Ukuran efek untuk efek interaksi dalam desain kontrol perawatan pra-pasca

Jika Anda memilih untuk menganalisis desain kontrol perawatan pra-pasca dengan variabel dependen kontinu menggunakan ANOVA campuran, ada berbagai cara untuk mengukur efek berada di kelompok perlakuan. Efek interaksi adalah salah satu opsi utama.

Secara umum, saya terutama menyukai ukuran tipe d Cohen (yaitu, ). Saya tidak suka varians menjelaskan tindakan karena hasilnya bervariasi berdasarkan faktor-faktor yang tidak relevan seperti ukuran sampel relatif kelompok.${\frac{\mu_1 - \mu_2}{\sigma}}$

Jadi, saya berpikir saya bisa mengukur efeknya sebagai berikut

• $\Delta\mu_c = \mu_{c2} - \mu_{c1}$
• $\Delta\mu_t = \mu_{t2} - \mu_{t1}$
• Dengan demikian, ukuran efek dapat didefinisikan sebagai$\frac{\Delta\mu_t - \Delta\mu_c}{\sigma}$

di mana mengacu pada kontrol, untuk perawatan, dan 1 dan 2 untuk masing-masing sebelum dan sesudah. dapat berupa simpangan baku yang dikumpulkan pada saat 1.t $c$$t$$\sigma$

Pertanyaan:

• Apakah pantas untuk memberi label ukuran efek ini d?
• Apakah pendekatan ini masuk akal?
• Apa praktik standar untuk ukuran ukuran efek untuk desain seperti itu?

Ya, apa yang Anda sarankan adalah persis apa yang telah disarankan dalam literatur. Lihat, misalnya: Morris, SB (2008). Memperkirakan ukuran efek dari desain kelompok pretest-posttest-control. Metode Penelitian Organisasi, 11 (2), 364-386 ( tautan , tetapi sayangnya, tidak ada akses gratis). Artikel ini juga menjelaskan berbagai metode untuk memperkirakan ukuran ukuran efek ini. Anda dapat menggunakan huruf "d" untuk menunjukkan ukuran efek, tetapi Anda harus memberikan penjelasan tentang apa yang Anda hitung (jika tidak, pembaca mungkin akan berasumsi bahwa Anda menghitung selisih rata-rata terstandarisasi hanya untuk skor post-test).

Saya percaya bahwa eta-square yang digeneralisasi ( Olejnik & Algena, 2003 ; Bakeman, 2005 ) memberikan solusi yang masuk akal untuk kuantifikasi ukuran efek yang digeneralisasi di antara desain S-dan dalam-S. Jika saya membaca referensi tersebut dengan benar, eta-square yang digeneralisasi juga harus digeneralisasi di seluruh ukuran sampel.

Generalized eta-square dihitung secara otomatis oleh fungsi ezANOVA () dalam paket ez untuk R.

Dan saya pikir orang bisa menjelaskannya dengan mencatat (antara), sehingga orang akan tahu itu adalah ukuran efek kontrol-eksperimental. Karena ada juga ukuran efek dalam grup. FYI. Semoga berhasil!