Prueba post hoc en un ANOVA de diseño mixto 2x3 con SPSS?

Tengo dos grupos de 10 participantes que fueron evaluados tres veces durante un experimento. Para probar las diferencias entre los grupos y entre las tres evaluaciones, ejecuté un ANOVA de diseño mixto 2x3 con group(control, experimental), time(primero, segundo, tres) y group x time. Ambos timey groupresultaron significativos, además hubo una interacción significativa group x time.

No sé muy bien cómo proceder para verificar las diferencias entre los tres tiempos de evaluaciones, también con respecto a la membresía grupal. De hecho, al principio solo especifiqué en las opciones del ANOVA para comparar todos los efectos principales, usando la corrección de Bonferroni. Sin embargo, luego me di cuenta de que de esta manera se compararon las diferencias en el tiempo de la muestra total, sin distinción de grupo, ¿estoy en lo cierto?

Por lo tanto, busqué mucho en Internet para encontrar una posible solución, pero con escasos resultados. ¡Solo encontré 2 casos similares al mío, pero sus soluciones son opuestas!

En un artículo, después del diseño mixto, los autores realizaron 2 medidas repetidas ANOVA como post-hoc, una para cada grupo de sujetos. De esta manera, los dos grupos se analizan por separado sin ninguna corrección, ¿estoy en lo cierto?
En una guía en Internet, dicen agregar manualmente en la sintaxis SPSS COMPARE(time) ADJ(BONFERRONI), justo después /EMMEANS=TABLES(newgroup*time), mientras se ejecuta el ANOVA mixto. De esta manera, las tres veces se comparan por separado para cada grupo, con la corrección de Bonferroni, ¿estoy en lo cierto?

¿Qué piensas? ¿Cuál sería la forma correcta de proceder?

anova mixed-model spss post-hoc bonferroni time-series unevenly-spaced-time-series classification normal-distribution discriminant-analysis probability normal-distribution estimation sampling classification svm terminology pivot-table random-generation self-study estimation sampling estimation categorical-data maximum-likelihood excel least-squares instrumental-variables 2sls total-least-squares correlation self-study variance unbiased-estimator bayesian mixed-model ancova statistical-significance references p-value fishers-exact probability monte-carlo particle-filter logistic predictive-models modeling interaction survey hypothesis-testing multiple-regression regression variance data-transformation residuals minitab r time-series forecasting arima garch correlation estimation least-squares bias pca predictive-models genetics sem partial-least-squares nonparametric ordinal-data wilcoxon-mann-whitney bonferroni wilcoxon-signed-rank traminer regression econometrics standard-error robust misspecification r probability logistic generalized-linear-model r-squared effect-size gee ordered-logit bayesian classification svm kernel-trick nonlinear bayesian pca dimensionality-reduction eigenvalues probability distributions mathematical-statistics estimation nonparametric kernel-smoothing expected-value filter mse time-series correlation data-visualization clustering estimation predictive-models recommender-system sparse hypothesis-testing data-transformation parametric probability summations correlation pearson-r spearman-rho bayesian replicability dimensionality-reduction discriminant-analysis outliers weka

— Federico
fuente

stats.stackexchange.com/questions/575/…

— russellpierce

Texto maestro de Winer (1962) sobre estadísticas. proporciona fórmulas para los términos de errores que se utilizarán en las comparaciones post hoc siguiendo muchos tipos de ANOVA, incluido este.

Hola @StuartMcKelvie, ¿podrías dar más detalles? Tal como está, su respuesta apenas puede ser utilizada por el OP o los futuros visitantes. (Además, no proporciona una referencia para Winer [1962], y dado que es tan antiguo, puede que no sea fácil de encontrar.)

— Patrick Coulombe

Encontré este capítulo gratuito de IBM SPSS Statistics (18 y 19): Workbook psychtestingonline.com/PDFDownloader.aspx?pdf=3 Se trata exactamente de su caso

— sviter

Estoy teniendo exactamente el mismo problema. ¿Decidiste un método particular al final? Gracias.

— Laoise Ní Chléirigh

Respuestas:

Respuesta editada para implementar comentarios alentadores y constructivos por @Ferdi

Me gustaría:

proporcionar una respuesta con un script completo
mencionar que también se pueden probar contrastes personalizados más generales usando el comando / TEST
argumentan que esto es necesario en algunos casos (es decir, la combinación EMMEANS COMPARE no es suficiente)

Supongo que tengo una base de datos con columnas: depV, Group, F1, F2. Implemento un ANOVA de diseño mixto 2x2x2 donde depV es la variable dependiente, F1 y F2 están dentro de los factores de sujeto y Group es un factor entre sujetos. Además, supongo que la prueba F ha revelado que la interacción Grupo * F2 es significativa. Por lo tanto, necesito usar pruebas t post hoc para comprender qué impulsa la interacción.

MIXED depV BY Group F1 F2 
  /FIXED=Group F1 F2 Group*F1 Group*F2 F1*F2 Group*F1*F2 |  SSTYPE(3) 
  /METHOD=REML 
  /RANDOM=INTERCEPT | SUBJECT(Subject) COVTYPE(VC) 
  /EMMEANS=TABLES(Group*F2) COMPARE(Group) ADJ(Bonferroni)
  /TEST(0) = 'depV(F2=1)-depV(F2=0) differs between groups' 
    Group*F2 1/4 -1/4 -1/4 1/4 
    Group*F1*F2 1/8 -1/8 1/8 -1/8 -1/8 1/8 -1/8 1/8 
  /TEST(0) = 'depV(Group1, F2=1)-depV(Group2, F2=1)' Group 1 -1
    Group*F1 1/2 1/2 -1/2 -1/2 
    Group*F2 1 0 -1 0  
    Group*F1*F2 1/2 0 1/2 0 -1/2 0 -1/2 0 .

En particular, la segunda prueba t corresponde a la realizada por el comando EMMEANS. La comparación EMMEANS podría revelar, por ejemplo, que depV era mayor en el Grupo 1 con la condición F2 = 1.

Sin embargo, la interacción también podría ser impulsada por otra cosa, que se verifica mediante la primera prueba: la diferencia depV (F2 = 1) -depV (F2 = 0) difiere entre los grupos, y este es un contraste que no puede verificar con el comando EMMEANS (Al menos no encontré una manera fácil).

Ahora, en modelos con muchos factores, es un poco complicado escribir la línea / TEST, la secuencia de 1/2, 1/4, etc., llamada matriz L. Normalmente, si recibe el mensaje de error: "la matriz L no es estimable", está olvidando algunos elementos. Un enlace que explica el recibo es este: https://stats.idre.ucla.edu/spss/faq/how-can-i-test-contrasts-and-interaction-contrasts-in-a-mixed-model/

— fabiob
fuente

Que gran respuesta. Puede hacerlo aún mejor si 1. resume el contenido de su enlace y 2. explica lo que está haciendo estadísticamente

— Ferdi

No conozco la sintaxis de SPSS particularmente bien, pero, si entiendo su situación correctamente, la interacción significativa significa que, para evaluar adecuadamente la importancia de sus efectos principales, deberá realizar análisis por separado. Creo que la mejor manera de proceder es hacer análisis de medidas repetidas por separado para cada nivel en su factor de agrupación. Quizás alguien más pueda hablar mejor sobre la cuestión de cómo manejar la corrección para comparaciones múltiples durante el análisis post-hoc, pero estoy bastante seguro de que aún necesita usar una corrección. ¡Puede probar Tukey's, como una corrección de comparación múltiple!

— Kyle
fuente

Gracias por su respuesta. Si entendí correctamente, sugiere la solución 1), realizar dos ANOVAs de medidas repetidas separadas, una para cada grupo, con el tiempo como variable independiente de los sujetos (3 niveles) y luego, si es significativo, comparar los efectos principales con la corrección de Tukey (o Bonferroni, supongo, ¿no está bien?). ¿Lo he entendido bien?

— Federico

En este caso, usando SPSS seleccioné "Datos / Dividir archivo ..." e ingresé la variable de agrupación. ¿Es esto correcto? De esta manera, encontré un ANOVA ligeramente significativo (p = 0.044) para el grupo de control, pero las comparaciones de Bonferroni (no me permite hacer Tukey) no son significativas ... ¿Cómo debería explicar esto? ¿El resultado ANOVA es un error de tipo I?

— Federico

En breve. No existe una convención globalmente aceptada para estas situaciones. Algunos usarán correcciones de Bonferroni. Algunos obligarán al marco Tukey HSD a bailar para ellos (por ejemplo, Maxwell y Delaney). A diferencia de...

COMPARE(time) ADJ(BONFERRONI)", just after "/EMMEANS=TABLES(newgroup*time)

... parece usar la corrección de Bonferroni. Sin embargo, este enfoque es probablemente conservador, especialmente frente a las correcciones de estilo Holm-Sidak. (ESPECIALMENTE si no usa el MSW como término de error para sus comparaciones post-hoc).

— russellpierce
fuente