Comparación de los Métodos de Mínima Diferencia Significativa (LSD) y Dunnett para experimentos balanceados
DOI:
https://doi.org/10.54139/riiant.v8i28.381Palabras clave:
Mínima Diferencia Significativa, Prueba de Dunnett, Simulación de muestrasResumen
La investigación está centrada en analizar los métodos de comparación múltiple de medias de tratamientos de Mínima Diferencia Significativa (LSD) y Dunnett para experimentos balanceados, según su potencia muestral observada, usando muestras simuladas. Es de vital importancia una vez realizado el experimento, definir si existe o no una diferencia significativa en las medias de los tratamientos, y contar con un procedimiento estadístico confiable que permita observar dicha diferencia. Para ello, se simularon 1920 situaciones experimentales, a las cuales se le aplicó el ANOVA y cada una de las dos pruebas antes mencionadas para determinar diferencias significativas entre las medias de tratamientos, determinando un error tipo I o tipo II muestral según sea el caso. En general, se obtuvo que en términos de la potencia, la prueba de Mínima Diferencia Significativa resulta ser más potente que la prueba de Dunnett, evidenciando tener una mayor probabilidad muestral de detectar diferencias significativas entre las medias de tratamientos, cuando éstas realmente existen.
Descargas
Citas
Atil, H. & Unver, Y. (2001). Multiple Comparisons. Journal of Biological Sciences, 1 (8), 723-727, 2001. https://doi.org/10.3923/jbs.2001.723.727 DOI: https://doi.org/10.3923/jbs.2001.723.727
Basu, P., Cai, T., Das, K. & Sun, W. (2018). Weighted False Discovery Rate Control in Large-Scale Multiple Testing. Journal of the American Statistical Association, 113 (23), 1172-1183. https://doi.org/10.1080/01621459.2017.1336443 DOI: https://doi.org/10.1080/01621459.2017.1336443
Giri, L. & Miguel, H. (2018). El modelo de simulación como generador de explicaciones causales. Theoria: An International Journal for Theory, History and Foundations of Science, 33 (1), 111-128. https://www.jstor.org/stable/26355572 DOI: https://doi.org/10.1387/theoria.17826
Kuehl, R. (2001). Diseño de Experimentos, 2da ed. México: Thompson Editores.
Mendenhall, W., Beaver, R., & Beaver B. (2015). Introducción a la Probabilidad y Estadística. 14ª ed. México: Cengage Learning Editores.
Montgomery, D. (2004). Diseño & Análisis de Experimentos, 2da ed. México: Editorial Limusa.
Rafter, J., Abell, M. & Braselton, J. (2002). Multiple Comparison Methods for Means. Society for Industrial and Applied Mathematics, 44 (2), 259–278. https://doi.org/10.1137/S0036144501357233 DOI: https://doi.org/10.1137/S0036144501357233
Sauder, D. & DeMars, C. (2019). An Updated Recommendation for Multiple Comparisons. Advances in Methods and Practices in Psychological Science, 2 (1), 26-44. https://doi.org/10.1177/2515245918808784 DOI: https://doi.org/10.1177/2515245918808784
Steel, R., & Torrie, J. (1985). Bioestadística: Principios y Procedimientos, 2da ed. Bogotá: Editorial McGraw Hill Latinoamericana.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Eduardo Vargas Cano, Edwin Vargas Cano
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
