अपने शाब्दिक प्रश्न का उत्तर देने के लिए, "क्या परिवर्तन के अंकों पर एक स्वतंत्र के प्रभाव का परीक्षण करते समय बेसलाइन माप को नियंत्रण चर के रूप में शामिल करना मान्य है?", उत्तर नहीं है । उत्तर नहीं है, क्योंकि निर्माण द्वारा बेसलाइन स्कोर को त्रुटि शब्द के साथ सहसंबद्ध किया जाता है जब परिवर्तन स्कोर को आश्रित चर के रूप में उपयोग किया जाता है, इसलिए परिवर्तन स्कोर पर आधार रेखा का अनुमानित प्रभाव निर्विवाद है।
का उपयोग करते हुए
- Y1प्रारंभिक वजन के रूप में
- Y2अंतिम वजन के रूप में
- Δ Y = Y 2 - Y 1Δ Yवजन में परिवर्तन के रूप में (यानी )ΔY=Y2−Y1
- T एक बेतरतीब ढंग से सौंपा उपचार के रूप में, और
- X अन्य बहिर्जात कारकों के रूप में जो वजन को प्रभावित करते हैं (जैसे अन्य नियंत्रण चर जो परिणाम से संबंधित हैं, लेकिन यादृच्छिक असाइनमेंट के कारण उपचार से असंबद्ध होना चाहिए)
एक तो और पर को पुनः प्राप्त करने वाला एक मॉडल है ; टी एक्सΔYTX
ΔY=β1T+β2X+e
जो परिभाषा के बराबर है;
Y2−Y1=β1T+β2X+e
अब, यदि आप आधार रेखा को रूप में शामिल करते हैं, तो किसी को एक समस्या चाहिए, जिसमें आपके पास समीकरण के दोनों तरफ शब्द है। इससे पता चलता है कि है, क्योंकि यह त्रुटि अवधि के साथ स्वाभाविक रूप से सहसंबद्ध है।β 3 Y 1Y1β3Y1
Y2−Y1Y2=β1T+β2X+β3Y1+e=β1T+β2X+β3Y1+(e+Y1)
अब, विभिन्न उत्तरों में भ्रम की स्थिति इस तथ्य से उपजी है कि विभिन्न मॉडल उपचार प्रभाव के लिए समान परिणाम प्राप्त करेंगे , मेरे उपरोक्त सूत्रीकरण में । इसलिए, यदि कोई "स्तर" (बेसलाइन सहित प्रत्येक मॉडल के साथ रूप में) का उपयोग करके मॉडल के लिए आश्रित चर के रूप में परिवर्तन स्कोर का उपयोग करते हुए मॉडल के लिए उपचार प्रभाव की तुलना करने वाले थे, तो उपचार प्रभाव की व्याख्या अन्य लोग करेंगे। वही। दो मॉडलों में जो का अनुसरण करते हैं, वही होगा, और इसलिए उनके आधार पर (ब्रूस वीवर में कुछ एसपीएसएस कोड होते हैं जो समतुल्यता प्रदर्शित करते हैं)।वाई 1 β 1 टीβ1TY1β1T
Change Score ModelLevels Model:Y2−Y1=β1T+β2X+β3Y1+e:Y2=β1T+β2X+β3Y1+e
तो कुछ का तर्क होगा (जैसा कि फेलिक्स के इस सूत्र में है, और जैसा कि ब्रूस वीवर ने SPSS वर्ल्ड ग्रुप पर कुछ चर्चाओं में किया है)) कि चूंकि मॉडल एक ही अनुमानित उपचार प्रभाव में परिणाम करते हैं, इसलिए यह कोई फर्क नहीं पड़ता कि आप किसको चुनते हैं। मैं असहमत हूं, क्योंकि परिवर्तन स्कोर मॉडल में बेसलाइन कोवरिएट की व्याख्या नहीं की जा सकती है, आपको आधारभूत को कोवरिएट के रूप में कभी भी शामिल नहीं करना चाहिए (भले ही अनुमानित उपचार प्रभाव समान हो या न हो)। तो इससे एक और सवाल सामने आता है, कि परिवर्तन के अंकों को आश्रित चर के रूप में उपयोग करने का क्या मतलब है? जैसा कि फेलिक्स ने पहले ही नोट किया है, बेसलाइन को कोवरिएट के रूप में छोड़कर निर्भर चर के रूप में परिवर्तन स्कोर का उपयोग करने वाला मॉडल स्तरों का उपयोग करने वाले मॉडल से अलग है। स्पष्ट करने के लिए, बाद के मॉडल अलग-अलग उपचार प्रभाव देंगे (विशेष रूप से इस मामले में कि उपचार आधारभूत के साथ सहसंबद्ध है);
Change Score Model Without BaselineLevels Model:Y2−Y1=β1T+β2X+e:Y2=β1T+β2X+β3Y1+e
यह पूर्व के साहित्य में "भगवान के विरोधाभास" के रूप में नोट किया गया है। तो कौन सा मॉडल सही है? खैर, यादृच्छिक प्रयोगों के मामले में, मैं कहूंगा कि स्तर मॉडल बेहतर है (हालांकि यदि आपने एक अच्छा काम यादृच्छिक किया, तो औसत उपचार प्रभाव मॉडल के बीच बहुत करीब होना चाहिए)। अन्य के कारण नोट किए गए हैं कि स्तर का मॉडल बेहतर क्यों है, चार्ली का जवाब इस बात का एक अच्छा बिंदु है कि आप स्तर मॉडल में आधार रेखा के साथ बातचीत प्रभाव का अनुमान लगा सकते हैं (लेकिन आप बदलाव मॉडल में नहीं कर सकते हैं)। इसी तरह के एक सवाल के जवाब में Whuber दर्शाता है कि कैसे परिवर्तन स्कोर विभिन्न उपचारों के बीच सहसंबंधों को प्रेरित करता है।
जिन स्थितियों में उपचार को यादृच्छिक रूप से असाइन नहीं किया गया है, उन बदलावों का उपयोग करने वाले मॉडल पर निर्भर चर के रूप में अधिक ध्यान दिया जाना चाहिए। परिवर्तन स्कोर मॉडल का मुख्य लाभ यह है कि किसी भी समय परिणाम के आक्रामक भविष्यवाणियों को नियंत्रित किया जाता है। तो उपरोक्त सूत्रीकरण में कहें, पूरे समय स्थिर है (उदाहरण के लिए एक निश्चित वजन पर होने के लिए एक आनुवंशिक गड़बड़ी का कहना है), और उस के साथ सहसंबद्ध है कि क्या कोई व्यक्ति व्यायाम करने के लिए चुनता है (और अनिर्दिष्ट है)। उस उदाहरण में, परिवर्तन स्कोर मॉडल बेहतर है। ऐसे उदाहरणों में भी, जिसमें उपचार में चयन को आधारभूत मूल्य के साथ सहसंबद्ध किया जाता है, परिवर्तन स्कोर मॉडल बेहतर हो सकता है। पॉल एलीसन ने अपने पेपर में,एक्स एक्सXXXरिग्रेशन एनालिसिस में डिपेंडेंट वेरिएबल्स के रूप में चेंजेस बदलें , ये वही उदाहरण देते हैं (और मोटे तौर पर इस विषय पर मेरे दृष्टिकोण को प्रभावित करते हैं, इसलिए मैं इसे पढ़ने का सुझाव देता हूं)।
यह कहना नहीं है कि गैर-यादृच्छिक सेटिंग्स में परिवर्तन स्कोर हमेशा बेहतर होते हैं। इस मामले में कि आप बेसलाइन के बाद के वजन पर वास्तविक कारण प्रभाव पड़ने की उम्मीद करते हैं, आपको स्तरों के मॉडल का उपयोग करना चाहिए। इस मामले में कि आप बेसलाइन को एक कारण प्रभाव की उम्मीद करते हैं, और उपचार में चयन को आधार रेखा के साथ सहसंबद्ध किया जाता है, उपचार प्रभाव को बेसलाइन प्रभाव के साथ भ्रमित किया जाता है।
मैंने चार्ली द्वारा नोट पर ध्यान नहीं दिया है कि वजन का लघुगणक निर्भर चर के रूप में इस्तेमाल किया जा सकता है। हालांकि मुझे संदेह नहीं है कि यह एक संभावना हो सकती है, यह प्रारंभिक प्रश्न के लिए कुछ हद तक गैर अनुक्रमिक है। एक अन्य प्रश्न पर चर्चा की गई है जब चर के लघुगणक का उपयोग करना उचित है (और जो अभी भी इस मामले में लागू होते हैं)। इस विषय पर शायद पहले से साहित्य है जो आपको मार्गदर्शन करने में मदद करेगा कि क्या लॉग वजन का उपयोग करना उचित है या नहीं।
उद्धरण
एलीसन, पॉल डी। 1990. प्रतिगमन विश्लेषण में निर्भर चर के रूप में स्कोर बदलें । समाजशास्त्रीय पद्धति 20: 93-114। सार्वजनिक पीडीएफ संस्करण ।