Hispanopedia Wiki
Articulo de referencia

diseño de medidas repetidas

El diseño de medidas repetidas es un diseño de investigación que implica múltiples mediciones de la misma variable tomadas en los mismos sujetos o en sujetos emparejados, ya sea...

Hispanopedia WikiContenido en espanolLectura gratuita

El diseño de medidas repetidas es un diseño de investigación que implica múltiples mediciones de la misma variable tomadas en los mismos sujetos o en sujetos emparejados, ya sea bajo diferentes condiciones o durante dos o más períodos de tiempo. [ 1 ] Por ejemplo, las mediciones repetidas se recopilan en un estudio longitudinal en el que se evalúa el cambio a lo largo del tiempo.

Estudios cruzados

Un diseño popular de medidas repetidas es el estudio cruzado . Un estudio cruzado es un estudio longitudinal en el que los sujetos reciben una secuencia de diferentes tratamientos (o exposiciones). Si bien los estudios cruzados pueden ser estudios observacionales , muchos estudios cruzados importantes son experimentos controlados . Los diseños cruzados son comunes en experimentos de diversas disciplinas científicas , como psicología , educación , ciencias farmacéuticas y atención médica , especialmente medicina.

Los experimentos cruzados, controlados y aleatorizados son especialmente importantes en el ámbito sanitario. En un ensayo clínico aleatorizado , los sujetos son asignados aleatoriamente a los tratamientos. Cuando dicho ensayo utiliza un diseño de medidas repetidas, los sujetos son asignados aleatoriamente a una secuencia de tratamientos. Un ensayo clínico cruzado es un diseño de medidas repetidas en el que cada paciente es asignado aleatoriamente a una secuencia de tratamientos, que incluye al menos dos tratamientos (uno de los cuales puede ser un tratamiento estándar o un placebo ): de esta forma, cada paciente pasa de un tratamiento a otro.

Casi todos los diseños cruzados tienen "equilibrio", lo que significa que todos los sujetos deben recibir la misma cantidad de tratamientos y participar durante la misma cantidad de períodos. En la mayoría de los ensayos cruzados, cada sujeto recibe todos los tratamientos.

Sin embargo, muchos diseños de medidas repetidas no son cruzados: el estudio longitudinal de los efectos secuenciales de tratamientos repetidos no necesita utilizar ningún " cruce ", por ejemplo (Vonesh y Chinchilli; Jones y Kenward).

Usos

  • Número limitado de participantes: el diseño de medidas repetidas reduce la varianza de las estimaciones de los efectos del tratamiento, lo que permite realizar inferencias estadísticas con menos sujetos. [ 2 ]
  • Eficiencia: Los diseños de medidas repetidas permiten completar muchos experimentos con mayor rapidez, ya que se necesita entrenar a menos grupos para completar un experimento completo. Por ejemplo, en los experimentos, cada condición dura solo unos minutos, mientras que el entrenamiento para completar las tareas lleva el mismo tiempo, o incluso más.
  • Análisis longitudinal: los diseños de medidas repetidas permiten a los investigadores observar cómo cambian los participantes a lo largo del tiempo, tanto en situaciones a largo como a corto plazo.

Efectos del orden

Los efectos de orden pueden ocurrir cuando un participante en un experimento realiza una tarea y luego la repite. Ejemplos de efectos de orden incluyen la mejora o el deterioro del rendimiento, que pueden deberse a efectos de aprendizaje, aburrimiento o fatiga. El impacto de los efectos de orden puede ser menor en estudios longitudinales a largo plazo o mediante el contrabalanceo con un diseño cruzado .

Contrapeso

En esta técnica, dos grupos realizan las mismas tareas o experimentan las mismas condiciones, pero en orden inverso. Con dos tareas o condiciones, se forman cuatro grupos.

El contrabalanceo busca tener en cuenta dos fuentes importantes de variación sistemática en este tipo de diseño: los efectos de la práctica y el aburrimiento. Ambos podrían, de otro modo, provocar un desempeño diferente de los participantes debido a la familiaridad o el cansancio con los tratamientos.

Limitaciones

Es posible que no todos los participantes puedan cumplir con todas las condiciones del experimento (por ejemplo, limitaciones de tiempo, ubicación del experimento, etc.). Los sujetos con enfermedades graves tienden a abandonar los estudios longitudinales, lo que podría sesgar los resultados. En estos casos, los modelos de efectos mixtos serían preferibles, ya que permiten manejar valores faltantes.

La regresión a la media puede afectar a las condiciones con repeticiones significativas. La maduración puede afectar a los estudios que se extienden en el tiempo. Los acontecimientos externos al experimento pueden modificar la respuesta entre repeticiones.

ANOVA de medidas repetidas

Esta figura es un ejemplo de un diseño de medidas repetidas que podría analizarse mediante un ANOVA de medidas repetidas (rANOVA). La variable independiente es el momento (Niveles: Momento 1, Momento 2, Momento 3, Momento 4) en que se realizó la medición, y la variable dependiente es la puntuación de la medida de felicidad. Se proporcionan ejemplos de puntuaciones de felicidad de 3 participantes para cada momento o nivel de la variable independiente.

El análisis de varianza de medidas repetidas (rANOVA) es un enfoque estadístico comúnmente utilizado para diseños de medidas repetidas. [ 3 ] Con estos diseños, el factor de medidas repetidas (la variable independiente cualitativa) es el factor intrasujetos, mientras que la variable cuantitativa dependiente en la que se mide a cada participante es la variable dependiente.

Particionamiento del error

Una de las mayores ventajas del rANOVA, como ocurre con los diseños de medidas repetidas en general, es la capacidad de separar la variabilidad debida a las diferencias individuales. Consideremos la estructura general del estadístico F :

F = MS Tratamiento / MS Error = (SS Tratamiento /df Tratamiento )/(SS Error /df Error )

En un diseño entre sujetos, existe un elemento de varianza debido a las diferencias individuales que se combina con los términos de tratamiento y error:

SS Total = SS Tratamiento + SS Error
gl Total = n − 1

En un diseño de medidas repetidas es posible separar la variabilidad entre sujetos de los términos de tratamiento y error. En tal caso, la variabilidad se puede dividir en variabilidad entre tratamientos (o efectos dentro de los sujetos, excluyendo las diferencias individuales) y variabilidad dentro de los tratamientos. La variabilidad dentro de los tratamientos se puede dividir aún más en variabilidad entre sujetos (diferencias individuales) y error (excluyendo las diferencias individuales): [ 4 ]

SS Total = SS Tratamiento (excluyendo la diferencia individual) + SS Sujetos + SS Error
df Total = df Tratamiento (dentro de los sujetos) + df entre sujetos + df error = ( k − 1) + ( s − 1) + (( k - 1 )( s − 1)) = ks -1= n-1, donde k es el número de niveles de tiempo y s es el número de sujetos.

En cuanto a la estructura general del estadístico F, es evidente que al separar la variabilidad entre sujetos, el valor F aumentará debido a que la suma de los cuadrados de los errores será menor, lo que resultará en un menor error cuadrático medio (MSError). Cabe destacar que la separación de la variabilidad reduce los grados de libertad de la prueba F; por lo tanto, la variabilidad entre sujetos debe ser lo suficientemente significativa como para compensar la pérdida de grados de libertad. Si la variabilidad entre sujetos es pequeña, este proceso podría incluso reducir el valor F. [ 4 ]

Supuestos

Como en todos los análisis estadísticos, se deben cumplir ciertos supuestos para justificar el uso de esta prueba. Las violaciones pueden afectar los resultados de forma moderada a grave y, a menudo, provocan un aumento del error de tipo I. Con el rANOVA, se aplican los supuestos univariados y multivariados estándar. [ 5 ] Los supuestos univariados son:

  • Normalidad: para cada nivel del factor intrasujetos, la variable dependiente debe tener una distribución normal .
  • Esfericidad : Las puntuaciones de diferencia calculadas entre dos niveles de un factor intrasujeto deben tener la misma varianza para la comparación de cualquier par de niveles. (Este supuesto solo se aplica si hay más de dos niveles de la variable independiente).
  • Aleatoriedad: Los casos deben provenir de una muestra aleatoria, y las puntuaciones de los diferentes participantes deben ser independientes entre sí.

El rANOVA también requiere que se cumplan ciertos supuestos multivariados, ya que se realiza una prueba multivariada sobre puntuaciones de diferencia. Estos supuestos incluyen:

  • Normalidad multivariante: Las puntuaciones de diferencia presentan una distribución normal multivariante en la población.
  • Aleatoriedad: Los casos individuales deben derivarse de una muestra aleatoria, y las puntuaciones de diferencia para cada participante son independientes de las de otro participante.

prueba F

Al igual que otras pruebas de análisis de varianza, el rANOVA utiliza un estadístico F para determinar la significancia. Dependiendo del número de factores intrasujetos y violaciones de supuestos, es necesario seleccionar la más apropiada de tres pruebas: [ 5 ]

  • Prueba F de ANOVA univariada estándar: esta prueba se usa comúnmente cuando solo hay dos niveles del factor intrasujetos (es decir, el punto temporal 1 y el punto temporal 2). No se recomienda usar esta prueba cuando hay más de dos niveles del factor intrasujetos, ya que en estos casos suele incumplirse el supuesto de esfericidad.
  • Prueba univariada alternativa [ 6 ] : estas pruebas tienen en cuenta las violaciones del supuesto de esfericidad y pueden utilizarse cuando el factor intrasujetos supera los 2 niveles. El estadístico F es el mismo que en la prueba F del ANOVA univariado estándar, pero se asocia con un valor p más preciso. Esta corrección se realiza ajustando los grados de libertad a la baja para determinar el valor crítico de F. Se utilizan comúnmente dos correcciones: la corrección de Greenhouse-Geisser y la corrección de Huynh-Feldt. La corrección de Greenhouse-Geisser es más conservadora, pero aborda un problema común de aumento de la variabilidad a lo largo del tiempo en un diseño de medidas repetidas. [ 7 ] La ​​corrección de Huynh-Feldt es menos conservadora, pero no aborda los problemas de aumento de la variabilidad. Se ha sugerido que se utilice un valor menor de Huynh-Feldt con desviaciones menores de la esfericidad, mientras que se utilice Greenhouse-Geisser cuando las desviaciones son grandes.
  • Prueba multivariante: esta prueba no presupone esfericidad, pero también es muy conservadora.

Tamaño del efecto

Una de las estadísticas de tamaño del efecto más comúnmente reportadas para rANOVA es el eta cuadrado parcial (η p 2 ). También es común usar el η 2 multivariado cuando se ha violado el supuesto de esfericidad, y se reporta la estadística de prueba multivariada. Una tercera estadística de tamaño del efecto que se reporta es el η 2 generalizado , que es comparable a η p 2 en un ANOVA de medidas repetidas unidireccional. Se ha demostrado que es una mejor estimación del tamaño del efecto con otras pruebas intrasujeto. [ 8 ] [ 9 ]

Precauciones

El rANOVA no siempre es el mejor análisis estadístico para diseños de medidas repetidas. El rANOVA es vulnerable a los efectos de valores faltantes, imputación, puntos temporales no equivalentes entre sujetos y violaciones de la esfericidad. [ 3 ] Estos problemas pueden resultar en sesgo de muestreo y tasas infladas de error de tipo I. [ 10 ] En tales casos, puede ser mejor considerar el uso de un modelo lineal mixto . [ 11 ]

Véase también

Notas

  1. ↑ Kraska; Marie (2010), "Repeated Measures Design", Encyclopedia of Research Design , California, EE. UU.: SAGE Publications, Inc., doi : 10.4135/9781412961288.n378 , ISBN 978-1-4129-6127-1, S2CID 149337088 
  2. ↑ Barret, Julia R. (2013). " Partículas y enfermedad cardiovascular: los investigadores centran su atención en los cambios microvasculares" . Environmental Health Perspectives . 121 (9): a282. doi : 10.1289/ehp.121-A282 . PMC 3764084. PMID 24004855 .  
  3. 1 2 Gueorguieva; Krystal (2004). "ANOVA sin cambios". Arch Gen Psychiatry . 61 (3): 310– 7. doi : 10.1001/archpsyc.61.3.310 . PMID 14993119 . 
  4. 1 2 Howell, David C. (2010). Métodos estadísticos para la psicología (7.ª ed.). Belmont, CA: Thomson Wadsworth. ISBN  978-0-495-59784-1.
  5. 1 2 Salkind, Samuel B. Green, Neil J. (2011). Uso de SPSS para Windows y Macintosh : análisis y comprensión de datos (6.ª ed.). Boston: Prentice Hall. ISBN   978-0-205-02040-9.{{cite book}}: CS1 maint: varios nombres: lista de autores ( enlace )
  6. ↑ Vasey; Thayer (1987). "El problema persistente de los falsos positivos en el ANOVA de medidas repetidas en psicofisiología: una solución multivariada". Psicofisiología . 24 (4): 479– 486. doi : 10.1111/j.1469-8986.1987.tb00324.x . PMID 3615759 . 
  7. ↑ Park (1993). "Una comparación del enfoque de ecuaciones de estimación generalizadas con el enfoque de máxima verosimilitud para mediciones repetidas". Stat Med . 12 (18): 1723– 1732. doi : 10.1002/sim.4780121807 . PMID 8248664 . 
  8. ↑ Bakeman (2005). "Estadísticas recomendadas del tamaño del efecto para diseños de medidas repetidas" . Behavior Research Methods . 37 (3): 379– 384. doi : 10.3758/bf03192707 . PMID 16405133 . 
  9. ↑ Olejnik; Algina (2003). "Estadísticas generalizadas de eta y omega al cuadrado: Medidas del tamaño del efecto para algunos diseños de investigación comunes". Métodos Psicológicos . 8 (4): 434– 447. doi : 10.1037/1082-989x.8.4.434 . PMID 14664681 . S2CID 6931663 .  
  10. ↑ Muller; Barton (1989). "Potencia aproximada para ANOVA de medidas repetidas sin esfericidad". Journal of the American Statistical Association . 84 (406): 549– 555. doi : 10.1080/01621459.1989.10478802 .
  11. ↑ Kreuger; Tian (2004). "Una comparación del modelo lineal mixto general y el ANOVA de medidas repetidas utilizando un conjunto de datos con múltiples puntos de datos faltantes". Biological Research for Nursing . 6 (2): 151– 157. doi : 10.1177/1099800404267682 . PMID 15388912. S2CID 23173349 .  

Referencias

Diseño y análisis de experimentos

  • Jones, Byron; Kenward, Michael G. (2003). Diseño y análisis de ensayos cruzados (Segunda  edición). Londres: Chapman and Hall.{{cite book}}: CS1 mantenimiento: ubicación del editor ( enlace )
  • Vonesh, Edward F. y Chinchilli, Vernon G. (1997). Modelos lineales y no lineales para el análisis de mediciones repetidas . Londres: Chapman and Hall.{{cite book}}: CS1 mantenimiento: ubicación del editor ( enlace )

Exploración de datos longitudinales

  • Davidian, Marie ; David M. Giltinan (1995). Modelos no lineales para datos de mediciones repetidas . Chapman & Hall/CRC Monographs on Statistics & Applied Probability. ISBN 978-0-412-98341-2.
  • Fitzmaurice, Garrett; Davidiano, María; Verbeke, Geert; Molenberghs, Geert, eds. (2008). Análisis de datos longitudinales . Boca Ratón, Florida: Chapman y Hall/CRC. ISBN 978-1-58488-658-7.
  • Jones, Byron; Kenward, Michael G. (2003). Diseño y análisis de ensayos cruzados (Segunda  edición). Londres: Chapman and Hall.{{cite book}}: CS1 mantenimiento: ubicación del editor ( enlace )
  • Kim, Kevin y Timm, Neil (2007)."Modelo lineal generalizado restringido y modelo de curva de crecimiento" (Capítulo 7). Modelos lineales generales univariados y multivariados: Teoría y aplicaciones con SAS (con 1 CD-ROM para Windows y UNIX) . Estadística: Libros de texto y monografías (Segunda  edición). Boca Raton, Florida: Chapman & Hall/CRC. ISBN 978-1-58488-634-1.
  • Kollo, Tõnu y von Rosen, Dietrich (2005). "«Modelos lineales multivariados» (capítulo 4), especialmente «El modelo de curva de crecimiento y extensiones» (capítulo 4.1). Estadística multivariada avanzada con matrices . Matemáticas y sus aplicaciones. Vol.  579. Nueva York: Springer. ISBN 978-1-4020-3418-3.
  • Kshirsagar, Anant M. y Smith, William Boyce (1995). Curvas de crecimiento . Estadística: Libros de texto y monografías. Vol.  145. Nueva York: Marcel Dekker, Inc. ISBN 0-8247-9341-2.
  • Pan, Jian-Xin y Fang, Kai-Tai (2002). Modelos de curvas de crecimiento y diagnósticos estadísticos . Springer Series in Statistics. Nueva York: Springer-Verlag. ISBN 0-387-95053-2.
  • Seber, GAF y Wild, CJ (1989). ""Modelos de crecimiento (Capítulo 7)"Regresión no lineal . Serie Wiley en Probabilidad y Estadística Matemática: Probabilidad y Estadística Matemática. Nueva York: John Wiley & Sons, Inc. págs. 325–367 . ISBN  0-471-61760-1.
  • Timm, Neil H. (2002).«El modelo MANOVA general (GMANOVA)» (Capítulo 3.6.d). Análisis multivariante aplicado . Textos de Springer en Estadística. Nueva York: Springer-Verlag. ISBN 0-387-95347-7.
  • Vonesh, Edward F. y Chinchilli, Vernon G. (1997). Modelos lineales y no lineales para el análisis de mediciones repetidas . Londres: Chapman and Hall.{{cite book}}: CS1 maint: ubicación del editor ( enlace ) (Tratamiento exhaustivo de la teoría y la práctica)
  • Conaway, M. (1999, 11 de octubre). Diseño de medidas repetidas. Recuperado el 18 de febrero de 2008 de http://biostat.mc.vanderbilt.edu/twiki/pub/Main/ClinStat/repmeas.PDF
  • Minke, A. (1997, enero). Realización de análisis de medidas repetidas: consideraciones sobre el diseño experimental. Recuperado el 18 de febrero de 2008 de Ericae.net: http://ericae.net/ft/tamu/Rm.htm
  • Shaughnessy, JJ (2006). Métodos de investigación en psicología. Nueva York: McGraw-Hill.
  • Ejemplos de todos los modelos ANOVA y ANCOVA con hasta tres factores de tratamiento, incluidos bloques aleatorios, parcelas divididas, medidas repetidas y cuadrados latinos, y su análisis en R (Universidad de Southampton).