Resumen de Los contrastes de aleatorización en el análisis de datos en los diseños experimentales de caso único: un estudio de simulación
María de África Borges del Rosal, Pedro Prieto Marañón
- español
Los diseños experimentales de caso único permiten abordar la comprobación de la eficacia de la intervención con totales garantías de rigor científico en un único sujeto. Sin embargo, por las características de los datos obtenidos (principalmente la posibilidad de autocorrelación), hace poco conveniente su análisis con contrastes convencionales. Ante este problema, se han planteado diversos procedimientos, en una amplia gama que va desde contrastes no paramétricos hasta análisis de series temporales, sin que haya acuerdo absoluto sobre el tipo de análisis que elimine las limitaciones de estos diseños. Uno de los procedimientos de análisis mejor considerados son los contrastes de aleatorización, habiendo una opinión favorable hacia ellos de forma unánime en la literatura. En el presente trabajo se presenta, mediante simulación, el contraste de los datos mediante aleatorización de un diseño AB, manipulando el número de observaciones por serie (10, 20 y 30) y el valor de las autocorrelaciones (0, .2, .4, .6 y .8).
- English
Single case experimental designs allow to test the efficacy of the psychological treatments, with total scientific guarantees, even with a single subject. Nevertheless, the existence of autocorrelation in the data does not permit the use of conventional statistical tests, searching alternative analysis strategies. For this reason, several tests have been developed, including non parametric tests or interrupted time series analysis, without agreement in which is the best one to be used. In literature, several authors have concluded that the randomization tests could solve the problem derived from the autocorrelation of the data. In this work, the analysis of the data, with randomization tests, was carried out by a Montecarlo simulation study, including two factors: the number of observations by phase (10, 20 and 30) and the autocorrelation in the data (0, .2, .4, .6 and .8).
