1.- Comprobar que los datos se ajustan a una distribución normal y son independientes los grupos.
2.- Verificar que las dispersiones (varianzas) son iguales.
3.- Determinar si las medias son iguales en la población.
Como todos recordaremos, los datos son los mismos en las tres situaciones.
Bien, llegados a este punto, y a la luz de la nueva metodología, y estrictamente hablando (Rasch, Kubinger y Yanagida, 2011) deberían ser usados datos procedentes de muestras distintas en cada uno de las ocasiones. Evitando los problemas que se comenten con el error de tipo I y la repetición de las pruebas.
Una alternativa ante este tipo de situaciones (Mundfrom et al., 2006), que es la recomendada por nosotros (Herrero et al., 2011), será corregir el valor de p de acuerdo al número de contrastes, usando el algoritmo que consideremos más adecuado (ej.:Bonferroni , Holm, Hommel, etc....).
Por ejemplo, una solución al problema sería usando un procedimiento en R como el siguiente:
p.adjust(p,method="holm")
...donde el vector p en este caso contendrá los 3 valores (grados de significación) correspondientes obtenidos en los pasos anteriormente comentados.
Referencias.
*Herrero,F.J.;Cuesta,M.; Fernández,P. y Vallejo,G. (2011). Uso de 4 procedimientos de ajuste del grado de significación en una matriz de correlaciones: Un algoritmo R incrustado en SPSS. Grupo Diseños de Investigación y Análisis de Datos, Report DPAM#18.08.1.A, Informe inédito, Universidad de Oviedo.
*Mundfrom,D.J.;Perret,J.J.;Piccone,A. y Roozeboom,M.(2006). Bonferroni adjustments in tests for regression coefficients. Multiple Linear Regression Viewpoints, 32(1), 1-6.
*Rasch,D.;Kubinger,K.D. y Yanagida,T. (2011). Statistics in Psychology Using R and SPSS. West Sussex: Wiley & Sons.
