प्री-पोस्ट उपचार-नियंत्रण डिजाइनों का विश्लेषण करते समय सबसे अच्छा अभ्यास


53

निम्नलिखित सामान्य डिजाइन की कल्पना करें:

  • 100 प्रतिभागियों को बेतरतीब ढंग से या तो उपचार या नियंत्रण समूह के लिए आवंटित किया जाता है
  • निर्भर चर संख्यात्मक है और पूर्व-उपचार के बाद मापा जाता है

इस तरह के डेटा का विश्लेषण करने के लिए तीन स्पष्ट विकल्प हैं:

  • मिश्रित एनोवा में समय बातचीत प्रभाव द्वारा समूह का परीक्षण करें
  • IV के रूप में शर्त के साथ एक ANCOVA करें और पूर्व उपाय कोवेरेट के रूप में और DV के रूप में मापें
  • IV के रूप में शर्त के साथ एक टी-परीक्षण करें और DV के रूप में पूर्व-पोस्ट परिवर्तन स्कोर करें

सवाल:

  • इस तरह के डेटा का विश्लेषण करने का सबसे अच्छा तरीका क्या है?
  • क्या दूसरे पर एक दृष्टिकोण को प्राथमिकता देने के कारण हैं?

1
जब आप "स्थिति" कहते हैं, तो क्या आपका मतलब समूह असाइनमेंट है?
pmgjones

1
@ प्रोपोफ़ॉल: हाँ। अगर मेरी भाषा स्पष्ट नहीं है तो माफी माँगता हूँ।
जेरोमे एंग्लीम

1
एकल टिप्पणियों के लिए सांख्यिकीय डेटा के सांख्यिकीय रूप से मूल्यांकन के लिए पैरामीट्रिक "एन-ऑफ -1" तरीके भी हैं। उदाहरण आवेदन: ncbi.nlm.nih.gov/pubmed/2039432 तुलनात्मक तरीके: europepmc.org/abstract/MED/10557859/...
user31256

जवाबों:


34

इस विषय (परिवर्तन / लाभ स्कोर) के आसपास एक बड़ा साहित्य है, और मुझे लगता है कि सबसे अच्छा संदर्भ बायोमेडिकल डोमेन से आते हैं, जैसे।

सन्नी, एस (2007)। दवा के विकास में सांख्यिकीय मुद्दे । विली (अध्याय 7 पीपी 96-112)

बायोमेडिकल रिसर्च में, क्रॉस-ओवर ट्रायल ( कैरी-ओवर इफेक्ट्स के संबंध में) के अध्ययन में भी दिलचस्प काम किया गया है , हालाँकि मुझे नहीं पता कि यह आपके अध्ययन के लिए कितना लागू है)।

Kainpp & Schaffer से Gain स्कोर t से ANCOVA F (और इसके विपरीत) , ANCOVA बनाम t दृष्टिकोण (तथाकथित लॉर्ड्स पैराडॉक्स) की एक दिलचस्प समीक्षा प्रदान करता है। परिवर्तन के अंकों का सरल विश्लेषण पूर्व में उनके पोस्ट के अनुसार पूर्व / पोस्ट डिजाइन के लिए अनुशंसित तरीका नहीं है उनके लेख में आधारभूत से बदलें और सह-प्रतिष्ठित पुनरीक्षित (स्टेट। मेड। 2006 25) (24) का विश्लेषण । इसके अलावा, एक मिश्रित-प्रभाव मॉडल (उदाहरण के लिए दो समय बिंदुओं के बीच सहसंबंध के लिए खाता) का उपयोग करना बेहतर नहीं है, क्योंकि आपको वास्तव में सटीक (समायोजन के माध्यम से) को बढ़ाने के लिए कोविरेट के रूप में "पूर्व" माप का उपयोग करने की आवश्यकता है। बहुत संक्षिप्त रूप से:

  • परिवर्तन स्कोर (पोस्ट पूर्व, या परिणाम बेसलाइन) का उपयोग असंतुलन की समस्या को हल नहीं करता है; पूर्व और बाद के माप के बीच सहसंबंध है <1, और पूर्व और (पोस्ट पूर्व) के बीच सहसंबंध आम तौर पर नकारात्मक है - यह इस प्रकार है कि यदि उपचार (आपका समूह आवंटन) कच्चे स्कोर द्वारा मापा जाता है तो तुलना में अनुचित नुकसान होता है नियंत्रण करने के लिए, इसमें बदलाव स्कोर के साथ अनुचित लाभ होगा।---
  • ANCOVA में उपयोग किए जाने वाले अनुमानक का विचरण आम तौर पर कच्चे या बदले अंकों (जब तक कि पूर्व और पोस्ट के बीच सहसंबंध 1 के बराबर नहीं है) की तुलना में कम है।
  • यदि पूर्व / पोस्ट संबंध दो समूहों (ढलान) के बीच भिन्न होते हैं, तो यह किसी भी अन्य तरीकों की तुलना में अधिक समस्या नहीं है (परिवर्तन स्कोर दृष्टिकोण यह भी मानता है कि संबंध दो समूहों के बीच समान है - समानांतर ढलान परिकल्पना )।
  • उपचार की समानता की शून्य परिकल्पना के तहत (परिणाम पर), कोई बातचीत उपचार x आधारभूत अपेक्षित नहीं है; इस तरह के एक मॉडल को फिट करना खतरनाक है, लेकिन इस मामले में किसी को केंद्रित आधारभूत का उपयोग करना चाहिए (अन्यथा, उपचार का प्रभाव कोवरिएट मूल पर अनुमानित है)।

मुझे एडवर्ड्स के दस अंतर स्कोर मिथक भी पसंद हैं , हालांकि यह एक अलग संदर्भ में अंतर स्कोर पर केंद्रित है; लेकिन यहाँ पूर्व-पोस्ट परिवर्तन के विश्लेषण पर एक एनोटेट की गई ग्रंथ सूची है (दुर्भाग्य से, यह बहुत हालिया काम को कवर नहीं करता है)। वान ब्रुकेलन ने यादृच्छिक और गैर-यादृच्छिक सेटिंग में ANOVA बनाम ANCOVA की तुलना की, और उनके निष्कर्ष इस विचार का समर्थन करते हैं कि ANCOVA को प्राथमिकता दी जानी है, कम से कम यादृच्छिक अध्ययनों में (जो प्रतिगमन से मतलब प्रभाव को रोकते हैं)।


बस स्पष्ट करने के लिए: क्या आपका मतलब है कि पूर्व-परीक्षण स्कोर वाले एंकोवा सबसे अच्छा विकल्प है?
mkt - मोनिका

17

डैनियल बी। राइट ने अपने लेख मेकिंग फ्रेंड्स विथ योर डेटा की धारा 5 में इस पर चर्चा की । वह सुझाव देता है (पी। १३०):

इस स्थिति में हमेशा सही रहने वाली एकमात्र प्रक्रिया एक स्कैप्लेट है जो विभिन्न समूहों के लिए 1 के साथ समय 2 पर स्कोर की तुलना करती है। ज्यादातर मामलों में आपको डेटा का कई तरीकों से विश्लेषण करना चाहिए। यदि दृष्टिकोण अलग-अलग परिणाम देते हैं ... प्रत्येक द्वारा निहित मॉडल के बारे में अधिक ध्यान से सोचें।

वह आगे पढ़ने के रूप में निम्नलिखित लेखों की सिफारिश करता है:

  • हाथ, डीजे (1994)। सांख्यिकीय प्रश्नों का पुनर्निर्माण। रॉयल स्टैटिस्टिकल सोसायटी का जर्नल: ए, 157, 317–356।
  • लॉर्ड, एफएम (1967)। समूह तुलना की व्याख्या में एक विरोधाभास। मनोवैज्ञानिक बुलेटिन, 72, 304–305। मुफ्त पीडीएफ
  • वेनर, एच। (1991)। डिफरेंशियल बेस रेट्स के लिए समायोजन: लॉर्ड्स का विरोधाभास। मनोवैज्ञानिक बुलेटिन, 109, 147-151। मुफ्त पीडीएफ

9

सबसे आम रणनीतियां होंगी:

  1. दोहराए गए उपाय एनोवा एक विषय-कारक (पूर्व बनाम परीक्षण के बाद) और एक विषय-कारक (उपचार बनाम नियंत्रण) के बीच।
  2. उपचार के बाद के स्कोर पर ANCOVA, एक सहसंयोजक के रूप में पूर्व-उपचार स्कोर के साथ और एक स्वतंत्र चर के रूप में उपचार। सहज रूप से, विचार यह है कि दोनों समूहों के बीच मतभेदों का एक परीक्षण वास्तव में है कि आप क्या कर रहे हैं और पूर्व-परीक्षण स्कोर सहित एक कोवरिएट के रूप में एक साधारण टी-टेस्ट या एनोवा की तुलना में शक्ति बढ़ा सकते हैं।

इन दोनों दृष्टिकोणों के बीच और अधिक परिष्कृत विकल्पों (विशेषकर जब प्रतिभागियों को उपचार के लिए यादृच्छिक रूप से नहीं सौंपा जा सकता है) के बीच व्याख्या, मान्यताओं और स्पष्ट रूप से विरोधाभासी मतभेदों पर कई चर्चाएं होती हैं, लेकिन वे सुंदर मानक बने रहते हैं, मुझे लगता है।

भ्रम का एक महत्वपूर्ण स्रोत यह है कि एनोवा के लिए, समय और उपचार के बीच बातचीत का सबसे अधिक संभावना है, कि उपचार प्रभाव। संयोग से, इस अंतःक्रियात्मक पद के लिए एफ-परीक्षण लाभ प्राप्त स्कोर पर एक स्वतंत्र नमूना टी-टेस्ट के समान परिणाम देगा (यानी प्रत्येक प्रतिभागी के लिए पूर्व-परीक्षण स्कोर से घटाकर प्राप्त किया गया स्कोर) उसके लिए भी जाएं।

यदि यह सब बहुत अधिक है, तो आपके पास यह पता लगाने के लिए समय नहीं है, और एक सांख्यिकीविद्, त्वरित और गंदे से कुछ मदद नहीं मिल सकती है, लेकिन पूरी तरह से बेतुका दृष्टिकोण केवल एक के साथ परीक्षण के बाद के स्कोर की तुलना करना होगा स्वतंत्र नमूना टी-परीक्षण, पूर्व-परीक्षण मूल्यों की अनदेखी। यह केवल समझ में आता है अगर प्रतिभागियों को वास्तव में उपचार या नियंत्रण समूह को यादृच्छिक रूप से सौंपा गया था

अंत में, यह अपने आप में इसे चुनने का एक बहुत अच्छा कारण नहीं है, लेकिन मुझे लगता है कि उपरोक्त 2 (ANCOVA) पर संदेह है, जो वर्तमान में मनोविज्ञान में सही दृष्टिकोण के लिए गुजरता है, इसलिए यदि आप कुछ और चुनते हैं तो आपको तकनीक के बारे में विस्तार से या औचित्य साबित करना पड़ सकता है अपने आप को जो आश्वस्त है, जैसे कि "लाभ स्कोर खराब होने के लिए जाना जाता है"।


1
मैं कहता हूं कि पहली सिफारिश, दोहराया उपायों एनोवा, पूर्व-पोस्ट डेटा का विश्लेषण करने के लिए उपयुक्त नहीं है। क्या उपचार को आधार रेखा में हस्तक्षेप समूह में 0 पर कोडित किया गया है? किसी भी तरह से, यह नागफनी प्रभाव को फिर से प्रस्तुत करता है। नियंत्रणों के बीच पूर्व / बाद में व्यवस्थित अंतर को यादृच्छिक भिन्नता तक सीमित किया जाता है। आरएम एएन सी ओवीए तब उचित है जब पोस्ट-अवधि के दौरान कई माप होते हैं , और आधारभूत मान अभी भी एक कोवरिएट के रूप में समायोजित किए जाते हैं या लाभ-स्कोर के रूप में उपयोग किए जाते हैं।
एडम डे

2

ANCOVA और बातचीत शब्द के लिए दोहराए गए उपाय / मिश्रित मॉडल दो अलग-अलग परिकल्पना का परीक्षण कर रहे हैं। इस लेख का संदर्भ लें: अंक 1 और यह लेख: लेख २


-2

चूँकि आपके पास दो साधन हैं (या तो किसी विशिष्ट वस्तु के, या इन्वेंट्री के योग के), तो एनोवा पर विचार करने का कोई कारण नहीं है। एक युग्मित टी-परीक्षण शायद उपयुक्त है; इससे आपको यह चुनने में मदद मिल सकती है कि आपको कौन सा टी-टेस्ट चाहिए।

क्या आप आइटम-विशिष्ट परिणामों को देखना चाहते हैं, या समग्र स्कोर पर? यदि आप एक आइटम विश्लेषण करना चाहते हैं, तो यह एक उपयोगी प्रारंभिक स्थान हो सकता है।


4
नियंत्रण समूह के बारे में क्या? सभी डेटा पर एक युग्मित टी-टेस्ट एक बुरा विचार लगता है और निश्चित रूप से मुख्य प्रश्न को संबोधित नहीं करता है (क्या यह उपचार प्रभावी है?)। उपचार समूह के लिए प्रतिबंधित एक युग्मित टी-टेस्ट एक प्रशंसनीय रणनीति है, लेकिन नियंत्रण समूह की अनदेखी बहुत सारे डेटा को फेंक देती है और बहुत कमजोर सबूतों के लिए बनाती है कि हस्तक्षेप वास्तव में सक्रिय घटक है। एनोवा वास्तव में एक आम बात है - अगर अक्सर आलोचना की जाती है - इस डिजाइन का विश्लेषण करने का तरीका।
गाला
हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.