Hola,
Estoy analizando los datos de una prueba sensorial, en la que los participantes tenían que indicar qué tan aceptable consideraban una muestra para el consumo. En estos datos, las puntuaciones de aceptabilidad que pueden dar van del 1 al 9. En total hay que evaluar 8 muestras. Tengo 50 consumidores diferentes, cada uno de los cuales evaluó las 8 muestras. Así que tengo 400 puntajes en total y quiero tener en cuenta la variabilidad entre los consumidores al usar el consumidor como una variable de bloque en la plataforma Fit Y by X. También he realizado este análisis con la herramienta Fit Model, especificando consumidor como efecto aleatorio. Los resultados de ambos análisis me dan el mismo valor p, pero hay algo que todavía me desconcierta. En la plataforma Fit Y by X, se produce un gráfico de la variable de respuesta. Debido a que especifiqué consumidor como una variable de bloque, la gráfica indica que la variable Y está centrada por bloque (consumidor). Supuse que centrar significaba centrarse en la media del bloque por consumidor, pero vi que ahora hay puntajes de aceptabilidad superiores a 9, lo cual es imposible, considerando que todos los puntajes se encuentran entre 1 y 9. Vea la figura adjunta para ver lo que quiero decir.
Mi pregunta es, ¿cómo funciona entonces este centrado de bloques? ¿Cómo es que hay puntajes de aceptabilidad centrados en bloques más altos que el puntaje de aceptabilidad sin procesar? ¡Gracias por su ayuda!
Atentamente,
Por grupo, me refiero al tiempo de almacenamiento para su situación.
En tu caso te interesa ver si hay diferencias entre los tiempos de almacenamiento. Tienes esta fuente adicional de variabilidad, consumidor. Si solo usara Ajustar Y por X sin el bloque, la imagen sería engañosa debido a la variabilidad del consumidor. Sería difícil ver el efecto de los tiempos de almacenamiento debido a la variabilidad que agregó el consumidor. ¿Entonces lo que hay que hacer? Eliminemos el efecto del consumidor de la gráfica centrándonos para cada bloque.
Creo que puede ser más fácil ver lo que está pasando con un ejemplo simple. Usemos estos datos con dos bloques y dos grupos (puede usar consumidor y tiempo de almacenamiento respectivamente si le gustan más esos nombres):
Observe que el punto de datos más alto está en la fila 4, bloque 1, Grupo B. Tiene un valor de 14. Ahora, usar Fit Y by X con Group como X y Block entrando en el rol de bloqueo dará esta gráfica:
El valor más alto parece estar alrededor de 11. ¿Qué pasó con los 14? En la ventana emergente roja, seleccione Means/Anova/Pooled t. Ahora mire el informe de medios de bloque:
La media del bloque 1 es 12. La media del bloque 2 es 6. El promedio general es 9. Entonces, cada observación en el bloque 1 es 3 unidades más alta que el promedio. Todo en el bloque 2 está 3 unidades por debajo del promedio. Para eliminar el efecto de bloqueo, puedo sumar o restar 3 (dependiendo del bloque en el que me encuentre) para eliminar el efecto de bloqueo. Eso es centrar bloques.
Ahora mira las observaciones de nuevo. Para el Grupo B las observaciones originales fueron 12, 14, 6 y 8. El 12 y el 14 estaban en el bloque 1, por lo que debemos restar 3 para obtener 9 y 11. El 6 y el 8 estaban en el bloque 2, así que sumamos 3. Eso da 9 y 11. Esos son los dos puntos que se muestran en el gráfico. Si agregáramos fluctuación al gráfico, vería que hay dos observaciones en 9 y dos en 11. Y, por supuesto, se hace un cálculo similar para el Grupo A.
El centrado de bloques solo elimina el efecto de la variable de bloqueo para que pueda ver con mayor precisión las diferencias entre los tratamientos (niveles de la variable X) en la imagen. Espero que esto ayude. Incluyo el archivo para mi ejemplo simple por conveniencia.
Suponga que el promedio general de todos los datos es 6. Sucede que tienes uno de los grupos que tiene un promedio bajo, supongamos que es 3. Pero tiene bastantes datos en ese grupo, por lo que hay un valor que es 9.
El centrado dice que los elementos de ese grupo deben subir (ya que el promedio del grupo es bajo). ¿Qué pasa con el 9? Debe ir más grande.
