Los diseños de medidas repetidas no se ajustan a nuestra impresión de un experimento típico de varias maneras clave. Cuando pensamos en un experimento, a menudo pensamos en un diseño que tiene una clara distinción entre los grupos de tratamiento y de control. Cada sujeto está en uno, y solo uno, de estos grupos no superpuestos. Los sujetos que están en un grupo de tratamiento están expuestos a un solo tipo de tratamiento. Este es el diseño experimental común de grupos independientes.,
estas ideas parecen importantes, pero los diseños de medidas repetidas las tiran por la ventana! ¿Qué pasa si tienes un sujeto en el grupo de control y en todos los grupos de tratamiento? ¿Es un problema? No necesariamente. De hecho, los diseños de medidas repetidas pueden proporcionar enormes beneficios!
en este post, destacaré las ventajas y desventajas de usar un diseño de medidas repetidas y mostraré un ejemplo de cómo analizar un diseño de medidas repetidas usando ANOVA en Minitab.
¿Qué son los diseños de medidas repetidas?,
como era de esperar, los diseños de medidas repetidas implican múltiples medidas de cada sujeto. Eso no es ninguna sorpresa, pero hay más que eso. En los diseños de medidas repetidas, los sujetos generalmente están expuestos a todas las condiciones de tratamiento. Sorprendente, ¿verdad?
en este tipo de diseño, cada sujeto funciona como un bloque experimental. Un bloque es una variable categórica que explica la variación en la variable de respuesta que no es causada por los factores que realmente desea conocer., Se usan bloques en experimentos diseñados para minimizar el sesgo y la varianza del error debido a estos factores molestos.
en los diseños de medidas repetidas, los sujetos son sus propios controles porque el modelo evalúa cómo responde un sujeto a todos los tratamientos. Al incluir el bloque de sujetos en el análisis, puede controlar los factores que causan variabilidad entre los sujetos. El resultado es que solo la variabilidad dentro de los sujetos se incluye en el término de error, lo que generalmente resulta en un término de error más pequeño y un análisis más potente.,
los beneficios de los diseños de medidas repetidas
más poder estadístico: los diseños de medidas repetidas pueden ser muy poderosos porque controlan los factores que causan variabilidad entre los sujetos.
menos sujetos: gracias al mayor poder estadístico, un diseño de medidas repetidas Puede usar menos sujetos para detectar un tamaño de efecto deseado. Las reducciones adicionales del tamaño de la muestra son posibles porque cada sujeto está involucrado con múltiples tratamientos. Por ejemplo, si un diseño de grupos independientes requiere 20 sujetos por grupo experimental, un diseño de medidas repetidas solo puede requerir 20 en total.,
más rápido y más barato: menos sujetos necesitan ser reclutados, entrenados y compensados para completar un experimento completo.
evaluar un efecto a lo largo del tiempo: los diseños de medidas repetidas pueden rastrear un efecto con el tiempo, como la curva de aprendizaje para una tarea. En esta situación, a menudo es mejor medir el mismo sujeto en varias ocasiones en lugar de diferentes sujetos en un momento en el tiempo para cada uno.
gestionar los desafíos de los diseños de medidas repetidas
Los diseños de medidas repetidas tienen algunas desventajas en comparación con los diseños que tienen grupos independientes., Los mayores inconvenientes se conocen como efectos de orden, y son causados por la exposición de los sujetos a múltiples tratamientos. Los efectos de orden están relacionados con el orden en que se administran los tratamientos, pero no se deben al tratamiento en sí. Por ejemplo, las puntuaciones pueden disminuir con el tiempo debido a la fatiga, o aumentar debido al aprendizaje. En las pruebas de sabor, un vino seco puede obtener un rango más alto si fue precedido por un vino seco y un rango más bajo si fue precedido por un vino más dulce. Los efectos de orden pueden interferir con la capacidad del análisis para estimar correctamente el efecto del tratamiento en sí.,
Hay varios métodos que puede utilizar para reducir estos problemas en los diseños de medidas repetidas. Estos métodos incluyen la aleatorización, permitiendo el tiempo entre tratamientos, y contrapesando el orden de los tratamientos entre otros. Por último, siempre es bueno recordar que un diseño de grupos independientes es una alternativa para evitar efectos de orden.
a continuación se muestra un diseño de medidas repetidas de crossover muy común. Los estudios que utilizan este tipo de diseño son tan diversos como evaluar diferentes campañas publicitarias, programas de capacitación y productos farmacéuticos., En este diseño, los sujetos se asignan aleatoriamente a los dos grupos y puede agregar tratamientos adicionales y un grupo de control según sea necesario.
hay muchos tipos diferentes de diseños de medidas repetidas y está más allá del alcance de este post para cubrir todos ellos. Cada estudio debe considerar cuidadosamente qué diseño satisface las necesidades específicas del estudio.
para obtener más información sobre los diferentes tipos de diseños de medidas repetidas, cómo organizar la hoja de trabajo y cómo realizar el análisis en Minitab, consulte Análisis de un diseño de medidas repetidas., Además, aprenda a usar Minitab para analizar un cuadrado latino con diseño de medidas repetidas. Ahora, vamos a usar Minitab para realizar un ANOVA de medidas repetidas complejas!
ejemplo de medidas repetidas ANOVA
se realizó un experimento para determinar cómo varios factores afectan la precisión del sujeto en el ajuste de los diales. Tres sujetos realizan pruebas realizadas a uno de los dos niveles de ruido. En cada uno de los tres períodos de tiempo, los sujetos monitorearon tres diales diferentes y realizaron los ajustes necesarios. La respuesta es una puntuación de precisión. Los factores de ruido, tiempo y dial se cruzan, factores fijos., El sujeto es un factor aleatorio, anidado dentro del ruido. El ruido es un factor entre sujetos, el tiempo y el dial son factores dentro de los sujetos.
Aquí están los datos para probar esto usted mismo. Si aún no está utilizando nuestro software y desea seguir el juego, puede obtener una versión de prueba gratuita de 30 días.
para analizar este diseño de medidas repetidas usando ANOVA en Minitab, elija: Stat > ANOVA > General Linear Model > Fit General Linear Model, y siga estos pasos:
- En respuestas, ingrese puntuación.,
- En factores, ingrese Noise Subject ETime Dial.
- haga Clic en Aleatorio/Nido.
- En anidamiento, ingrese ruido en la celda a la derecha del sujeto.
- En Tipo de Factor, elija aleatorio en la celda a la derecha del sujeto.
- haga clic en Aceptar y, a continuación, en modelo.
- En factores y covariables, Seleccione todos los factores.
- Desde el desplegable a la derecha de interacciones a través de orden, elija 3.
- haga Clic en el botón Agregar.
- En términos en modelo, elija asunto * Etime * Dial (ruido) y haga clic en Eliminar.
- haga clic en Aceptar en todos los cuadros de diálogo.,
a continuación se muestran los aspectos más destacados.
Puede obtener alguna idea sobre cómo el diseño afectó la sensibilidad de las pruebas F al ver los componentes de varianza a continuación. Los componentes de varianza utilizados en las pruebas dentro de los sujetos son más pequeños (7.13889, 1.75, 7.94444) que la varianza entre los sujetos (65.3519). Es típico que un modelo de medidas repetidas pueda detectar diferencias más pequeñas en los medios dentro de los sujetos en comparación con entre los sujetos.
de las cuatro interacciones entre factores fijos, la interacción ruido por tiempo fue la única con un valor p bajo (0.029)., Esto implica que hay evidencia significativa para juzgar que la sensibilidad de un sujeto al ruido cambió con el tiempo. También hay evidencia significativa de un efecto dial (valor p < 0.0005). Entre los Términos aleatorios, hay evidencia significativa de efectos de tiempo por sujeto ( valor de p = 0.013) y sujeto (valor de p < 0.0005).
En el cierre, voy a gráfico de estos efectos con Stat > ANOVA > Modelo Lineal General > Factorial de las Parcelas., Esta práctica herramienta toma nuestro modelo ANOVA y produce un gráfico de efectos principales y un gráfico de interacciones para ayudarnos a entender lo que realmente significan los resultados.
