Tekrarlanan ölçü tasarımı - Repeated measures design

Ayrıca bakınız: boylamsal çalışma ve panel çalışması

Tekrarlanan ölçü tasarımı bir Araştırma tasarımı farklı koşullar altında veya iki veya daha fazla zaman periyodu boyunca aynı veya eşleştirilmiş konular üzerinde aynı değişkenin birden fazla ölçümünü içerir.[1] Örneğin, tekrarlanan ölçümler bir boylamsal çalışma zaman içindeki değişimin değerlendirildiği.

Crossover çalışmaları

Ana makale: Çapraz çalışma

Popüler bir tekrarlanan önlemler, çapraz çalışma. Çapraz çalışma bir boylamsal çalışma hangi konular alır sıra farklı tedaviler (veya maruziyetler). Süre çapraz geçiş çalışmaları olabilir Gözlemsel çalışmalar birçok önemli çapraz çalışma kontrollü deneyler. Çapraz tasarımlar, birçok ilmi disiplinler, Örneğin Psikoloji, Eğitim, Farmasötik bilim, ve sağlık hizmeti özellikle ilaç.

Rastgele kontrollü, çapraz deneyler sağlık hizmetlerinde özellikle önemlidir. Rastgele klinik çalışma konular rastgele atanmış tedaviler. Böyle bir deneme, tekrarlanan bir önlem tasarımı olduğunda, konular rastgele atanmış bir sıra tedavilerin. Çaprazlamalı bir klinik araştırma, her hastanın en az iki tedaviyi içeren bir tedavi dizisine rastgele atandığı tekrarlanan ölçümler tasarımıdır (bunlardan biri standart tedavi veya a plasebo ): Böylece her hasta bir tedaviden diğerine geçer.

Hemen hemen tüm çapraz tasarımlar "dengeye" sahiptir, bu da tüm deneklerin aynı sayıda tedavi alması gerektiği ve tüm deneklerin aynı sayıda periyot için katılması gerektiği anlamına gelir. Çoğu çapraz denemede, her denek tüm tedavileri alır.

Bununla birlikte, birçok tekrarlanan önlem tasarımı kesişme değildir: tekrarlanan etkilerin ardışık etkilerinin uzunlamasına çalışması tedaviler hiç kullanmanıza gerek yok "karşıdan karşıya geçmek ", örneğin (Vonesh & Chinchilli; Jones & Kenward).

Kullanımlar

  • Sınırlı sayıda katılımcı - Tekrarlanan ölçüm tasarımı, tedavi etkilerinin tahminlerinin varyansını azaltarak daha az denek ile istatistiksel çıkarım yapılmasına izin verir.[2]
  • Verimlilik — Tekrarlanan ölçüm tasarımları, tüm bir deneyi tamamlamak için daha az grubun eğitilmesi gerektiğinden, birçok deneyin daha hızlı tamamlanmasını sağlar. Örneğin, her koşulun yalnızca birkaç dakika sürdüğü deneyler, görevleri tamamlamak için eğitim ise daha fazla değilse de çok zaman alır.
  • Boylamsal analiz — Tekrarlanan ölçüm tasarımları, araştırmacıların hem uzun hem de kısa vadeli durumlarda katılımcıların zaman içinde nasıl değiştiğini izlemelerine olanak tanır.

Sıra efektleri

Sıra efektleri Bir deneydeki bir katılımcı bir görevi yerine getirip sonra tekrar gerçekleştirebildiğinde ortaya çıkabilir. Sipariş etkilerinin örnekleri, öğrenme etkileri, can sıkıntısı veya yorgunluktan kaynaklanabilecek performans iyileştirmesi veya performanstaki düşüşü içerir. Düzen etkilerinin etkisi, uzun vadeli boylamsal çalışmalarda daha küçük olabilir veya bir çapraz tasarım.

Karşı dengeleme

Bu teknikte, iki grup aynı görevleri yerine getirir veya aynı koşulları ancak ters sırada yaşar. İki görev veya koşul ile dört grup oluşturulur.

Karşı dengeleme
Görev / DurumGörev / DurumUyarılar
Grup A
1
2
Grup A önce Görev / Koşul 1'i, ardından Görev / Koşul 2'yi gerçekleştirir
Grup B
2
1
Grup B önce Görev / Koşul 2'yi, ardından Görev / Koşul 1'i gerçekleştirir

Karşı dengeleme, bu tür bir tasarımdaki iki önemli sistematik varyasyon kaynağını dikkate almaya çalışır: uygulama ve can sıkıntısı etkileri. Her ikisi de aksi halde tedavilere aşinalık veya yorgunluk nedeniyle katılımcıların farklı performanslarına yol açabilir.

Sınırlamalar

Her katılımcının deneyin tüm koşullarında (yani zaman kısıtlamaları, deneyin yeri vb.) Olması mümkün olmayabilir. Ciddi derecede hasta olan denekler, uzunlamasına çalışmaları bırakma eğilimindedir ve bu da sonuçları potansiyel olarak önyargılar. Bu durumlarda karışık efekt modelleri eksik değerlerle başa çıkabildikleri için tercih edilebilir.

Ortalama gerileme, önemli tekrarlara sahip koşulları etkileyebilir. Olgunlaşma, zaman içinde genişleyen çalışmaları etkileyebilir. Deney dışındaki olaylar, tekrarlar arasındaki tepkiyi değiştirebilir.

Tekrarlanan önlemler ANOVA

Tekrarlanan ölçüm varyans analizi (rANOVA), tekrarlanan ölçüm tasarımlarında yaygın olarak kullanılan bir istatistiksel yaklaşımdır.[3] Bu tür tasarımlarda, tekrarlanan ölçüm faktörü (niteliksel bağımsız değişken) özne içi faktör iken, her bir katılımcının ölçüldüğü bağımlı nicel değişken bağımlı değişkendir.

Hatanın bölümlenmesi

Genel olarak tekrarlanan ölçüm tasarımlarında olduğu gibi, rANOVA'nın en büyük avantajlarından biri, bireysel farklılıklar nedeniyle değişkenliği bölümleme yeteneğidir. Genel yapısını düşünün F istatistiği:

F = MSTedavi / HANIMHata = (SSTedavi/ dfTedavi) / (SSHata/ dfHata)

Konular arası bir tasarımda, tedavi ve hata terimleriyle birleştirilen bireysel farklılıktan kaynaklanan bir varyans unsuru vardır:

SSToplam = SSTedavi + SSHata
dfToplam = n − 1

Tekrarlanan ölçüm tasarımında, denek değişkenliğini tedavi ve hata terimlerinden ayırmak mümkündür. Böyle bir durumda değişkenlik, tedaviler arası değişkenlik (veya bireysel farklılıklar hariç olmak üzere denek içi etkiler) ve tedavi içi değişkenlik olarak ayrılabilir. Tedavi içi değişkenlik, denekler arası değişkenlik (bireysel farklılıklar) ve hata (bireysel farklılıklar hariç) olarak daha da bölünebilir:[4]

SSToplam = SSTedavi (bireysel farklılık hariç) + SSKonular + SSHata
dfToplam = dfTedavi (denekler içinde) + dfkonular arasında + dfhata = (k − 1) + (n − 1) + ((n − k)(n − 1))

F-istatistiğinin genel yapısına atıfta bulunulduğunda, denekler arası değişkenliği bölümlere ayırarak F-değerinin artacağı açıktır çünkü kareler hata terimi toplamı daha küçük olacak ve daha küçük bir MSError ile sonuçlanacaktır. Bölümlendirmenin değişkenliğinin F testinden serbestlik derecelerini azaltması dikkate değerdir, bu nedenle denekler arası değişkenlik, serbestlik derecelerindeki kaybı dengelemek için yeterince önemli olmalıdır. Konular arası değişkenlik küçükse, bu süreç aslında F değerini düşürebilir.[4]

Varsayımlar

Tüm istatistiksel analizlerde olduğu gibi, bu testin kullanımını gerekçelendirmek için belirli varsayımlar karşılanmalıdır. İhlaller, sonuçları orta derecede ciddi şekilde etkileyebilir ve genellikle tip 1 hatası. RANOVA ile, standart tek değişkenli ve çok değişkenli varsayımlar geçerlidir.[5] Tek değişkenli varsayımlar şunlardır:

  • Normallik — Özne içi faktörün her seviyesi için, bağımlı değişkenin bir normal dağılım.
  • Küresellik - Bir özne içi faktörün iki seviyesi arasında hesaplanan fark puanları, herhangi iki seviyenin karşılaştırması için aynı varyansa sahip olmalıdır. (Bu varsayım yalnızca bağımsız değişkenin 2'den fazla seviyesi varsa geçerlidir.)
  • Rastgelelik — Vakalar rastgele bir örneklemden türetilmelidir ve farklı katılımcılardan alınan puanlar birbirinden bağımsız olmalıdır.

RANOVA ayrıca belirli çok değişkenli varsayımların karşılanmasını gerektirir, çünkü fark puanları üzerinde çok değişkenli bir test yapılır. Bu varsayımlar şunları içerir:

  • Çok değişkenli normallik — Fark puanları çok değişkenli normal olarak popülasyonda dağıtılır.
  • Rastgelelik — Bireysel vakalar rastgele bir örneklemden türetilmelidir ve her katılımcının fark puanları başka bir katılımcınınkinden bağımsızdır.

F testi

Diğer varyans testleri analizinde olduğu gibi, rANOVA bir F istatistiği önemi belirlemek için. Denek içi faktörlerin ve varsayım ihlallerinin sayısına bağlı olarak, üç testten en uygun olanı seçmek gerekir:[5]

  • Standart Tek Değişkenli ANOVA F testi — Bu test genellikle denek içi faktörün yalnızca iki seviyesi (yani zaman noktası 1 ve zaman noktası 2) verildiğinde kullanılır. Bu test, denek içi faktörün 2 seviyesinden fazla olması durumunda önerilmez çünkü bu gibi durumlarda küresellik varsayımı genellikle ihlal edilir.
  • Alternatif Tek Değişkenli test[6]—Bu testler, küresellik varsayımının ihlallerini hesaba katar ve özne içi faktör 2 düzeyi aştığında kullanılabilir. F istatistiği, Standart Tek Değişkenli ANOVA F testindeki ile aynıdır, ancak daha doğru bir p değeri ile ilişkilidir. Bu düzeltme, kritik F değerini belirlemek için serbestlik derecelerini aşağı doğru ayarlayarak yapılır. Yaygın olarak iki düzeltme kullanılır: Sera-Geisser düzeltmesi ve Huynh-Feldt düzeltmesi. Greenhouse-Geisser düzeltmesi daha muhafazakârdır, ancak tekrarlanan önlemler tasarımında zaman içinde artan değişkenlik gibi yaygın bir sorunu ele alır.[7] Huynh-Feldt düzeltmesi daha az ihtiyatlıdır, ancak artan değişkenlik sorunlarını ele almaz. Daha düşük Huynh-Feldt'in küresellikten daha küçük sapmalarla kullanılması, Greenhouse-Geisser'ın ise kalkışlar büyük olduğunda kullanılması önerilmiştir.
  • Çok Değişkenli Test — Bu test küresellik varsaymaz, ancak aynı zamanda oldukça ihtiyatlıdır.

Efekt boyutu

En sık bildirilenlerden biri efekt boyutu rANOVA istatistikleri kısmi eta-kare (ηp2). Çok değişkenli η kullanılması da yaygındır.2 küresellik varsayımı ihlal edildiğinde ve çok değişkenli test istatistiği rapor edildiğinde. Bildirilen üçüncü bir etki büyüklüğü istatistiği, genelleştirilmiş η2η ile karşılaştırılabilirp2 tek yönlü tekrarlanan ölçümlerde ANOVA. Diğer denek içi testlerle etki büyüklüğünün daha iyi bir tahmini olduğu gösterilmiştir.[8][9]

Uyarılar

rANOVA, tekrarlanan ölçüm tasarımları için her zaman en iyi istatistiksel analiz değildir. RANOVA, eksik değerlerin, isnatların, özneler arasındaki eşit olmayan zaman noktalarının ve küresellik ihlallerinin etkilerine karşı savunmasızdır.[10] Bu sorunlar, örnekleme sapmasına ve Tip I hata oranlarının şişmesine neden olabilir.[11] Bu tür durumlarda, bir doğrusal karışık model.[12]

Ayrıca bakınız

Notlar

  1. ^ Salkind, Neil J. "Tekrarlanan Önlemler Tasarımı". SAGE Araştırma Yöntemleri. ADAÇAYI. Alındı 8 Ocak 2019.
  2. ^ Barret Julia R. (2013). "Partikül Madde ve Kardiyovasküler Hastalık: Araştırmacılar Gözü Mikrovasküler Değişikliklere Çeviriyor". Çevre Sağlığı Perspektifleri. 121 (9): a282. doi:10.1289 / ehp.121-A282. PMC  3764084. PMID  24004855.
  3. ^ Gueorguieva; Krystal (2004). "ANOVA'nın Üzerinden Geç". Arch Gen Psikiyatrisi. 61 (3): 310–7. doi:10.1001 / archpsyc.61.3.310. PMID  14993119.
  4. ^ a b Howell, David C. (2010). Psikoloji için istatistiksel yöntemler (7. baskı). Belmont, CA: Thomson Wadsworth. ISBN  978-0-495-59784-1.
  5. ^ a b Salkind, Samuel B.Yeşil, Neil J. (2011). Windows ve Macintosh için SPSS'yi kullanma: verileri analiz etme ve anlama (6. baskı). Boston: Prentice Hall. ISBN  978-0-205-02040-9.
  6. ^ Vasey; Thayer (1987). "Psikofizyolojide Tekrarlanan Ölçümlerde Yanlış Pozitiflerin Devam Eden Problemi ANOVA: Çok Değişkenli Bir Çözüm". Psikofizyoloji. 24 (4): 479–486. doi:10.1111 / j.1469-8986.1987.tb00324.x. PMID  3615759.
  7. ^ Park (1993). "Tekrarlanan ölçümler için maksimum olasılık yaklaşımı ile genelleştirilmiş tahmin denklemi yaklaşımının bir karşılaştırması". Stat Med. 12 (18): 1723–1732. doi:10.1002 / sim.4780121807. PMID  8248664.
  8. ^ Fırıncı (2005). "Tekrarlanan önlemler tasarımları için önerilen etki boyutu istatistikleri". Davranış Araştırma Yöntemleri. 37 (3): 379–384. doi:10.3758 / bf03192707. PMID  16405133.
  9. ^ Olejnik; Algina (2003). "Genelleştirilmiş eta ve omega kare istatistikleri: Bazı yaygın araştırma tasarımları için etki büyüklüğü ölçüleri". Psikolojik Yöntemler. 8 (4): 434–447. doi:10.1037 / 1082-989x.8.4.434. PMID  14664681.
  10. ^ Gueorguieva; Krystal (2004). "ANOVA'nın Üzerinden Geç". Arch Gen Psikiyatrisi. 61 (3): 310–317. doi:10.1001 / archpsyc.61.3.310. PMID  14993119.
  11. ^ Muller; Barton (1989). "Küresellikten yoksun Tekrarlanan Ölçüler ANOVA için Yaklaşık Güç". Amerikan İstatistik Derneği Dergisi. 84 (406): 549–555. doi:10.1080/01621459.1989.10478802.
  12. ^ Kreuger; Tian (2004). "Genel doğrusal karma model ile birden fazla eksik veri noktası olan bir veri kümesi kullanılarak tekrarlanan ölçümler ANOVA'nın karşılaştırması". Hemşirelik için Biyolojik Araştırma. 6 (2): 151–157. doi:10.1177/1099800404267682. PMID  15388912.

Referanslar

Deney tasarımı ve analizi

  • Jones, Byron; Kenward, Michael G. (2003). Çapraz Denemelerin Tasarımı ve Analizi (İkinci baskı). Londra: Chapman ve Hall.
  • Vonesh, Edward F. ve Chinchilli, Vernon G. (1997). Tekrarlanan Ölçümlerin Analizi için Doğrusal ve Doğrusal Olmayan Modeller. Londra: Chapman ve Hall.

Boylamsal verilerin keşfi

  • Davidian, Marie; David M. Giltinan (1995). Tekrarlanan Ölçüm Verileri için Doğrusal Olmayan Modeller. Chapman & Hall / İstatistik ve Uygulamalı Olasılık Üzerine CRC Monografları. ISBN  978-0-412-98341-2.
  • Fitzmaurice, Garrett; Davidian, Marie; Verbeke, Geert; Molenberghs, Geert, eds. (2008). Boylamsal Veri Analizi. Boca Raton, Florida: Chapman ve Hall / CRC. ISBN  978-1-58488-658-7.
  • Jones, Byron; Kenward, Michael G. (2003). Çapraz Denemelerin Tasarımı ve Analizi (İkinci baskı). Londra: Chapman ve Hall.
  • Kim, Kevin ve Timm, Neil (2007). ""Kısıtlanmış MGLM ve büyüme eğrisi modeli "(Bölüm 7)". Tek değişkenli ve çok değişkenli genel doğrusal modeller: Teori ve uygulamalar SAS (Windows ve UNIX için 1 CD-ROM ile). İstatistik: Ders Kitapları ve Monografiler (İkinci baskı). Boca Raton, Florida: Chapman & Hall / CRC. ISBN  978-1-58488-634-1.
  • Kollo, Tõnu & von Rosen, Dietrich (2005). ""Çok değişkenli doğrusal modeller "(bölüm 4), özellikle" Büyüme eğrisi modeli ve uzantıları "(Bölüm 4.1)". Matrislerle gelişmiş çok değişkenli istatistikler. Matematik ve uygulamaları. 579. New York: Springer. ISBN  978-1-4020-3418-3.
  • Kshirsagar, Anant M. ve Smith, William Boyce (1995). Büyüme eğrileri. İstatistik: Ders Kitapları ve Monografiler. 145. New York: Marcel Dekker, Inc. ISBN  0-8247-9341-2.
  • Pan, Jian-Xin & Fang, Kai-Tai (2002). Büyüme eğrisi modelleri ve istatistiksel teşhis. İstatistikte Springer Serileri. New York: Springer-Verlag. ISBN  0-387-95053-2.
  • Seber, G.A. F. & Wild, C.J. (1989). ""Büyüme modelleri (Bölüm 7)"". Doğrusal olmayan regresyon. Olasılık ve Matematiksel İstatistiklerde Wiley Serileri: Olasılık ve Matematiksel İstatistik. New York: John Wiley & Sons, Inc. s. 325–367. ISBN  0-471-61760-1.
  • Timm, Neil H. (2002). ""Genel MANOVA modeli (GMANOVA) "(Bölüm 3.6.d)". Uygulamalı çok değişkenli analiz. İstatistikte Springer Metinleri. New York: Springer-Verlag. ISBN  0-387-95347-7.
  • Vonesh, Edward F. ve Chinchilli, Vernon G. (1997). Tekrarlanan Ölçümlerin Analizi için Doğrusal ve Doğrusal Olmayan Modeller. Londra: Chapman ve Hall. (Teori ve pratiğin kapsamlı bir şekilde ele alınması)
  • Conaway, M. (1999, 11 Ekim). Tekrarlanan Ölçüler Tasarımı. 18 Şubat 2008 tarihinde http://biostat.mc.vanderbilt.edu/twiki/pub/Main/ClinStat/repmeas.PDF
  • Minke, A. (1997, Ocak). Tekrarlanan Ölçüm Analizlerinin Yapılması: Deneysel Tasarım Hususları. Ericae.net'ten 18 Şubat 2008'de alındı: http://ericae.net/ft/tamu/Rm.htm
  • Shaughnessy, J. J. (2006). Psikolojide Araştırma Yöntemleri. New York: McGraw-Hill.

Dış bağlantılar