ESTADÍSTICA EN CIÈNCIES

DEL COMPORTAMENT II
(TARDA)
TEMA 5 - PART 2
ELS CONTRASTOS
 ELS CONTRASTOS: introducció
Un contrast és una combinació lineal del tipus:
𝜓 = 𝑐$𝜇̅$ + 𝑐(𝜇̅( +...+ 𝑐) 𝜇̅) à

-
Amb la restricció:
* 𝑐+ = 0
+,$

La hipòtesi nul·la i l’alternativa d’un contrast seran:

Ho: 𝜓 = 0
H1: 𝜓 ≠ 0
 COM DEFINIM ELS COEFICIENTS?
1. En primer lloc definim les dos parts de la comparació. Suposem que
volem comparar no fer cap
Cap repàs 1 repàs 2 repassos 3 repassos
repàs amb fer-ne algun.
2. Definim una com a positiva i
l’altra com a negativa (és igual Cap repàs 1 repàs 2 repassos 3 repassos
quina es quina) i donem un -1
coeficient qualsevol a un grup.
3. Aleshores tots els grups Cap repàs 1 repàs 2 repassos 3 repassos
d’aquesta part han de tenir el -1 -1 -1
mateix valor.
4. Com que la suma de tots ha Cap repàs 1 repàs 2 repassos 3 repassos
de valer zero els coeficients 3 -1 -1 -1
seran:
 UN EXEMPLE
Suposem que en l’exemple del nombre de repassos triem com a
coeficients 3 -1 -1 i -1:
𝜓 = 3𝑦1$ + (−1)𝑦1( +(−1)𝑦17+ + −1 𝑦18 = 3𝑦1$- 𝑦1( − 𝑦17- 𝑦18
91 ;91 + 91
= 𝑦1$-( : < = )
7 -

Es compleix que: * 𝑐+ = 0 Perquè 3-1-1-1=0

+,$

Si Ho: 𝜓 = 0 → No hi ha diferència entre no repassar i fer-ho alguna vegada

Si H1: 𝜓 ≠ 0 → Hi ha diferència entre no repassar i fer-ho alguna vegada
Cada grup de coeficients ens donarà una nova informació. Per exemple,
1 – 1 0 0 ens diria si hi ha diferència entre no repassar i fer-ho tan sols un cop.
 ELS CONTRASTOS: TIPUS
Quan fem més d’un contrast hi ha dos tipus de grups de contrastos, els
ortogonals i els no ortogonals.
La característica principal dels contrastos ortogonals és que ens donen
informació independent, és a dir, la informació que dona un contrast no
està inclosa en cap altra.
En canvi els contrastos no ortogonals ens donen informació redundant,
és a dir, la informació que dona un contrast està inclosa parcialment en
un altra.
 QUÈ VOL DIR INFORMACIÓ INDEPENDENT?
Suposem que volem fer dos comparacions: A vs B i C A vs B
La diferència entre A i BC (primer contrast) és deu en part a la diferència
que hi ha entre A i B (segon contrast), per tant part de la informació del
segon contrast està en el primer i no són ortogonals perquè no donen
informació independent.

Ara suposem que volem fer aquestes dos: A vs B i C B vs C

La comparació entre A i BC no ens diu res respecte de les possibles
diferències entre B i C, podrien ser molt semblants o molt diferents entre
ells. Com a conseqüència la informació que ens donen aquests contrastos
és independent i són ortogonals.
 COM SABEM QUE SÓN ORTOGONALS?
Perquè un grup de contrastos sigui ortogonal s’ha de complir per
cada contrast que: -
𝜓 = 𝑐$𝜇̅$ + 𝑐(𝜇̅( +...+ 𝑐) 𝜇̅) * 𝑐+ = 0
+,$
A més a més per a qualsevol de parell de contrastos a y b s’ha de
-
complir que:
* 𝑐+(?) 𝑐+(@) = 0
+,$
Com que cada contrast explica una proporció independent de
variància al final no quedarà res per explicar i per tant no podran haver
més contrastos ortogonals. El nombre màxim que podem fer-ne és (j-
1) que són els graus de llibertat entretractaments disponibles.
 DOS EXEMPLES
Suposem que fem aquest grup de contrastos en un experiment amb
tres nivells de tractament:
2 −1 −1 No són ortogonals ja que:
1 −1 0 -
(2*1)+(-1*-1)+(-1*0)=3 à * 𝑐+(?) 𝑐+(@) ≠ 0
+,$
En canvi:
1 1 −2 Sí que són ortogonals ja que:
1 −1 0 -

(1*1)+(1*-1)+(-2*0)= 0 à * 𝑐+(?) 𝑐+(@) = 0

+,$
 INFERÈNCIA AMB CONTRASTOS
El nostre problema és trobar una prova d’inferència que ens permeti
decidir si el valor del contrast en la població es zero o no. Com que els
contrastos el que fan és explicar una part de la variabilitat
entretractaments, si podem calcular la suma de quadrats del contrast
podem decidir si acceptem o rebutgem fent servir la F d’Snedecor.
𝑛(𝑐 E 𝑚)(
La Suma de Quadrats d’un contrast val: 𝑆𝑄𝜓 =
𝑐 E𝑐
On:
n: individus per grup
c: vector amb els coeficients.
m: vector amb les mitjanes dels grups.
UN EXEMPLE AMB LES DADES HABITUALS (1)
Fem les següents comparacions (podeu comprovar que són
ortogonals): -1 1 0 0 -1 -1 2 0 -1 -1 -1 3
𝑛(𝑐 E 𝑚)(
Les Sumes de Quadrats seran: 𝑆𝑄𝜓 =
𝑐 E𝑐
: :
7 7
8 GH H I I 8 8 GH GH : I 8
J J
K 8 $ ( K 8 N (
𝑆𝑄1 = L$ = =2 𝑆𝑄2 = L$ = = 16,66
( J
(L$ $ M M ) $M (L$ L$ ( M ) L$
: (
M 7 M
8 GH GH GH < 8
J
K 8 Q (
𝑆𝑄3 = L$ = = 21,33
$(
(L$ L$ L$ 7 ) L$
L$
7
UN EXEMPLE AMB LES DADES HABITUALS (2)
Ara completem la taula de l’anàlisi de la variància:

Recordem de
2 1 2 1.09 quins contrastos
16.666 1 16.666 9.088 estem parlant:
-1 1 0 0
21.333 1 21.333 11.63 -1 -1 2 0
-1 -1 -1 3

Com que F(0.05, 1, 12)= 4.747, rebutgem la hipòtesi nul·la per al segon i
tercer contrastos. És a dir hi ha diferència entre fer 2 repassos vers cap o
un, i entre fer cap,1 ó dos, en comparació a fer-ne tres. On no hi ha cap
diferència és entre no repassar i repassar tan sols un cop.
 ANÀLISI DE TENDÈNCIES (1)
Són un tipus de contrastos ortogonals en els que cada un d’ells està
relacionat amb una possible relació entre la variable independent i la
dependent.

Per exemple si en una

12

relació quadràtica com la 10

següent provem el contrast 8

Paraules
1 1 -1 -1 (Mitjana dels dos 6

primer grups contra mitjana 4

dels dos següents) trobarem 2

molt poca diferència. 0

0 1 2 3 4
Repassos
 ANÀLISI DE TENDÈNCIES (2)
Ara imaginem que provem el 1 -1 -1 1 (Mitjana de cap repàs i
tres contra 1 ó 2).

12

10

8
Paraules

0
0 1 2 3 4
Repassos
 ANÀLISI DE TENDÈNCIES (3)
Com podem veure un contrast detecta una diferència gran i l’altre no, això
és perquè un està associat a la tendència lineal i l’altra a la quadràtica.
12

10

8
Paraules

0
0 1 2 3 4
Repassos
 ANÀLISI DE TENDÈNCIES (4)
Les tendències habituals són:

Lineal Quadràtica Cúbica

4t grau 5è grau 6è grau

 UN EXEMPLE (1)
En l’exemple dels repassos tenim quatre nivells de tractament i per tant
podem fer tres contrastos ortogonals així doncs provarem les
tendències lineal, quadràtica i cúbica.
Els coeficients seran: (-3 -1 1 3), (1 -1 -1 1) i (-1 3 -3 1) respectivament.
Aquests coeficients estan en les taules de la majoria de manuals de
disseny experimental.

Així, rebutjar la hipòtesi nul·la de la relació lineal és indicador que ens

trobem davant una relació lineal (i així amb les altres tendències).
La conclusió final que prendrem serà de tendencia lineal o quadràtica o
polinómica, però no més d’una tendència.
 UN EXEMPLE (2)
Aplicant les dades obtenim la taula següent:
Si comparem amb F(0.05, 1,
12) que és 4.747, veiem que
tan sols rebutgem per la
relació lineal, és a dir,
sembla ser que el nombre
de repassos i el nombre de
paraules recordades es
relacionen de forma lineal .

¡! L’anàlisi de tendències només podem estudiar-lo quan la

variable independent estigui com a mínim en escala ordinal.
 UN EXEMPLE (3)
Hem vist doncs que tan sols rebutgem per la relació lineal, és a dir,
sembla ser que el nombre de repassos i el nombre de paraules
recordades es relacionen de forma lineal .
De fet si representem gràficament els nostres resultats veiem que
la relació que millor s’ajusta és aquesta: