelar interacciones; es mejor usar un diseño factorial para obtener resultados más claros.

• Un estudio separado podría concluir que el peso corporal no afecta los eructos, pero la calidad de la dieta sí lo hace.

Beneficios del Diseño Factorial

Comparación de Resultados

• El diseño factorial permite identificar interacciones sin necesidad de múltiples estudios separados.

• Requiere menos participantes y proporciona información más completa sobre las relaciones entre variables.

Ejemplo Práctico

• Se propone realizar un estudio factorial 2x2 para evaluar combinaciones de dieta y BMI.

Efectos de la dieta y el IMC en los eructos

Análisis de Efectos Principales

• Se observa un efecto principal aparente de la dieta: personas saludables tienen un promedio de 10 eructos, mientras que las no saludables tienen 30.

• Para el IMC, ambos grupos (bajo y alto IMC) muestran un promedio de 20 eructos, sugiriendo que no hay efecto del IMC.

Problemas con los Efectos Principales

• Los efectos principales pueden ser engañosos; es crucial verificar primero si hay un efecto de interacción.

• Al observar combinaciones específicas, se revela que el IMC sí influye dependiendo de la dieta.

Interacción entre Dieta e IMC

• Personas con bajo IMC en una dieta saludable eructan menos que aquellas con alto IMC; sin embargo, en una dieta no saludable ocurre lo contrario.

• La influencia del IMC depende del nivel de otro factor (dieta), lo que indica un efecto de interacción.

Importancia del Diseño Factorial

Reporte y Análisis

• Si hay un efecto de interacción, se deben interpretar los efectos principales con precaución o no reportarlos.

• Sin interacción, se pueden reportar los efectos principales claramente.

Ventajas del Diseño Factorial

• Los diseños factoriales requieren menos participantes para obtener resultados significativos comparados a estudios separados.

• Con solo 100 participantes en diseño factorial se puede comparar efectivamente entre grupos saludables y no saludables.

Ejemplo Real: Memoria y Contexto

Estudio sobre Memoria

• Investigadores estudiaron si recordar información es mejor cuando el lugar coincide con donde se aprendió.

• Participantes memorizaron palabras en diferentes condiciones (en seco vs. bajo agua), creando un diseño 2x2 para evaluar su memoria.

Resultados Esperados

• El estudio busca determinar cómo el contexto afecta la recuperación de información memorizada.

¿Cómo afecta el entorno de aprendizaje a la memoria?

Resultados del estudio

• Se realizaron pruebas de recuerdo en condiciones secas y húmedas, generando cuatro grupos para analizar combinaciones.

• Las barras azules representan el recuerdo en tierra seca, mientras que las rojas indican el recuerdo en agua; no hay un color siempre superior.

• En la mitad izquierda del gráfico, los que estudiaron en tierra seca tienen mejor rendimiento; en la derecha, los que aprendieron en condiciones húmedas.

Implicaciones sobre la memoria

• La efectividad del recuerdo depende del entorno de aprendizaje; este hallazgo es central en psicología cognitiva.

• Es más fácil recordar si las condiciones de recuperación coinciden con las de aprendizaje (ej. estado emocional o físico).

• Efectos de interacción se descubren mediante diseños de investigación factoriales; se observan variaciones según el estado al aprender.