Diagnóstico de la precisión de nueve procedimientos para el cómputo de la autocorrelación de primer orden en un diseño de sujetos x ocasiones (3xQ)

  1. Escudero García, José Ramón
  2. Fernández García, Paula 1
  3. Vallejo Seco, Guillermo 1
  1. 1 Universidad de Oviedo
    info

    Universidad de Oviedo

    Oviedo, España

    ROR https://ror.org/006gksa02

Revista:
Psicothema

ISSN: 0214-9915

Año de publicación: 2002

Volumen: 14

Número: 2

Páginas: 497-503

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Psicothema

Resumen

El examen de la eficiencia de nueve procedimientos, dos de Máxima Verosimilitud y siete de Momentos, para el diagnóstico de la intensidad y sentido de la autocorrelación de primer orden es el tema que vertebra nuestra investigación. Para este cometido hemos diseñado un experimento de Simulación Monte Carlo en el que utilizamos dos estructuras de la matriz de correlaciones, AR y ARH, y hemos manipulado los grados de libertad de un diseño SxO (3xq) mediante diversas combinaciones del tamaño de las muestras y cantidad de puntos de serie. Los resultados indican que, cuando la estructura subyacente es AR, los procedimientos HCH, J, PP y WHS estiman correctamente el sentido e intensidad de la autocorrelación. De otro modo, sólo la heterogeneidad intragrupo creciente modifica la estimación para PP y WHS.

Referencias bibliográficas

  • Andersen, A.H., Jensen,E.B. y Schou, G. (1981). Two-way analysis of variance with autocorrelated errors. International Statistical Review 49, 153-157.
  • Azzalini, A. y Browman, A. (1990). Nonparametric regression methods for repeated measurements. En G.G. Roussas (ed.), Nonparametric Functional Estimation. Kluwer Academic Publisher.
  • Azzalini, A. y Frigo, A.C. (1991). An explicit nearly unbiased estimate of the AR(1) parameter for repeated measurements. Journal of Time Series Analysis 12(4), 273-281.
  • Bartlett, M.S. (1956). An Intriduction to Stochastic Processes with Special Reference to Methods and Applications. Cambridge University Press.
  • Betancourt, R. y Kelejian, H. (1981). Lagged endogenous variables and the Cochrane-Orcutt procedure. Econometrica 49, 1.073-1.078.
  • Bono, R. y Arnau, J. (2000). Diseños de muestras pequeñas: análisis por mínimos cuadrados generalizados. Psicothema 12(2), 87-90.
  • Busk, P.L. y Marascuilo, L.A. (1988). Autocorrelation in single-subject research: A counter argument to the myth of no autocorrelation. Behavioral Assessment 10, 229-242.
  • Daniels, H.E (1956). The aproximate distribution of serial correlation coefficients. Biometrika 43, 169-185.
  • Escudero, J.R. y Vallejo, G. (2000). Comparación de tres métodos alternativos para el análisis de series temporales interrumpidas. Psicothema 12(3), 480-486.
  • Fernández, P. (1999). Proyecto Docente no publicado. Facultad de Psicología. Universidad de Oviedo.
  • Gabriel, K.R. (1962). Ante-dependence analysis of an ordered set of variables. Annals of Mathematical Statistics 33, 201-112.
  • GAUSS. (1992). The Gauss System. (Vers. 3.1). Washington: Aptech Systems, Inc.
  • Geary, D.N. (1989). Modelling the covariance structure of repeated measurements. Biometrics 45, 1.183-1.195.
  • Gill, P.S. (1992). A note on modelling the covariance structure of repeated measurements. Biometrics 48, 965-968.
  • Gorsuch, R.L. (1983). Three methods for analyzing limited time-series (N= 1) data. Behavioral Assessment 5, 141-154.
  • Greenwood, K.M. y Matyas. T.A. (1990). Problems with the application of interrupted time-series analysis for brief single-subject data. Behavioral Assessment 12, 355-370.
  • Hearne, E.M., Clark, G.M. y Hatch, J.P. (1983). A test for serial correlation in univariate repeated-measures analysis. Biometrics 39, 237-243.
  • Huitema, B.E. y McKean, L. (1991). Autocorrelation estimation and inference with small samples. Psychological Bulletin 110, 293-304.
  • Jones, R.H. (1985). Repeated measures, interventions, and time series analysis. Psychoneuroendocrinology 10(1), 5-14.
  • Kinderman, A.J. y Ramage, J.G. (1976). Computer generation of normal random numbers. Journal of American Statistical Association 77, 893-896.
  • Levin, J.R., Marascuilo, L.A. y Hubert, L.J. (1978). N= nonparametric randomization tests. En T.R. Kratochwill (Eds.), Single subject research: Strategies for evaluating change.New York: Academic Press.
  • Mansour, H., Nordheim, E.V. y Rutledge, J.J. (1985). Maximun Likelihood estimation of variance components in repeated measures designs assuming autoregressive errors. Biometrics 41, 805-820.
  • Matyas, T.A. y Greenwood, K.M. (1996). Serial dependency in Single-Case Time Series. En R.D. Franklin, D.B. Allison y B.S. Gosman (Eds.), Design and Analysis of single-case Research. New Yersey: Lawrence Erlbaum.
  • Pantula, S.G. y Pollock, K.H. (1985). Nested analysis of variance whith autocorrelated errors. Biometrics 37, 909-920.
  • Sharpley, C.F. y Alavosius, M. P. (1988). Autocorrelation in behavioral data: An alternative perspective. Behavioral Assessment 10, 243-251.
  • Suen, H.K. y Ary, D. (1987). Autocorrelation in applied behavior analysis: Myth o reality? Behavioral Assessment 9, 125-130.
  • Vallejo, G. (1995). Problemas inferenciales asociados con los diseños de series temporales interrumpidas. En M.T. Anguera et al. (Eds), Métodos de Investigación en Psicología (pp. 353-379). Madrid: Síntesis.
  • Vallejo, G. (1996). Diseños de series temporales interrumpidas. Barcelona. Ariel Psicología.
  • Wilson, P.D., Hebel, J.R. y Sherwin, R. (1981). Screening and diagnosis when within-individual observations are Markov-dependent. Biometrics 37, 553-565.
Fuente de los datos: Dialnet