Modelización de diseños split-plot y estructuras de covarianza no estacionarias: un estudio de simulación

Autores/as

  • Roser Bono Facultad de Psicología, Universidad de Barcelona España
  • Jaume Arnau Facultad de Psicología, Universidad de Barcelona España
  • Guillermo Vallejo Facultad de Psicología, Universidad de Oviedo España

DOI:

https://doi.org/10.24310/espsiescpsi.v3i3.13341

Palabras clave:

Estructuras de covarianza, diseños split-plot, modelos de coeficientes aleatorios, criterio Akaike, simulación Monte Carlo

Resumen

Un tema que ha suscitado mayor interés entre los investigadores del análisis de datos longitudinales ha sido el desarrollo, a través de estudios de simulación, de modelos de análisis que incorporen aquellas estructuras de covarianza que mejor se ajusten a los datos. Al analizar las estructuras de covarianza en el ámbito de datos longitudinales, nos encontramos que no siempre las varianzas son constantes. Así, es frecuente que las varianzas incrementen con el tiempo cuando las correlaciones entre observaciones igualmente espaciadas no son homogéneas. En este trabajo llevamos a cabo un estudio de simulación, a fin de analizar dos estructuras de coeficientes aleatorios con correlaciones no estacionarias. La primera con varianzas constantes (RC) y la segunda, dada su utilidad en contextos longitudinales, con varianzas que presentan una estructura lineal (RCL). Una vez generadas ambas matrices de covarianza, RC y RCL, se ajustan once estructuras de covarianza mediante el PROC MIXED para el criterio Akaike, lo que permite seleccionar la de mejor ajuste. El objetivo de este estudio es conocer cuáles son los porcentajes de ajuste de las distintas matrices de covarianza y en que medida la de mejor ajuste es la matriz de covarianza de la población.

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...

Citas

Algina, J. y Keselman, H. J. (1998). A power comparison of the Welch-James and Improved General Approximation tests in the split-plot designs. Journal of educational and Behavioral Statistics, 23, 152-169.

Arnau, J. y Bono, R. (2008). Estudios longitudinales. Modelos de diseño y análisis. Escritos de Psicología, 2, 30-39.

Arnau, J., Bono, R. y Vallejo, G. (2009). Analyzing small samples of repeated measures data with the mixed-model adjusted F test. Communications in Statistics. Simulation and Computations, 38, 1083-1103.

Bono, R., Arnau, J. y Vallejo, G. (2008). Técnicas de análisis aplicadas a datos longitudinales en Psicología y Ciencias de la Salud: Período 1985-2005. Papeles del Psicólogo, 29, 136-146.

Cnaan, A., Laird, N. M. y Slasor, P. (1997). Using the general linear mixed model to analyze unbalanced repeated measures and longitudinal data. Statistics in Medicine, 16, 2349-2380.

Diggle, P. J., Liang, K. Y. y Zeger, S. L. (1994). Analysis of longitudinal data. New York: Oxford University Press.

Edwards, L. J. (2000). Modern statistical techniques for the analysis of longitudinal data in biomedical research. Pediatric Pulmony, 30, 330-344.

Ferron, J., Dailey, R. y Yi, Q. (2002). Effects of misspecifying the first-level error structure in two-levels models of change. Multivariate Behavior Research, 37, 379-403.

Gomez, E. V., Schaalje, G. B. y Fellingham, G. W. (2005). Performance of the Kenward-Roger method when the covariancia structure is selected using AIC and BIC. Communication in Statistics. Theory and Methods, 34, 377-392.

Helms, R. W. (1992). Intentionally incomplete longitudinal designs: I. Methodology and comparison of some full span designs. Statistics in Medicine, 11, 1889-1993.

Keselman, H. J., Algina, J., Kowalchuk R. K. y Wolfinger, R. D. (1998). A comparison of two approaches for selecting covariance structures in the analysis of repeated measurements. Communications in Statistics. Simulation and Computation, 27, 591-604.

Keselman, H. J., Algina, J., Kowalchuk R. K. y Wolfinger, R. D. (1999). A comparison of recent approaches to the analysis of repeated measurements. British Journal of Mathematical and Statistical Psychology, 52, 63-78.

Keselman, H. J., Carriere, K. C. y Lix, L. M. (1993). Testing repeated measures hypotheses when covariance matrices are heterogeneous. Journal of Educational Statistics, 18, 305-319.

Laird, N. M. y Ware, J. H. (1982). Random effects models for longitudinal data. Biometrics, 38, 963-974.

Littell, R. C., Milliken, G. A., Stroup, W. W. y Wolfinger, R. D. (1996). SAS system for mixed models. Cary, NC: SAS Institute.

Livacic-Rojas, P., Vallejo, G. y Fernández, P. (2006). Procedimientos estadísticos alternativos para evaluar la robustez mediante diseños de medidas repetidas. Revista Latinoamericana de Psicología, 38, 579-599.

Lix, L. M., Algina, J., Keselman, H. J. (2003). Analyzing multivariate repeated measures designs: A comparison of two approximate degrees of freedom procedures. Multivariate Behavioral Research, 38, 403-431.

Micceri, T. (1989). The unicorn, the normal curve, and other improbable creatures. Psychological Bulletin, 105, 156-166

Núñez-Antón. V. y Zimmerman, D. L. (2000). Modeling nonstationary longitudinal data. Biometrics, 56, 699-705.

Núñez-Antón. V. y Zimmerman, D. L. (2001). Modelización de datos longitudinales con estructuras de covarianza no estacionarias : modelos de coeficientes aleatorios frente a modelos alternativos. Qu?estió, 25, 225-262.

SAS Institute. (1997). SAS Macro language: Reference. Cary, NC: Author.

SAS Institute. (1999a). SAS/IML software, usage and reference, Version 8. Cary, NC: Author.

SAS Institute. (1999b). SAS Language reference: Dictionary, Version 8. Cary, NC: Author.

Singer, J. D. y Willett, J. B. (2005). Longitudinal research: Current status and future prospects. Consulta 12 de septiembre de 2007 de la World Wide Web: http://gseweb.harvard.edu/~faculty/singer/Presentations/Longitudinal%20research.ppt.

Vallejo, G., Arnau, J., Bono, R., Fernández, P. y Tuero, E. (2010). Selección de modelos anidados para datos longitudinales usando criterios de información y la estrategia de ajuste condicional. Psicothema, 22, 323-333.

Vallejo, G. y Ato, M. (2006). Modified Brown-Forsythe procedure for testing interactions effects in split-plot designs. Multivariate Behavioral Research, 41, 549-578.

Vallejo, G., Ato, M. y Valdés, T. (2008). Consequences of misspecifying the error covariance structure in linear mixed models for longitudinal data. Methodology. European Journal of Research for the Behavioral and Social Sciences, 4, 10-11.

Vallejo, G., Fidalgo, A. y Fernández, P. (2001). Effects of covariance heterogeneity on three procedures for analyzing multivariate repeated measures designs. Multivariate Behavioral Research, 36, 1-27.

Verbeke, G. y Molenberghs, G. (2000). Linear Mixed Models for Longitudinal Data. New York: Springer-Verlag.

Wolfinger, R. D. (1996). Heterogeneous variance-covariance structures for repeated measurements. Journal of Agricultural, Biological, and Enviromental Statistics, 1, 205-230.

Zeger S. L. y Liang, K. Y. (1992). An overview of methods for the analysis of longitudinal dada. Statistics in Medicine, 11, 1825-1839.

Descargas

Publicado

2010-09-01

Cómo citar

Bono, R., Arnau, J., & Vallejo, G. (2010). Modelización de diseños split-plot y estructuras de covarianza no estacionarias: un estudio de simulación. Escritos De Psicología - Psychological Writings, 3(3), 1–7. https://doi.org/10.24310/espsiescpsi.v3i3.13341

Número

Sección

Artículos