Mengapa pemblokiran diperlukan dalam desain eksperimental jika kita sudah melakukan penugasan acak?

8

Saya akan melalui bagian pertama dari kursus statistik Duke di Coursera, dan konsep pemblokiran dalam desain eksperimental muncul. Jika saya mengerti dengan benar, pemblokiran mengacu pada pemisahan subyek menjadi kelompok-kelompok berdasarkan pada beberapa variabel yang mungkin mempengaruhi hasil.

Namun, jika kita sudah melakukan tugas acak, bukankah seharusnya semua "nilai" dari variabel pemblokiran diwakili secara merata dalam kelompok perlakuan yang berbeda? Jika demikian, mengapa kita repot-repot memblokir?

capung
sumber
2
Setiap sampel acak pada dasarnya adalah seri dari variabel acak. Dengan harapan, distribusi data dalam sampel sama dengan populasi. Namun hanya dengan harapan.
shadowtalker

Jawaban:

4

Nah, jika Anda memiliki jumlah sedikit percobaan berjalan, maka tugas acak bisa membuat beberapa variabel kurang seimbang antara kelompok eksperimen dan kontrol. Dengan menggunakan pemblokiran, Anda menghindarinya.

Gagasan lain dengan pemblokiran adalah bahwa hal itu memungkinkan untuk sengaja menggunakan bahan eksperimental tidak homogen, karena pemblokiran memastikan bahwa hal itu seimbang antara kelompok. Itu membuat dasar yang lebih baik untuk generalisasi dari eksperimen, karena kesimpulan dari eksperimen berlaku untuk kisaran kondisi yang lebih besar.

kjetil b halvorsen
sumber
Bagaimana jika saya menggunakan koin yang adil untuk menentukan nasib (yaitu, apakah pergi ke kelompok perlakuan atau kelompok kontrol) untuk setiap subjek. Kemudian dalam kasus ini, apakah Anda pertama kali melakukan pemblokiran, yaitu, bagikan sampel Anda berdasarkan atributnya menjadi beberapa kelompok, kemudian dalam setiap kelompok, Anda menggunakan koin masing-masing orang untuk memberikan perlakuan; atau Anda hanya menggunakan koin orang untuk menetapkan pengobatan pada awalnya, tanpa memblokir, akan memberi Anda orang yang sama persis dalam kelompok perlakuan atau kontrol. Dalam hal ini, pemblokiran tidak ada bedanya. Karena dalam analisis data, Anda selalu menjalankan model linier dengan atribut
KevinKim
Ini baru saja diturunkan. Saya benar-benar ingin mendengar apa yang dianggap salah dengan jawaban ini !, karena saya tidak dapat membayangkan apa itu --- selain karena kekurangan detail?
kjetil b halvorsen
1
Katakanlah Anda memiliki 4 pria 6 wanita dalam sampel Anda. Masing-masing melempar koin yang adil, H ke perawatan, T untuk mengontrol. Jika Anda melakukan desain acak lengkap, Anda bisa berakhir dengan (1 pria, 5 wanita) dalam Pengobatan, (3 pria, 1 wanita) di Kontrol berdasarkan koin mereka sendiri. Sekarang jika Anda pertama kali memblokir jenis kelamin, sehingga Anda memiliki 4 pria dalam kelompok M dan 6 wanita dalam kelompok W, maka dalam kelompok, Anda membiarkan mereka membalik koin mereka, Anda akan berakhir dengan probabilitas yang sama untuk mendapatkan (1 pria, 5 wanita) dalam Pengobatan, (3 pria, 1 wanita) dalam Kontrol. Bukan?
KevinKim