想象以下通用设计:
- 将100名参与者随机分配至治疗组或对照组
- 因变量是数字的,并且在处理前后进行了测量
分析此类数据的三个显而易见的选择是:
- 在混合方差分析中通过时间交互作用测试组
- 做一个ANCOVA,条件为IV,前测为协变量,后测为DV
- 做一个t检验,条件为IV,事前变更分数为DV
题:
- 分析此类数据的最佳方法是什么?
- 是否有理由倾向于一种方法而不是另一种方法?
想象以下通用设计:
分析此类数据的三个显而易见的选择是:
题:
Answers:
关于这个话题(变化/得分)有大量文献,我认为最好的参考来自生物医学领域,例如
Senn,S(2007)。药物开发中的统计问题。威利(第7章第96-112章)
在生物医学研究,有趣的工作也已在研究中做了交叉试验(尤其是有关结转的影响,虽然我不知道这是你学习如何适用)。
从增益得分t到ANCOVA F(反之亦然),从Knapp和Schaffer那里,对ANCOVA vs.t方法(所谓的Lord悖论)进行了有趣的评论。根据Senn在他的文章“从基线开始变化和重新分析协方差”(Stat。Med。2006 25(24))中,不建议对更改分数进行简单分析,而将其设计为前后设计。此外,使用混合效果模型(例如考虑两个时间点之间的相关性)并不是更好,因为您确实需要使用“预”度量作为协变量来提高精度(通过调整)。非常简短:
我也喜欢Edwards的《十个差异分数神话》,尽管它着重于不同背景下的差异分数。但是这里有一个带注释的参考书目,用于分析岗前变更(不幸的是,它没有涵盖最近的工作)。Van Breukelen还在随机和非随机环境中比较了ANOVA和ANCOVA,他的结论支持至少在随机研究中应优先考虑ANCOVA的想法(这防止了回归回归均值)。
丹尼尔·布莱特(Daniel B. Wright)在他的文章《与您的数据成为朋友》的第5节中对此进行了讨论。他建议(第130页):
在这种情况下,唯一正确的方法是对不同组的时间点2和时间点1的分数进行比较。在大多数情况下,您应该以几种方式分析数据。如果这些方法得出不同的结果,请更仔细地考虑每种方法所隐含的模型。
他建议以下文章作为进一步阅读:
最常见的策略是:
我认为,关于这两种方法的解释,假设以及明显的自相矛盾的差异,还有更复杂的替代方案(尤其是当参与者无法随机分配治疗方案时)进行了很多讨论,但它们仍然很标准。
引起混淆的一个重要原因是,对于ANOVA,感兴趣的效果很可能是时间与治疗之间的相互作用,而不是治疗的主要效果。顺便说一句,此交互作用项的F检验将获得与独立样本t检验的增益分数(即,通过从每个参与者的测试后分数减去测试前分数获得的分数)完全相同的结果,因此您可能也去。
如果这一切太多,您将没有时间弄清楚,也无法从统计学家那里获得帮助,一种快速而肮脏的方法,但绝不是完全荒谬的方法,就是将测试后的分数与独立的样本t检验,忽略了检验前的值。仅当参与者实际上被随机分配到治疗组或对照组时才有意义。
最后,选择它本身并不是一个很好的理由,但是我怀疑上面的方法2(ANCOVA)是目前正确的心理学方法所采用的方法,因此,如果您选择其他方法,则可能必须详细解释该技术或证明其合理性。可以让自己相信的人,例如“已知得分不好”。
ANCOVA和重复项/交互项的混合模型正在测试两个不同的假设。请参阅本文:Ariticle 1和本文:Article 2