Küsimus:
Parim tava ravieelsete kontrollikontrollide kavandite analüüsimisel
Jeromy Anglim
2010-10-10 18:04:18 UTC
view on stackexchange narkive permalink

Kujutage ette järgmist ühist kujundust:

  • 100 osalejat jaotatakse juhuslikult kas ravi- või kontrollrühma
  • sõltuv muutuja on arvuline ja mõõdetud enne ja pärast - ravi

Selliste andmete analüüsimiseks on kolm ilmset võimalust:

  • testige rühma aja koostoime efekti järgi ANOVA segus
  • ANCOVA, mille seisund on IV ja eelmeetme puhul on tegemist kovariaadi ja postmõõduga kui DV
  • Tehke t-test tingimusega, kui IV ja muutuseelse tulemuse skoor on DV

Küsimus:

  • mis on parim viis selliste andmete analüüsimiseks?
  • Kas on põhjust ühte lähenemist eelistada teisele?
Kui ütlete "tingimus", kas peate silmas grupiülesannet?
@propofol: jah. vabandust, kui minu keel pole selge.
Väga asjakohased niidid: [Kas sõltumatu muutuja mõju muutuste skooridele testimisel on õige lisada baasmõõt kontrollmuutujana?] (Http://stats.stackexchange.com/questions/15713/is-it-valid- e-testimisel lisada algtase-kontroll-muutuja-muutuja) ja [kas kontrolli ja ravi vahe peaks olema otseselt või kaudselt modelleeritud?] (http://stats.stackexchange.com / küsimused / 15104 / kas kontroll-ja-ravi-vahe peaks olema modelleeritud-selgesõnaliselt-või-im)
Üksikute vaatluste ajaliste andmete statistiliseks hindamiseks on olemas ka parameetrilised meetodid "N-of-1". Näidisrakendus: http://www.ncbi.nlm.nih.gov/pubmed/2039432 Võrdlevad meetodid: http://europepmc.org/abstract/MED/10557859/reload=0;jsessionid=byio9Np7lnoik1Ksa4nP.38
Viis vastused:
#1
+36
chl
2010-10-10 18:59:48 UTC
view on stackexchange narkive permalink

Sellel teemal on tohutu kirjandus (skoorid muutused / kasumid) ja ma arvan, et parimad viited pärinevad biomeditsiinilisest valdkonnast, nt.

Senn, S (2007). Statistilised probleemid ravimite väljatöötamisel . Wiley (peatükk 7 lk 96–112)

Biomeditsiinilistes uuringutes on huvitavat tööd tehtud ka ristkatsete uurimisel (esp. seoses ülekande mõjudega, kuigi ma ei tea, kui sobiv see teie uuringu jaoks on.

Gain Score'ist t ANCOVA F-ni (ja vastupidi versapp), autor Knapp & Schafferilt, pakub huvitava ülevaate ANCOVA vs t lähenemisviisist (nn Issanda paradoks). Muudatuste skooride lihtne analüüs ei ole soovitav viis eel- / postikujunduse jaoks vastavalt Senni artiklile Muutus baasjoonest ja läbivaatatud kovariantsuse analüüs (Stat. Med. 2006 25 (24)). Pealegi ei ole segamõju mudeli kasutamine (nt kahe ajapunkti vahelise korrelatsiooni arvestamiseks) parem, sest täpsuse suurendamiseks (korrigeerimise kaudu) peate tõepoolest kasutama eelmõõtmist ühismuutujana. Väga lühidalt:

  • muudatuste skooride kasutamine (postitus $ - $ pre või tulemus $ - $ baasjoon) ei lahenda tasakaalustamatuse probleemi; korrelatsioon enne ja pärast mõõtmist on < 1 ning korrelatsioon pre ja (post $ - $ pre) vahel on üldjuhul negatiivne - sellest järeldub, et kui töötlemine (teie grupi jaotamine) toortulemustega mõõdetuna on ebaõiglane puudus võrreldes kontrolliga, on sellel muutuste skooridega ebaõiglane eelis.
  • ANCOVA-s kasutatava hindaja varieeruvus on tavaliselt väiksem kui toor- või muudatusskooride puhul (välja arvatud juhul, kui korrelatsioon pre ja post võrdub 1-ga) .
  • Kui kahe grupi vahelised eel- ja järelsuhted (kalle) erinevad, pole see nii suur probleem kui mis tahes muu meetodi puhul (muutuste skooride lähenemine eeldab ka seda, et suhe on kahe grupi vahel identne - paralleelse kalde hüpotees).
  • võrdse kohtlemise nullhüpoteesi alusel (tulemuse kohta) ei ole oodata interaktsioonravi x algtaset; sellise mudeli sobitamine on ohtlik, kuid sellisel juhul tuleb kasutada tsentreeritud lähtejooni (vastasel juhul hinnatakse raviefekti kovariaadi päritoluks).

Mulle meeldib ka kümme Edwardssi erinevuse skoori müüdid, kuigi see keskendub erinevuse skooridele teises kontekstis; kuid siin on kommenteeritud bibliograafia postieelsete muudatuste analüüsi kohta (kahjuks ei hõlma see väga hiljutisi töid). Van Breukelen võrdles ANOVA-d ja ANCOVA-d ka randomiseeritud ja mitte-randomiseeritud tingimustes ning tema järeldused toetavad ideed, et ANCOVA-d tuleks eelistada vähemalt randomiseeritud uuringutes (mis takistavad regressioonist keskmise efektini).

Lihtsalt selgituseks: kas peate silmas seda, et ANCOVA koos eelvariandi skooridega kovariaatidena on parim variant?
@chl: Link kommenteeritud bibliograafiale on katki.
#2
+17
Jeromy Anglim
2010-12-08 07:31:49 UTC
view on stackexchange narkive permalink

Daniel B. Wright arutleb selle üle oma artikli oma andmetega sõbraks saamine 5. osas. Ta soovitab (lk 130):

Ainus protseduur, mis on selles olukorras alati õige, on hajuvusdiagramm, mis võrdleb erinevate rühmade ajahetke 2 ja ajahetke 1 tulemusi. Enamasti peaksite andmeid analüüsima mitmel viisil. Kui lähenemisviisid annavad erinevaid tulemusi ... mõelge hoolikamalt igaühe viidatud mudeli üle.

Ta soovitab järgmisi artikleid lugeda järgmiselt:

  • käsi , DJ (1994). Statistiliste küsimuste dekonstrueerimine. Kuningliku Statistikaühingu ajakiri: A, 157, 317–356.
  • Lord, F. M. (1967). Paradoks rühmavõrdluste tõlgendamisel. Psychological Bulletin, 72, 304–305. tasuta PDF
  • Wainer, H. (1991). Erinevate baasmäärade kohandamine: Issanda paradoks jälle. Psychological Bulletin, 109, 147–151. tasuta PDF
#3
+9
Gala
2013-05-01 21:43:41 UTC
view on stackexchange narkive permalink

Kõige tavalisemad strateegiad oleksid järgmised:

  1. Korduvalt mõõdetakse ANOVA-d ühe subjekti sisese teguriga (pre-vs-post-test) ja ühe-subjekti vahelise faktoriga (ravi vs kontroll).
  2. ANCOVA ravijärgsete skooride järgi, kusjuures eelravi skoor oli kovariidina ja ravi sõltumatu muutujana. Intuitiivselt on idee, et mõlema rühma vaheliste erinevuste testimine on tegelikult see, mida te olete pärast ja kui testieelsed skoorid lisatakse kovariidiks, võib see võimsust suurendada võrreldes lihtsa t-testi või ANOVA-ga.

Nende kahe lähenemise tõlgendamise, eelduste ja ilmselt paradoksaalsete erinevuste ning keerukamate alternatiivide üle on arutletud palju (eriti kui osalejaid ei saa juhuslikult ravile määrata), kuid arvan, et need jäävad üsna standardseks.

Üks oluline segaduse allikas on see, et ANOVA jaoks on huvi mõju tõenäoliselt aja ja ravi vaheline interaktsioon ja ravi peamine toime mitte . Muide, selle interaktsioonitermini F-test annab täpselt sama tulemuse kui sõltumatu valimi t-test võimenduse skooride (st hinded, mis saadakse iga osaleja testi eelse skoori lahutamisel), nii et võite ka selle nimel.

Kui seda kõike on liiga palju, pole teil aega seda välja mõelda ja te ei saa statistikult abi, kiiret ja räpast, kuid sugugi mitte absurdset lähenemist. oleks lihtsalt võrrelda testijärgseid tulemusi sõltumatu proovi t-testiga, eirates testieelseid väärtusi. See on mõistlik ainult siis, kui tegelikult määrati osalejad juhuslikult ravi- või kontrollrühma .

Lõpuks pole see iseenesest väga hea põhjus selle valimiseks, kuid ma kahtlustan, et ülaltoodud lähenemisviis 2 (ANCOVA) on psühholoogias õige lähenemisviis, nii et kui valite midagi muud, peate võib-olla tehnikat üksikasjalikult selgitama või end õigustada kellelegi, kes on selles veendunud, nt et "kasumiskoorid on teadaolevalt halvad".

Ma ütleksin, et esimene soovitus, ANOVA korduvmeetmete võtmine, ei sobi postieelsete andmete analüüsimiseks.Kas ravi on sekkumisrühmas kodeeritud 0-ni?Mõlemal juhul taastab see Hawthorne'i efekti.Süstemaatilised erinevused kontrollide vahel enne ja pärast on juhusliku varieerumiseni.RM AN * C * OVA on õigustatud, kui perioodi järgsel perioodil on * mitu * mõõtmist ja algväärtusi korrigeeritakse endiselt kovariaadina või kasutatakse võimenduse skoorina.
#4
+2
Thomas
2017-01-08 06:05:21 UTC
view on stackexchange narkive permalink

ANCOVA ja interaktsioonitermini korduvad mõõdud / segamudel testivad kahte erinevat hüpoteesi.Vaadake seda artiklit: artikkel 1 ja seda artiklit: artikkel 2

#5
-2
Krysta
2013-05-01 20:43:13 UTC
view on stackexchange narkive permalink

Kuna teil on kaks võimalust (kas konkreetse üksuse või varude summa), pole ANOVA-d kaaluda. Paaristatud t-test on tõenäoliselt sobiv; see võib aidata teil valida vajaliku t-testi.

Kas soovite vaadata üksuspõhiseid tulemusi või üldskoore? Kui soovite teha üksuseanalüüsi, võib see olla kasulik lähtepunkt.

Aga kontrollgrupp? Kõigi andmete paaristatud t-test kõlab halva ideena ja kindlasti ei lahenda see põhiküsimust (kas ravi on efektiivne?). Ravigrupile piiratud paaristatud t-test on usutav strateegia, kuid kontrollrühma eiramine viskab palju andmeid ja annab palju nõrgemaid tõendeid selle kohta, et sekkumine on tegelikult toimeaine. ANOVA on tegelikult selle disaini analüüsimiseks tavaline - kui sageli kritiseeritakse - viis.


See küsimus ja vastus tõlgiti automaatselt inglise keelest.Algne sisu on saadaval stackexchange-is, mida täname cc by-sa 2.0-litsentsi eest, mille all seda levitatakse.
Loading...