Wyobraź sobie następujący wspólny projekt:
- 100 uczestników jest losowo przydzielanych do grupy terapeutycznej lub kontrolnej
- zmienna zależna jest liczbowa i mierzona przed i po leczeniu
Trzy oczywiste opcje analizy takich danych to:
- Przetestuj grupę według efektu interakcji czasowej w mieszanej ANOVA
- Wykonaj ANCOVA z warunkiem jako IV, a wstępną miarą jako zmienną towarzyszącą i post-miarą jako DV
- Wykonaj test t z warunkiem jak IV i przed zmianą wyniki jako DV
Pytanie:
- Jaki jest najlepszy sposób analizy takich danych?
- Czy istnieją powody, by preferować jedno podejście od drugiego?
anova
ancova
clinical-trials
change-scores
Jeromy Anglim
źródło
źródło
Odpowiedzi:
Istnieje ogromna literatura na ten temat (zmiana / zysk) i myślę, że najlepsze referencje pochodzą z dziedziny biomedycznej, np.
W badaniach biomedycznych wykonano również interesującą pracę w ramach badań krzyżowych (szczególnie w odniesieniu do efektów przeniesienia , chociaż nie wiem, jak ma to zastosowanie do twojego badania).
Od Gain Score t do ANCOVA F (i odwrotnie) , Knapp & Schaffer, zapewnia interesujący przegląd podejścia ANCOVA vs. t (tak zwany paradoks Lorda). Prosta analiza wyników zmian nie jest zalecanym sposobem projektowania przed / po według Senna w jego artykule Zmiana od linii bazowej i ponownej analizy kowariancji (Stat. Med. 2006 25 (24)). Co więcej, zastosowanie modelu z efektami mieszanymi (np. W celu uwzględnienia korelacji między dwoma punktami czasowymi) nie jest lepsze, ponieważ naprawdę trzeba użyć pomiaru „wstępnego” jako współzmiennej w celu zwiększenia precyzji (poprzez dostosowanie). Bardzo krótko:
Podoba mi się także dziesięć mitów różnic w wynikach z Edwards, choć skupia się na różnicach w innym kontekście; ale tutaj jest bibliografia z adnotacjami na temat analizy zmian poprzedzających publikację (niestety, nie obejmuje ona najnowszych prac). Van Breukelen porównał także ANOVA vs. ANCOVA w warunkach randomizowanych i nierandomizowanych, a jego wnioski potwierdzają pogląd, że ANCOVA powinna być preferowana, przynajmniej w badaniach randomizowanych (które zapobiegają regresji do efektu średniego).
źródło
Daniel B. Wright omawia to w sekcji 5 swojego artykułu Zaprzyjaźnienie się z Twoimi danymi . Sugeruje (s.130):
Jako dalsze czytanie zaleca następujące artykuły:
źródło
Najpopularniejsze strategie to:
Istnieje wiele dyskusji na temat interpretacji, założeń i pozornie paradoksalnych różnic między tymi dwoma podejściami i bardziej wyrafinowanych alternatyw (szczególnie, gdy uczestnicy nie mogą zostać losowo przydzieleni do leczenia), ale myślę, że pozostają dość standardowe.
Jednym ważnym źródłem nieporozumień jest to, że dla ANOVA efektem zainteresowania jest najprawdopodobniej interakcja między czasem a leczeniem, a nie główny efekt leczenia. Nawiasem mówiąc, test F dla tego terminu interakcji da dokładnie ten sam wynik niż test niezależnej próby t na wyniki wzmocnienia (tj. Wyniki uzyskane przez odjęcie wyniku przed testem od wyniku po badaniu dla każdego uczestnika), więc możesz też idź na to.
Jeśli to wszystko jest zbyt wiele, nie masz czasu, aby to rozgryźć i nie możesz uzyskać pomocy od statystyki, szybkie i brudne, ale w żadnym wypadku całkowicie absurdalne podejście nie byłoby po prostu porównywać wyników po teście z niezależny próbny test t, ignorując wartości sprzed testu. Ma to sens tylko wtedy, gdy uczestnicy zostali losowo przydzieleni do grupy leczonej lub kontrolnej .
Wreszcie, to nie jest sam w sobie bardzo dobry powód, aby go wybrać, ale podejrzewam, że podejście 2 powyżej (ANCOVA) jest obecnie tym, co obecnie przyjmuje właściwe podejście w psychologii, więc jeśli wybierzesz coś innego, być może będziesz musiał szczegółowo wyjaśnić tę technikę lub uzasadnić do kogoś, kto jest przekonany, np. że „wyniki są znane jako złe”.
źródło
ANCOVA i powtarzane pomiary / model mieszany dla terminu interakcji testują dwie różne hipotezy. Zobacz ten artykuł: artykuł 1 i ten artykuł: artykuł 2
źródło
Ponieważ masz dwa sposoby (albo na konkretny przedmiot, albo na sumę ekwipunku), nie ma powodu, aby rozważać ANOVA. Sparowany test t jest prawdopodobnie odpowiedni; może to pomóc Ci wybrać, którego testu t potrzebujesz.
Czy chcesz spojrzeć na wyniki dla poszczególnych przedmiotów, czy na ogólne wyniki? Jeśli chcesz przeprowadzić analizę przedmiotu, może to być przydatne miejsce początkowe.
źródło