Tamaño del efecto para el efecto de interacción en el diseño de control de tratamiento previo y posterior

11

Si elige analizar un diseño de control de tratamiento previo y posterior con una variable dependiente continua utilizando un ANOVA mixto, hay varias formas de cuantificar el efecto de estar en el grupo de tratamiento. El efecto de interacción es una opción principal.

En general, me gustan particularmente las medidas de tipo d de Cohen (es decir, ). No me gustan las medidas explicadas de varianza porque los resultados varían según factores irrelevantes, como los tamaños de muestra relativos de los grupos. ${\frac{\mu_1 - \mu_2}{\sigma}}$

Por lo tanto, estaba pensando que podría cuantificar el efecto de la siguiente manera

$\Delta\mu_c = \mu_{c2} - \mu_{c1}$
$\Delta\mu_t = \mu_{t2} - \mu_{t1}$
Por lo tanto, el tamaño del efecto podría definirse como $\frac{\Delta\mu_t - \Delta\mu_c}{\sigma}$

donde refiere al control, al tratamiento, y 1 y 2 a pre y post respectivamente. podría ser la desviación estándar agrupada en el tiempo 1. $c$ $t$ $\sigma$

Preguntas:

¿Es apropiado etiquetar esta medida del tamaño del efecto d?
¿Este enfoque parece razonable?
¿Cuál es la práctica estándar para las medidas de tamaño de efecto para tales diseños?

— Jeromy Anglim
fuente

7

Sí, lo que está sugiriendo es exactamente lo que se ha sugerido en la literatura. Ver, por ejemplo: Morris, SB (2008). Estimación de los tamaños del efecto a partir de diseños de grupo de control pretest-postest. Organizational Research Methods, 11 (2), 364-386 ( enlace , pero desafortunadamente, no hay acceso gratuito). El artículo también describe diferentes métodos para estimar esta medida del tamaño del efecto. Puede usar la letra "d" para denotar el tamaño del efecto, pero definitivamente debe proporcionar una explicación de lo que calculó (de lo contrario, los lectores probablemente supondrán que calculó la diferencia de medias estandarizada solo para los puntajes posteriores a la prueba).

— Wolfgang
fuente

Gracias. El artículo de Scott B. Morris es justo lo que estaba buscando. Y sí, estoy de acuerdo en que debería proporcionar una explicación del cálculo (quizás lo llamo algo así como ).

\hat{d}

$\hat{d}$

— Jeromy Anglim

3

Creo que el eta-cuadrado generalizado ( Olejnik y Algena, 2003 ; Bakeman, 2005 ) proporciona una solución razonable para la cuantificación del tamaño del efecto que se generaliza a través de diseños entre S y dentro de Ss. Si leo esas referencias correctamente, el eta-cuadrado generalizado también debería generalizarse en tamaños de muestra.

Eta-cuadrado generalizado se calcula automáticamente mediante la función ezANOVA () en el paquete ez para R.

— Mike Lawrence
fuente

1

Gracias por las referencias y la función r. Todavía prefiero la interpretación de las medidas basadas en d (donde se aplican) sobre las medidas basadas en la varianza explicada. Me resulta más claro pensar en el efecto de una intervención en términos de un puntaje de diferencia.

— Jeromy Anglim

1

Y creo que uno podría aclararlo al señalar (entre), para que la gente sepa que es un tamaño de efecto de control experimental. Porque también hay un tamaño de efecto dentro del grupo. FYI. ¡Buena suerte!