Table of Contents

Entender el Test de Friedman en Investigación Psicológica

La prueba Friedman es una prueba estadística no paramétrica desarrollada por Milton Friedman que se utiliza para detectar diferencias en tratamientos a través de múltiples intentos de prueba. En la investigación psicológica, esta prueba sirve como una herramienta invaluable cuando los investigadores necesitan comparar tres o más mediciones relacionadas sin hacer suposiciones sobre la distribución subyacente de los datos. La prueba Friedman es la alternativa no paramétrica a la ANOVA de una sola vía con medidas repetidas.

Lo que hace que el test de Friedman sea particularmente valioso en la psicología es su flexibilidad y robustez. El test no es paramétrico porque no asume ninguna distribución en los datos (como la distribución normal). Esta característica es crucial porque los datos psicológicos frecuentemente violan las suposiciones de normalidad requeridas por los exámenes paramétricos. Ya sea que esté midiendo niveles de ansiedad en diferentes intervenciones terapéuticas, rastreando el rendimiento cognitivo en varios puntos de tiempo, o comparando las calificaciones de satisfacción en diferentes condiciones experimentales, el enfoque analítico confiable.

El test de Friedman se utiliza para el análisis de medidas repetidas de una sola vía de varianza por rangos y en su uso de rangos es similar al análisis de Kruskal-Wallis de varianza por rangos. La diferencia fundamental es que el test de Friedman está diseñado específicamente para muestras relacionadas o emparejadas, mientras que el test de Kruskal-Wallis se utiliza para grupos independientes.

Cuándo utilizar el Test de Friedman en Estudios Psicológicos

Elegir el test estadístico adecuado es crítico para conclusiones de investigación válidas. La prueba Friedman está diseñada específicamente para situaciones en las que se han repetido las mediciones de los mismos participantes o grupos emparejados. Entender cuándo aplicar este examen ayudará a asegurar que su análisis sea adecuado y significativo.

Escenarios de investigación ideales

En la práctica, la prueba Friedman se utiliza a menudo cuando la variable continua ha violado las suposiciones necesarias para la ANOVA de un solo sentido o cuando la variable de interés es ordinal. Esto lo hace particularmente adecuado para varios diseños de investigación psicológica comunes:

  • Estudios longitudinales: Al rastrear a los mismos individuos a través de múltiples puntos de tiempo para evaluar cambios en el comportamiento, el estado de ánimo, la cognición u otras variables psicológicas
  • Diseños experimentales de subjetos: Cuando cada participante experimenta todas las condiciones experimentales, como diferentes protocolos de tratamiento o presentaciones de estímulo
  • Diseños de grupos seleccionados: Cuando los participantes se combinan cuidadosamente con las características pertinentes y luego se exponen a diferentes condiciones
  • Análisis de datos ordinales: Cuando se trabaja con escalas de Likert, datos de clasificación u otras mediciones ordinales comunes en evaluaciones psicológicas

Se utiliza para probar las diferencias entre grupos cuando la variable dependiente que se mide es ordinal y también se puede utilizar para datos continuos que han violado las suposiciones necesarias para ejecutar la ANOVA de una sola vía con medidas repetidas (por ejemplo, datos que han marcado desviaciones de la normalidad).

Comparación con pruebas alternativas

Entender cómo se relaciona la prueba Friedman con otros procedimientos estadísticos ayuda a aclarar cuando es la opción más adecuada. Si usted tiene sólo dos grupos relacionados, la prueba de Wilcoxon firmado-rank sería más adecuada. Si usted tiene muestras independientes (3 mediciones de diferentes grupos no relacionados) entonces usted debe utilizar la ANOVA de un solo paso Kruskal-Wallis.

Cuando sus datos cumplen con las suposiciones de normalidad y homogeneidad de la varianza, una medida repetida ANOVA sería normalmente más potente. Al seleccionar una prueba no paramétrica, usted ha evitado asumir que los datos fueron muestreados de distribuciones gausianas, pero hay inconvenientes para utilizar una prueba no paramétrica, si las poblaciones son realmente gaisianas, las pruebas no paramétricas tienen menos potencia (son menos propensos a darle una muestra de valor pequeño).

Asunciones esenciales del test de Friedman

Mientras que la prueba Friedman es más flexible que las alternativas paramétricas, todavía requiere ciertas condiciones para ser cumplidas para resultados válidos. Entendiendo estas suposiciones es crucial antes de realizar su análisis.

Sumas básicas

Un grupo que se mide en tres o más ocasiones es el primer requisito fundamental. Su diseño de estudio debe implicar mediciones repetidas o observaciones coincidentes. Su variable dependiente debe medirse a nivel ordinal o continuo. Esto significa que su variable de resultado debe representar categorías ordenadas o mediciones numéricas en lugar de categorías puramente nominales.

La muestra de 'blocks' (normalmente los sujetos) es una simple muestra aleatoria de la población, es decir, los bloques son independientes unos de otros. Esta suposición de independencia es crítica y no puede ser probada estadísticamente. Los resultados de una prueba de Friedman sólo tienen sentido cuando los sujetos (pocas) son independientes – que ningún factor aleatorio ha afectado los valores en más de una fila – usted debe pensar en el diseño experimental.

Consideraciones de tamaño de muestra

El tamaño de la muestra (o el tamaño de la serie de datos) debe ser mayor de 5 en cada grupo, algunas personas argumentan más, pero más de 5 probablemente sea suficiente. Sin embargo, los requisitos de tamaño de la muestra también dependen del tamaño de efecto esperado. Si usted espera una gran diferencia entre grupos, entonces usted puede salirse con un tamaño de muestra más pequeño, si usted espera una pequeña diferencia entre grupos, entonces es probable que necesite una muestra más grande.

Para muestras muy pequeñas, la prueba Friedman puede tener un poder limitado para detectar verdaderas diferencias. Por el contrario, si el número de bloques N es grande, aproximadamente la distribución de chi-squared con k - 1 grados de libertad proporciona una aproximación precisa para determinar la significación estadística.

Guía paso a paso para realizar un examen de Friedman

Realizar una prueba de Friedman implica un proceso sistemático de organización de datos, clasificación, cálculo e interpretación. Esta sección proporciona una orientación detallada a través de cada etapa del análisis.

Paso 1: Organizar sus datos

Comience por organizar sus datos en un formato de matriz donde cada fila representa un tema (o bloque) y cada columna representa una condición de tratamiento o punto de tiempo. Esta organización es esencial para el procedimiento de clasificación que sigue. Por ejemplo, si está estudiando los efectos de tres programas de entrenamiento cognitivo diferentes en el mismo grupo de participantes, cada participante ocuparía una fila, y las tres condiciones de entrenamiento formarían tres columnas.

Asegúrese de que sus datos estén completos para cada sujeto en todas las condiciones. Los datos perdidos pueden complicar el análisis, aunque existen variantes especializadas de la prueba Friedman para el manejo de diseños de bloques incompletos. La prueba Skillings-Mack es una estadística de tipo Friedman general que puede ser utilizada en casi cualquier diseño de bloques con una estructura arbitraria de datos perdidos.

Paso 2: Rankear los datos dentro de cada asunto

El procedimiento implica clasificar cada fila (o bloque) juntos, y luego considerar los valores de las filas por columnas. Para cada sujeto, asignar rangos a los valores observados en todas las condiciones. El valor más pequeño recibe la categoría 1, el siguiente más pequeño recibe la categoría 2, y así sucesivamente.

Si hay valores atados, asigne a cada valor atado el promedio de las filas que se habrían asignado sin lazos. Por ejemplo, si dos valores están atados para las posiciones primera y segunda, ambos recibirían el rango de 1,5 (el promedio de 1 y 2). La presencia de lazos reduce ligeramente la sensibilidad de la prueba (es decir, el poder estadístico), ya que afecta la distribución de las filas.

Paso 3: Calcular los Sumos Rank

Después de clasificar los datos dentro de cada sujeto, calcular la suma de las filas para cada condición de tratamiento agregando todas las filas en cada columna. Estas sumas de rango forman la base para calcular la estadística de prueba. Si no hay diferencias sistemáticas entre las condiciones, usted esperaría que las sumas de rango sean aproximadamente iguales en todas las condiciones.

Paso 4: Computar el examen estadístico

El test friedman se basa en la siguiente estadística de prueba: Q = 12/(N × k(k + 1)) × УR2i - 3 × N(k + 1), donde N es el número de 'blocks' (normalmente los sujetos), k es el número de grupos relacionados (normalmente el número de mediciones repetidas), y Ri es la suma de las filas en el grupo i.

Esta fórmula produce una estadística de chi-cuadrón que cuantifica el grado de desacuerdo entre las sumas de rango observadas y lo que se espera bajo la hipótesis nula de no diferencias entre las condiciones. Si los lazos están presentes en los datos, la fórmula para Q es más complicada. La mayoría de los paquetes de software estadístico aplican automáticamente la corrección adecuada para las filas atadas.

Paso 5: Determinar el significado estadístico

Compare su estadística de prueba calculada a la distribución de chi-cuadra con grados de libertad igual a k - 1 (donde k es el número de condiciones). Esta comparación produce un valor p que indica la probabilidad de observar sus resultados (o resultados más extremos) si la hipótesis nula era verdadera.

La importancia de la prueba Friedman se determina a través del valor p, lo que indica la probabilidad de que las diferencias observadas entre los grupos se deban a oportunidades -después de calcular la estadística de la prueba Friedman, compara el valor p resultante con el nivel de significación predefinido (por ejemplo, 0,05)- si el valor p- es menor que el nivel de significación, rechaza la hipótesis nula, concluyendo que hay diferencias estadísticamente significativas.

Interpretando los resultados de la prueba de Friedman

Comprender lo que significan los resultados de su prueba Friedman es esencial para sacar conclusiones apropiadas de su investigación. El proceso de interpretación implica examinar tanto la significación estadística como las implicaciones prácticas.

Comprender las hipótesis nulas y alternativas

La hipótesis nula para el test de Friedman indica que no hay diferencias sistemáticas en las distribuciones de los grupos relacionados, es decir, cualquier diferencia observada en las filas se debe a la variación aleatoria en lugar de a los efectos del tratamiento verdadero. La hipótesis alternativa indica que las puntuaciones de población en algunos de los grupos relacionados son sistemáticamente superiores o inferiores a las puntuaciones de población en otros grupos relacionados.

Cuando el valor p se encuentra por debajo de su nivel de significación predeterminado (típicamente 0,05), rechazas la hipótesis nula y concluyes que al menos una condición difiere significativamente de las otras. Sin embargo, la prueba de Friedman no te dice cuáles son las condiciones específicas que difieren entre sí, esto requiere análisis post-hoc, que discutiremos en detalle más adelante.

Lo que significa un resultado significativo

Una prueba estadísticamente significativa de Friedman indica que las condiciones o los puntos de tiempo que se comparan producen resultados sistemáticamente diferentes. En la investigación psicológica, esto podría significar que las diferentes intervenciones terapéuticas producen diferentes niveles de mejora de los síntomas, que el rendimiento cognitivo cambia en diferentes sesiones de prueba, o que las actitudes de los participantes varían dependiendo de la manipulación experimental que experimentan.

Sin embargo, la significación estadística no implica automáticamente significado práctico o clínico. Una diferencia pequeña pero estadísticamente significativa podría no ser significativa en aplicaciones reales. Aquí es donde las medidas de tamaño de efecto se vuelven importantes para contextualizar sus hallazgos.

Lo que significa un resultado no significativo

Cuando el valor p supera su umbral de significación, no se puede rechazar la hipótesis nula. Esto sugiere que los datos no proporcionan suficiente evidencia de diferencias sistemáticas entre las condiciones. Sin embargo, esto no prueba que las condiciones son equivalentes, simplemente significa que cualquier diferencia observada podría atribuirse razonablemente a la variación aleatoria.

Los resultados no significativos pueden ocurrir por varias razones: las condiciones pueden producir resultados similares de manera genuina, el tamaño de la muestra puede ser demasiado pequeño para detectar diferencias existentes, o puede haber una variabilidad excesiva en los datos que obsesionan los efectos verdaderos. Considere la potencia estadística de su prueba y si su tamaño de muestra fue adecuado para detectar los tamaños de efecto que usted anticipaba.

Medidas de tamaño del efecto para el test de Friedman

Aunque el valor p le dice si las diferencias son estadísticamente significativas, las medidas de tamaño de efecto cuantifican la magnitud de esas diferencias. Los tamaños de los efectos de la presentación de informes junto con los valores p proporciona una imagen más completa de sus hallazgos y ayuda a los lectores a evaluar la importancia práctica de sus resultados.

Kendall's W (Coeficiente del libro)

La W de Kendall es la medida de tamaño de efecto más comúnmente utilizada para la prueba Friedman. Representa el grado de acuerdo o concordancia entre los rankings entre sujetos. La W de Kendall va de 0 a 1, donde 0 no indica ningún acuerdo (completo aleatoriedad en clasificaciones) y 1 indica un acuerdo perfecto (todos los sujetos clasifican las condiciones de manera idéntica).

La fórmula para el W de Kendall se deriva de la estadística de Friedman y puede interpretarse como la proporción de varianza en los rankings que se puede atribuir a diferencias entre las condiciones. Los valores de W alrededor de 0.1 se consideran efectos pequeños, alrededor de 0,3 son efectos medios, y 0,5 o más representan efectos grandes, aunque estos parámetros deben ser interpretados en el contexto de su dominio de investigación específico.

Tamaños de los efectos de presentación

Cuando se informa de los resultados de su prueba Friedman, incluye tanto la estadística de prueba, grados de libertad, valor p y la medida de tamaño de efecto. Por ejemplo: "Una prueba Friedman reveló una diferencia estadísticamente significativa en las puntuaciones de ansiedad en las tres condiciones de tratamiento, χ2(2) = 18.45, p < .001, Kendall ventaja#039;s W = 0.42, indicando un efecto importante si existe y que permite un lector de comprensión de cómo un efecto integral permite un efecto

Análisis post-hoc tras un importante test de Friedman

Cuando la prueba Friedman indica diferencias significativas entre sus condiciones, la siguiente pregunta lógica es: ¿cuáles condiciones específicas difieren entre sí? Si la prueba Friedman indica una diferencia estadísticamente significativa, no le dice qué grupos difieren: para determinar esto, las pruebas post-hoc, como las pruebas Nemenyi o Conover deben aplicarse para realizar comparaciones pares.

El test de Nemenyi

La prueba Nemenyi (también llamada la prueba Wilcoxon-Nemenyi-McDonald-Thompson) es una adaptación de la prueba de HSD de Tukey y está específicamente diseñada para comparaciones post-hoc después de la prueba de Friedman. La prueba Nemenyi es una prueba post-hoc destinada a encontrar los grupos de datos que difieren después de una prueba estadística global (como la comparación de Friedman) ha rechazado)

El control de la prueba Nemenyi para el error familiar, lo que significa que se ajusta para el hecho de que está haciendo múltiples comparaciones y ayuda a proteger contra errores Tipo I (falsos positivos).Este enfoque conservador es apropiado cuando desea mantener un control estricto sobre la tasa de error general en todas las comparaciones.

El examen de Conover

La prueba Conover es otra prueba post-hoc utilizada después de una prueba importante de Friedman. Esta prueba utiliza un enfoque de distribución t para comparar pares de condiciones basadas en sus rangos medios. La prueba de Conover no es correcta para el error familiar, y por lo tanto necesita utilizar algún tipo de factor de corrección de errores.

La prueba Conover puede ser más potente que la prueba Nemenyi para detectar verdaderas diferencias, pero esto viene a costa de requerir correcciones adicionales (como ajustes Bonferroni o Holm) para controlar la tasa de error tipo I general al hacer múltiples comparaciones.

Pruebas de Wilcoxon firmado-Rank

Otro enfoque para las pruebas post-hoc es utilizar pruebas de pares firmados-ranks. Este método implica realizar pruebas de Wilcoxon firmado-rank separadas para cada par de condiciones. Mientras que este enfoque no utiliza las filas de la prueba Friedman en sí, proporciona una manera sencilla de identificar diferencias de pareja específicas.

Si la hipótesis nula es rechazada en la prueba Friedman, el análisis post hoc ayuda a identificar qué pares específicos de condiciones experimentales difieren, esto se puede hacer usando pruebas como la prueba de Wilcoxon firmado-rank o la prueba de Conover, para la prueba de Wilcoxon firmado-rank, los resultados para todos los pares pueden obtenerse, pero es necesario una corrección de un par total de corrección de importancia para (nivel de significado I).

Elegir el test post-hoc adecuado

Desafortunadamente hay algunos enfoques diferentes para un análisis post-hoc para una prueba de Friedman. La elección entre estos métodos depende de sus prioridades de investigación. Si el control del error de la familia es primordial y desea un enfoque conservador, la prueba Nemenyi es apropiada. Si usted está dispuesto a aplicar correcciones adicionales y desea poder potencialmente mayor para detectar diferencias, la prueba de Conover o pruebas de Wilcoxon con Bonferroni o Holm correcciones.

Se necesita algún tipo de corrección de errores familiar: en Múltiples Pruebas, describimos una serie de pruebas tales, a saber, las pruebas Bonferroni, Dunn-Sidàk, Holm, Hochberg, Benjamini-Hochberg y Benjamin-Yekutieli. Cada método de corrección ofrece diferentes equilibrios entre el control de errores Tipo I y Tipo II, siendo Bonferroni los más conservadores y métodos como Holm o Hochberg que proporcionan más poder familiar.

Realización del Test de Friedman en el Software Estadístico

Aunque la comprensión de la base teórica de la prueba Friedman es importante, la mayoría de los investigadores utilizarán software estadístico para realizar los cálculos reales. La prueba Friedman es ampliamente apoyada por muchos paquetes de software estadístico. Esta sección proporciona orientación para la implementación de la prueba en programas de uso común.

Utilizando SPSS

En SPSS, la prueba Friedman se encuentra bajo el menú de pruebas no paramétricas. Haría clic en: Analizar > Pruebas no paramétricas > Muestras relacionadas. Sus datos deben organizarse con cada medida repetida en una columna separada, y cada fila representando un tema.

En la pestaña Ajustes, tienes que hacer clic en "Customize tests", y luego hay un montón de diferentes opciones aquí: tienes que recordar el nombre de la prueba que estás tratando de ejecutar. Seleccione ANOVA de dos vías de Friedman por rangos de las opciones disponibles. SPSS calculará automáticamente el estadístico de prueba y el valor p-, y puedes solicitar estadísticas descriptivas y visualizaciones para acompañar tus resultados.

Utilizando R

R proporciona funciones integradas para la prueba Friedman y ofrece paquetes extensos para el análisis post-hoc. La función básica friedman.test() se puede utilizar con datos en formato matriz o con una interfaz de fórmula. Para las pruebas post-hoc, paquetes como PMCMR, PMCMRplus y scikit-posthocs (para usuarios de Python) proporcionan opciones completas.

La ventaja de utilizar R es la flexibilidad para personalizar su análisis y la disponibilidad de funciones especializadas para diferentes procedimientos post-hoc. Usted puede implementar fácilmente pruebas Nemenyi, pruebas Conover o pruebas pares de Wilcoxon con varios métodos de corrección, todo dentro del mismo entorno analítico.

Usando Python

Los usuarios de Python pueden acceder a la prueba Friedman a través del módulo scipy.stats, que proporciona la función friedmanchisquare(). Para el análisis post-hoc, el paquete scikit-posthocs ofrece implementaciones de varias pruebas post-hoc específicamente diseñadas para la prueba Friedman, incluyendo la prueba Nemenyi y otros procedimientos de comparación de pares.

La ventaja de Python radica en su integración con bibliotecas de manipulación de datos como pandas y herramientas de visualización como matplotlib y marino, lo que le permite pasar de la preparación de datos a través del análisis a la visualización dentro de un solo entorno de programación.

Ejemplos prácticos en investigación psicológica

Examinar ejemplos concretos ayuda a ilustrar cómo se aplica la prueba Friedman a escenarios de investigación psicológica real. Estos ejemplos demuestran la versatilidad de la prueba en diferentes ámbitos de investigación.

Ejemplo 1: Intervenciones Terapéuticas Comparativas

Un psicólogo clínico quiere evaluar tres técnicas diferentes de terapia cognitiva-behavioral (CBT) para reducir la ansiedad social. Quince participantes con trastorno de ansiedad social completan los tres módulos de terapia en orden contrabalanceado, con un período de dos semanas de lavado entre cada módulo. Después de cada módulo, los participantes completan un cuestionario de ansiedad social que da puntajes de 0 a 100.

Debido a que los mismos participantes experimentan las tres condiciones y los puntajes de ansiedad muestran un flujo positivo sustancial (aplicaciones de normalidad que violen), la prueba Friedman es apropiada. El investigador clasifica las tres puntuaciones de cada participante, calcula las sumas de rango para cada tipo de terapia, y compute la estadística Friedman. Un resultado significativo (p < .05) indica que las tres técnicas CBT producen diferentes niveles de reducción de ansiedad.

Ejemplo 2: Evaluando el rendimiento cognitivo a través del tiempo

Un psicólogo de desarrollo investiga cómo la capacidad de memoria de trabajo cambia en cuatro puntos de tiempo: base, 3 meses, 6 meses y 12 meses después de implementar un programa de entrenamiento cognitivo. Veinte niños completan la misma evaluación de memoria de trabajo en cada momento.

La prueba Friedman es ideal para este diseño longitudinal porque representa la estructura de medidas repetidas y no requiere datos normalmente distribuidos. La prueba evalúa si el rendimiento de memoria de trabajo difiere en los cuatro puntos de tiempo. Si es significativo, las pruebas post-hoc pueden determinar si las mejoras ocurren gradualmente con el tiempo o muestran períodos específicos de desarrollo acelerado.

Ejemplo 3: Evaluación de la Effort Percibida Bajo Condiciones Diferentes

Un investigador quiere examinar si la música tiene un efecto en el esfuerzo psicológico percibido requerido para realizar una sesión de ejercicio, la variable dependiente es "percibido esfuerzo para realizar ejercicio" y la variable independiente es "tipo de música", que consiste en tres grupos: "no música", "música clásica" y "música de baile" para probar si la música tiene un efecto en el esfuerzo psicológico percibido requerido para realizar una sesión de ejercicio, el investigador reclutó a 12 corredores.

Al final de cada carrera, se pidió a los sujetos que registraran lo duro que se sentía la sesión de ejecución en una escala de 1 a 10, con 1 siendo fácil y 10 extremadamente duro, se realizó una prueba de Friedman para ver si hubo diferencias en el esfuerzo percibido basado en el tipo de música. Este ejemplo demuestra cómo el examen de Friedman maneja los datos de escala de calificación ordinal en un diseño de subjetos.

Pitfalls comunes y cómo evitarlos

Incluso investigadores experimentados pueden encontrar desafíos cuando se realizan e interpretan las pruebas de Friedman. Ser consciente de errores comunes ayuda a asegurar que su análisis es válido y sus conclusiones son sólidas.

Violación de la Asunción a la Independencia

Los errores no son independientes si usted tiene seis filas de datos obtenidos de tres animales en duplicado, en este caso, algún factor aleatorio puede causar que todos los valores de un animal sean altos o bajos, ya que este factor afectaría a dos de las filas (pero no a las otras cuatro), las filas no son independientes.

Esta violación es particularmente problemática porque no se puede detectar a través de pruebas estadísticas, debe considerar cuidadosamente su diseño de investigación. Si su estructura de datos incluye relaciones anidadas o jerárquicas (como múltiples observaciones de la misma familia, aula o grupo terapéutico), puede necesitar enfoques analíticos más sofisticados que recuperen estas dependencias.

Tamaño insuficiente de la muestra

Usando demasiados temas reduce la potencia estadística de la prueba Friedman, dificultando la detección de verdaderas diferencias entre las condiciones. Mientras que la prueba puede ser realizada técnicamente con muestras muy pequeñas, la probabilidad de errores Tipo II (para detectar efectos reales) aumenta sustancialmente. Planifique su tamaño de muestra con antelación basado en tamaños de efecto esperados y la potencia estadística deseada, utilizando idealmente software de análisis de energía o consulta con un estadístico.

Uso inapropiado con grupos independientes

La prueba Friedman está diseñada específicamente para muestras relacionadas, usándolas con grupos independientes viola una suposición fundamental e invalida los resultados. Si tus grupos son independientes en lugar de igualar o repetir, utiliza la prueba Kruskal-Wallis en su lugar. La distinción entre muestras relacionadas e independientes debe ser determinada por tu diseño de investigación, no por los propios datos.

Neglecting Post-Hoc Testing

Encontrar un resultado importante de la prueba de Friedman y detener allí es un error común. La prueba omnibus sólo le dice que existen diferencias en algún lugar entre sus condiciones—no identifica qué pares específicos difieren. Siempre seguimiento de pruebas significativas de Friedman con comparaciones apropiadas post-hoc para comprender plenamente sus datos. Reportar sólo la prueba de omnibus deja a los lectores (y a ti mismo) con información incompleta sobre la naturaleza de los efectos que has descubierto.

Ignorando tamaños de efectos

Centrarse exclusivamente en los valores p sin considerar los tamaños de los efectos puede llevar a una mala interpretación de sus hallazgos. Un resultado estadísticamente significativo con un tamaño de efecto muy pequeño puede tener una importancia práctica limitada, mientras que un resultado no significativo con un tamaño de efecto moderado podría sugerir que su estudio estaba bajo la fuerza. Siempre calcular y reportar medidas de tamaño del efecto junto con sus pruebas de significado para proporcionar una imagen completa de sus resultados.

Presentación de informes de resultados de pruebas de Friedman en documentos de investigación

La información clara y completa de los resultados estadísticos es esencial para la transparencia y la reproducibilidad en la investigación psicológica. Al informar de los resultados de la prueba Friedman, incluya toda la información necesaria para que los lectores entiendan y evalúen sus hallazgos.

Componentes esenciales

Su sección de resultados debe incluir la estadística de prueba (valor de cuarto), grados de libertad, tamaño de muestra, valor de p y tamaño de efecto. Por ejemplo: "Se realizó una prueba de Friedman para comparar las puntuaciones de depresión en cuatro puntos de tiempo (baseline, 1 mes, 3 meses y 6 meses después de la intervención).

Si usted realizó pruebas post-hoc, reporte estos resultados también, especificando qué prueba usó y qué método de corrección (si hay) se aplicó. Por ejemplo: "Las comparaciones de pares de post-hoc usando la prueba Nemenyi revelaron que las puntuaciones de depresión a 6 meses (Mdn = 12) fueron significativamente inferiores a las puntuaciones de referencia (Mdn = 28, p < .001) y 1 mes (M = , p = ± = 243)

Estadísticas descriptivas

Acompaña tus estadísticas inferenciales con estadísticas descriptivas apropiadas. Para la prueba Friedman, los medianos y los rangos intercuartiles son normalmente más apropiados que los medios y las desviaciones estándar, especialmente cuando trabajan con datos ordinal o distribuciones aserradas. Presenta estos descriptivos en una tabla o figura para ayudar a los lectores a entender el patrón de resultados.

Visualización de resultados

Las representaciones gráficas mejoran la comprensión de sus hallazgos. Las tramas de caja que muestran la distribución de puntas en condiciones son particularmente eficaces para los resultados de la prueba de Friedman, ya que muestran medianas, cuartiles y outliers. Los gráficos de línea pueden ser útiles para los diseños longitudinales, mostrando cómo las puntuaciones medianas cambian con el tiempo.

Consideraciones y extensiones avanzadas

Más allá de la prueba básica de Friedman, varios temas avanzados y extensiones pueden mejorar sus capacidades analíticas en situaciones específicas de investigación.

Manejo de datos perdidos

La prueba estándar Friedman requiere datos completos para todos los sujetos en todas las condiciones. Cuando faltan datos, tiene varias opciones. El enfoque más simple es el análisis de casos completo, donde excluye cualquier sujeto con datos perdidos. Sin embargo, esto puede reducir sustancialmente el tamaño de la muestra y la potencia estadística.

El test Skillings – La prueba de la Mac es una estadística de tipo Friedman que puede utilizarse en casi cualquier diseño de bloques con una estructura arbitraria de datos desaparecidos, cuando los datos no contienen ningún valor perdido, da el mismo resultado que el test de Friedman, pero si los datos contienen valores perdidos, es tanto más preciso y sensible que el test Skillings-Mack. Estas pruebas especializadas le permiten retener sujetos con datos parciales, mejorando potencialmente la potencia.

La extensión Iman-Davenport

Para tamaños de muestra más grandes, la prueba Iman-Davenport proporciona una aproximación más precisa que la distribución estándar de chi-cuadra. Esta extensión transforma la estadística Friedman para seguir una distribución F, que puede proporcionar mejor control de error Tipo I, especialmente cuando el número de condiciones es grande en relación con el número de sujetos.

Transformación de los Países Alineados

Cuando su diseño de investigación incluye múltiples factores de subjeto (diseño de medidas repetidas factoriales), la prueba estándar de Friedman es insuficiente porque sólo maneja un factor a la vez. El procedimiento de transformación de filas alineadas le permite extender el análisis no paramétrico a diseños factoriales más complejos, lo que le permite probar los efectos principales y las interacciones manteniendo la robustez de los métodos basados en rangos.

Comparando el Test Friedman con Alternativas Paramétricas

Entender cuándo elegir el test de Friedman frente a las medidas repetidas ANOVA requiere una cuidadosa consideración de sus características de datos y objetivos de investigación.

Ventajas del test de Friedman

La ventaja principal de la prueba Friedman es su robustez a las violaciones de la normalidad y homogeneidad de la varianza. Cuando sus datos son ordinal, fuertemente esquezados, contienen adelgazantes o violan supuestos paramétricos, la prueba Friedman proporciona resultados válidos cuando las medidas repetidas ANOVA no. La prueba también es apropiada para tamaños de muestra más pequeños cuando la evaluación de la normalidad es difícil.

Además, la prueba Friedman no hace suposiciones sobre la forma de las distribuciones subyacentes, sólo que los datos son al menos ordinal. Esta flexibilidad lo hace aplicable a una gama más amplia de mediciones psicológicas, incluyendo escalas de Likert, datos de ranking y otras variables ordinal comunes en investigación de encuestas y evaluaciones clínicas.

Ventajas de las medidas repetidas ANOVA

Cuando se cumplen las suposiciones paramétricas, las medidas repetidas ANOVA son generalmente más poderosas que la prueba Friedman, es más probable que detecten verdaderas diferencias cuando existen. ANOVA también proporciona información más detallada sobre la naturaleza de los efectos, incluyendo estimaciones de medios y intervalos de confianza que tienen interpretaciones directas.

Además, ANOVA se extiende más naturalmente a diseños complejos con múltiples factores y covaria. Si su diseño de investigación incluye tanto dentro de los subjetos como factores entre subjetos, o si necesita controlar para covariaciones continuas, el enfoque paramétrico ofrece más flexibilidad a través de ANOVA de movimiento mixto o medidas repetidas ANCOVA.

Hacer la elección

La decisión entre la prueba Friedman y las medidas repetidas ANOVA debe basarse en sus características de datos, no en qué prueba le da el valor p-mejor. Examinar sus datos para la normalidad utilizando métodos visuales (conjuntos Q-Q, histogramas) y pruebas formales (prueba Shapiro-Wilk). Considere si su variable dependiente es realmente continua o ordinal. Evaluar si los valores extremos son verdaderos o errores de datos.

Si sus datos violan claramente las suposiciones y transformaciones de la normalidad no ayudan, o si su variable es inherentemente ordinal, elija la prueba Friedman. Si sus datos son aproximadamente normales y se miden a escala continua, es probable que las medidas repetidas ANOVA sean más apropiadas. Cuando sea necesario, considere la posibilidad de informar ambos análisis para demostrar que sus conclusiones son robustas en diferentes enfoques analíticos.

Consejos prácticos para la aplicación exitosa

La aplicación exitosa de la prueba de Friedman en su investigación implica más que sólo ejecutar el procedimiento estadístico, requiere una planificación cuidadosa, ejecución e interpretación.

Planifique su análisis en el avance

Determina tu enfoque analítico antes de recopilar datos. Especifica tus hipótesis, elige tu nivel de significado y planifica tus comparaciones post-hoc con antelación. Esta pre-registración de tu plan de análisis ayuda a prevenir la toma de decisiones impulsada por datos y reduce el riesgo de errores tipo I de múltiples pruebas.

Considere la posibilidad de realizar un análisis de potencia para determinar el tamaño de la muestra necesario para detectar efectos de la magnitud que espera. Si bien el análisis de potencia para pruebas no paramétricas es más complejo que para pruebas paramétricas, enfoques basados en simulación o aproximaciones conservadoras pueden proporcionar una orientación útil para la planificación del estudio.

Compruebe sus datos con cuidado

Antes de ejecutar la prueba Friedman, examine sus datos para errores, outliers y patrones. Asegúrese de que sus datos estén correctamente formateados con temas en filas y condiciones en columnas. Verifique que tiene el número correcto de observaciones y que los datos faltantes están adecuadamente codificados. Busque errores de entrada de datos que puedan aparecer como valores imposibles o extremos.

Crear estadísticas y visualizaciones descriptivas para cada condición para entender los patrones básicos en sus datos. Esta exploración preliminar puede revelar hallazgos inesperados, sugerir problemas potenciales, y ayudarle a interpretar sus resultados estadísticos de manera más significativa.

Documenta tus decisiones

Mantenga registros detallados de sus decisiones analíticas, incluyendo por qué eligió la prueba Friedman, cómo manejaba los datos o los outliers perdidos, qué prueba post-hoc usted eligió, y qué métodos de corrección se aplica. Esta documentación es esencial para escribir su sección de métodos, responder a preguntas de los revisores, y asegurar la reproducibilidad de su investigación.

Guarda tus archivos de sintaxis o código junto con tus datos. Esto te permite (y otros) reproducir exactamente tu análisis, que cada vez se espera en la investigación psicológica. El código bien combinado también sirve como un registro de tu proceso analítico y se puede compartir para aumentar la transparencia.

Interpretar resultados en contexto

La importancia estadística es sólo una prueba para evaluar sus hipótesis de investigación. Considere sus resultados a la luz de la investigación anterior, las predicciones teóricas y la importancia práctica. Un hallazgo estadísticamente significativo que contradice un gran cuerpo de investigación previa justifica un escrutinio y replicación cuidadosos. De manera similar, un resultado no significativo que se alinea con las predicciones teóricas podría todavía proporcionar información valiosa sobre el fenómeno en estudio.

Piense críticamente en explicaciones alternativas para sus hallazgos. ¿Pueden confundir variables, efectos de orden o efectos de práctica explicar sus resultados? ¿Existen limitaciones en su diseño o medida que podrían afectar la interpretación? Reconociendo estas consideraciones demuestra rigor científico y ayuda a los lectores a contextualizar adecuadamente sus hallazgos.

Recursos para el aprendizaje ulterior

El desarrollo de la experiencia con la prueba Friedman y las estadísticas no paramétricas requiere más ampliamente el aprendizaje y la práctica en curso. Varios recursos excelentes pueden profundizar su comprensión y mejorar sus habilidades analíticas.

Libros de texto y materiales de referencia

Los libros de texto completos sobre estadísticas no paramétricas proporcionan una cobertura detallada de la prueba Friedman y procedimientos relacionados. Las referencias clásicas incluyen "Metodos Estadísticos Noparamétricos" de Hollander y Wolfe, que ofrece un tratamiento riguroso de las bases matemáticas, y "Estadísticas No Paramétricas Practicas" de Conover, que enfatiza aplicaciones. Para psicólogos específicamente, "Descubriendo estadísticas usando SPSS" por Andy Field incluye explicaciones accesibles de ejemplos no paramétricos.

Tutoriales y Cursos en línea

Numerosos recursos en línea proporcionan tutoriales paso a paso para realizar pruebas de Friedman en varios paquetes de software. Laerd Statistics] ofrece guías detalladas para los usuarios de SPSS, mientras que R-bloggers cuenta con muchos posts que demuestran las implementaciones R.

Documentación del software estadístico

La documentación oficial para paquetes de software estadístico proporciona información autorizada sobre cómo se implementan las funciones y qué opciones están disponibles. El sistema de documentación R (accesible a través de la función help()) incluye descripciones detalladas de la función friedman.test() y procedimientos relacionados. La documentación SPSS explica los algoritmos utilizados y la salida producida. La documentación de Python describe la función friedmanchisquare() y sus parámetros.

Oportunidades profesionales del desarrollo

Muchas universidades y organizaciones profesionales ofrecen talleres y cursos cortos sobre estadísticas no paramétricas. Estas experiencias de aprendizaje intensivo ofrecen oportunidades para hacer preguntas, trabajar a través de ejemplos y recibir información de instructores experimentados. Las conferencias profesionales en psicología a menudo incluyen sesiones de metodología donde se presentan y discuten nuevos desarrollos en análisis no paramétricos.

Conclusión

La prueba Friedman representa una herramienta potente y flexible para analizar las medidas repetidas o las muestras coincidentes en la investigación psicológica. Su naturaleza no paramétrica lo hace particularmente valioso cuando se trabaja con datos ordinales o cuando se violan las hipótesis paramétricas —las condiciones que surgen frecuentemente en estudios psicológicos. Al entender cuándo utilizar la prueba, cómo realizarla correctamente, y cómo interpretar y reportar resultados de manera integral, los investigadores pueden extraer información significativa de sus datos mientras mantienen el rigor estadístico.

El éxito con la prueba Friedman requiere atención a supuestos, preparación cuidadosa de datos, pruebas apropiadas después de la investigación cuando se encuentran resultados significativos, e interpretación reflexiva que considera tanto la importancia estadística como la práctica. La prueba debe considerarse no como un procedimiento simple para obtener un valor p, sino como parte de una estrategia analítica integral que incluye la estimación de tamaño de efecto, la visualización y la interpretación contextual.

A medida que la investigación psicológica sigue evolucionando hacia una mayor transparencia y reproducibilidad, la masterización de técnicas analíticas robustas como la prueba Friedman se vuelve cada vez más importante. Si usted está comparando intervenciones terapéuticas, rastreando cambios de desarrollo o evaluando manipulaciones experimentales, la prueba Friedman proporciona un método fiable para detectar diferencias significativas en las muestras relacionadas. Al aplicar los principios y prácticas descritos en esta guía, puede utilizar con confianza esta prueba para promover el conocimiento psicológico y contribuir a la comprensión basada en evidencias.

Recuerde que el análisis estadístico está en última instancia al servicio de responder a las preguntas de investigación sustantiva. La prueba Friedman es un medio para ese fin: una herramienta que, cuando se utiliza adecuadamente e interpretada con reflexión, ayuda a iluminar patrones en sus datos y apoya inferencias válidas sobre fenómenos psicológicos.Continúe desarrollando su experiencia estadística, manténgase al día con los desarrollos metodológicos y priorice siempre la integridad y transparencia de sus prácticas de investigación.