5.5. Diseño factorial

El diseño factorial estudia la influencia simultánea de dos o más VI (factores) sobre una, o más de una, VD.

Cada factor puede tener dos o más valores (o niveles). Cada tratamiento (o condición experimental) consiste en la combinación de los respectivos valores de un factor con los del otro (u otros).

Al analizar simultáneamente dos o más factores en un solo experimento se puede estudiar:

• El efecto de cada factor por separado (como si se tratara de un diseño con una sola VI).

• El efecto de la combinación de los niveles de los diferentes factores sobre la VD.

El experimento factorial más sencillo consta de dos factores con dos niveles cada uno: Diseño factorial AxB

• A: número de niveles de un factor.

• B: número de niveles del otro factor.

A medida que aumenta el número de factores y el número de niveles de cada factor, aumenta el número de tratamientos y la dificultad para realizar, controlar e interpretar el experimento.

Ej: Queremos ver la influencia del tipo de escenario y la ansiedad en quienes participan de un curso (diseño factorial 2x3):

• Factores = 2.

  • Escenario (con 2 niveles: virtual y presencial).

  • Ansiedad (con 3 niveles: alta, media y baja).

• Número de tratamientos = 6 (2x3=6)

Para asignar los sujetos a cada tratamiento se utiliza la asignación aleatoria y la técnica de bloqueo.

Los diseños factoriales pueden ser intersujetos o intrasujetos.

Permite estudiar:

• Efecto principal: Influencia de cada factor sobre la VD. Existen tantos como VI haya en la investigación. Se indica mediante una expresión que hace alusión directa al factor cuyo efecto principal se considera. En un diseño factorial AxB: Efecto principal de A + Efecto principal de B.

• Efecto diferencial: Permite determinar entre qué niveles se dan las diferencias que refleja el efecto principal. Se averigua comparando dos niveles diferentes de un mismo factor. Cuando una VI sólo tiene dos niveles, no procede.

• Efecto de interacción: Aparece cuando la influencia de una VI sobre la VD varía en función de los valores que toma la otra u otras VVII. A medida que aumenta el número de factores, aumenta el número de posibles interacciones (porque surgen de la combinación de los valores de cada factor con los demás). Se indica mediante la expresión efecto de interacción, seguida del producto de las variables que intervienen en la investigación. En un diseño factorial AxBxC: Efecto de interacción AxB + Efecto de interacción AxC + Efecto de interacción BxC + Efecto de interacción AxBxC.

• Efecto simple.

Ej: Queremos ver la influencia en la conducción de las horas de sueño y el lugar de conducción (diseño factorial 2x3).

• VD = Número de errores al conducir en una cabina de simulación

• Factores (VVII) = 2.

  • Horas de sueño (3 horas, 8 horas)

  • Escenarios (ciudad, carretera, autovía)

• Número de tratamientos = 6 (2x3=6)

• Hipótesis de los efectos principales:

  • La escasez de horas de sueño afecta a la conducción provocando errores.

  • Los diferentes escenarios pueden provocar diferencias en la probabilidad de cometer errores.

• Hipótesis de los efectos de interacción:

  • El efecto de las horas de sueño varía en función del escenario.

  • El efecto del escenario varía en función de las horas de sueño.

• Hipótesis del efecto diferencial:

  • Los sujetos cometen más errores por ciudad que por carretera.

  • Los sujetos cometen más errores por ciudad que por autovía.

  • Los sujetos cometen más errores por carretera que por autovía.

No procede buscar diferencias entre los dos niveles de la variable “horas de sueño” porque si existen efectos principales, la diferencia sólo puede ser entre ellos.

Pasos a seguir para realizar un diseño factorial:

1. Ver cuántos tratamientos tenemos (multiplicando los niveles de las VVII).

2. Asignar los sujetos a los tratamientos: aleatoriamente o mediante la técnica de bloques.

El diseño puede ser:

• Intersujeto: Aplicando todos los tratamientos a la totalidad de los sujetos.

• Intrasujeto: Aplicando cada tratamiento a sujetos distintos.

• Mixto: Aplicando unos tratamientos a los mismos sujetos y otros a sujetos distintos.

Ventajas:

• Permite un mejor estudio del comportamiento ya que, en la vida real, se ve influido por más de un factor

• Usa más eficazmente los recursos porque utiliza la misma muestra para evaluar simultáneamente los efectos de dos o más factores (con la misma precisión que en los experimentos unifactoriales).

• Permite evaluar los efectos de la interacción entre las variables.

Análisis de datos: Varios. ANOVA o su equivalente no paramétrica (si los datos no cumplen los supuestos).