DISEÑO FACTORIAL
Planteamiento de hipótesis:
Si tienes dos factores:
Hipótesis de los efectos de los tratamientos (factores).
Con esta hipótesis se busca probar los efectos de los tratamientos de los
renglones.
𝐻0 : 𝜏1 = 𝜏2 = ⋯ = 𝜏𝑎 = 0 → "a" 𝑖𝑛𝑑𝑖𝑐𝑎 𝑒𝑙 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑛𝑖𝑣𝑒𝑙𝑒𝑠 𝑞𝑢𝑒 ℎ𝑎𝑦 𝑒𝑛 𝑒𝑠𝑒 𝑓𝑎𝑐𝑡𝑜𝑟.
𝐻𝑖 : 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑎 𝜏𝑖 ≠ 0
Con esta hipótesis se busca probar los efectos de los tratamientos de las
columnas.
𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑏 = 0 → "b" 𝑖𝑛𝑑𝑖𝑐𝑎 𝑒𝑙 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑛𝑖𝑣𝑒𝑙𝑒𝑠 𝑞𝑢𝑒 ℎ𝑎𝑦 𝑒𝑛 𝑒𝑠𝑒 𝑓𝑎𝑐𝑡𝑜𝑟.
𝐻𝑖 : 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑎 𝛽𝑗 ≠ 0
Hipótesis de la interacción de los tratamientos (factores).
Con esta hipótesis se busca determinar si los tratamientos de los renglones y
columnas interactúan.
𝐻0 : (𝜏𝛽)𝑖𝑗 = 0
𝐻𝑖 : 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑎 (𝜏𝛽)𝑖𝑗 ≠ 0
Si tienes tres factores:
Hipótesis de los efectos de los tratamientos (factores).
𝐻0 : 𝜏1 = 𝜏2 = ⋯ = 𝜏𝑎 = 0
𝐻𝑖 : 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑎 𝜏𝑖 ≠ 0
𝐻𝑖 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑏 = 0
𝐻𝑖 : 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑎 𝛽𝑗 ≠ 0
𝐻0 : 𝛾1 = 𝛾2 = ⋯ = 𝛾𝑐 = 0
𝐻𝑖 : 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑎 𝛾𝑗 ≠ 0
Hipótesis de la interacción de los tratamientos (factores).
𝐻0 : (𝜏𝛽𝛾)𝑖𝑗𝑘 = 0
𝐻𝑖 : 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑎 (𝜏𝛽𝛾)𝑖𝑗𝑘 ≠ 0
ESTRUCTURA DEL CÓDIGO PARA UN DISEÑO FACTORIAL DE 3 FACTORES
NombreVar_Respuesta<-c()
NombreFactorA<-c()
NombreFactorB<-c()
NombreFactorC<-c()
# CAMBIO DE VARIABLES
FactorA<-factor(NombreFactorA)
FactorB<-factor(NombreFactorB)
FactorC<-factor(NombreFactorC)
Var_Respuesta<- NombreVar_Respuesta
# PUNTO A, ANALIZAR LOS DATOS Y SACAR CONCLUSIONES.
# ESTABLECEMOS LA PRUEBA DE HIPÓTESIS
Lo que ya está arriba del documento.
# CÁLCULO DE LA TABLA ANOVA
Modelo<-lm(Var_Respuesta~(FactorA +FactorB +FactorC)^3)
ANOVA<-aov(Modelo)
summary(ANOVA)
# Conclusiones.
# COEFICIENTES DE LA ECUACIÓN DE REGRESIÓN
coef(ANOVA) # Esto no es necesario a menos que se los pida el ejercicio (rara
vez).
# GRÁFICAS DE LOS EFECTOS PRINCIPALES
Efectos<-data.frame(FactorA, FactorB, FactorC, Var_Respuesta)
plot.design(Efectos, fun = "mean", main= "Gráfica de efectos principales", ylab =
"El nombre de su variable de respuesta", xlab = "Factor")
# Conclusiones.
# GRÁFICA DE INTERACCIÓN ESTA GRÁFICA SOLO SE PUEDE HACER DE
# DOS FACTORES A LA VEZ
interaction.plot(FactorB, FactorA, Var_Respuesta, main= "Interacción
NombreFactorB - NombreFactorA", xlab = "El nombre de su Factor B", ylab = "El
nombre de su variable de respuesta", col=c("purple", "blue", "red"))
# Conclusiones.
interaction.plot(FactorC, FactorA, Var_Respuesta, main= "Interacción
NombreFactorC - NombreFactorA", xlab = "El nombre de su Factor C", ylab = "El
nombre de su variable de respuesta", col=c("#FF1493", "blue3", "orange"))
# Conclusiones.
interaction.plot(FactorC, FactorB, Var_Respuesta, main= "Interacción
NombreFactorC - NombreFactorB", xlab = " El nombre de su Factor C",ylab = " El
nombre de su variable de respuesta", col = c("#00CD00", "#CD00CD") )
# Conclusiones.
# PUNTO B, CONSTRUIR LAS GRÁFICAS DE LOS RESIDUALES APROPIADAS
Y COMENTAR LA ADECUACIÓN DEL MODELO.
# VALIDACIÓN DE SUPUESTOS
# H0: Las observaciones son independientes.
# H1: Las observaciones no son independientes.
# ANÁLISIS DE LOS RESIDUOS ESTÁNDAR DEL MODELO
plot(rstandard(Modelo), main = "Gráfica de residuos estándar", xlab =
"Observación", ylab = "Residuos estandarizados")
# Conclusiones.
# SUPUESTO DE NORMALIDAD
#H0: Los residuales se ajustan a una distribución normal.
#H1: Los residuales no se ajustan a una distribución normal.
qqnorm(rstandard(Modelo))
qqline(rstandard(Modelo), col= "red")
# Conclusión (opcional), creo que con el Shapiro es suficiente EN EL PARCIAL.
shapiro.test(rstandard(Modelo))
# Conclusión.
# SUPUESTO DE HOMOCESDACISTIDAD
# H0; var1=Var2=var3
# h1: vari=/varj=/vark; al menos un par i, j, k es diferente
bartlett.test(Var_Respuesta ~FactorA)
bartlett.test(Var_Respuesta ~FactorB)
bartlett.test(Var_Respuesta ~FactorC)
# Conclusiones.
# PUNTO C, ¿BAJO QUÉ CONJUNTO DE CONDICIONES DEBERÍA
OPERARSE ESTE PROCESO? ¿POR QUÉ?
# Para esto es que hacen las gráficas de las interacciones, para poder
recomendar el conjunto de condiciones (dependiendo del objetivo de su variable
de respuesta, por ejemplo: maximizar o minimizar). Deben analizar los niveles de
cada factor y cómo se interactúan con la variable de respuesta para poder
concluir.
