Consideraciones acerca de los datos para MANOVA general

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 por lo menos un factor categórico

Los factores categóricos deben ser factores fijos que pueden ser cruzados y anidados.

• Si usted tiene factores categóricos que son aleatorios, utilice Ajustar modelo de efectos mixtos.
• Si usted tiene solo variables predictores continuas, utilice Ajustar modelo de regresión.

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?.

Las variables de respuesta deben ser continuas

Si las variables de respuesta están correlacionadas, la prueba MANOVA puede detectar patrones de respuestas multivariadas y diferencias más pequeñas de lo que es posible con pruebas ANOVA por separado. 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 usted tiene variables de una respuesta o de múltiples respuestas no correlacionadas, puede utilizar Ajustar modelo lineal general para obtener resultados similares.
• 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, 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.