Consideraciones acerca de los datos para ANOVA completamente anidado

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 factores categóricos que sean aleatorios y anidados

Si el diseño contiene covariables, factores fijos o factores cruzados, utilice Ajustar modelo lineal general.

Para obtener más información sobre los factores, vaya a Factores y niveles de factor, ¿Qué son factores, factores cruzados y factores anidados? y ¿Cuál es la diferencia entre factores fijos y aleatorios?.

Los diseños deben ser completamente anidados

Minitab ajusta un modelo totalmente anidado de manera jerárquica realizando la anidación de acuerdo con el orden de los factores en el cuadro Factores. Si usted ingresa los factores A B C, los términos del modelo serán:

• A
• B anidado en A
• C anidado en B, anidado en A

No tiene que especificar la anidación como tendría que hacerlo para el ANOVA balanceado o el GLM.

La anidación no tiene que ser balanceada. Un factor anidado debe tener al menos 2 niveles en algún nivel del factor de anidación. Si el factor B está anidado dentro del factor A, pueden haber niveles desiguales de B dentro de cada nivel de A. Igualmente, los subíndices utilizados para identificar los niveles de B pueden diferir dentro de cada nivel de A. Sin embargo, si su diseño completamente anidado no está balanceado, Minitab no podrá calcular los valores F ni p.

Minitab utiliza las sumas secuenciales (Tipo I) de los cuadrados para todos los cálculos en ANOVA completamente anidado. Si desea usar las sumas ajustadas de los cuadrados, utilice Ajustar modelo lineal general.

Si el diseño no es completamente anidado, utilice Ajustar modelo lineal general.

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.

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.

Los datos de la muestra se deben seleccionar aleatoriamente

Las muestras aleatorias se utilizan para hacer generalizaciones, o inferencias, sobre una población. Si los datos no se recopilaron aleatoriamente, los resultados podrían no representar a la población.

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 para determinar qué tan bien se ajusta el modelo a los datos.