Para asegurar que los resultados sean válidos, considere las siguientes pautas al recopilar datos, realizar el análisis e interpretar los resultados.
- Los datos deben incluir solo una variable categórica que sea un factor fijo
-
Para obtener más información sobre los factores, vaya a Factores y niveles de factor y Factores fijos y aleatorios.
- La variable de respuesta debe ser continua
- 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 deben proceder de una población normal o cada muestra debe ser > 15 o 20
-
Si el tamaño de la muestra es mayor que 15 o 20, la prueba funciona muy bien con distribuciones asimétricas y no normales. Si el tamaño de la muestrea es menor que 15 o 20, los resultados podrían ser engañosos con distribuciones no normales.
El tamaño de la muestra real que usted necesita depende del número de grupos en los datos, de la siguiente manera:
- Si tiene de 2 a 9 grupos, el tamaño de la muestra para cada grupo debe ser por lo menos 15.
- Si tiene de 10 a 12 grupos, el tamaño de la muestra para cada grupo debe ser por lo menos 20.
Si usted no está seguro de que los datos siguen una distribución normal y no cumple con las directrices de tamaño de la muestra, utilice Prueba de Kruskal-Wallis.
- 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 Análisis de 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.
- El modelo debe proveer un ajuste adecuado a los datos
-
Si el modelo no se ajusta a los datos, los resultados pueden ser engañosos. En la salida, utilice las gráficas de residuos, los estadísticos de diagnóstico para observaciones poco comunes y los estadísticos de resumen del modelo para determinar qué tan bien se ajusta el modelo a los datos.