Conception de mesures répétées - Repeated measures design

Voir aussi: étude longitudinale et étude par panel

La conception de mesures répétées est une conception de recherche qui implique plusieurs mesures de la même variable prises sur les mêmes sujets ou sur des sujets appariés, soit dans des conditions différentes, soit sur deux périodes ou plus. Par exemple, des mesures répétées sont recueillies dans une étude longitudinale dans laquelle les changements au fil du temps sont évalués.

Études croisées

Article principal: étude croisée

L' étude croisée est une mesure répétée populaire . Une étude croisée est une étude longitudinale dans laquelle les sujets reçoivent une séquence de différents traitements (ou expositions). Alors que les études croisées peuvent être des études observationnelles , de nombreuses études croisées importantes sont des expériences contrôlées . Les conceptions croisées sont courantes pour les expériences dans de nombreuses disciplines scientifiques , par exemple la psychologie , l' éducation , la science pharmaceutique et les soins de santé , en particulier la médecine.

Les expériences randomisées , contrôlées et croisées sont particulièrement importantes dans les soins de santé. Dans un essai clinique randomisé , les sujets reçoivent des traitements randomisés . Lorsqu'un tel essai est un plan de mesures répétées, les sujets sont assignés au hasard à une séquence de traitements. Un essai clinique croisé est une conception à mesures répétées dans laquelle chaque patient est assigné au hasard à une séquence de traitements, comprenant au moins deux traitements (dont l'un peut être un traitement standard ou un placebo ): Ainsi, chaque patient passe d'un traitement à un autre.

Presque tous les modèles de croisement ont un «équilibre», ce qui signifie que tous les sujets devraient recevoir le même nombre de traitements et que tous les sujets participent pendant le même nombre de périodes. Dans la plupart des essais croisés, chaque sujet reçoit tous les traitements.

Cependant, de nombreux plans à mesures répétées ne sont pas des croisements: l'étude longitudinale des effets séquentiels de traitements répétés n'a pas besoin d'utiliser de " croisement ", par exemple (Vonesh & Chinchilli; Jones & Kenward).

Les usages

  • Nombre limité de participants - La conception des mesures répétées réduit la variance des estimations des effets du traitement, ce qui permet de faire des inférences statistiques avec moins de sujets.
  • Efficacité - Les conceptions de mesures répétées permettent de réaliser plus rapidement de nombreuses expériences, car moins de groupes doivent être formés pour terminer une expérience entière. Par exemple, des expériences dans lesquelles chaque condition ne prend que quelques minutes, alors que la formation pour terminer les tâches prend autant, sinon plus de temps.
  • Analyse longitudinale - Les conceptions de mesures répétées permettent aux chercheurs de suivre l'évolution des participants au fil du temps, à la fois dans des situations à court et à long terme.

Effets d'ordre

Des effets d'ordre peuvent se produire lorsqu'un participant à une expérience est en mesure d'exécuter une tâche, puis de l'exécuter à nouveau. Des exemples d'effets d'ordre comprennent l'amélioration des performances ou la baisse des performances, qui peuvent être dues à des effets d'apprentissage, à l'ennui ou à la fatigue. L'impact des effets d'ordre peut être plus faible dans les études longitudinales à long terme ou par contrepoids à l'aide d'une conception croisée .

Contrepoids

Dans cette technique, deux groupes effectuent chacun les mêmes tâches ou vivent les mêmes conditions, mais dans l'ordre inverse. Avec deux tâches ou conditions, quatre groupes sont formés.

Contrepoids
Tâche / Condition Tâche / Condition Remarques
groupe A
1
2
Le groupe A exécute d'abord la tâche / condition 1, puis la tâche / condition 2
Groupe B
2
1
Le groupe B exécute d'abord la tâche / condition 2, puis la tâche / condition 1

Le contrepoids tente de prendre en compte deux sources importantes de variation systématique dans ce type de conception: les effets de pratique et d'ennui. Les deux pourraient autrement conduire à des performances différentes des participants en raison de la familiarité ou de la fatigue des traitements.

Limites

Il peut ne pas être possible pour chaque participant d'être dans toutes les conditions de l'expérience (c.-à-d. Contraintes de temps, lieu de l'expérience, etc.). Les sujets gravement malades ont tendance à abandonner les études longitudinales, ce qui peut biaiser les résultats. Dans ces cas, des modèles à effets mixtes seraient préférables car ils peuvent traiter des valeurs manquantes.

La régression moyenne peut affecter les conditions avec des répétitions importantes. La maturation peut affecter les études qui s'étendent dans le temps. Les événements en dehors de l'expérience peuvent changer la réponse entre les répétitions.

ANOVA à mesures répétées

L'analyse par mesures répétées de la variance (rANOVA) est une approche statistique couramment utilisée pour les plans de mesures répétées. Avec de tels plans, le facteur de mesure répétée (la variable indépendante qualitative) est le facteur intra-sujets, tandis que la variable quantitative dépendante sur laquelle chaque participant est mesuré est la variable dépendante.

Partitionnement de l'erreur

L'un des plus grands avantages de la rANOVA, comme c'est le cas avec les plans de mesures répétées en général, est la capacité de partitionner la variabilité due aux différences individuelles. Considérez la structure générale de la statistique F :

F = Traitement MS / Erreur MS = ( Traitement SS / Traitement df ) / ( Erreur SS / Erreur df )

Dans une conception inter-sujets, il y a un élément de variance dû à la différence individuelle qui est combiné avec les termes de traitement et d'erreur:

Total SS = Traitement SS + Erreur SS
df Total = n - 1

Dans une conception à mesures répétées, il est possible de séparer la variabilité des sujets des termes de traitement et d'erreur. Dans un tel cas, la variabilité peut être décomposée en variabilité inter-traitements (ou effets intra-sujets, à l'exclusion des différences individuelles) et en variabilité intra-traitements. La variabilité intra-traitements peut être ensuite divisée en variabilité inter-sujets (différences individuelles) et erreur (à l'exclusion des différences individuelles):

Total SS = Traitement SS (hors différence individuelle) + Sujets SS + Erreur SS
df Total = df Traitement (dans les sujets) + df entre les sujets + df erreur = ( k - 1) + ( n - 1) + (( n - k ) ( n - 1))

En référence à la structure générale de la statistique F, il est clair qu'en partitionnant la variabilité entre les sujets, la valeur F augmentera car la somme des carrés du terme d'erreur sera plus petite, ce qui entraînera une erreur MSError plus petite. Il est à noter que la variabilité de partition réduit les degrés de liberté du test F, donc la variabilité inter-sujets doit être suffisamment significative pour compenser la perte en degrés de liberté. Si la variabilité entre les sujets est faible, ce processus peut en fait réduire la valeur F.

Hypothèses

Comme pour toutes les analyses statistiques, des hypothèses spécifiques doivent être satisfaites pour justifier l'utilisation de ce test. Les violations peuvent affecter modérément à gravement les résultats et conduire souvent à une inflation d' erreur de type 1 . Avec la rANOVA, les hypothèses standard univariée et multivariée s'appliquent. Les hypothèses univariées sont:

  • Normalité - Pour chaque niveau du facteur intra-sujets, la variable dépendante doit avoir une distribution normale .
  • Sphéricité - Les scores de différence calculés entre deux niveaux d'un facteur intra-sujets doivent avoir la même variance pour la comparaison de deux niveaux quelconques. (Cette hypothèse ne s'applique que s'il y a plus de 2 niveaux de la variable indépendante.)
  • Aléatoire - Les cas doivent être dérivés d'un échantillon aléatoire et les scores des différents participants doivent être indépendants les uns des autres.

La rANOVA exige également que certaines hypothèses multivariées soient satisfaites, car un test multivarié est effectué sur des scores de différence. Ces hypothèses comprennent:

  • Normalité multivariée - Les scores de différence sont distribués normalement de façon multivariée dans la population.
  • Aléatoire - Les cas individuels doivent être dérivés d'un échantillon aléatoire, et les scores de différence pour chaque participant sont indépendants de ceux d'un autre participant.

Test F

Comme pour les autres analyses de tests de variance, la rANOVA utilise une statistique F pour déterminer la signification. En fonction du nombre de facteurs intra-sujets et de violations d'hypothèses, il est nécessaire de sélectionner le plus approprié des trois tests:

  • Test ANOVA F univarié standard - Ce test est couramment utilisé étant donné seulement deux niveaux du facteur intra-sujets (c'est-à-dire le point temporel 1 et le point temporel 2). Ce test n'est pas recommandé étant donné plus de 2 niveaux du facteur intra-sujets car l'hypothèse de sphéricité est généralement violée dans de tels cas.
  • Test alternatif univarié - Ces tests tiennent compte des violations de l'hypothèse de sphéricité et peuvent être utilisés lorsque le facteur intra-sujets dépasse 2 niveaux. La statistique F est la même que dans le test ANOVA F univarié standard, mais est associée à une valeur p plus précise. Cette correction est effectuée en ajustant les degrés de liberté vers le bas pour déterminer la valeur F critique. Deux corrections sont couramment utilisées: la correction Greenhouse – Geisser et la correction Huynh – Feldt. La correction de Greenhouse – Geisser est plus prudente, mais aborde un problème courant d'augmentation de la variabilité au fil du temps dans un plan à mesures répétées. La correction Huynh – Feldt est moins prudente, mais ne résout pas les problèmes de variabilité croissante. Il a été suggéré d'utiliser le bas Huynh – Feldt avec de plus petits écarts par rapport à la sphéricité, tandis que Greenhouse – Geisser être utilisé lorsque les départs sont importants.
  • Test multivarié - Ce test ne suppose pas de sphéricité, mais est également très prudent.

Taille de l'effet

L'une des statistiques de taille d'effet les plus fréquemment rapportées pour la rANOVA est l'éta-carré partiel (η p 2 ). Il est également courant d'utiliser la multivariée η 2 lorsque l'hypothèse de sphéricité a été violée et que la statistique de test multivariée est rapportée. Une troisième statistique de taille d'effet qui est rapportée est le η 2 généralisé , qui est comparable à η p 2 dans une ANOVA à mesures répétées unidirectionnelles. Il a été démontré qu'il s'agit d'une meilleure estimation de la taille de l'effet avec d'autres tests intra-sujets.

Précautions

rANOVA n'est pas toujours la meilleure analyse statistique pour les plans de mesures répétées. La rANOVA est vulnérable aux effets des valeurs manquantes, de l'imputation, des points temporels inégaux entre les sujets et des violations de la sphéricité. Ces problèmes peuvent entraîner un biais d'échantillonnage et des taux élevés d'erreur de type I. Dans de tels cas, il peut être préférable d'envisager l'utilisation d'un modèle mixte linéaire .

Voir également

Remarques

Les références

Conception et analyse d'expériences

  • Jones, Byron; Kenward, Michael G. (2003). Design and Analysis of Cross-Over Trials (deuxième éd.). Londres: Chapman et Hall.
  • Vonesh, Edward F. et Chinchilli, Vernon G. (1997). Modèles linéaires et non linéaires pour l'analyse de mesures répétées . Londres: Chapman et Hall.

Exploration des données longitudinales

  • Davidian, Marie ; David M. Giltinan (1995). Modèles non linéaires pour les données de mesure répétées . Monographies Chapman & Hall / CRC sur les statistiques et la probabilité appliquée. ISBN   978-0-412-98341-2 .
  • Fitzmaurice, Garrett; Davidian, Marie; Verbeke, Geert; Molenberghs, Geert, éds. (2008). Analyse des données longitudinales . Boca Raton, Floride: Chapman et Hall / CRC. ISBN   978-1-58488-658-7 .
  • Jones, Byron; Kenward, Michael G. (2003). Design and Analysis of Cross-Over Trials (deuxième éd.). Londres: Chapman et Hall.
  • Kim, Kevin et Timm, Neil (2007). " " MGLM restreint et modèle de courbe de croissance "(chapitre 7)". Modèles linéaires généraux univariés et multivariés: Théorie et applications avec SAS (avec 1 CD-ROM pour Windows et UNIX) . Statistiques: manuels et monographies (deuxième éd.). Boca Raton, Floride: Chapman & Hall / CRC. ISBN   978-1-58488-634-1 .
  • Kollo, Tõnu et von Rosen, Dietrich (2005). " " Modèles linéaires multivariés "(chapitre 4), notamment" Le modèle de courbe de croissance et ses extensions "(chapitre 4.1)". Statistiques multivariées avancées avec matrices . Mathématiques et ses applications. 579 . New York: Springer. ISBN   978-1-4020-3418-3 .
  • Kshirsagar, Anant M. et Smith, William Boyce (1995). Courbes de croissance . Statistiques: manuels et monographies. 145 . New York: Marcel Dekker, Inc. ISBN   0-8247-9341-2 .
  • Pan, Jian-Xin et Fang, Kai-Tai (2002). Modèles de courbes de croissance et diagnostics statistiques . Série Springer en statistiques. New York: Springer-Verlag. ISBN   0-387-95053-2 .
  • Seber, GAF et Wild, CJ (1989). " " Modèles de croissance (chapitre 7) " ". Régression non linéaire . Série Wiley en probabilités et statistiques mathématiques: probabilités et statistiques mathématiques. New York: John Wiley & Sons, Inc., pp. 325–367. ISBN   0-471-61760-1 .
  • Timm, Neil H. (2002). " " Le modèle MANOVA général (GMANOVA) "(Chapitre 3.6.d)". Analyse multivariée appliquée . Textes Springer dans les statistiques. New York: Springer-Verlag. ISBN   0-387-95347-7 .
  • Vonesh, Edward F. et Chinchilli, Vernon G. (1997). Modèles linéaires et non linéaires pour l'analyse de mesures répétées . Londres: Chapman et Hall. (Traitement complet de la théorie et de la pratique)
  • Conaway, M. (11 octobre 1999). Conception de mesures répétées. Extrait le 18 février 2008 de http://biostat.mc.vanderbilt.edu/twiki/pub/Main/ClinStat/repmeas.PDF
  • Minke, A. (1997, janvier). Réalisation d'analyses de mesures répétées: considérations sur la conception expérimentale. Extrait le 18 février 2008 de Ericae.net: http://ericae.net/ft/tamu/Rm.htm
  • Shaughnessy, JJ (2006). Méthodes de recherche en psychologie. New York: McGraw-Hill.

Liens externes