প্রাক-পোস্ট চিকিত্সা-নিয়ন্ত্রণ ডিজাইন বিশ্লেষণ করার সময় সেরা অনুশীলন

53

নিম্নলিখিত সাধারণ নকশা কল্পনা করুন:

100 জন অংশগ্রহণকারীকে এলোমেলোভাবে চিকিত্সা বা নিয়ন্ত্রণ গ্রুপের জন্য বরাদ্দ দেওয়া হয়
নির্ভরশীল পরিবর্তনশীলটি সংখ্যাসূচক এবং পরিমাপকৃত প্রাক এবং চিকিত্সা পরে

এই জাতীয় ডেটা বিশ্লেষণের জন্য তিনটি সুস্পষ্ট বিকল্প হ'ল:

মিশ্র অ্যানোভাতে সময় পারস্পরিক মিথস্ক্রিয়া প্রভাব দ্বারা গোষ্ঠীটি পরীক্ষা করুন
চতুর্থ হিসাবে শর্তযুক্ত এবং কোভেরিয়েট হিসাবে প্রাক-পরিমাপ এবং ডিভি হিসাবে পোস্ট পরিমাপের সাথে একটি আনকোভা করুন
আইভি হিসাবে শর্ত দিয়ে একটি টি-পরীক্ষা করুন এবং ডিভি হিসাবে প্রাক-পোস্ট পরিবর্তন স্কোর

প্রশ্ন:

এই জাতীয় ডেটা বিশ্লেষণ করার সর্বোত্তম উপায় কী?
একটি পদ্ধতির অপরটির চেয়ে বেশি পছন্দ করার কারণ রয়েছে?

— জেরোমি অ্যাংলিম
সূত্র

1

আপনি যখন "শর্ত" বলছেন, আপনি কি গ্রুপ অ্যাসাইনমেন্ট বলতে চান?

— pmgjones

1

@ প্রপোফল: হ্যাঁ আমার ভাষা পরিষ্কার না হলে ক্ষমা চাই।

— জেরোমি অ্যাংলিম

1

একক পর্যবেক্ষণের জন্য টেম্পোরাল ডেটা পরিসংখ্যানগতভাবে মূল্যায়নের জন্য প্যারামেট্রিক "এন-অফ -1" পদ্ধতি রয়েছে। উদাহরণ অ্যাপ্লিকেশন: ncbi.nlm.nih.gov/pubmed/2039432 তুলনামূলক পদ্ধতি: europepmc.org/abstract/MED/10557859/…

— user31256

5

অত্যন্ত প্রাসঙ্গিক থ্রেড: পরিবর্তন স্কোরগুলিতে স্বতন্ত্র ভেরিয়েবলের প্রভাব পরীক্ষা করার সময় একটি বেসলাইন পরিমাপটিকে নিয়ন্ত্রণের পরিবর্তনশীল হিসাবে অন্তর্ভুক্ত করা বৈধ? এবং নিয়ন্ত্রণ এবং চিকিত্সার মধ্যে পার্থক্য স্পষ্টভাবে বা স্পষ্টভাবে মডেল করা উচিত?

— অ্যামিবা বলেছেন মনিকাকে

34

এই বিষয়টির চারপাশে একটি বিশাল সাহিত্য রয়েছে (পরিবর্তন / উপার্জনের স্কোর), এবং আমি মনে করি সেরা উল্লেখগুলি বায়োমেডিকাল ডোমেন থেকে আসে, যেমন

সেন, এস (2007)। ড্রাগ বিকাশের পরিসংখ্যানগত সমস্যা । উইলে (অধ্যায় 7 পৃষ্ঠা। 96-112)

বায়োমেডিকাল গবেষণায়, ক্রস-ওভার ট্রায়ালগুলির গবেষণায় আকর্ষণীয় কাজও করা হয়েছে (উদাহরণস্বরূপ বহনযোগ্য প্রভাবের ক্ষেত্রে, যদিও আপনার গবেষণার ক্ষেত্রে এটি কতটা প্রযোজ্য তা আমি জানি না)।

লাভ স্কোর টি থেকে এএনসিওএ এফ (এবং তদ্বিপরীত) থেকে, কনাপ ও শ্যাফার, এএনসিওএ বনাম টি পদ্ধতির (তথাকথিত লর্ডস প্যারাডক্স) একটি আকর্ষণীয় পর্যালোচনা সরবরাহ করে। পরিবর্তনের স্কোরগুলির সাধারণ বিশ্লেষণটি সেনের নিবন্ধ অনুসারে প্রাক / পোস্ট ডিজাইনের জন্য প্রস্তাবিত উপায় নয় যা বেইজলাইন থেকে পরিবর্তন এবং কোভেরিয়েন্সের বিশ্লেষণ পুনর্বিবেচনা করা হয়েছে ( স্ট্যাটেড মেডিকেল ২০০ 2006 25 (24))। তদুপরি, একটি মিশ্র-প্রভাবগুলির মডেল (উদাহরণস্বরূপ দুটি সময়ের পয়েন্টগুলির মধ্যে পারস্পরিক সম্পর্কের জন্য অ্যাকাউন্টে) ব্যবহার করা ভাল নয় কারণ আপনাকে যথাযথতা বাড়াতে (সামঞ্জস্যের মাধ্যমে) "কোরিয়ারেট" হিসাবে সত্যই "প্রাক" পরিমাপটি ব্যবহার করা দরকার। খুব সংক্ষেপে:

$-$ $-$ $-$
এএনসিওএ-তে ব্যবহৃত অনুমানকটির বৈকল্পিকতা কাঁচা বা পরিবর্তনের স্কোরগুলির তুলনায় সাধারণত কম থাকে (যদি না পূর্ব ও পোস্টের মধ্যে পারস্পরিক সম্পর্ক 1)।
পূর্ব / পোস্টের সম্পর্কগুলি যদি দুটি গ্রুপের (opeাল) মধ্যে পার্থক্য করে, তবে এটি অন্য কোনও পদ্ধতির চেয়ে সমস্যা হিসাবে খুব বেশি কিছু নয় (পরিবর্তনের স্কোরের পদ্ধতির মাধ্যমেও ধারণা করা হয় যে সম্পর্ক দুটি গ্রুপের মধ্যে অভিন্ন - সমান্তরাল opeাল অনুমানের )।
চিকিত্সার সাম্যতার নাল অনুমানের অধীনে (ফলাফলের ভিত্তিতে) কোনও ইন্টারঅ্যাকশন ট্রিটমেন্ট এক্স বেসলাইন আশা করা যায় না; এই জাতীয় মডেল ফিট করা বিপজ্জনক, তবে এই ক্ষেত্রে কাউকে অবশ্যই কেন্দ্রিক বেসলাইনগুলি ব্যবহার করা উচিত (অন্যথায়, চিকিত্সার প্রভাবটি কোভারিয়েট উত্স অনুসারে অনুমান করা হয়)।

আমি এডওয়ার্ডস থেকে দশটি পার্থক্য স্কোর মিথগুলিও পছন্দ করি , যদিও এটি ভিন্ন প্রসঙ্গে পার্থক্য স্কোরগুলিকে কেন্দ্র করে; তবে এখানে প্রাক-পোস্ট পরিবর্তনের বিশ্লেষণের উপর একটি এ্যানোটেটেড গ্রন্থাগার রয়েছে (দুর্ভাগ্যক্রমে, এটি খুব সাম্প্রতিক কাজটি কভার করে না)। ভ্যান ব্রুকেলেন এএনওওএ বনাম আনকোভাকে এলোমেলোভাবে এবং নন-র্যান্ডমাইজড সেটিংয়ের সাথেও তুলনা করেছেন এবং তাঁর সিদ্ধান্তগুলি এএনকোভাকে কমপক্ষে এলোমেলোভাবে পড়াশুনায় (যেটি প্রভাবের প্রতিরোধ থেকে বাধা দেয়) অগ্রাধিকার দেওয়া উচিত এই ধারণাকে সমর্থন করে।

— chl
সূত্র

কেবল স্পষ্ট করে বলার জন্য: আপনারা কি বোঝাচ্ছেন যে কোভারিয়েট হিসাবে প্রাক-পরীক্ষার স্কোর সহ আনকোভা সেরা বিকল্প?

— এমকেটি -

17

ড্যানিয়েল বি রাইট তার নিবন্ধের ৫ ম বিভাগে এটি আলোচনা করেছেন আপনার ডেটা দিয়ে বন্ধু বানান । তিনি পরামর্শ দিয়েছেন (p.130):

এই পরিস্থিতিতে সর্বদা সঠিক একমাত্র পদ্ধতি হ'ল স্ক্র্যাপপ্লট 2 সময়ে স্কোরগুলির তুলনা 2 সময়ে বিভিন্ন গ্রুপের সাথে 1 এর সাথে। বেশিরভাগ ক্ষেত্রে আপনার বিভিন্ন উপায়ে ডেটা বিশ্লেষণ করা উচিত। যদি পদ্ধতিগুলি বিভিন্ন ফলাফল দেয় ... প্রতিটি দ্বারা বর্ণিত মডেলটি সম্পর্কে আরও সাবধানে চিন্তা করুন।

তিনি নিম্নলিখিত নিবন্ধগুলি আরও পড়ার পরামর্শ দিচ্ছেন:

হাত, ডিজে (1994)। পরিসংখ্যানমূলক প্রশ্নগুলি ডিকনস্ট্রাক্ট করা। রয়্যাল স্ট্যাটিস্টিকাল সোসাইটির জার্নাল: এ, 157, 317–356।
লর্ড, এফএম (1967)। গ্রুপ তুলনার ব্যাখ্যায় একটি প্যারাডক্স। মনস্তাত্ত্বিক বুলেটিন, 72, 304–305। ফ্রি পিডিএফ
ওয়াইনার, এইচ। (1991)। ডিফারেনশিয়াল বেইস রেটের জন্য সামঞ্জস্য করছেন: লর্ডসের প্যারাডক্স আবার। মনস্তাত্ত্বিক বুলেটিন, 109, 147-1515। ফ্রি পিডিএফ

— জেরোমি অ্যাংলিম
সূত্র

9

সর্বাধিক সাধারণ কৌশলগুলি হ'ল:

একের মধ্যে সাবজেক্ট ফ্যাক্টর (প্রাক বনাম। পরবর্তী পরীক্ষা) এবং একটির মধ্যে সাবজেক্ট ফ্যাক্টর (চিকিত্সা বনাম নিয়ন্ত্রণ) এর সাথে পুনরায় পরিমাপ করা হয় OV
চিকিত্সা পরবর্তী স্কোরগুলিতে ANCOVA, কোভারিয়েট হিসাবে প্রাক চিকিত্সার স্কোর এবং একটি স্বাধীন ভেরিয়েবল হিসাবে চিকিত্সা সহ। স্বজ্ঞাতভাবে, ধারণাটি হ'ল উভয় দলের মধ্যে পার্থক্যের একটি পরীক্ষা আসলে আপনার পরে যা হয় এবং প্রাক-পরীক্ষার স্কোরকে কোভারিয়েট হিসাবে অন্তর্ভুক্ত করার ফলে একটি সহজ টি-টেস্ট বা আনোভা তুলনায় শক্তি বৃদ্ধি করতে পারে।

এই দুটি পদ্ধতির মধ্যে ব্যাখ্যা এবং অনুমানগুলি এবং স্পষ্টতই প্যারাডক্সিকাল পার্থক্য সম্পর্কে এবং আরও পরিশীলিত বিকল্পগুলিতে (বিশেষত যখন অংশগ্রহণকারীদের এলোমেলোভাবে চিকিত্সার জন্য নির্ধারিত করা যায় না) অনেকগুলি আলোচনা রয়েছে তবে তারা বেশ মানদণ্ডে রয়ে গেছে বলে আমি মনে করি।

বিভ্রান্তির একটি গুরুত্বপূর্ণ উত্স হ'ল আনোভার পক্ষে, আগ্রহের প্রভাবটি সম্ভবত সময় এবং চিকিত্সার মধ্যে মিথস্ক্রিয়া হয় এবং চিকিত্সার প্রধান প্রভাব নয় not ঘটনাচক্রে, এই ইন্টারঅ্যাকশন টার্মের জন্য এফ-টেস্ট লাভ স্কোরগুলির উপর একটি স্বতন্ত্র নমুনা টি-টেস্টের (যেমন প্রতিটি অংশগ্রহণকারীর জন্য পরীক্ষার পরের স্কোর থেকে প্রাক-পরীক্ষার স্কোরটি বিয়োগ করে প্রাপ্ত স্কোরগুলি) তুলনায় ঠিক একই ফলাফল অর্জন করবে যাতে আপনি সম্ভবত এছাড়াও যে জন্য যান।

যদি এই সমস্ত কিছু খুব বেশি হয় তবে আপনার কাছে এটি বের করার সময় নেই এবং আপনি কোনও পরিসংখ্যানবিদের কাছ থেকে কিছুটা দ্রুত এবং নোংরা সাহায্য নিতে পারবেন না তবে কোনওভাবেই সম্পূর্ণ অযৌক্তিক পদ্ধতির সাথে পরীক্ষা-পরবর্তী স্কোরগুলির তুলনা করা কেবল একটি নয় প্রাক-পরীক্ষার মানগুলি উপেক্ষা করে স্বতন্ত্র নমুনা টি-পরীক্ষা। অংশীদারিরা যদি এলোমেলোভাবে চিকিত্সা বা নিয়ন্ত্রণ গোষ্ঠীর কাছে নিযুক্ত করা হত তবেই এটির অর্থবোধ করা যায় ।

পরিশেষে, এটি নিজেকে বেছে নেওয়ার খুব ভাল কারণ নয় তবে আমার সন্দেহ হয় উপরের পদ্ধতির 2 (আনকোভা) যা বর্তমানে মনোবিজ্ঞানের ক্ষেত্রে সঠিক পদ্ধতির জন্য পাস করেছে তাই যদি আপনি অন্য কিছু চয়ন করেন তবে আপনাকে কৌশলটি বিশদভাবে ব্যাখ্যা করতে বা ন্যায়সঙ্গত করতে হতে পারে নিজেকে বিশ্বাসী এমন কাউকে, যেমন: "লাভের স্কোরগুলি খারাপ বলে পরিচিত"।

— আনুষ্ঠানিক
সূত্র

1

আমি প্রথম সুপারিশটি বলব, বারবার ব্যবস্থা আনোভা, প্রাক-পোস্টের ডেটা বিশ্লেষণের জন্য উপযুক্ত নয়। চিকিত্সা বেসলাইন এ হস্তক্ষেপ গ্রুপে 0 এ কোড করা হয়? যে কোনও উপায়ে, এটি হাথর্ন প্রভাবটিকে নতুন করে দেখায়। নিয়ন্ত্রণগুলির মধ্যে প্রাক / পোস্টে সিস্টেমেটিক পার্থক্যগুলি এলোমেলো তারতম্য পর্যন্ত চটকানো থাকে। আরএম এএন সি ওভিএ যথাযথ হয় যখন কোনও পোস্ট-পিরিয়ড চলাকালীন একাধিক পরিমাপ হয় এবং বেসলাইন মানগুলি এখনও কোভারিয়েট হিসাবে সামঞ্জস্য করা হয় বা লাভ স্কোর হিসাবে ব্যবহৃত হয়।

— অ্যাডমো

2

আনকোভা এবং পুনরাবৃত্তি ব্যবস্থা / মিথস্ক্রিয়া শব্দটির জন্য মিশ্রিত মডেল দুটি পৃথক হাইপোথিসিস পরীক্ষা করছে। : এই নিবন্ধটি উল্লেখ ariticle 1 এবং এই নিবন্ধ: নিবন্ধ 2

— টমাস
সূত্র

-2

যেহেতু আপনার দুটি উপায় রয়েছে (কোনও নির্দিষ্ট আইটেমের বা জায়ের যোগফলের), তাই কোনও আনোভা বিবেচনা করার কোনও কারণ নেই। একটি যুক্ত টি-টেস্ট সম্ভবত উপযুক্ত; এটি আপনাকে কোন টি-টেস্টের প্রয়োজন তা চয়ন করতে সহায়তা করতে পারে।

আপনি কি আইটেম-নির্দিষ্ট ফলাফলগুলি, বা সামগ্রিক স্কোরগুলিতে দেখতে চান? আপনি একটি আইটেম বিশ্লেষণ করতে চান, এই একটি দরকারী শুরু জায়গা হতে পারে।

— Krysta
সূত্র

4

নিয়ন্ত্রণ গ্রুপ সম্পর্কে কি? সমস্ত ডেটার সংযুক্ত টি-টেস্ট খারাপ ধারণা বলে মনে হচ্ছে এবং অবশ্যই মূল প্রশ্নটির সমাধান করে না (চিকিত্সা কার্যকর?) চিকিত্সা গোষ্ঠীতে সীমাবদ্ধ একটি জোড়যুক্ত টি-পরীক্ষা একটি প্রশংসনীয় কৌশল কিন্তু নিয়ন্ত্রণ গ্রুপ উপেক্ষা করে প্রচুর ডেটা ফেলে দেয় এবং অনেক দুর্বল প্রমাণ দেয় যে হস্তক্ষেপ বাস্তবে সক্রিয় উপাদান। আনোভা আসলে একটি সাধারণ - যদি প্রায়শই সমালোচিত হয় - এই নকশাটি বিশ্লেষণ করার উপায়।

— গালা