Calculadora ANOVA de dos factores
Prueba los efectos de dos factores.
Ingrese al menos 4 celdas (diseño 2×2 mínimo)
Ingrese datos factoriales para realizar un ANOVA de dos factores
¿Qué es el ANOVA de dos vías?
El ANOVA de dos vías prueba los efectos de dos variables independientes (factores) sobre un resultado continuo, incluyendo su potencial interacción.
Preguntas respondidas:
- ¿El Factor A afecta el resultado?
- ¿El Factor B afecta el resultado?
- ¿El efecto de A depende del nivel de B (interacción)?
Ejemplo: Probar cómo tanto el método de enseñanza (A: clase magistral, discusión, híbrido) como el tamaño de clase (B: pequeño, grande) afectan las puntuaciones de examen—y si el método de enseñanza funciona diferente para diferentes tamaños de clase.
¿Por qué "dos vías"?
Los datos se clasifican por dos factores categóricos:
| Clase pequeña | Clase grande | |
|---|---|---|
| Clase magistral | 78, 82, 75 | 68, 72, 65 |
| Discusión | 85, 88, 82 | 80, 78, 82 |
| Híbrido | 90, 92, 88 | 85, 88, 82 |
El ANOVA de una vía usa un factor. El de dos vías usa dos simultáneamente.
Efectos principales e interacción
Efecto principal del Factor A
El efecto general del Factor A, promediando a través de todos los niveles del Factor B.
"¿Los métodos de enseñanza difieren, ignorando el tamaño de clase?"
Efecto principal del Factor B
El efecto general del Factor B, promediando a través de todos los niveles del Factor A.
"¿Los tamaños de clase difieren, ignorando el método de enseñanza?"
Efecto de interacción (A × B)
Si el efecto de un factor depende del nivel del otro.
"¿El efecto del método de enseñanza cambia dependiendo del tamaño de clase?"
Entendiendo las interacciones
Sin interacción
Los efectos principales son aditivos. Si la clase magistral supera a la discusión por 5 puntos en clases pequeñas, también supera a la discusión por 5 puntos en clases grandes.
Las líneas en un gráfico de interacción son paralelas.
Interacción presente
La ventaja de un nivel de factor depende del otro factor.
"La clase magistral funciona bien para clases grandes pero mal para clases pequeñas."
Las líneas se cruzan o divergen en el gráfico de interacción.
Perspectiva clave: Cuando la interacción es significativa, los efectos principales deben interpretarse con precaución—el efecto "promedio" oscurece los efectos condicionales.
El modelo estadístico
Y = μ + αᵢ + βⱼ + (αβ)ᵢⱼ + ε
Donde:
- μ = media general
- αᵢ = efecto del nivel i del Factor A
- βⱼ = efecto del nivel j del Factor B
- (αβ)ᵢⱼ = efecto de interacción
- ε = error aleatorio
La tabla de ANOVA
| Fuente | SC | gl | MC | F | p |
|---|---|---|---|---|---|
| Factor A | 520 | 2 | 260 | 12,4 | ,001 |
| Factor B | 180 | 1 | 180 | 8,6 | ,007 |
| A × B | 85 | 2 | 42,5 | 2,0 | ,15 |
| Error | 504 | 24 | 21 | ||
| Total | 1289 | 29 |
Tres pruebas F separadas: una para cada efecto principal, una para interacción.
Grados de libertad
- Factor A: a - 1 (donde a = número de niveles de A)
- Factor B: b - 1
- Interacción: (a - 1)(b - 1)
- Error: N - ab (donde N = observaciones totales)
- Total: N - 1
Interpretando resultados
Interacción significativa
Interpretar primero. Los efectos principales son engañosos cuando existe interacción.
Examina efectos simples: el efecto de A en cada nivel de B por separado.
Sin interacción significativa
Interpreta los efectos principales directamente. El efecto de cada factor es consistente a través de los niveles del otro.
Efectos principales significativos
Las pruebas post-hoc (como HSD de Tukey) revelan qué niveles difieren.
Tamaños del efecto
Eta-cuadrado parcial (η²p):
η²p = SC_efecto / (SC_efecto + SC_error)
Proporción de varianza explicada por cada efecto después de eliminar otros efectos.
| η²p | Interpretación |
|---|---|
| 0,01 | Pequeño |
| 0,06 | Mediano |
| 0,14 | Grande |
Aplicaciones
Experimentos factoriales
Diseño experimental clásico: manipular dos factores, medir resultado.
Estudio de fármaco: Tipo de fármaco × Nivel de dosis Marketing: Tipo de anuncio × Demográfico objetivo
Estudios observacionales
Clasificar sujetos por dos características.
Educación: Género × Estatus socioeconómico en puntuaciones de examen Salud: Grupo de edad × Nivel de ejercicio en presión arterial
Control de calidad
Manufactura: Máquina × Turno en tasas de defectos Agricultura: Tipo de fertilizante × Método de irrigación en rendimiento
Diseños balanceados vs. no balanceados
Balanceado
n iguales en todas las celdas. Análisis más simple, más potente, efectos ortogonales.
No balanceado
Tamaños de celda desiguales. Los efectos pueden no ser ortogonales—el orden de entrada importa.
SC Tipo I: Secuencial, dependiente del orden SC Tipo II: Cada efecto ajustado por otros efectos principales (no interacción) SC Tipo III: Cada efecto ajustado por todos los otros efectos (defecto más común)
Supuestos
Independencia
Las observaciones son independientes dentro y a través de todas las celdas.
Normalidad
Los residuos están distribuidos normalmente, O los tamaños de muestra son adecuados.
Homogeneidad de varianza
Las varianzas son iguales a través de todas las celdas (no solo niveles de factor).
Verificar: Prueba de Levene o inspección visual de gráficos de residuos.
Sin celdas faltantes
Cada combinación de niveles de factor debe tener observaciones.
Factores fijos vs. aleatorios
Factores fijos
Los niveles son específicamente elegidos y exhaustivos.
"Estos tres métodos de enseñanza son los que nos interesan."
Más común en aplicaciones de investigación.
Factores aleatorios
Los niveles son muestreados aleatoriamente de una población más grande.
"Estos cinco profesores representan todos los profesores posibles."
Requiere diferentes cálculos de razón F (modelos mixtos).
Gráficos de interacción
Visualiza relaciones entre factores:
- Eje X: Niveles del Factor A
- Eje Y: Respuesta media
- Líneas separadas: Niveles del Factor B
Líneas paralelas: Sin interacción Líneas no paralelas: Interacción presente Líneas que se cruzan: Interacción disordinal fuerte
Procedimientos post-hoc
Para efectos principales significativos (sin interacción):
- HSD de Tukey para todas las comparaciones por pares
- Bonferroni para comparaciones seleccionadas
Para interacción significativa:
- Análisis de efectos simples (efecto de A en cada nivel de B)
- Comparaciones simples dentro de celdas
Errores comunes
Ignorar interacción
Reportar efectos principales cuando la interacción es significativa da conclusiones incompletas o engañosas.
Término de error incorrecto
En diseños con factores aleatorios o medidas repetidas, los términos de error difieren.
Análisis no balanceado
No especificar el tipo de SC apropiado para datos no balanceados.
Sobre-interpretación
Muchas interacciones no significativas existen porque la potencia para detectarlas es limitada.
Reportando resultados
Formato APA:
"Un ANOVA 3 × 2 entre sujetos reveló efectos principales significativos del método de enseñanza, F(2, 24) = 12,4, p = ,001, η²p = ,51, y tamaño de clase, F(1, 24) = 8,6, p = ,007, η²p = ,26. La interacción no fue significativa, F(2, 24) = 2,0, p = ,15. Las pruebas post-hoc de Tukey mostraron que la instrucción híbrida (M = 87,5) superó tanto a la clase magistral (M = 73,3, p < ,001) como a la discusión (M = 82,5, p = ,03)."
Contexto histórico
El ANOVA de dos vías emergió del trabajo de Ronald Fisher en experimentación agrícola en Rothamsted en los años 1920-1930.
Los diseños factoriales—probar múltiples factores simultáneamente—resultaron más eficientes que los experimentos de un factor a la vez. El concepto de interacción fue particularmente revolucionario: formalizó cómo los factores podían funcionar diferente en combinación que solos.
Cálculos relacionados
- ANOVA de una vía — Factor único
- ANOVA de medidas repetidas — Factor intra-sujetos
- HSD de Tukey — Comparaciones post-hoc
- Calculadora de distribución F — Valores p
Resumen
El ANOVA de dos vías prueba efectos principales de dos factores y su interacción sobre un resultado continuo. La interacción significativa indica que el efecto de un factor depende del otro factor—en tales casos, examina efectos simples en lugar de efectos principales. El análisis particiona la varianza total entre Factor A, Factor B, interacción A×B y error. Reporta las tres pruebas F, tamaños del efecto (η² parcial), y pruebas post-hoc apropiadas. Los gráficos de interacción proporcionan visualización esencial de las relaciones entre factores.