Bayangkan desain umum berikut:
- 100 peserta secara acak dialokasikan untuk kelompok perlakuan atau kelompok kontrol
- variabel dependen adalah numerik dan diukur sebelum dan sesudah perawatan
Tiga opsi yang jelas untuk menganalisis data tersebut adalah:
- Uji kelompok dengan efek interaksi waktu dalam ANOVA campuran
- Lakukan ANCOVA dengan kondisi sebagai IV dan prapengukuran sebagai kovariat dan pos ukur sebagai DV
- Lakukan uji-t dengan kondisi sebagai skor perubahan IV dan pra-pasca sebagai DV
Pertanyaan:
- Apa cara terbaik untuk menganalisis data seperti itu?
- Apakah ada alasan untuk lebih menyukai satu pendekatan daripada yang lain?
anova
ancova
clinical-trials
change-scores
Jeromy Anglim
sumber
sumber
Jawaban:
Ada banyak literatur tentang topik ini (perubahan / perolehan skor), dan saya pikir referensi terbaik berasal dari domain biomedis, misalnya
Dalam penelitian biomedis, pekerjaan yang menarik juga telah dilakukan dalam studi uji silang (terutama dalam kaitannya dengan efek carry-over , meskipun saya tidak tahu seberapa berlaku itu untuk studi Anda).
Dari Gain Score t hingga ANCOVA F (dan sebaliknya) , dari Knapp & Schaffer, memberikan ulasan yang menarik tentang pendekatan ANCOVA vs t (yang disebut Paradox Lord). Analisis sederhana skor perubahan bukanlah cara yang direkomendasikan untuk desain pra / pasca menurut Senn dalam artikelnya. Perubahan dari baseline dan analisis kovarians ditinjau kembali (Stat. Med. 2006 25 (24)). Selain itu, menggunakan model efek campuran (misalnya untuk memperhitungkan korelasi antara dua titik waktu) tidak lebih baik karena Anda benar-benar perlu menggunakan pengukuran "pra" sebagai kovariat untuk meningkatkan presisi (melalui penyesuaian). Sangat singkat:
Saya juga suka Sepuluh Skor Skor Mitos dari Edwards, meskipun berfokus pada skor perbedaan dalam konteks yang berbeda; tapi di sini ada daftar pustaka beranotasi tentang analisis perubahan pra-pasca (sayangnya, itu tidak mencakup pekerjaan yang sangat baru). Van Breukelen juga membandingkan ANOVA vs ANCOVA dalam pengaturan acak dan non-acak, dan kesimpulannya mendukung gagasan bahwa ANCOVA lebih disukai, setidaknya dalam penelitian acak (yang mencegah dari regresi ke efek rata-rata).
sumber
Daniel B. Wright membahas ini di bagian 5 dari artikelnya Berteman dengan Data Anda . Dia menyarankan (hal.130):
Dia merekomendasikan artikel-artikel berikut sebagai bacaan lebih lanjut:
sumber
Strategi yang paling umum adalah:
Ada banyak diskusi tentang interpretasi, asumsi, dan perbedaan paradoks yang tampaknya antara kedua pendekatan ini dan pada alternatif yang lebih canggih (terutama ketika peserta tidak dapat secara acak ditugaskan untuk perawatan) tetapi mereka tetap cukup standar, saya pikir.
Salah satu sumber kebingungan yang penting adalah bahwa untuk ANOVA, efek yang menarik kemungkinan besar adalah interaksi antara waktu dan pengobatan dan bukan efek utama pengobatan. Secara kebetulan, uji-F untuk istilah interaksi ini akan menghasilkan hasil yang persis sama dengan uji-t sampel independen pada skor perolehan (yaitu skor yang diperoleh dengan mengurangi skor pra-tes dari skor pasca-tes untuk setiap peserta) sehingga Anda dapat juga pergi untuk itu.
Jika semua ini terlalu banyak, Anda tidak punya waktu untuk mengetahuinya, dan tidak dapat memperoleh bantuan dari ahli statistik, yang cepat dan kotor tetapi pendekatan yang sama sekali tidak masuk akal adalah dengan hanya membandingkan skor post-test dengan independent sample t-test, mengabaikan nilai pre-test. Ini hanya masuk akal jika peserta sebenarnya secara acak ditugaskan ke kelompok perlakuan atau kontrol .
Akhirnya, itu sendiri bukan alasan yang sangat baik untuk memilihnya tetapi saya menduga pendekatan 2 di atas (ANCOVA) adalah apa yang saat ini berlaku untuk pendekatan yang tepat dalam psikologi jadi jika Anda memilih sesuatu yang lain Anda mungkin harus menjelaskan teknik secara rinci atau untuk membenarkan diri Anda kepada seseorang yang diyakinkan, misalnya bahwa “mendapatkan skor diketahui buruk”.
sumber
ANCOVA dan tindakan berulang / model campuran untuk istilah interaksi menguji dua hipotesis yang berbeda. Rujuk ke artikel ini: artikel 1 dan artikel ini: artikel 2
sumber
Karena Anda memiliki dua cara (baik item tertentu, atau jumlah persediaan), tidak ada alasan untuk mempertimbangkan ANOVA. Uji-t berpasangan mungkin tepat; ini dapat membantu Anda memilih uji-t yang Anda butuhkan.
Apakah Anda ingin melihat hasil spesifik item, atau skor keseluruhan? Jika Anda ingin melakukan analisis item, ini mungkin tempat awal yang berguna.
sumber