I progetti di misure ripetute non si adattano alla nostra impressione di un tipico esperimento in diversi modi chiave. Quando pensiamo a un esperimento, spesso pensiamo a un design che ha una chiara distinzione tra i gruppi di trattamento e di controllo. Ogni soggetto è in uno, e solo uno, di questi gruppi non sovrapposti. I soggetti che fanno parte di un gruppo di trattamento sono esposti a un solo tipo di trattamento. Questo è il progetto sperimentale gruppi indipendenti comuni.,
Queste idee sembrano importanti, ma i progetti di misure ripetute le buttano fuori dalla finestra! Cosa succede se hai un soggetto nel gruppo di controllo e in tutti i gruppi di trattamento? E ‘ un problema? Non necessariamente. In effetti, i progetti di misure ripetute possono fornire enormi benefici!
In questo post, evidenzierò i vantaggi e gli svantaggi dell’utilizzo di un progetto di misure ripetute e mostrerò un esempio di come analizzare un progetto di misure ripetute utilizzando ANOVA in Minitab.
Quali sono i progetti di misure ripetute?,
Come ci si aspetterebbe, i progetti di misure ripetute comportano misurazioni multiple di ciascun soggetto. Non è una sorpresa, ma c’è di più di questo. Nei progetti di misure ripetute, i soggetti sono tipicamente esposti a tutte le condizioni di trattamento. Sorprendente, vero?
In questo tipo di progetto, ogni soggetto funziona come un blocco sperimentale. Un blocco è una variabile categoriale che spiega la variazione nella variabile di risposta che non è causata dai fattori che si desidera veramente conoscere., Si utilizzano i blocchi negli esperimenti progettati per ridurre al minimo il bias e la varianza dell’errore a causa di questi fattori fastidiosi.
Nei progetti di misure ripetute, i soggetti sono i propri controlli perché il modello valuta come un soggetto risponde a tutti i trattamenti. Includendo il blocco soggetto nell’analisi, è possibile controllare i fattori che causano la variabilità tra i soggetti. Il risultato è che solo la variabilità all’interno dei soggetti è inclusa nel termine di errore, che di solito si traduce in un termine di errore più piccolo e un’analisi più potente.,
I vantaggi dei disegni di misure ripetute
Più potere statistico: i disegni di misure ripetute possono essere molto potenti perché controllano i fattori che causano variabilità tra i soggetti.
Meno soggetti: grazie alla maggiore potenza statistica, un disegno di misure ripetute può utilizzare meno soggetti per rilevare una dimensione dell’effetto desiderata. Ulteriori riduzioni delle dimensioni del campione sono possibili perché ogni soggetto è coinvolto con più trattamenti. Ad esempio, se un progetto di gruppi indipendenti richiede 20 soggetti per gruppo sperimentale, un progetto di misure ripetute può richiedere solo 20 totali.,
Più veloce ed economico: meno soggetti devono essere reclutati, addestrati e compensati per completare un intero esperimento.
Valutare un effetto nel tempo: i progetti di misure ripetute possono tenere traccia di un effetto straordinario, come la curva di apprendimento per un’attività. In questa situazione, è spesso meglio misurare lo stesso soggetto a più volte piuttosto che soggetti diversi in un punto nel tempo per ciascuno.
Gestire le sfide dei progetti di misure ripetute
I progetti di misure ripetute presentano alcuni svantaggi rispetto ai progetti con gruppi indipendenti., I maggiori inconvenienti sono noti come effetti dell’ordine e sono causati dall’esposizione dei soggetti a più trattamenti. Gli effetti dell’ordine sono correlati all’ordine in cui vengono somministrati i trattamenti ma non dovuti al trattamento stesso. Ad esempio, i punteggi possono diminuire nel tempo a causa della fatica o aumentare a causa dell’apprendimento. Nelle prove di gusto, un vino secco può ottenere un rango più alto se è stato preceduto da un vino essiccatore e un rango inferiore se preceduto da un vino più dolce. Gli effetti dell’ordine possono interferire con la capacità dell’analisi di stimare correttamente l’effetto del trattamento stesso.,
Esistono vari metodi che è possibile utilizzare per ridurre questi problemi nei progetti di misure ripetute. Questi metodi includono la randomizzazione, consentendo il tempo tra i trattamenti e controbilanciando l’ordine dei trattamenti tra gli altri. Infine, è sempre bene ricordare che una progettazione di gruppi indipendenti è un’alternativa per evitare effetti di ordine.
Di seguito è riportato un crossover molto comune misure ripetute design. Gli studi che utilizzano questo tipo di design sono diversi come valutare diverse campagne pubblicitarie, programmi di formazione e prodotti farmaceutici., In questo disegno, i soggetti vengono assegnati in modo casuale ai due gruppi ed è possibile aggiungere ulteriori trattamenti e un gruppo di controllo, se necessario.
Esistono molti tipi diversi di progetti di misure ripetute ed è oltre lo scopo di questo post coprirli tutti. Ogni studio deve considerare attentamente quale progetto soddisfa le esigenze specifiche dello studio.
Per ulteriori informazioni sui diversi tipi di progetti di misure ripetute, su come organizzare il foglio di lavoro e su come eseguire l’analisi in Minitab, vedere Analisi di un progetto di misure ripetute., Inoltre, imparare a utilizzare Minitab per analizzare un quadrato latino con disegno misure ripetute. Ora, usiamo Minitab per eseguire un complesso misure ripetute ANOVA!
Esempio di misure ripetute ANOVA
È stato condotto un esperimento per determinare in che modo diversi fattori influenzano l’accuratezza del soggetto nella regolazione dei quadranti. Tre soggetti eseguono test condotti a uno dei due livelli di rumore. In ciascuno dei tre periodi di tempo, i soggetti monitorati tre diversi quadranti e fare le regolazioni, se necessario. La risposta è un punteggio di precisione. I fattori di rumore, tempo e quadrante sono incrociati, fattori fissi., Il soggetto è un fattore casuale, annidato all’interno del rumore. Il rumore è un fattore tra i soggetti, il tempo e il quadrante sono fattori all’interno dei soggetti.
Ecco i dati per provarlo da solo. Se non stai già utilizzando il nostro software e si desidera giocare insieme, è possibile ottenere una versione di prova gratuita di 30 giorni.
Per analizzare questo disegno a misure ripetute utilizzando ANOVA in Minitab, scegliere: Stat > ANOVA > Modello Lineare Generale > Fit Modello Lineare Generale, e seguire questi passi:
- Nelle Risposte, immettere il suo Punteggio.,
- In Fattori, immettere Rumore Soggetto ETime Dial.
- Fare clic su Casuale / Nido.
- In Annidamento, immettere il rumore nella cella a destra del soggetto.
- In Tipo di fattore, scegliere Casuale nella cella a destra del soggetto.
- Fare clic su OK, quindi fare clic su Modello.
- In Fattori e covariate, selezionare tutti i fattori.
- Dal menu a discesa a destra delle interazioni attraverso l’ordine, scegliere 3.
- Fare clic sul pulsante Aggiungi.
- Da Termini nel modello, scegliere Soggetto * Etime * Dial (Rumore) e fare clic su Elimina.
- Fare clic su OK in tutte le finestre di dialogo.,
Di seguito sono riportati i punti salienti.
È possibile ottenere qualche idea su come il design ha influenzato la sensibilità dei test F visualizzando i componenti di varianza di seguito. I componenti della varianza utilizzati nei test dei fattori all’interno dei soggetti sono più piccoli (7.13889, 1.75, 7.94444) rispetto alla varianza tra i soggetti (65.3519). È tipico che un modello di misure ripetute possa rilevare differenze minori nei mezzi all’interno dei soggetti rispetto a tra i soggetti.
Delle quattro interazioni tra fattori fissi, l’interazione rumore per tempo era l’unica con un basso valore p (0,029)., Ciò implica che ci sono prove significative per giudicare che la sensibilità di un soggetto al rumore è cambiata nel tempo. Ci sono anche prove significative per un effetto quadrante (p-value < 0.0005). Tra i termini casuali, ci sono prove significative per gli effetti time by subject (p-value = 0.013) e subject (p-value < 0.0005).
In chiusura, illustrerò questi effetti usando Stat > ANOVA > Modello lineare generale > Grafici fattoriali., Questo pratico strumento prende il nostro modello ANOVA e produce una trama di effetti principali e una trama di interazioni per aiutarci a capire cosa significano veramente i risultati.
