Ön tedavi sonrası kontrol tasarımlarını analiz ederken en iyi yöntem

Aşağıdaki ortak tasarımı düşünün:

• 100 katılımcı rastgele bir tedaviye veya kontrol grubuna atanır
• Bağımlı değişken sayısaldır ve tedavi öncesi ve sonrası ölçülmüştür.

Bu tür verileri analiz etmek için üç açık seçenek şunlardır:

• Karma ANOVA'da grubu zaman etkileşimi etkisine göre test edin
• IV olarak koşullu bir ANCOVA yapın ve değişken olarak ön ölçüyü ve DV olarak sonraki ölçüyü yapın
• IV olarak koşulu olan bir t testi yapın ve DV olarak değişiklik öncesi puanları alın

Soru:

• Bu verileri analiz etmenin en iyi yolu nedir?
• Bir yaklaşımı diğerine tercih etmenin nedenleri var mı?

Bu konuyla ilgili çok büyük bir literatür var (değişim / kazanç puanları) ve bence en iyi referanslar biyomedikal alandan geliyor;

Senn, S (2007). İlaç geliştirmede istatistiksel konular . Wiley (bölüm 7, sayfa 96-112)

Biyomedikal araştırmalarda, ilginç çalışma da çalışmalarında yapılmıştır çapraz çalışmalarda (ilişkili olarak. ESP carry-over ben senin çalışmanın ne kadar uygulanabilir bilmiyorum ancak etkileri).

Kazanç Puanından t ANCOVA F'ye (ve tersi) , Knapp & Schaffer'dan, ANCOVA'ya karşı t yaklaşımı (Lord'un Paradoksu) denilen ilginç bir incelemesini sunar. Değişim puanlarının basit analizi, makalesinde Senn'e göre ön / son tasarım için önerilen yöntem değildir. Başlangıçtaki değişiklik ve yeniden kovaryans analizi incelenmiştir (Stat. Med. 2006 25 (24)). Dahası, karışık etkiler modelinin kullanılması (örneğin, iki zaman noktası arasındaki korelasyonu hesaba katmak için) daha iyi değildir, çünkü hassasiyeti arttırmak için (ayarlama ile) "ön" ölçümü eş değişken olarak kullanmanız gerekir. Çok kısaca:

• $-$$-$$-$
• ANCOVA'da kullanılan tahmin edicinin varyansı genellikle ham veya değişim puanları için olandan daha düşüktür (pre ve post arasındaki ilişki 1'e eşit değilse).
• Eğer ön / son ilişkiler iki grup arasında değişiyorsa (eğim), diğer yöntemlerden daha fazla bir sorun değildir (değişim puanları yaklaşımı ayrıca ilişkinin iki grup arasında aynı olduğunu varsayar - paralel eğim hipotezi ).
• Tedavi eşitliğinin sıfır hipotezi altında (sonuçta), hiçbir etkileşim tedavisi beklenmez; böyle bir modele uymak tehlikelidir, ancak bu durumda ortalanmış taban çizgileri kullanılmalıdır (aksi takdirde tedavi etkisinin ortak değişkende olduğu tahmin edilir).

Farklı bir bağlamdaki fark puanlarına odaklanmasına rağmen, Edwards'tan On Fark Puan Efsanesini de seviyorum ; Ancak burada, post-post değişimin analizi üzerine bir açıklamalı bibliyografya var (maalesef, bu çok yeni çalışmaları kapsamıyor). Van Breukelen, ANOVA'ya karşı ANCOVA'yı randomize ve randomize olmayan bir ortamda karşılaştırdı ve sonuçları, ANCOVA'nın en azından randomize çalışmalarda (ortalama etkinin gerilemesini önleyen) tercih edilmesi gerektiği fikrini destekledi.

Daniel B. Wright bunu , Verilerinizle Arkadaş Edinme adlı makalesinin 5. bölümünde anlatılmaktadır . O (s.130) önerir:

Bu durumda her zaman doğru olan tek prosedür, 2. zamandaki puanları farklı gruplar için 1. zamandaki puanlarla karşılaştıran bir dağılım grafiğidir. Çoğu durumda verileri çeşitli yollarla analiz etmelisiniz. Yaklaşımlar farklı sonuçlar verirse ... her birinin ima ettiği model hakkında daha dikkatli düşünün.

Aşağıdaki makaleleri daha fazla okuma olarak önerir:

• El, DJ (1994). İstatistiki soruların çözülmesi. Kraliyet İstatistik Kurumu Dergisi: A, 157, 317-356.
• Lord, FM (1967). Grup karşılaştırmalarının yorumlanmasında bir paradoks. Psikolojik Bülten, 72, 304-305. Ücretsiz PDF
• Wainer, H. (1991). Diferansiyel baz oranlarının ayarlanması: Yine Lord'un paradoksu. Psikolojik Bülten, 109, 147-151. Ücretsiz PDF

En yaygın stratejiler şunlar olabilir:

1. Tekrarlananlar, bir konu içi faktör (ön test-post-test) ve bir konu-konu faktörü (tedavi-kontrol) ile ANOVA'yı ölçer.
2. Tedavi sonrası puanlar üzerinde ANCOVA, değişken olarak tedavi öncesi puan ve bağımsız değişken olarak tedavi. Sezgisel olarak, her iki grup arasındaki farkların testinin gerçekte neyin peşinde olduğunun ve ortak değişken olarak ön test puanlarının dahil edilmesinin basit bir t testi veya ANOVA'ya kıyasla gücü artırabileceği düşüncesidir.

Bu iki yaklaşım arasında daha karmaşık alternatiflerin yorumlanması, varsayımları ve görünüşte paradoksal farklılıkları ve (özellikle katılımcılar tedaviye rastgele atanamadığında) pek çok tartışma var ama oldukça standart kalıyorlar.

Önemli bir karışıklık kaynağı ANOVA için, ilginin etkisinin muhtemelen tedavinin ana etkisi değil , zaman ve tedavi arasındaki etkileşimin olmasıdır . Bu arada, bu etkileşim terimi için F testi, kazanma puanlarına ilişkin bağımsız bir örnek t-testi ile tam olarak aynı sonucu verecektir (yani, her katılımcı için sınav öncesi puanının sınav öncesi puanından çıkarılmasıyla elde edilen puanlar). Ayrıca bunun için gidin.

Bunların hepsi çok fazlaysa, bunu çözmek için zamanınız yok ve bir istatistikçiden, hızlı ve kirli bir yardım almanız mümkün değil, ancak hiçbir şekilde tamamen saçma bir yaklaşım sadece son test puanlarını karşılaştırmak olabilir. Bağımsız numune t-testi, ön test değerlerini yok sayarak. Bu yalnızca katılımcılar tedavi veya kontrol grubuna rastgele atanmışsa anlamlıdır .

Son olarak, bu seçim yapmak için kendi başına çok iyi bir neden değil, ama yukarıdaki 2 numaralı yaklaşıma (ANCOVA) göre psikolojide doğru bir yaklaşım için geçerli olan bir şey olduğundan şüpheleniyorum. Kendinizi ikna olmuş birine, örneğin “kazanç puanlarının kötü olduğu bilinir”.

ANCOVA ve etkileşimli terim için tekrarlanan önlemler / karışık model iki farklı hipotez test ediyor. Bu makaleye bakın: ariticle 1 ve bu makale: makale 2

İki aracınız olduğundan (belirli bir öğeden veya envanterin toplamından), bir ANOVA'yı düşünmeniz için hiçbir neden yoktur. Eşleştirilmiş bir t-testi muhtemelen uygundur; bu , ihtiyacınız olan t testini seçmenize yardımcı olabilir.

Maddeye özgü sonuçlara veya genel puanlara bakmak ister misiniz? Bir madde analizi yapmak istiyorsanız, bu yararlı bir başlangıç ​​olabilir.