Las pruebas estadísticas son los obstáculos de la investigación cuantitativa, pero su interpretación adecuada se centra en la comprensión de unos pocos conceptos básicos. Un concepto que a menudo se siente abstracto para los nuevos investigadores es el grados de libertad (df). Aunque puede sonar como una complicada reliquia matemática, captar su significado es esencial para leer correctamente la producción estadística, calcular los tamaños de los efectos y entender por qué diferentes tamaños de muestra requieren diferentes valores críticos para la importancia.

¿Cuáles son los grados de libertad?

En su más básico, los grados de libertad representan a los Número de piezas de información independientes disponible para estimar un parámetro o probar una hipótesis. Es el número de valores en un cálculo que son libres de variar cuando se imponen ciertas limitaciones.

Imagine que se le pide que seleccione tres números que tienen una media de exactamente 10. Puede elegir libremente el primer número (declaración, 8) y el segundo número (declaración, 14). Sin embargo, una vez que haya elegido a esos dos, el tercer número se ve obligado a ser 8 para mantener la media de 10. En este escenario, usted tenía 2 grados de libertad. Usted comenzó con 3 puntos de datos independientes, pero perdió un grado de libertad cuando se estimó el medio (un límite).

Formalmente, si usted tiene un tamaño de muestra \(n\) y estima \(k\) parámetros de los datos, los grados de libertad se calculan normalmente como:

df = n - k

Este grado de libertad "perdido" se utiliza para pagar el parámetro que se estima. Por eso la corrección de Bessel se utiliza para calcular la desviación estándar de la muestra. Las desviaciones de la suma media a cero, por lo que sólo \(n-1\) desviaciones son libres de variar. Por lo tanto, nos divide por \(n-1\) para obtener una estimación imparcial de la varianza de población. Estado del Penn STAT 415 proporcionar un punto de partida excelente.

Cómo los grados de libertad trabajan en los ensayos estadísticos populares

Diferentes pruebas utilizan df de maneras distintas. Entender el cálculo específico para su análisis es vital para informar correctamente e interpretar sus resultados.

1. T-Tests

T-Test de un solo ejemplo

En un test de un solo muestreo, usted está comparando la media de un solo grupo con un medio de población conocido o un valor de prueba (\(\mu 0\)).

\[ t = \frac{\bar{x} - \mu 0}{s / \sqrt{n} \]

Aquí, usted estima la muestra significa (\(\bar{x}\)) y la desviación estándar de la muestra (\(s\))—eficazmente la varianza. Debido a que usted estimó la media de los datos, usted consume un grado de libertad. Por lo tanto:

df = n - 1

Este df se utiliza para buscar el valor crítico en la tabla de distribución t. Un df muy bajo (por ejemplo, 2 o 3) resulta en una distribución t muy plana, de cola pesada, lo que hace extremadamente difícil alcanzar significación estadística. Como aumentos df, la distribución t se acerca a la distribución normal.

Muestras independientes T-Test

Al comparar los medios de dos grupos independientes, se estiman dos medios de muestra separados (\(\bar{x} 1\) y \(\bar{x} 2\)). La fórmula estándar asume diferencias iguales (varia compartida). Cada grupo pierde un grado de libertad para su media, por lo que el df total es la suma de los tamaños de la muestra menos los dos medios estimados:

df = n 1 + n 2 - 2

Muestras emparejadas T-Test

Esta prueba analiza las diferencias entre observaciones emparejadas (por ejemplo, puntajes previos y posteriores a la prueba). Usted crea una única columna de puntuaciones de diferencia (\(D\)) y luego ejecuta una prueba t de un solo muestreo en estas diferencias, probando si la diferencia promedio es cero. Ya que sólo estima la media de las diferencias de los datos:

- 1

Para un completo avance de cuándo utilizar un t-test pareado y cómo calcular su df, los investigadores en Estadísticas de laerd proporcionar una guía muy clara y paso a paso.

2. Análisis de la variación (ANOVA)

Un solo paso entre subjetos ANOVA

ANOVA divide la varianza total de los datos en varianza atribuible al factor de agrupación (entre grupos) y varianza residual (dentro de grupos). Cada fuente de variación tiene sus propios grados de libertad.

  • Total df: \(N - 1\). Este es el número total de observaciones menos el gran medio.
  • Entre grupos df: \(k - 1\). Esto compara los medios de grupos \(k\) contra el gran medio. Estimar \(k\) grupo significa consumir \(k\) df, pero el gran medio ya se estima del total, por lo que es \(k-1\).
  • Dentro de los grupos df (Error): \(N - k\). Este es el df que queda para el término de error.

La F-ratio es:

\[ F = \frac{MS {between} {MS {within}\]

Esta F-estadística se evalúa contra una F-distribución caracterizada por dos parámetros df: \(df {between}, df {within})\). En estilo APA, esto se reporta como \(F(2, 27) = 5.21, p < .05\).

Factorial ANOVA

Añadiendo más factores complica la estructura df. Para un diseño 2x2 (Factor A con niveles \(a=2\), Factor B con niveles \(b=2\)):

  • df para el factor A: \(a - 1\)
  • df para Factor B: \(b - 1\)
  • df for Interaction (AxB): \(a-1)(b-1)\)
  • df para Error: \(N - ab\)

Es esencial calcular correctamente estos valores dfs para determinar el valor F crítico y, por lo tanto, si sus efectos son estadísticamente significativos.

3. Pruebas de Chi-Square

Buenaza de la Fit Chi-Square

Esta prueba examina si las frecuencias observadas en las categorías \(k\) coinciden con una distribución esperada. La regla general es:

df = k - 1 - p

Donde \(p\) es el número de parámetros estimados de los datos para definir la distribución esperada. Si prueba la distribución uniforme (igual que las frecuencias esperadas), \(p=0\), por lo que df = \(k - 1\).

Prueba de independencia de Chi-Square

Al analizar una tabla de contingencia con filas \(R\) y columnas \(C\), el df se calcula sobre la base de las limitaciones impuestas por el total de fila y columna:

df = (R - 1) * (C - 1)

Para una tabla 2x2, df = 1. Para una lectura más profunda sobre por qué la fórmula toma esta forma específica, la Manual de estadísticas de ingeniería NIST ofrece un excelente desglose técnico de la distribución Chi-square y sus parámetros.

4. Regreso lineal

En la regresión múltiple, df se partisiona de forma similar a ANOVA. Si tiene \(n\) observaciones y \(k\) variables predictoras (más la interceptación):

  • Regreso df: \(k\) (el número de predictores, excluyendo la interceptación).
  • Residual df: \(n - k - 1\) (pagamos por las pistas \(k\) y la 1 interceptación).
  • Total df: \(n - 1\).

El test F para el modelo global utiliza \(k, n-k-1)\) df. Los test t para los coeficientes individuales utilizan el df Residual. Si usted tiene más predictores que las observaciones (\(k не n\)), el df residual se vuelve negativo, haciendo que el modelo imposible de estimar sin regularización.

¿Por qué tanto importan los grados de libertad?

Los grados de libertad dictan la distribución de probabilidad específica utilizada para calcular los valores p y los intervalos de confianza.

  • Forma de las distribuciones: La distribución t, F-distribución y Chi-square son en realidad familias de distribuciones. Su forma exacta cambia basada en el df. Con muy bajo df, la distribución t tiene colas gruesas, reflejando mayor incertidumbre. A medida que aumenta df, se inclina más cerca de la distribución normal estándar.
  • Potencia estadística: Un df más pequeño generalmente significa que se requiere un valor crítico más grande para la importancia. Esto hace que sea más difícil rechazar la hipótesis nula, especialmente con pequeñas muestras. Aumentar el tamaño de la muestra aumenta df, que aumenta la potencia, siempre que el tamaño del efecto siga siendo constante.
  • Reliability of Estimacións: Estimar muchos parámetros (modelos complejos) con datos limitados agota rápidamente los grados de libertad, lo que conduce a estimaciones inestables y errores de alto nivel. Esta es la idea central detrás del principio de parsimonia en la construcción de modelos.

Misconcepciones comunes sobre los grados de libertad

Incluso investigadores experimentados pueden a veces malinterpretar df. Aquí hay algunas dificultades para cuidar:

Misconcepción 1: "Df Siempre iguala \(n-1\)"

Esto es sólo cierto para una prueba t de un solo muestreo. En la regresión, es \(n - k - 1\). En una prueba t independiente, es \(n 1 + n 2 - 2\). Siempre consulte la fórmula específica para su análisis.

Misconcepción 2: "Los grados de libertad deben ser siempre un número total"

Mientras que df es un entero en las pruebas clásicas de mínimos cuadrados comunes (OLS), los métodos estadísticos modernos a menudo producen df no entero. Por ejemplo, el t-test de Welch (que no asume diferencias iguales) utiliza la aproximación de Satterthwaite, dando lugar a df fraccional. De manera similar, los modelos mixtos (modelos multinivel) a menudo usan las fracciones de rendimiento de Kenward-Roger o Satterthwaite.

Misconcepción 3: "Más df significa siempre un modelo mejor"

El aumento de df al añadir más predictores siempre aumentará el \(R^2\) en regresión, pero esto no significa una mejor generalización. Adaptado \(R^2\) y criterios de información (AIC, BIC) penalizarán la complejidad del modelo para compensar la pérdida de df. Un modelo que encaja perfectamente con los datos con cero df residual (sobrefitting) se realizará mal sobre nuevos datos.

Grados de libertad en software estadístico moderno

Software moderno como R, SPSS y JMP manejan automáticamente los cálculos df. Sin embargo, el investigador debe verificar que se especificó la estructura correcta del modelo.

Por ejemplo, en R, si utiliza la función , el df residual será \(n - 3\) (intercepto, x1, x2). Si trata accidentalmente una variable categórica como numérico, puede perder el df correcto para ese factor. Una buena regla del pulgar es comprobar siempre el df reportado en la salida contra el df esperado basado en su diseño experimental y tamaño de muestra correctamente que no se añan los números fuertes.

Aplicaciones avanzadas: SEM y modelado multinivel

Grados de libertad en el SEM (Modemiento de la Ecuación Estructural)

En SEM, df se calcula sobre la base de la discrepancia entre el número de variaciones y covariancias únicas en la matriz de entrada y el número de parámetros estimados. Si la matriz de entrada tiene variables \(p\), contiene elementos únicos \(p(p+1)/2\. Si el modelo estima los parámetros \(k\) (patas, diferencias, etc.), el modelo df es:

\[ df {model} = \frac{p(p+1)}{2} - k \]

El df alto en SEM significa que el modelo está altamente limitado y más fácil de rechazar (que es generalmente el objetivo en el análisis confirmatorio).

Grados de libertad en modelos multinivel (HLM)

El cálculo de df para efectos fijos en modelos mixtos no es sencillo. Debido a la agrupación (por ejemplo, los estudiantes dentro de las escuelas), el tamaño de muestra eficaz es menor que el número total de observaciones. Standard OLS df son demasiado liberales. Los paquetes de software utilizarán aproximaciones para calcular el denominador correcto df. Por ejemplo, el mixto modelo FAQ mantenido por Ben Bolker y otros proporciona una excelente visión general de cómo diferentes software maneja el complejo problema de ajustes df en los modelos mixtos, incluyendo los métodos Satterthwaite y Kenward-Roger.

Resumen: El nivel básico de los grados de libertad

Los grados de libertad son más que un número de una tabla; es un concepto fundamental que vincula el tamaño de la muestra a la robustez de su inferencia estadística. Los principales participantes son:

  • Refleja el tamaño de la muestra menos las limitaciones: Cada parámetro que calculas de los datos te cuesta un grado de libertad.
  • Repercute en la forma de la distribución de pruebas: Df determina los valores críticos que separan el significado del ruido. Bajo df significa umbrales más altos para el significado y intervalos de confianza más amplios.
  • Varía por prueba: No puedes usar una regla de tamaño único. Siempre entiendes exactamente cómo se calcula df para la prueba estadística específica que estás realizando, ya sea una prueba t, ANOVA, chi-square, regresión o un modelo multinivel más avanzado.
  • Es una herramienta de diagnóstico: El df mal alineado en la salida estadística puede indicar problemas de datos, valores perdidos o la especificación de modelos. Siempre revise su df para asegurar que su modelo tenga sentido.

Al ir más allá de una memorización rota de fórmulas y desarrollar una comprensión intuitiva de grados de libertad, usted ganará un control más profundo sobre sus análisis estadísticos y mejorará la precisión de sus conclusiones.