Saltar al contenido
Volver a los resultados

Experimento factorial — Diseño experimental factorial

Propuesto por
Ronald A. Fisher
Año
1926–1935
Tipo
Quantitative experimental design
Familia
Experimental design

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

Un experimento factorial es un diseño experimental en el que se manipulan dos o más variables independientes (factores) simultáneamente, y se prueban todas las combinaciones de sus niveles.

Introducido por Ronald Fisher en las décadas de 1920-1930, es el enfoque estándar siempre que un investigador necesita detectar no solo el efecto principal de cada factor, sino también si el efecto de un factor depende del nivel de otro — el efecto de interacción.

La intuición detrás del método

Imagine probar un nuevo fertilizante (sí/no) y dos niveles de riego (bajo/alto) en el rendimiento de los cultivos. Un enfoque de "un factor a la vez" requeriría dos experimentos separados. Un experimento factorial prueba las cuatro combinaciones — fertilizante-sí/riego-bajo, fertilizante-sí/riego-alto, fertilizante-no/riego-bajo, fertilizante-no/riego-alto — en un solo estudio. Esto no solo ahorra recursos, sino que es la única manera de descubrir si el fertilizante funciona mejor bajo riego alto que bajo riego bajo. Ese patrón cruzado es una interacción, y los diseños factoriales están específicamente diseñados para detectarla.

Historia

Ronald Fisher formalizó la lógica de los experimentos factoriales en su artículo de 1926 sobre experimentos agrícolas y elaboró la teoría en su libro fundamental de 1935, The Design of Experiments, donde introdujo los conceptos de aleatorización, replicación y cruzamiento factorial como base de la inferencia empírica sólida. El trabajo de Fisher estuvo motivado por la necesidad práctica de probar múltiples intervenciones agronómicas simultáneamente en lugar de una a la vez. A mediados del siglo XX, los diseños factoriales habían sido adoptados en psicología, ingeniería, medicina y ciencias sociales. El libro de texto ampliamente utilizado de Douglas Montgomery, Design and Analysis of Experiments (primera edición 1976), llevó los métodos factoriales y factoriales fraccionales a audiencias de ingeniería e industriales, consolidando el enfoque como una piedra angular de la metodología experimental.

Cuándo usarlo

Utilice un experimento factorial cuando tenga dos o más factores que desee estudiar en un solo estudio y cuando la detección de interacciones sea científicamente importante. Es preferible a los diseños de "un factor a la vez" siempre que los recursos lo permitan, ya que proporciona la misma información sobre cada factor a un costo total de muestra menor y, además, produce estimaciones de interacción. Evítelo cuando el número de factores sea grande (cuatro o más factores con múltiples niveles cada uno crea un número inmanejable de celdas); en esos casos, prefiera un diseño factorial fraccional o un método de superficie de respuesta. No utilice un diseño factorial completo cuando solo tenga un factor — un simple ensayo controlado aleatorizado (ECA) o un ANOVA unidireccional es suficiente. Evítelo también cuando sea operacionalmente imposible administrar todas las combinaciones de niveles de factores.

Limitaciones y consideraciones

  • El requisito de tamaño de muestra crece multiplicativamente con el número de factores y niveles, lo que hace que los diseños grandes sean costosos.
  • Los diseños factoriales completos con muchos factores a menudo no son factibles; los investigadores deben recurrir a diseños fraccionales con alguna pérdida de información.
  • La interpretación se vuelve compleja cuando múltiples interacciones de orden superior son significativas, requiriendo gráficos cuidadosos y análisis de efectos simples de seguimiento.
  • Se deben verificar todas las suposiciones estándar del ANOVA factorial (normalidad, homogeneidad de varianza, independencia) y, si se violan, abordarlas.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • El único diseño que puede estimar efectos de interacción entre factores — la característica más informativa de la investigación multifactorial.
  • Más eficiente estadísticamente que estudios separados de un solo factor: cada observación contribuye a estimar cada efecto principal.
  • Soporta la inferencia causal cuando los factores se aleatorizan completamente, cumpliendo el mismo estándar que un ensayo controlado aleatorizado.
  • Altamente flexible: los factores pueden ser entre-sujetos, intra-sujetos (medidas repetidas) o mixtos.
  • Hallazgos generalizables: las conclusiones sobre el factor A se aplican a todos los niveles probados del factor B en lugar de bajo una única condición arbitraria.

Aplicaciones

  • Psicología: estudiar cómo los efectos de una intervención cognitiva difieren según el grupo de edad o el género del participante (diseño entre-sujetos 2 × 2).
  • Agricultura y biología: probar combinaciones de tipo de fertilizante y nivel de riego en el rendimiento de los cultivos.
  • Ingeniería y manufactura: optimizar la calidad del producto variando simultáneamente la temperatura del proceso, la presión y el grado del material.
  • Farmacología: evaluar combinaciones de dosis de fármaco y vía de administración en la biodisponibilidad.
  • Educación: evaluar si un nuevo método de enseñanza es igualmente efectivo en diferentes tamaños de clase y áreas temáticas.
  • Marketing: probar combinaciones de encuadre del mensaje y canal de medios en la intención de compra del consumidor.

Cómo funciona

Cómo funciona

1

Identifique todas las variables independientes (factores) de interés teórico o práctico y fije el conjunto de niveles para cada una. Un diseño 2 x 3, por ejemplo, tiene un factor con 2 niveles y un segundo factor con 3 niveles, lo que produce 6 condiciones de tratamiento. La elección de los niveles debe basarse en investigaciones previas o en la teoría sustantiva, no en la conveniencia arbitraria.

2

Forme todas las combinaciones posibles de niveles de factores. Este cruzamiento es lo que define un diseño factorial: si el factor A tiene a niveles y el factor B tiene b niveles, el diseño contiene a × b celdas de tratamiento. El cruzamiento completo asegura que los efectos principales y todas las interacciones sean estimables sin confusión.

3

Asigne aleatoriamente unidades experimentales (participantes, parcelas, lotes) a las celdas de tratamiento o, en una variante intra-sujeto, aleatorice el orden en que cada unidad recibe todas las condiciones. La aleatorización adecuada es esencial para la inferencia causal válida y para satisfacer la suposición de independencia subyacente al ANOVA factorial.

4

Administre cada condición de tratamiento de acuerdo con el protocolo y registre la variable de resultado para cada unidad. Mantener procedimientos consistentes en todas las celdas — excepto por la manipulación intencional de los factores — es fundamental para descartar confusiones.

5

Ajuste un modelo ANOVA factorial (o de regresión con términos de interacción): Y = mu + alpha_i + beta_j + (alpha*beta)_ij + epsilon_ijk. Se calculan pruebas de significancia y estimaciones del tamaño del efecto (eta-cuadrado, omega-cuadrado) para cada efecto principal y cada término de interacción. La razón F para cada fuente compara su cuadrado medio con el cuadrado medio residual.

Fórmula
Y = mu + alpha_i + beta_j + (alpha*beta)_ij + epsilon_ijk
6

Examine los gráficos de interacción (medias de celda graficadas con un factor en el eje x y líneas para el otro factor). Las líneas no paralelas señalan una interacción: el efecto de un factor no es uniforme en todos los niveles del otro. Cuando se encuentra una interacción significativa, los efectos principales deben interpretarse con cautela — los análisis de efectos simples (un factor en cada nivel del otro) aclaran el patrón.

Errores comunes

  • Ignorar interacciones significativas e interpretar efectos principales de forma aislada — cuando existe una interacción, un efecto principal es un promedio engañoso de subgrupos heterogéneos; siempre grafique primero las medias de las celdas.
  • Subestimación de celdas individuales — la potencia en un diseño factorial debe calcularse para el efecto esperado más pequeño (a menudo la interacción), no solo para los efectos principales; el uso de fórmulas de potencia para efectos principales conduce a pruebas de interacción con potencia insuficiente.
  • Fallo en la aleatorización o balanceo de tamaños de celda — tamaños de celda desiguales introducen no ortogonalidad, complicando la partición de la varianza; utilice sumas de cuadrados de Tipo III e informe explícitamente el desequilibrio.
  • Tratar un diseño factorial como si fueran ANOVAs unidireccionales separados — ejecutar ANOVAs individuales para cada factor ignora la estructura cruzada e infla el error de Tipo I; siempre analice el modelo factorial completo.
  • Incluir demasiados factores — cada factor añadido multiplica el número de celdas y la complejidad de los gráficos de interacción; cuatro o más factores generalmente requieren un enfoque fraccional o de superficie de respuesta.

Preguntas frecuentes

¿Cuál es la diferencia entre un experimento factorial y un experimento factorial completo?

Todo experimento factorial completo es un experimento factorial — los términos a menudo se usan indistintamente. Cuando los investigadores los distinguen, "experimento factorial" es la categoría general (incluye variantes completas y fraccionales), y "factorial completo" especifica que se incluye cada combinación posible de niveles de factores. Un factorial fraccional omite un subconjunto sistemático de celdas para reducir el costo, a costa de confundir interacciones de orden superior.

¿Cuántos participantes necesito por celda?

Como mínimo, se necesitan dos o tres observaciones por celda para estimar la varianza intra-celda, pero esto rara vez es suficiente para una potencia adecuada. Un análisis de potencia formal utilizando el tamaño del efecto esperado para la interacción (típicamente menor que los efectos principales) y los niveles de alfa y potencia deseados debe determinar el tamaño de la celda. De cinco a veinte participantes por celda es un rango de trabajo común en investigación conductual, pero los estudios de ingeniería pueden usar tres o menos con alta precisión de medición.

¿Qué pasa si mi interacción es significativa, ¿aún reporto los efectos principales?

Sí, pero con precaución. Cuando existe una interacción significativa, los efectos principales describen promedios de condiciones heterogéneas, lo que puede ser engañoso. Repórtelos, pero centre la interpretación en la interacción: realice análisis de efectos simples (probando un factor por separado en cada nivel del otro) y presente gráficos de interacción para que los lectores puedan ver el patrón directamente.

¿Se pueden usar diseños factoriales con factores intra-sujeto (medidas repetidas)?

Sí. Los diseños factoriales mixtos combinan al menos un factor entre-sujetos con al menos un factor intra-sujeto. También son posibles los diseños factoriales completamente intra-sujeto. Estos diseños aumentan la potencia estadística porque se controlan las diferencias individuales, pero introducen efectos de arrastre y de orden que deben abordarse mediante contrabalanceo o períodos de lavado.

¿Cuándo debería usar un factorial fraccional en su lugar?

Cuando el número de factores es grande (típicamente cuatro o más con múltiples niveles cada uno), ejecutar todas las combinaciones de tratamiento se vuelve prohibitivamente costoso. Un diseño factorial fraccional prueba una fracción cuidadosamente elegida de las celdas — sacrificando estimaciones de interacciones de orden superior (que a menudo son insignificantes en la práctica) a cambio de una reducción drástica en el número de ejecuciones. Si las interacciones más allá de las de dos vías son teóricamente implausibles, un diseño de media fracción o cuarto de fracción suele ser la mejor opción.

Métodos relacionados

Fuentes

  1. Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.

    Abrir referencia de la publicación
    Copiado.
  2. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

    ISBN: 978-1119320937
    Copiado.