Tema 11: Pruebas no paramétricas Flashcards
Pruebas no paramétricas
Las pruebas paramétricas exigen:
Variables dependientes cuantitativas.
Las pruebas paramétricas exigen, entre otras cosas, que las variables sean cuantitativas. Si tus variables son ordinales o nominales tienes que hacer pruebas no paramétricas.
Una de las ventajas de las pruebas paramétricas frente a las no paramétricas es:
Que tienen mayor potencia.
Las pruebas paramétricas tienen más potencia que las pruebas no paramétricas, aunque sean más complejas y requieran el cumplimiento de los supuestos. Por lo que, si podemos elegir, siempre optaremos por las pruebas paramétricas.
Si queremos contrastar una diferencia de medias entre pacientes con estrés
postraumático y pacientes con ansiedad generalizada en una variable ordinal
usaremos:
Wilcoxon para muestras independientes.
La variable al ser ordinal necesita de un contraste no paramétrico. Concretamente, una Wilcoxon para muestras independientes o Kruskal-Wallis.
Si queremos contrastar una diferencia de medias entre personas que han pasado
por dos condiciones experimentales, para valorar el cambio en «Actitud frente a
la vida», medido con un ítem cuyos valores van de uno a cinco, usaremos:
Wilcoxon para muestras relacionadas.
La variable al ser ordinal necesita de un contraste no paramétrico. Concretamente una Wilcoxon para muestras relacionadas.
Si queremos contrastar una diferencia de medias entre personas que han pasado
por tres condiciones experimentales, para valorar el nivel intelectual (CI)
optaremos por usar:
ANOVA de un factor
Cuando la variable es cuantitativa, si se cumplen los supuestos, se debe hacer un contraste paramétrico. Concretamente un ANOVA de un factor.
Relaciona las pruebas paramétricas con su equivalente no paramétrico:
A. Prueba T de independientes
B. Prueba T de relacionadas
C. ANOVA de un factor
A. Wilcoxon de independientes
B. Wilcoxon de relacionadas
C. Kruskal-Wallis
La siguiente función: wilcox.test(notas ~ condición, data = bbdd, exact =
FALSE), sirve para:
Wilcoxon para muestras independientes.
Es la función de Wilcoxon para muestras independientes. La función de ANOVA es aov() y la t de Student es t.test.
La siguiente función: wilcox.test(tiempo ~ tiempo, data = bbdd, paired =
TRUE), sirve para:
Wilcoxon para muestras relacionadas.
Es la función de Wilcoxon para muestras relacionadas —hay que fijarse en Paired—.
Si tengo más de tres grupos sobre los cuales quiero hacer un contraste de medias
sobre una variable ordinal usaré:
Kruskal-Wallis.
Si tienes una variable dependiente ordinal y quieres hacer una diferencia de medias, lo más apropiado es hacer una Kruskal-Wallis.
Si el nivel crítico de la prueba de Kruskal-Wallis es significativo tendré que:
Valorar los efectos por pares con Wilcoxon con la corrección BH.
Si los resultados de la prueba de Kruskal-Wallis son significativos, las comparaciones por pares se hacen con Wilcoxon con la corrección de BH. Porque si no podría estar cometiendo un error tipo I.
