Académique Documents
Professionnel Documents
Culture Documents
Quizá el principal obstáculo que tuvieron que enfrentar quienes en algún momento
solicitaron asesoría sobre el uso de esta metodología estuvo representado por las
versiones preliminares de este documento, totalmente centradas en el problema
mismo de las medidas repetidas, descuidando aspectos anexos fundamentales para
su cabal comprensión. Se realizó un importante esfuerzo para ofrecer a través de
esta versión un enfoque más integral.
Con tal objetivo en mente y teniendo en cuenta que los pocos textos de métodos
estadísticos en los que se menciona este análisis están en otro idioma y lo tratan de
una manera general, enfocada hacia aspectos teóricos, no siendo muy clara su
posible aplicación, se elaboró este documento en formato cartilla, tratando de incluir
el mínimo de expresiones matemáticas, así como de mantener un lenguaje sencillo;
obviamente, conservando el rigor necesario en este tipo de textos.
Con el fin de que este documento constituya una guía para la aplicación de este
análisis a conjuntos específicos de datos, se ilustran, a través de ejemplos, varias
situaciones tipo. En todos los casos se anexan las correspondientes rutinas en
SAS®, que pueden tomarse como plantillas para la realización de análisis
posteriores.
Guillermo Correa L.
Agosto de 2004
CONTENIDO
INTRODUCCIÓN ........................................................................................................ 1
1. AJUSTE DE LA ESTRUCTURA DE COVARIANZAS CON MODELOS MIXTOS........ 3
1.1 ESTRUCTURAS DE COVARIANZAS ......................................................................... 4
1.1.1 Estructura simétrica compuesta (Compound symmetric) ............................................ 5
1.1.2 Modelación no estructurada (Unstructured) ................................................................ 5
1.1.3 Estructura autorregresiva de primer orden .................................................................. 5
1.2 CRITERIOS DE INFORMACIÓN ................................................................................ 6
2 EJEMPLOS................................................................................................................. 8
2.1 EJEMPLO 1. DISEÑO COMPLETAMENTE AL AZAR CON
ESTRUCTURA UNIFACTORIAL DE LOS TRATAMIENTOS ...................................... 9
2.1.1 Comparación de medias ........................................................................................... 11
2.1.2 Contrastes ................................................................................................................ 14
2.2 EJEMPLO 2. ESTRUCTURA FACTORIAL DE LOS TRATAMIENTOS.................... 18
2.3 EJEMPLO 3. DISEÑO PARCELAS DIVIDIDAS ....................................................... 26
3 CONSIDERACIONES FINALES ............................................................................... 32
4 REFERENCIAS BIBLIOGRÁFICAS .......................................................................... 33
5 ANEXOS................................................................................................................... 34
INTRODUCCIÓN
Si bien estos experimentos aparecen con mayor frecuencia al trabajar con seres
vivos, no existe ninguna restricción al respecto, pudiendo tomarse medidas repetidas
al trabajar con unidades experimentales inanimadas como, por ejemplo, una serie de
pluviómetros instalados en el interior de un bosque, a los que se les realicen lecturas
semanales.
Éste es también el tipo de análisis más adecuado en estudios en los que por
restricciones para la aleatorización de los niveles de alguno de los factores pueden
generarse secuencias espaciales, lo cual sucede, por ejemplo, al evaluar el efecto de
diferentes niveles de profundidad en la capacidad de retención de humedad del
suelo, en donde los diferentes niveles de profundidad no son susceptibles de
aleatorización. No obstante, este documento está centrado en el análisis de
medidas repetidas que aparecen al registrar diferentes lecturas de una variable sobre
una misma unidad experimental a lo largo del tiempo. A este tipo de observaciones
se les conoce también con el nombre de datos longitudinales (Diggle et al., 1994).
principales del tiempo). El tipo de análisis depende, en última instancia, del resultado
del análisis de varianza, tal y como sucede en todos los experimentos cuyos
tratamientos incluyen una estructura factorial.
Aunque este problema ha estado presente desde que Sir Ronald Fisher desarrolló y
empezó a aplicar el análisis de varianza en la década de 1930, el manejo del mismo
ha guardado correspondencia con las herramientas disponibles en cada momento.
Cronológicamente, se han usado principalmente tres enfoques para analizar este tipo
de experimentos.
1
Una forma más general es conocida como la condición Huynh—Feldt o simplemente condición H—F
(Huynh y Feldt, 1970). Esta condición especifica que las varianzas de las diferencias entre pares de
errores correspondientes a lecturas realizadas sobre la misma unidad experimental en diferentes
tiempos son iguales para cualquier par de tiempos elegidos. La condición H—F es necesaria y
suficiente para que la prueba F del análisis de varianza usual tenga validez.
2
Los efectos cruzados consisten en comparaciones entre dos combinaciones de tratamientos, donde
difieren todos los niveles de los factores involucrados, por ejemplo, a1b2 vs. a3b1.
Correa, Guillermo — Análisis de Medidas Repetidas 3
Vale la pena enfatizar que los dos primeros métodos presentados (análisis
separados para cada uno de los tiempos y análisis de varianza univariado) podrían
utilizarse como parte del análisis exploratorio, pero tienen falencias que los hacen
inadecuados como métodos finales de análisis. Por tanto, siempre que se tengan
medidas repetidas se recomienda ajustar la estructura de covarianzas mediante el
uso de modelos mixtos. En este documento se detalla el uso del procedimiento
MIXED de SAS® para tal efecto.
tratamientos (ver ejemplo 1). La opción NOITPRINT suprime la salida de la tabla con
la historia de las iteraciones.
La orden CLASS (segunda línea) se usa para declarar los factores de tipo cualitativo.
Es importante anotar que el hecho de que un factor se considere cualitativo o
cuantitativo tiene que ver con su conceptualización, acorde con el tipo de análisis que
se pretenda ejecutar, sin importar que para su identificación se hayan usado
etiquetas de tipo numérico. En general, todos los factores usados en el análisis de
varianza son de tipo cualitativo, excepto los que hagan las veces de covariables,
entendidas éstas como variables concomitantes cuyo efecto se desea eliminar por
regresión.
Hasta la versión 8.00, los criterios calculados por defecto son: log verosimilitud
restringida (Res Log Likelihood), el criterio de información de Akaike (Akaike’s
Information Criterion —AIC—), el criterio de información bayesiano de Schwarz
(Schwarz’s Bayesian Information Criterion —BIC—) y una segunda versión de la log
verosimilitud restringida (–2 Res Log Likelihood), consistente en multiplicar el
resultado de la log verosimilitud restringida por –2, criterio que presenta información
redundante en relación con el primero. Los tres primeros criterios facilitan la
comparación de las estructuras ajustadas: mientras mayor sea su valor mejor será la
estructura. Lo de mayor valor hay que interpretarlo como cercanía a cero, pues
siempre presentan signos negativos. Para cada estructura se genera una tabla que
tiene el siguiente aspecto.
Fit Statistics
menor sea su valor mejor será la estructura. La tabla generada para cada estructura
tiene el siguiente aspecto.
Fit Statistics
Puesto que el número de parámetros que se estiman como parte del ajuste de las
estructuras de covarianzas es diferente para cada una de ellas, la comparación
directa mediante el criterio de verosimilitud no es adecuada. Aunque pueden
realizarse correcciones, resulta más expedito usar alguno de los criterios restantes,
los cuales son versiones ya ajustadas de la prueba de verosimilitud, que incluyen
tales correcciones, acorde con el número de parámetros estimados.
Una vez escogida la estructura de covarianzas más adecuada, con base en el criterio
de información bayesiano de Schwarz —BIC—, se pueden realizar las
comparaciones del caso, introduciendo comandos LSMEANS y ESTIMATE en el PROC
MIXED correspondiente a la estructura elegida.
Obviamente, habrá que tomar los resultados del correspondiente análisis de varianza
como guía para la realización de comparaciones entre medias. Si la interacción
entre tratamientos y tiempo resulta significativa, ello es indicio de que las diferencias
entre los tratamientos no se mantienen a lo largo del tiempo, por lo que será
pertinente analizar efectos simples, esto es, comparar tratamientos en tiempos
específicos y, si es del caso, comparar tiempos para algún tratamiento dado. Una
buena guía para la realización de tales comparaciones puede suministrarla un plano
cartesiano con el tiempo en la abscisa y la respuesta en la ordenada, incluyendo una
línea para cada tratamiento; pueden graficarse también los tratamientos en la
abscisa y los tiempos como líneas separadas dentro del plano, con la respuesta en la
ordenada, dependiendo del número de niveles de cada factor y del aspecto que se
desee resaltar.
Antes de pasar a los ejemplos se presenta un esquema resumido de los pasos que
deben seguirse para evaluar cualquier experimento que involucre medidas repetidas.
5) Realizar las comparaciones de medias que sean del caso, con base en los
resultados del correspondiente análisis de varianza, su información
complementaria (gráficas) y los objetivos del estudio.
2. EJEMPLOS
Los comentarios dentro de las rutinas están antecedidos por los símbolos /* y cierran
con los símbolos */, así: /* Comentario */. Su inclusión o exclusión no afecta la rutina;
únicamente tienen carácter explicativo.
Aunque existe una forma elegante y compacta de generar el paso DATA, mediante el
uso de ciclos DO, en los ejemplos y en las correspondientes rutinas anexas se usará
la forma más sencilla, con el fin de que éstas puedan utilizarse fácilmente como
plantillas para analizar la información del usuario.
Correa, Guillermo — Análisis de Medidas Repetidas 9
Los factores cuyos niveles estén identificados con letras u otros símbolos no
numéricos deberán ir seguidos del símbolo $ al ser declarados en el comando INPUT.
En los ejemplos se usará la instrucción DATALINES para indicar que las líneas que
siguen contienen los datos. Esta instrucción es equivalente a la instrucción CARDS,
cuyo origen está relacionado con la indicación de lectura de las tarjetas perforadas
que solían contener los datos. Esta última instrucción aún es reconocida por el
SAS®, por lo que puede usarse cualquiera de las dos indiferentemente.
I a1 b1 13.4
II a1 b1 Perdida
III a1 b1 12.2
I a1 b1 13.4
III a1 b1 12.2
I a1 b1 13.4
II a1 b1 .
III a1 b1 12.2
Sean:
UE: Unidades experimentales.
TTOS: Tratamientos.
TIEMPO: Tiempo.
Y: Variable respuesta.
/* Inicio del paso DATA. Aquí se alimenta la información que será usada
por el procedimiento MIXED */
DATA EJE1;
INPUT UE TTOS$ TIEMPO Y;
DATALINES;
1 A 1 10.5
2 A 1 9.8
.
.
.
3 E 5 15.2
4 E 5 16.0
;
/* Fin del Paso DATA */
Se muestran a continuación las tablas con los criterios de información para cada una
de las tres estructuras evaluadas.
Num Den
Effect DF DF F Value Pr > F
Ttos
40 A
30 B
20 C
Y
10 D
E
0
1 2 3 4 5
Tiempo
Figura 1. Tendencia en el tiempo de la respuesta Y para cada uno de los cinco
tratamientos evaluados.
Tiempos
40 1
30 2
20 3
Y
4
10
5
0
A B C D E
Tratamientos
Figura 2. Comparación de la respuesta Y en los diferentes tiempos para cada uno de los
tratamientos evaluados.
Con LSMEANS TTOS se evalúan los efectos principales de los tratamientos; con LSMEANS
TIEMPO, efectos principales del tiempo; con LSMEANS TTOS*TIEMPO, efectos simples de
tratamientos y de tiempo. Si se desea, pueden pedirse simultáneamente las tres
modalidades de comparación usando una sola instrucción LSMEANS.
Las salidas incluyen todas las posibles comparaciones entre pares de medias y sus
correspondientes valores p (aparecen como Pr > | t |). Se deberán analizar aquellas
comparaciones que interesen al investigador. Si el valor p es menor o igual que el
nivel de significancia preestablecido (usualmente 0.05), se declara, con probabilidad
de error igual a valor p, que hay diferencia entre las medias de las subpoblaciones
comparadas.
Ho :
µ A + µ B + µ D µC + µ E
3
=
2 3
( ) ( )
3 3 2
( )
⇔ 1 µ A + 1 µ B + 1 µ D = 1 µC + 1 µ E ⇔
2
( ) ( )
( )
3 A
( )
3 B
( )
2 C 3 D
( ) ( )
1 µ + 1 µ − 1 µ + 1 µ − 1 µ = 0 ⇔ 2 µ A + 2 µ B − 3µ C + 2 µ D − 3µ E = 0
2 E 6
2 µ A + 2 µ B − 3µ C + 2 µ D − 3µ E
Sea ξ = .
6
El juego de hipótesis que representa la comparación entre los dos grupos puede
plantearse, entonces, como:
Correa, Guillermo — Análisis de Medidas Repetidas 15
H0 :ξ = 0
Ha :ξ ≠ 0
Para evaluar la significancia de este contraste se usa la orden ESTIMATE con los
coeficientes correspondientes a cada una de las medias. Es claro que el
denominador del contraste (6) podría eliminarse, manteniendo la validez del juego de
hipótesis planteado. De hecho, si lo único que se quiere saber es cuál de las
hipótesis —la nula o la alternativa— se debe respaldar, es indiferente usar
coeficientes (1/3, 1/3, –1/2, 1/3, –1/2) ó (2, 2, –3, 2, –3). No obstante, si además de
la pregunta anterior, se tiene interés en estimar la magnitud de la diferencia entre los
promedios de los dos grupos contrastados —que es lo más lógico—, deberá incluirse
el denominador.
Con un poco de práctica, es fácil proponer los coeficientes de los contrastes para las
comparaciones deseadas, sin necesidad de realizar todos los pasos ilustrados
anteriormente.
Correa, Guillermo — Análisis de Medidas Repetidas 16
Cuando los últimos tratamientos no hacen parte del contraste, pueden omitirse sus
coeficientes. Por ejemplo C vs. A:
Para la comparación de tiempos, basta con cambiar TTOS por TIEMPO. Así, para
comparar, por ejemplo, los tiempos 1 y 2 contra los tiempos 3, 4 y 5, se incluirían las
siguientes instrucciones:
Los coeficientes se han organizado de esa manera con el único fin de facilitar su
visualización. Nótese, sin embargo, que se trata de una sola línea de programación
(el punto y coma sólo aparece al final). Los coeficientes que siguen a TTOS indican
cuáles tratamientos se desean comparar; los coeficientes que siguen a TTOS*TIEMPO
corresponden, en su orden, a las combinaciones:
La comparación planteada equivale, pues, a (Bt5, Dt5) vs. (Ct5, Et5); esto es, efectos
simples de los tratamientos en el tiempo 5.
En este caso, los coeficientes que siguen a TIEMPO indican cuáles tiempos se
comparan; los coeficientes que siguen a TTOS*TIEMPO representan, en su orden, las
combinaciones:
Se están comparando, entonces, (Ct1, Ct2) vs. (Ct3, Ct4, Ct5). Nótese que si los
tratamientos o las combinaciones de tratamientos que en su orden van al final (D y E,
en este caso) no participan del contraste, pueden ignorarse, no siendo necesario
escribir los correspondientes coeficientes con valor cero.
DATA EJE2;
INPUT B C$ S$ TTO$ TIEMPO Y;
DATALINES;
1 C1 S1 T1 24 17.98
2 C1 S1 T1 24 18.38
.
.
.
2 C2 S2 T2 72 13.76
3 C2 S2 T2 72 14.91
;
Nótese que cada factor está identificado con una etiqueta en la línea del comando
INPUT. Por tanto, cada uno de ellos conformará una columna en el bloque de datos
que sigue a la instrucción DATALINES.
Las barras verticales en la línea de la orden MODEL se usan para indicar al PROC MIXED
que estime todas las posibles interacciones entre los factores. Así, C|S|TTO|TIEMPO,
es equivalente a escribir C S C*S TTO C*TTO S*TTO C*S*TTO TIEMPO C*TIEMPO
S*TIEMPO C*S*TIEMPO TTO*TIEMPO C*TTO*TIEMPO S*TTO*TIEMPO C*S*TTO*TIEMPO.
Sin importar el nombre asignado a los factores, pudiendo alguno de ellos llamarse
tratamiento —como frecuentemente ocurre—, debe tenerse claro que, en
Correa, Guillermo — Análisis de Medidas Repetidas 20
Se muestran a continuación las tablas con los criterios de información para cada una
de las tres estructuras evaluadas.
Num Den
Effect DF DF F Value Pr > F
C 1 14 31.06 <.0001
S 1 14 340.04 <.0001
C*S 1 14 174.51 <.0001
TTO 1 14 385.80 <.0001
C*TTO 1 14 161.53 <.0001
S*TTO 1 14 391.42 <.0001
C*S*TTO 1 14 98.96 <.0001
TIEMPO 2 32 721.29 <.0001
C*TIEMPO 2 32 18.49 <.0001
S*TIEMPO 2 32 4.47 0.0195
C*S*TIEMPO 2 32 17.16 <.0001
TTO*TIEMPO 2 32 0.48 0.6218
C*TTO*TIEMPO 2 32 3.76 0.0341
S*TTO*TIEMPO 2 32 6.61 0.0040
C*S*TTO*TIEMPO 2 32 0.47 0.6272
La gráfica muestra que las interacciones con el tiempo se deben básicamente a que
la mayoría de los tratamientos tienen similar comportamiento a las 24 horas,
haciéndose manifiestas sus diferencias sólo a partir de las 48 horas. El patrón de
diferencias observado para las 48 horas se mantiene para las 72 horas, existiendo
sólo un efecto aditivo del tiempo. Ello sugiere adelantar un análisis para las 24 horas
y otro análisis conjunto para las observaciones correspondientes a las 48 y las 72
horas.
Correa, Guillermo — Análisis de Medidas Repetidas 22
Ttos
% Sacarificación
25 C1S1T1
20 C1S1T2
15 C1S2T1
10 C1S2T2
5
C2S1T1
0
C2S1T2
24 h 48 h 72 h
C2S2T1
Horas C2S2T2
Figura 3. Tendencia en el tiempo del porcentaje de sacarificación para cada una de las
ocho combinaciones de tratamientos evaluadas.
Para que el PROC MIXED no tenga en cuenta las observaciones correspondientes a las
24 horas, sin necesidad de retirarlas físicamente, basta con introducir el filtro IF
TIEMPO > 24 en el paso DATA, después de la instrucción INPUT y antes de la
instrucción DATATALINES. Mediante esta orden se establece una condición necesaria
para cada una de las observaciones que habrán de formar parte de la base de datos
EJE2 (que el valor de TIEMPO sea mayor que 24).
Una interacción de segundo orden (entre tres factores) significa que las interacciones
de primer orden tienen diferente comportamiento en cada uno de los niveles del
tercer factor, tal y como se ilustra en la Figura 4. Esto quiere decir que los efectos de
un factor deberán ser evaluados en cada una de las combinaciones de los niveles de
los demás factores. En este caso, los efectos de cada uno de los tres factores en
Correa, Guillermo — Análisis de Medidas Repetidas 23
C 1 14 5.49 0.0344
S 1 14 133.09 <.0001
C*S 1 14 94.00 <.0001
TTO 1 14 160.11 <.0001
C*TTO 1 14 76.39 <.0001
S*TTO 1 14 142.49 <.0001
C*S*TTO 1 14 36.92 <.0001
TIEMPO 1 16 8.03 0.0120
C*TIEMPO 1 16 0.84 0.3724
S*TIEMPO 1 16 1.80 0.1989
C*S*TIEMPO 1 16 0.30 0.5928
TTO*TIEMPO 1 16 0.67 0.4258
C*TTO*TIEMPO 1 16 0.02 0.9035
S*TTO*TIEMPO 1 16 0.52 0.4809
C*S*TTO*TIEMPO 1 16 0.00 0.9941
22 15
21
14.5
20
19
14
18
S1 S1
17 13.5
Y
S2 S2
16
13
15
14
12.5
13
12 12
C1 C2 C1 C2
22 15
21
14.5
20
19
14
18
T1 T1
17 13.5
Y
Y
T2 T2
16
13
15
14
12.5
13
12 12
C1 C2 C1 C2
22 16
21
15.5
20
19
15
18
T1 T1
17 14.5
Y
Y
T2 T2
16
14
15
14
13.5
13
12 13
S1 S2 S1 S2
Figura 4. Interacción entre dos factores en cada uno de los niveles del tercer factor.
Standard
Effect C S TTO Estimate Error DF t Value Pr > |t|
Standard
Effect C S TTO _C _S _TTO Estimate Error DF t Value Pr > |t|
Con base en la anterior información, pueden construirse tablas resumen con las
comparaciones de los efectos simples. Se resalta en negrilla la información usada
para tal efecto.
S1 S2 Diferencia valor p
C1T1 21.75 12.85 8.9 <0.0001
C1T2 12.81 12.08 0.73 0.1298
C2T1 15.66 13.91 1.75 0.0018
C2T2 13.44 14.36 –0.92 0.0641
Correa, Guillermo — Análisis de Medidas Repetidas 26
T1 T2 Diferencia valor p
C1S1 21.75 12.81 8.94 <0.0001
C1S2 12.85 12.08 0.77 0.1131
C2S1 15.66 13.44 2.22 0.0002
C2S2 13.91 14.36 –0.44 0.3467
C1 C2 Diferencia valor p
S1T1 21.75 15.66 6.09 <0.0001
S1T2 12.81 13.44 –0.63 0.1865
S2T1 12.85 13.91 –1.06 0.0343
S2T2 12.08 14.36 –2.28 0.0002
Para evaluar la magnitud de la diferencia promedio entre las 48 y las 72 horas —lo
cual resulta adecuado, dado que el tiempo no presentó interacción significativa con
ningún otro efecto y su efecto fue significativo—, basta con introducir la instrucción
LSMEANS TIEMPO/PDIFF, con base en el cual se genera el siguiente resultado.
Standard
Effect TIEMPO _TIEMPO Estimate Error DF t Value Pr > |t|
Ello quiere decir que el porcentaje de sacarificación promedio a las 72 horas supera
el porcentaje de sacarificación promedio a las 48 horas en 0.4696 %. La
significancia de tal diferencia ya era conocida: nótese que el valor p es exactamente
igual al generado por el análisis de varianza (0.0120).
cada una de las parcelas con sus respectivas subparcelas se realizan cuatro lecturas
en el tiempo, lo que da lugar a un experimento con medidas repetidas.
DATA EJE3;
INPUT TIEMPO BLOQUES$ A$ B$ Y;
DATALINES;
6 I a1 b1 5.8
6 II a1 b1 8.3
.
.
.
24 II a3 b2 38.7
24 III a3 b2 40.8
;
Se muestran a continuación las tablas con los criterios de información para cada una
de las tres estructuras evaluadas.
Num Den
Effect DF DF F Value Pr > F
A 2 12 143.06 <.0001
B 1 9.66 195.35 <.0001
A*B 2 9.66 150.25 <.0001
TIEMPO 3 12 834.58 <.0001
TIEMPO*A 6 12 16.44 <.0001
TIEMPO*B 3 12 44.71 <.0001
TIEMPO*A*B 6 12 39.41 <.0001
Nótese que el procedimiento estima tres diferentes términos de error, tal y como se
detalla en la siguiente tabla.
Correa, Guillermo — Análisis de Medidas Repetidas 29
En este ejemplo, la interacción entre todos los factores resultó significativa, por lo
que se deben analizar los efectos simples correspondientes a la interacción de
segundo orden. Aunque podría usarse la instrucción LSMEANS A*B*TIEMPO/PDIFF
para generar todas las posibles comparaciones entre las combinaciones de los
niveles de los tres factores y generar tablas resumen como las ilustradas en el
ejemplo 2, o podrían plantearse contrastes como los ilustrados en el ejemplo 1, se
presentarán otras técnicas de análisis, sugeridas por una gráfica con el tiempo en la
abcisa y las combinaciones de tratamientos en su interior (Figura 5).
50
a1b1
40
a1b2
30 a2b1
Y
20 a2b2
a3b1
10
a3b2
0
6 12 18 24
Vale la pena resaltar que aunque el análisis gráfico resulta de gran utilidad para
ilustrar el escenario general, permitiendo al investigador plantear las preguntas más
pertinentes a cada situación, las correspondientes respuestas siempre deberán
respaldarse con una prueba formal de comparación de medias.
La pregunta relacionada con la aparente similitud entre los tratamientos a2b1 y a2b2
puede responderse mediante las comparaciones de los niveles de b en cada uno de
los niveles del factor a, lo cual se indica con las siguientes instrucciones:
Num Den
Effect A DF DF F Value Pr > F
Num Den
Effect TIEMPO DF DF F Value Pr > F
Nótese que con el uso de esta opción se generan pruebas de carácter general. En
este caso se está contrastando el siguiente juego de hipótesis:
Para averiguar cuáles son las combinaciones que difieren entre sí, pueden usarse las
comparaciones por pares o los contrastes, ilustrados en los ejemplos 1 y 2.
Num Den
Effect A B DF DF F Value Pr > F
Para averiguar cuáles son los tiempos que difieren entre sí, pueden usarse las
comparaciones por pares o los contrastes, ilustrados en los ejemplos 1 y 2.
3. CONSIDERACIONES FINALES
Los anexos 1, 2 y 3 incluyen las rutinas con la información básica para reproducir los
tres ejemplos propuestos. Esta información comprende el paso DATA, con todas las
observaciones, y los procedimientos MIXED que permiten obtener los análisis de
varianza ajustados con base en cada una de las tres estructuras de covarianza
ilustradas. Se anexa también un disco compacto con las correspondientes rutinas en
formato digital (Medidas Repetidas.sas).
Para ejecutar sólo alguna sección de tal rutina, deberá resaltarse con el ratón o
manteniendo presionada la tecla Shift mientras se realiza el desplazamiento por el
texto. Una vez seleccionada la sección deseada, se presiona la tecla F3 o se hace
clic sobre el ícono Submit, que está identificado con la silueta de una persona
corriendo .
Se incluye sólo la parte básica de cada ejemplo, con el ánimo de que las rutinas
incluidas sirvan de plantilla para el análisis de los datos del usuario. Una vez leído
este documento será fácil realizar las correspondientes adecuaciones.
4. REFERENCIAS BIBLIOGRÁFICAS
Diggle, Peter, J.; Kung—Yee Liang and Zeger, Scott L. Analysis of longitudinal data.
Clarendon Press. Oxford, 1994. ISBN 0198522843. 253 p.
Huynh, H. and Feldt, L. S. Conditions under which mean square ratios in repeated
measures designs have exact F—distributions. Journal of the American
Statistical Association. 1970. 65:1582—1589.
SAS Institute Inc. SAS OnlineDoc, Version 8. Cary (North Carolina, USA), 1999.
Versión electrónica.
5. ANEXOS
Correa, Guillermo — Análisis de Medidas Repetidas 35
2 C 3 12.1
3 C 3 10.5
4 C 3 10.8
1 D 3 23.5
2 D 3 24.3
3 D 3 24.7
4 D 3 25.2
1 E 3 12.0
2 E 3 12.3
3 E 3 11.8
4 E 3 12.5
1 A 4 23.1
2 A 4 22.4
3 A 4 22.2
4 A 4 23.7
1 B 4 24.8
2 B 4 25.2
3 B 4 24.7
4 B 4 23.3
1 C 4 13.5
2 C 4 13.9
3 C 4 12.6
4 C 4 12.8
1 D 4 27.3
2 D 4 28.0
3 D 4 28.4
4 D 4 29.1
1 E 4 13.6
2 E 4 12.8
3 E 4 13.0
4 E 4 13.2
1 A 5 28.7
2 A 5 27.6
3 A 5 27.1
4 A 5 28.4
1 B 5 29.3
2 B 5 31.2
3 B 5 30.3
4 B 5 29.5
1 C 5 15.1
2 C 5 14.3
3 C 5 13.9
4 C 5 14.8
1 D 5 32.1
2 D 5 30.8
3 D 5 31.6
4 D 5 32.4
1 E 5 16.1
2 E 5 13.3
3 E 5 15.2
4 E 5 16.0
;
Correa, Guillermo — Análisis de Medidas Repetidas 37
/* Modelación no estructurada */
PROC MIXED DATA=EJE1 ORDER=DATA NOITPRINT;
CLASS TTOS UE TIEMPO;
MODEL Y=TTOS TIEMPO TTOS*TIEMPO;
RANDOM UE(TTOS);
REPEATED TIEMPO/ SUB=UE(TTOS) TYPE=UN;
RUN;
2 C1 S1 T1 72 20.48
3 C1 S1 T1 72 22.48
1 C1 S1 T2 72 13.01
2 C1 S1 T2 72 13.24
3 C1 S1 T2 72 12.97
1 C1 S2 T1 72 13.09
2 C1 S2 T1 72 13.18
3 C1 S2 T1 72 13.01
1 C1 S2 T2 72 12.26
2 C1 S2 T2 72 12.43
3 C1 S2 T2 72 12.3
1 C2 S1 T1 72 16.49
2 C2 S1 T1 72 16.12
3 C2 S1 T1 72 15.73
1 C2 S1 T2 72 11.98
2 C2 S1 T2 72 15.73
3 C2 S1 T2 72 13.15
1 C2 S2 T1 72 13.89
2 C2 S2 T1 72 14.1
3 C2 S2 T1 72 13.81
1 C2 S2 T2 72 14.35
2 C2 S2 T2 72 13.76
3 C2 S2 T2 72 14.91
;
/* Modelación no estructurada */
PROC MIXED DATA=EJE2 ORDER=DATA NOITPRINT;
CLASS B C S TTO TIEMPO;
MODEL Y = B C|S|TTO|TIEMPO;
RANDOM B(C*S*TTO);
REPEATED TIEMPO/ SUB=B (C*S*TTO) TYPE=UN;
RUN;
6 II a3 b1 13.3
6 III a3 b1 7.6
12 I a3 b1 38
12 II a3 b1 36.1
12 III a3 b1 32.4
18 I a3 b1 39.9
18 II a3 b1 35.6
18 III a3 b1 36.1
24 I a3 b1 34.4
24 II a3 b1 35.6
24 III a3 b1 35.5
6 I a3 b2 10.3
6 II a3 b2 12.6
6 III a3 b2 9.1
12 I a3 b2 31.3
12 II a3 b2 36.6
12 III a3 b2 37.4
18 I a3 b2 37.1
18 II a3 b2 36.6
18 III a3 b2 35.8
24 I a3 b2 41.3
24 II a3 b2 38.7
24 III a3 b2 40.8
;
/* Modelación no estructurada */
PROC MIXED DATA=EJE3 ORDER=DATA NOITPRINT;
CLASS TIEMPO BLOQUES A B;
MODEL Y=A|B|TIEMPO/DDFM=SATTERTH;
RANDOM BLOQUES BLOQUES(A) BLOQUES(A*B);
REPEATED TIEMPO/SUB=BLOQUES(A*B) TYPE=UN;
LSMEANS A*B*TIEMPO/SLICE=A*B;
RUN;