Diseños de muestras pequeñas: análisis por mínimos cuadrados generalizados

El análisis de series temporales (AST) constituye un procedimiento adecuado de análisis para diseños de series temporales interrumpidas (DSTI). La principal desventaja de esta técnica de análisis es que requiere un número elevado de observaciones con objeto de identificar el correspondiente modelo ARIMA (autorregresivo integrado de medias móviles). Sin embargo, en investigación conductual aplicada la mayoría de diseños tienen muestras pequeñas. Como alternativa al AST, cabe la posibilidad de recurrir a los enfoques de mínimos cuadrados generalizados (MCG). El principal inconveniente cuando se aplica el enfoque de MCG es la estimación de la matriz de variancias y covariancias de los residuales. Por este motivo, en el presente trabajo se estudia un nuevo procedimiento de MCG propuesto como solución alternativa al análisis de datos de series temporales cortas con una sola unidad y dos fases (Arnau, 1999). Se trata de aplicar el criterio de mínimos cuadrados ordinarios (MCO), transformando los datos originales y la matriz del diseño mediante la raíz cuadrada o factor Cholesky de la inversa de la matriz de covariancia, asumiendo que la serie sigue un modelo estacionario autorregresivo de primer orden (Fox, 1997). En este estudio se presenta, mediante simulación Monte Carlo con el programa MATLAB (versión 5.2), la bondad del procedimiento propuesto