Aplicación del diseño de series temporales múltiples a un caso de intervención en dos clases de enseñanza general básica

  1. Vallejo Seco, Guillermo 1
  2. Escudero García, José Ramón 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: 2000

Volumen: 12

Número: 2

Páginas: 203-210

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Psicothema

Resumen

En los diseños de series temporales interrumpidas realizados con sujeto único, se presentan dos dificultades fundamentalmente: a) La primera estriba en que no aparece claro si los cambios aparecidos en la ejecución son debidos al conjunto de circunstancias introducidas por el experimentador (tratamiento), o a otro conjunto de circunstancias que puedan ocurrir al mismo tiempo. b) La segunda es la difícil generalización de los resultados obtenidos a partir de un único sujeto. Se presenta en este trabajo un caso al que se aplica la extensión de la técnica de análisis de los diseños de series temporales interrumpidas (modelos ARIMA) (Vallejo y Escudero, 1998) con ligeras modificaciones y se extiende a la utilización de varias variables respuesta registradas durante el tratamiento

Referencias bibliográficas

  • Battig, W.F. (1958). On the use of cumulative response curves in psychology. Psychological Reports, 4 ,731-741.
  • Box, G.E.P. y Tiao, G.C. (1975). Intervention analysis with applications to economic and environmental problems. Journal of American Statistical Association, 70, 70-79.
  • Box, G.E.P. y Tiao, G.C. (1965). A change in level of nonstationary time series. Biometrika, 52, 181-192
  • Busk, P.L. y Marascuilo, L.A. (1988). Autocorrelation in single-subjet research: Acounterargument to the mhyt of no autocorrelation. Behavioral Assessment, 10, 229-242
  • Cook, T.D. y Shadish, W.R. (1994). Social experiments: Some developments over the past fifteen years. Annual Review of Psychology, 45, 545-580.
  • Cook, T.D. y Campbell, D.T. (1979). Quasi-experimentation: Design and analysis issues for field settings . Chicago, IL: Rand McNally.
  • DeProspero, A. y Cohen, S. (1979). Inconsistent visual analysis of intrasubject data. Journal of Applied Behavior Analysis, 90, 57-68.
  • Glass, G.V., Willson, V.L. y Gottman, J.M. (1974). Time series analysis in behavioral sciences. Boulder: University of Colorado Press.
  • Glass, G.V., Willson, V.L. y Gottman, J.M. (1975). Design and analy sis of time-series experiments. Boulder, CO: Colorado Associated University Press.
  • Greenwood, K.M. y Matyas, T.A. (1990). Problem with the application of interrupted time series analysis for brief singles-subject data. Behavioral Assessment, 12, 355,370.
  • Jones, R.R., Weinrott, M. y Vaught, R.S. (1978). Effects of serial dependency on the agreement between visual and statistical inference . Journal of Applied Behavior Analysis, 11, 227-283.
  • Kelley, F.J., McNeil, K. y Newman, I. (1973). Suggested inferential statistical models for research in behavior modification. Journal of Applied Behavior Analysis, 11, 277-283.
  • Knapp, T.J. (1983). Behavior Analysts’ Visual Appraisal of Behavior Change in Graphic Display. Behavioral Assessment, 5, 155-164.
  • Lewis-Beck, M.S. (1986). Interrupted time series. En W. D. Berry y M.S. Lewis-Beck. (Eds.), New tools for social scientists. Advances and applications in research methods. Beverly Hills, CA: Sage.
  • Manly, B.F. (1992). The Design and Analysis of Research Studies. Cambridge: Cambridge University Press.
  • Matyas, T.A. y Greenwood, K.M. (1990). Visual analysis of singlecase tiem-series: Effects of variability, serial dependence, and magnitude of intervention effect. Journal of Applied Behavior Analysis, 23, 341- 3 5 1 .
  • McDowal, D., McCleary, R., Meidinger, E.E. y Hay, R.A.(1980). Interrupted Time Series Analysis. A sage Paper on Quantitative Applications in the Social Series, 07-21. Beverly Hills, Sage Publications.
  • Mohr, L.B. (1992). Impact Analysis for Program Evaluation. Beverly Hills, Sage Publications.
  • Pedhazur, E.J. y Schmelkin, L.P. (1991). Measurement, Design and Analysis: An Integrated Approach . Hillsdale, NJ: Lawrence Earlbaum Associates.
  • Peña, D. (1985). Estadística: Modelos y Métodos. Vol II: Modelos Li neales y Series Temporales. Madrid: Alianza Universidad.
  • Rushe, H.R. y Gottman, J.M. (1993). Essentials in the design and analysis of time-serie experiments. En G. Keren y Ch. Lewis (Eds.): A Handbook for Data Analysis in the Behavioral Sciences, pp. 493-528. Hillsdale. NJ: Lawrence Erlbaum Associates.
  • Sharpley, C.F. y Alavosius, M.P. (1988). Autocorrelation in behavioral data: An alternative perspective. Behavioral Assessment, 10, 243- 2 5 1 .
  • Suen, H.K. y Ary, D. (1987). Autocorrelation in applied behavior analysis: Mythor reality?. Behavioral Assessment, 9, 113-124
  • Suen, H.K. (1987). On the epistemology of autocorrelation in applied behavior analysis. Behavioral Assessment, 9, 113-124.
  • Tiao, G.C. y Box, G.E.P. (1983). An Introduction to Applied Multiple Time Series Analysis. Working Paper Nº 101. De Kalb, Illinois: Scientific Computing Associates
  • Tiao, G.C. (1985). ARMA models, intervention problems and outlier detection in time series. En E.J. Hannan, P.K. Krishnaiah y M.M. Rao (Eds.): Handbook of Statistics, Vol. 5 Time Series in the Time Domain, pp. 85-118. Amsterdam: North-Holland.
  • Vallejo, G. y Escudero, J.R. (1998). Análisis de diseños de series temporales múltiples. Análisis y Modificación de Conducta,24, 79-103.
Fuente de los datos: Dialnet