Kiedy ANOVA z powtarzanymi pomiarami jest lepsza niż model z efektami mieszanymi?

19

W odpowiedzi na to pytanie, czy mój projekt, w którym losowo prezentowałem uczestnikom zdjęcia z różnych kategorii, był przykładem, w którym powinienem użyć ANOVA z powtarzanymi pomiarami, otrzymałem odpowiedź, że zamiast tego powinienem użyć modelu mieszanego, z jednym z z tego powodu, że mam dwie formy zależności: dla przedmiotów i dla kategorii.

Moje pytanie brzmi teraz: czy nie zawsze zdarza się, że masz dwie zależności w ten sposób podczas projektowania tego typu powtarzanych miar? To znaczy, w jakich okolicznościach ANOVA z powtarzanymi pomiarami byłaby lepsza niż podejście modelowania z efektami mieszanymi i dlaczego?

Speldosa
źródło

Odpowiedzi:

15

Nie jestem całkowicie pewien, co rzeczywisty model „ANOVA z powtarzanymi pomiarami” opisuje, ale myślę, że jeden ogólny kwestią jest, czy umieścić losowe efekty jakiegokolwiek rodzaju w modelu zamiast np prostu dostosować Szacuje wariancję na pokrycie wywołanych zależnościami (jak w Dyskusja standardowych błędów skorygowanych przez panel w porównaniu z modelami wielopoziomowymi w przekrojowej analizie szeregów czasowych). Najpierw spróbuję odpowiedzieć na to pytanie, a następnie odpowiem na twoje pytanie.

Naprawione i losowe efekty

Dwie uzupełniające się zasady dotyczące tego, kiedy zastosować efekt losowy, a nie stały, są następujące:

  1. Reprezentuj rzecz (podmiot, rodzaj bodźca itp.) Z przypadkowym efektem, gdy jesteś zainteresowany wykorzystaniem modelu do uogólnienia na inne przypadki tej rzeczy nieuwzględnione w bieżącej analizie, np. Inny podmiot lub inne rodzaje bodźców. Jeśli nie, użyj stałego efektu.
  2. Reprezentuj rzecz z przypadkowym efektem, jeśli uważasz, że dla dowolnego wystąpienia rzeczy inne wystąpienia w zestawie danych są potencjalnie pouczające. Jeśli nie oczekujesz takiej informatywności, użyj stałego efektu.

Oba wyraźnie uzasadniają losowe efekty u badanych: zazwyczaj interesują cię ludzkie populacje w ogólności, a elementy zestawu odpowiedzi każdego osobnika są skorelowane, przewidywalne względem siebie, a zatem pouczające o sobie. Jest mniej jasne dla takich rzeczy jak bodźce. Jeśli kiedykolwiek będą tylko trzy rodzaje bodźców, wówczas 1. będzie motywował stały efekt i 2. sprawi, że decyzja będzie zależeć od natury bodźców.

Twoje pytania

Jednym z powodów użycia modelu mieszanego w porównaniu z powtarzanymi efektami ANOVA jest to, że te pierwsze są znacznie bardziej ogólne, np. Działają równie łatwo z projektami zrównoważonymi i niezrównoważonymi i można je łatwo rozszerzyć na modele wielopoziomowe. W moim (co prawda ograniczonym) czytaniu o klasycznej ANOVA i jej rozszerzeniach modele mieszane wydają się obejmować wszystkie specjalne przypadki, które robią rozszerzenia ANOVA. Więc właściwie nie mogę wymyślić statystycznego powodu, aby preferować ANOVA z powtarzanymi pomiarami. Inni mogą tu pomóc. (Znanym powodem socjologicznym jest to, że twoja dziedzina woli czytać o metodach, których jego starsi członkowie nauczyli się w szkole wyższej, a praktycznym powodem jest to, że nauczenie się korzystania z modeli mieszanych może potrwać nieco dłużej niż niewielkie rozszerzenie ANOVA.)

Uwaga

Zastrzeżenie za korzystanie z efektów losowych, najbardziej istotne dla niezarejestrowanych danych -experimental, jest to, że aby zachować spójność trzeba też założyć, że losowe efekty są nieskorelowane ze stałymi efektami tego modelu, lub dodać stałe środki efekt jako zmiennych towarzyszących dla efektu losowego (omówione np. w pracy Bafumi i Gelmana).

sprzężonyprior
źródło
Czy możesz mi podać dokładny tytuł pracy Bafumi i Gelmana?
KH Kim
2
Artykuł nazywa się „Dopasowywanie modeli wielopoziomowych, gdy czynniki predykcyjne i efekty grupowe korelują”, autorstwa Josepha Bafumi i Andrew Gelmana. Jest to podsumowanie mało docenianej obserwacji Mundlaka (1978). Zobacz także bardzo czytelny Bell and Jones (2015) dx.doi.org/10.1017/psrm.2014.7
sprzężony przed
+1. Jednym z powodów preferowania RM-ANOVA (jak dotąd nie wspomniano nigdzie w tym wątku) jest to, że gdy projekt jest zrównoważony, RM-ANOVA daje prawidłowe wartości p, podczas gdy kwestia testowania hipotez w modelach mieszanych jest bardzo kontrowersyjna i skomplikowana, oraz np. w lmerogóle nie podaje żadnych wartości pw standardowym podsumowaniu.
ameba mówi Przywróć Monikę
9

Jeśli uczestnicy zobaczą dokładnie te same zdjęcia w każdych warunkach (co oczywiście nie ma miejsca w oryginalnym przykładzie, ponieważ każda kategoria prawdopodobnie zawiera inne zdjęcia), ANOVA na komórce oznacza prawdopodobnie dokładnie to, co chcesz wiedzieć. Jednym z powodów preferowania jest to, że nieco łatwiej jest je zrozumieć i komunikować (w tym recenzentom, kiedy spróbujesz opublikować swoje badanie).

Ale w zasadzie tak, jeśli przeprowadzasz eksperymenty, w których wiele osób musi zrobić coś w odpowiedzi na kilka warunków (np. Kategorie zdjęć) z powtarzanymi próbami w każdych warunkach, zawsze masz dwa źródła zmienności. Naukowcy z niektórych dziedzin (np. Psycholingwistyka) rutynowo używają modeli wielopoziomowych (lub niektórych innych starszych alternatyw, takich jak analiza F1 / F2 Clarka) właśnie z tego powodu, podczas gdy inne dziedziny (np. Dużo pracy w głównym nurcie psychologii eksperymentalnej) zasadniczo ignorują problem (bez inny powód, dla którego mogę uciec od tego, co mogę powiedzieć).

W tym dokumencie omówiono również to pytanie:

Raaijmakers, JGW, Schrijnemakers, JMC i Gremmen, F. (1999). Jak radzić sobie z „błędem językowym jako ustalonym efektem”: typowe nieporozumienia i alternatywne rozwiązania. Journal of Memory and Language , 41 (3), 416–426.

Gala
źródło
5

Nigdy. ANOVA z powtarzanymi pomiarami to jeden typ, prawdopodobnie najprostszy, modelu efektów mieszanych. Poleciłbym nawet nie uczyć się powtarzających się miar, oprócz tego, jak dopasować jeden jako efekty mieszane, ale nauczyć się metod efektów mieszanych. Wymaga to większego wysiłku, ponieważ nie można ich rozumieć jako przepisów, ale mają one znacznie większą moc, ponieważ można je rozszerzyć na wiele losowych efektów, różne struktury korelacji i obsłużyć brakujące dane.

Patrz Gueorguieva, R. i Krystal, JH (2011). Przesuń nad ANOVA. Arch Gen Psychiatry, 61, 310–317. http://doi.org/10.1001/archpsyc.61.3.310

Ken Beath
źródło
2
+1, ale faktycznie uważam, że modele mieszane są łatwiejsze do zrozumienia niż RM-ANOVA, a nie trudniejsze.
ameba mówi Przywróć Monikę
1
@amoeba przez więcej wysiłku Miałem na myśli początkowy wysiłek, kiedy zrozumiałem, że są łatwiejsze. Dla kogoś z wykształceniem statystycznym są łatwiejsze od samego początku, ponieważ powinni zrozumieć związek między regresją a anovą
Ken Beath,