Les conceptions de mesures répétées ne correspondent pas à notre impression d’une expérience typique de plusieurs manières clés. Lorsque nous pensons à une expérience, nous pensons souvent à une conception qui a une distinction claire entre les groupes de traitement et de contrôle. Chaque sujet est dans un, et un seul, de ces groupes non chevauchants. Les sujets qui font partie d’un groupe de traitement ne sont exposés qu’à un seul type de traitement. C’est la conception expérimentale commune des groupes indépendants.,
ces idées semblent importantes, mais les conceptions de mesures répétées les jettent par la fenêtre! Que faire si vous avez un sujet dans le groupe témoin et tous les groupes de traitement? Est-ce un problème? Pas nécessairement. En fait, les conceptions de mesures répétées peuvent fournir d’énormes avantages!
dans cet article, je vais mettre en évidence les avantages et les inconvénients de l’utilisation d’une conception de mesures répétées et montrer un exemple de la façon d’analyser une conception de mesures répétées à l’aide D’ANOVA dans Minitab.
que sont les plans de mesures répétées?,
Comme on pouvait s’y attendre, les plans de mesures répétées impliquent plusieurs mesures de chaque sujet. Ce n’est pas une surprise, mais il y a plus que cela. Dans les plans de mesures répétées, les sujets sont généralement exposés à toutes les conditions de traitement. Surprenant, non?
Dans ce type de conception, chaque objet fonctionne comme un bloc expérimental. Un bloc est une variable catégorielle qui explique la variation de la variable de réponse qui n’est pas causée par les facteurs que vous voulez vraiment connaître., Vous utilisez des blocs dans des expériences conçues pour minimiser le biais et la variance de l’erreur en raison de ces facteurs de nuisance.
dans les plans de mesures répétées, les sujets sont leurs propres contrôles parce que le modèle évalue la façon dont un sujet réagit à tous les traitements. En incluant le bloc sujet dans l’analyse, vous pouvez contrôler les facteurs qui causent la variabilité entre les sujets. Le résultat est que seule la variabilité au sein des sujets est incluse dans le terme d’erreur, ce qui se traduit généralement par un terme d’erreur plus petit et une analyse plus puissante.,
les avantages des plans de mesures répétées
plus de puissance statistique: les plans de mesures répétées peuvent être très puissants car ils contrôlent les facteurs qui causent la variabilité entre les sujets.
moins de sujets: grâce à la plus grande puissance statistique, un plan de mesures répétées peut utiliser moins de sujets pour détecter la taille d’effet souhaitée. D’autres réductions de la taille de l’échantillon sont possibles parce que chaque sujet est impliqué dans plusieurs traitements. Par exemple, si un plan de groupes indépendants nécessite 20 sujets par groupe expérimental, un plan de mesures répétées peut nécessiter seulement 20 au total.,
plus rapide et moins cher: moins de sujets doivent être recrutés, formés et rémunérés pour mener à bien une expérience entière.
évaluer un effet au fil du temps: les plans de mesures répétées peuvent suivre un effet au fil du temps, comme la courbe d’apprentissage d’une tâche. Dans cette situation, il est souvent préférable de mesurer le même sujet à plusieurs reprises plutôt que différents sujets à un moment donné pour chacun.
Gérer les défis des conceptions de mesures répétées
Les conceptions de mesures répétées présentent certains inconvénients par rapport aux conceptions qui ont des groupes indépendants., Les plus grands inconvénients sont connus sous le nom d’effets d’ordre, et ils sont causés par l’exposition des sujets à de multiples traitements. Les effets de l’ordre sont liés à l’ordre dans lequel les traitements sont donnés, mais pas à cause du traitement lui-même. Par exemple, les scores peuvent diminuer avec le temps en raison de la fatigue ou augmenter en raison de l’apprentissage. Dans les tests de goût, un vin sec peut obtenir un rang supérieur s’il a été précédé d’un vin plus sec et un rang inférieur s’il a été précédé d’un vin plus doux. Les effets de l’ordre peuvent interférer avec la capacité de l’analyse à estimer correctement l’effet du traitement lui-même.,
Il existe différentes méthodes que vous pouvez utiliser pour réduire ces problèmes en mesures répétées dessins. Ces méthodes comprennent la randomisation, permettant le temps entre les traitements, et contrebalancer l’ordre des traitements entre autres. Enfin, il est toujours bon de se rappeler qu’une conception de groupes indépendants est une alternative pour éviter les effets d’ordre.
ci-dessous est une conception de mesures répétées crossover très commun. Les études qui utilisent ce type de conception sont aussi diverses que l’évaluation de différentes campagnes publicitaires, programmes de formation et produits pharmaceutiques., Dans cette conception, les sujets sont assignés au hasard aux deux groupes et vous pouvez ajouter des traitements supplémentaires et un groupe témoin au besoin.
Il existe de nombreux types de conceptions de mesures répétées et cela dépasse le cadre de ce post pour les couvrir tous. Chaque étude doit examiner attentivement quelle conception répond aux besoins spécifiques de l’étude.
pour plus d’informations sur les différents types de plans de mesures répétées, comment organiser la feuille de calcul et comment effectuer l’analyse dans Minitab, consultez Analyse d’un plan de mesures répétées., Apprenez également à utiliser Minitab pour analyser un carré Latin avec des mesures répétées. Maintenant, utilisons Minitab pour effectuer une ANOVA de mesures répétées complexes!
exemple de mesures répétées ANOVA
Une expérience a été menée pour déterminer comment plusieurs facteurs affectent la précision du sujet dans le réglage des cadrans. Trois sujets effectuent des tests effectués à l’un des deux niveaux de bruit. À chacune des trois périodes, les sujets surveillaient trois cadrans différents et apportaient des ajustements au besoin. La réponse est un score de précision. Les facteurs de bruit, de temps et de cadran sont croisés, des facteurs fixes., Le sujet est un facteur aléatoire, imbriqué dans le bruit. Le bruit est un facteur entre les sujets, le temps et le cadran sont des facteurs à l’intérieur des sujets.
Voici les données pour essayer vous-même. Si vous n’utilisez pas déjà notre logiciel et que vous souhaitez jouer, vous pouvez obtenir une version d’essai gratuite de 30 jours.
pour analyser cette conception de mesures répétées à l’aide D’ANOVA dans Minitab, choisissez: Stat >Anova >modèle linéaire général > ajuster le modèle linéaire général et procédez comme suit:
- Dans réponses, entrez Score.,
- Dans facteurs, entrez le cadran Etime du sujet du bruit.
- Cliquez sur lecture Aléatoire/Nid.
- sous imbrication, entrez le bruit dans la cellule à droite du sujet.
- sous Type de facteur, choisissez aléatoire dans la cellule à droite du sujet.
- cliquez sur OK, puis sur Modèle.
- sous facteurs et covariables, sélectionnez tous les facteurs.
- dans le menu déroulant à droite des Interactions par ordre, choisissez 3.
- Cliquez sur le bouton Ajouter.
- À partir de termes dans le modèle, choisissez Subject*Etime*Dial(Noise) et cliquez sur Delete.
- Cliquez sur OK dans toutes les boîtes de dialogue.,
voici les faits saillants.
Vous pouvez avoir une idée de la façon dont la conception a affecté la sensibilité des tests F en visualisant les composants de variance ci-dessous. Les composantes de variance utilisées pour tester les facteurs intra-sujets sont plus petites (7,13889, 1,75, 7,94444) que la variance inter-sujets (65,3519). Il est typique qu’un modèle de mesures répétées puisse détecter de plus petites différences de moyennes au sein des sujets par rapport à entre les sujets.
parmi les quatre interactions entre facteurs fixes, l’interaction bruit-temps était la seule avec une faible valeur p (0,029)., Cela implique qu’il existe des preuves significatives pour juger que la sensibilité d’un sujet au bruit a changé au fil du temps. Il existe également des preuves significatives d’un effet de cadran (p-value < 0.0005). Parmi les Termes aléatoires, il existe des preuves significatives pour les effets temporels par sujet (valeur p = 0,013) et par sujet (valeur p < 0,0005).
en terminant, je vais représenter graphiquement ces effets en utilisant Stat>Anova>modèle linéaire général> tracés factoriels., Cet outil pratique prend notre modèle ANOVA et produit un tracé des effets principaux et un tracé des interactions pour nous aider à comprendre ce que les résultats signifient vraiment.
