Si el modelo no satisface las suposiciones de ANOVA (normalidad en particular), si es unidireccional, se recomienda la prueba no paramétrica de Kruskal-Wallis. Pero, ¿qué pasa si tienes múltiples factores?
Si el modelo no satisface las suposiciones de ANOVA (normalidad en particular), si es unidireccional, se recomienda la prueba no paramétrica de Kruskal-Wallis. Pero, ¿qué pasa si tienes múltiples factores?
Respuestas:
Puedes usar una prueba de permutación.
Forme su hipótesis como una prueba de modelo completa y reducida y, utilizando los datos originales, calcule la estadística F para la prueba de modelo completa y reducida (u otra estadística de interés).
Ahora calcule los valores ajustados y los residuos para el modelo reducido, luego permute al azar los residuos y agréguelos a los valores ajustados, ahora realice la prueba completa y reducida en el conjunto de datos permutado y guarde el estadístico F (u otro). Repita esto muchas veces (como 1999).
El valor p es entonces la proporción de las estadísticas que son mayores o iguales que la estadística original.
Esto se puede usar para probar interacciones o grupos de términos, incluidas las interacciones.
La prueba de Kruskal-Wallis es un caso especial del modelo de probabilidades proporcionales. Puede usar el modelo de probabilidades proporcionales para modelar múltiples factores, ajustar por covariables, etc.
La prueba de Friedman proporciona un equivalente no paramétrico a un ANOVA unidireccional con un factor de bloqueo, pero no puede hacer nada más complejo que esto.