el diseño de bloques aleatorios es el equivalente del diseño de investigación al muestreo aleatorio estratificado. Al igual que el muestreo estratificado, los diseños de bloques aleatorios se construyen para reducir el ruido o la varianza en los datos (consulte clasificación de los diseños experimentales). ¿Cómo lo hacen? Requieren que el investigador divida la muestra en subgrupos o bloques relativamente homogéneos (análogos a los «estratos» en el muestreo estratificado). Luego, el diseño experimental que desea implementar se implementa dentro de cada bloque o subgrupo homogéneo., La idea clave es que la variabilidad dentro de cada bloque es menor que la variabilidad de la muestra. Por lo tanto, cada estimación del efecto del tratamiento dentro de un bloque es más eficiente que las estimaciones en toda la muestra. Y, cuando agrupamos estas estimaciones más eficientes entre bloques, deberíamos obtener una estimación general más eficiente de lo que lo haríamos sin bloquear.
Aquí, podemos ver un ejemplo sencillo. Supongamos que originalmente teníamos la intención de llevar a cabo un diseño experimental aleatorio simple solo después de la prueba., Pero, reconocemos que nuestra muestra tiene varios subgrupos intactos u homogéneos. Por ejemplo, en un estudio de estudiantes universitarios, podríamos esperar que los estudiantes sean relativamente homogéneos con respecto a la clase o el año. Por lo tanto, decidimos bloquear la muestra en cuatro grupos: estudiante de primer año, estudiante de segundo año, junior y senior. Si nuestra corazonada es correcta, que la variabilidad dentro de la clase es menor que la variabilidad para toda la muestra, probablemente obtendremos estimaciones más poderosas del efecto del tratamiento dentro de cada bloque (ver la discusión sobre poder estadístico)., Dentro de cada uno de nuestros cuatro bloques, implementaríamos el experimento aleatorio simple post-only.
observe un par de cosas sobre esta estrategia. Primero, para un observador externo, puede que no sea evidente que estás bloqueando. Estarías implementando el mismo diseño en cada bloque. Y, no hay razón para que las personas en diferentes bloques necesiten ser segregadas o separadas unas de otras. En otras palabras, el bloqueo no necesariamente afecta nada de lo que haces con los participantes de la investigación., En cambio, el bloqueo es una estrategia para agrupar a las personas en su análisis de datos con el fin de reducir el ruido, es una estrategia de análisis. En segundo lugar, solo se beneficiará de un diseño de bloqueo si está en lo correcto en su corazonada de que los bloques son más homogéneos que toda la muestra. Si te equivocas, si las diferentes clases de nivel universitario no son relativamente homogéneas con respecto a tus medidas, en realidad te perjudicará el bloqueo (obtendrás una estimación menos poderosa del efecto del tratamiento). ¿Cómo sabes si bloquear es una buena idea?, Es necesario considerar cuidadosamente si los grupos son relativamente homogéneos. Si usted está midiendo actitudes políticas, por ejemplo, ¿es razonable creer que los estudiantes de primer año son más parecidos entre sí que como estudiantes de segundo año o de segundo año? ¿Serían más homogéneos con respecto a las medidas relacionadas con el uso indebido de drogas? En última instancia, la decisión de bloquear implica el juicio por parte del investigador.
cómo el bloqueo reduce el ruido
entonces, ¿cómo funciona el bloqueo para reducir el ruido en los datos? Para ver cómo funciona, tienes que empezar pensando en el estudio no bloqueado., La figura muestra la distribución pretest-postest para un hipotético diseño experimental Aleatorio pre-post. Usamos el símbolo ‘ X ‘para indicar un caso de grupo de programa y el símbolo’ O ‘ para un miembro del grupo de comparación. Puede ver que para cualquier valor específico de prueba previa, el grupo de programa tiende a superar al grupo de comparación en aproximadamente 10 puntos en la prueba posterior. Es decir, hay una diferencia de media de 10 puntos posttest.
ahora, consideremos un ejemplo donde dividimos la muestra en tres bloques relativamente homogéneos., Para ver lo que sucede gráficamente, usaremos la medida de prueba previa para bloquear. Esto asegurará que los grupos sean muy homogéneos. Veamos lo que está sucediendo dentro del tercer bloque. Observe que la diferencia de medias sigue siendo la misma que para toda la muestra, aproximadamente 10 puntos dentro de cada bloque. Pero también tenga en cuenta que la variabilidad del postest es mucho menor de lo que fue para toda la muestra.
recuerde que la estimación del efecto del tratamiento es una relación señal-ruido. La señal en este caso es la diferencia de media. El ruido es la variabilidad., Las dos cifras muestran que no hemos cambiado la señal al pasar al bloqueo — todavía hay una diferencia de 10 puntos posttest. Pero, hemos cambiado el ruido – la variabilidad en el posttest es mucho menor dentro de cada bloque que es para toda la muestra. Por lo tanto, el efecto del tratamiento tendrá menos ruido para la misma señal.
de los gráficos debe quedar claro que el diseño de bloqueo en este caso producirá el efecto de tratamiento más fuerte. Pero esto es cierto solo porque hicimos un buen trabajo asegurando que los bloques eran homogéneos., Si los bloques no fueran homogéneos — su variabilidad era tan grande como la de toda la muestra — realmente obtendríamos estimaciones peores que en el caso experimental aleatorio simple. Veremos cómo analizar los datos de un diseño de bloques aleatorios en el análisis estadístico del diseño de bloques aleatorios.