Consideraciones acerca de los datos para Prueba de Friedman

Para asegurar que los resultados sean válidos, considere las siguientes pautas al recopilar datos, realizar el análisis e interpretar los resultados.

Nota

Si usted utiliza un análisis paramétrico como alternativa a la prueba de Friedman, debe verificar que sus datos cumplan los requisitos de datos de ese análisis. Los requisitos de datos para análisis paramétricos no siempre son compatibles con los requisitos para análisis no paramétricos, tales como la prueba de Friedman.

Los datos deben incluir dos factores categóricos.

Un factor es el tratamiento. El otro factor es el bloque al que se asigna aleatoriamente cada tratamiento. La prueba de Friedman requiere exactamente una observación por cada combinación de tratamiento y bloque. Minitab no puede completar los cálculos si cualquier combinación no tiene exactamente una observación.

Si usted tiene dos o más factores categóricos fijos, utilice Ajustar modelo lineal general si todos los factores son fijos o Ajustar modelo de efectos mixtos si tiene factores aleatorios.

Para obtener más información sobre los factores, vaya a Factores y niveles de factores y Factores fijos y aleatorios.

La variable de respuesta debe ser continua u ordinal
Si la variable de respuesta es categórica, es menos probable que el modelo cumpla con los supuestos del análisis, que describa con exactitud los datos o que haga predicciones útiles.
  • Si la variable de respuesta tiene dos categorías, como pasa y no pasa, utilice Ajustar modelo logístico binario.
  • Si la variable de respuesta contiene tres o más categorías que tienen un orden natural, como por ejemplo completamente en desacuerdo, en desacuerdo, neutral, de acuerdo, completamente de acuerdo, utilice Regresión logística ordinal.
  • Si la variable de respuesta contiene tres o más categorías que no tienen un orden natural, como por ejemplo raya, hendidura y rotura, utilice Regresión logística nominal.
  • Si la variable de respuesta cuenta ocurrencias, tales como el número de defectos, utilice Ajustar modelo de Poisson.
Los datos de la muestra no necesitan estar distribuidos normalmente

Las distribuciones de todas las combinaciones de bloque-tratamiento deben tener la misma forma y dispersión, pero no tienen que seguir una distribución normal.

El diseño debe incluir por lo menos 5 bloques o tratamientos
La prueba de Friedman utiliza el estadístico de prueba, S, para calcular el valor p. Bajo la hipótesis nula, la distribución de chi-cuadrada se aproxima a la distribución de S. La aproximación es razonablemente exacta cuando el número de bloques o el número de tratamientos en el diseño de bloque aleatorizado es mayor que 5.
Cada observación debe ser independiente de todas las demás observaciones
Si las observaciones son dependientes, los resultados podrían no ser válidos. Considere los siguientes puntos para determinar si las observaciones son independientes:
  • Si una observación no proporciona información sobre el valor de otra observación, las observaciones son independientes.
  • Si una observación proporciona información sobre el valor de otra observación, las observaciones son dependientes.

Si usted tiene observaciones dependientes, vaya a Analizar un diseño de medidas repetidas. Para obtener más información sobre las muestras, vaya a ¿Qué diferencia hay entre las muestras dependientes e independientes?

Recolecte los datos utilizando las mejores prácticas
Para asegurar que los resultados sean válidos, considere las siguientes pautas:
  • Asegúrese de que los datos representen a la población de interés.
  • Recolecte suficiente datos para proporcionar la precisión necesaria.
  • Mida las variables con tanta exactitud y precisión como sea posible.
  • Registre los datos en el orden de recolección.
Al utilizar este sitio, usted acepta el uso de cookies para efectos de análisis y contenido personalizado.  Leer nuestra política