Đề nghị của tôi là bao gồm các hiệu ứng ngẫu nhiên trong mô hình ngay cả khi chúng không có ý nghĩa thống kê, với lý do phân tích thống kê sau đó đại diện trung thực hơn cho thiết kế nghiên cứu thực tế.
Điều này cho phép bạn viết một cái gì đó như thế này trong phần Phương pháp thống kê của bạn:
Các hiệu ứng ngẫu nhiên được đưa vào cho từng cá nhân và để kiểm soát sự phụ thuộc có thể do các biện pháp lặp lại hoặc hiệu ứng trật tự.
Điều này có thể sẽ nhận xét của người đánh giá về các giả định phụ thuộc hoặc sao chép giả. Nó chỉ dễ dàng hơn để làm điều này hơn là "giải thích" tại sao bỏ những điều khoản đó là ổn, ngay cả khi về cơ bản chúng có vẻ vô dụng.
Ngoài ra, có những điều khoản trong mô hình có thể không làm bạn tốn kém. Tôi sẽ ngạc nhiên và nghi ngờ nếu kết quả thay đổi đáng kể khi bạn loại bỏ chúng.
Dưới đây là một số cân nhắc:
Thực dụng:
Đôi khi, việc phân phối dữ liệu không cho phép khớp mô hình với dữ liệu. Điều này có thể xảy ra khi do chi phí, thời gian hoặc nỗ lực rất ít thử nghiệm được thu thập có chủ đích, khi dữ liệu quá thưa thớt theo một cách nào đó hoặc khi phân phối dữ liệu bị biến chất hoặc quá phẳng.
Trong trường hợp này, bạn có thể không có cách nào để tiến hành ngoài việc đơn giản hóa mô hình, có thể là đáng kể. Thông thường, trước tiên tôi cố gắng loại bỏ các hiệu ứng ở mức độ chi tiết tốt nhất, vì thường có nhiều hơn trong số chúng được ước tính.
Trong trường hợp xấu nhất, bạn có thể muốn tiến hành như thể dữ liệu được thu thập độc lập. Điều này có thể tốt hơn không có gì, nhưng các bài kiểm tra quan trọng sẽ phải được thực hiện với một hạt muối lớn. Việc giải thích kết quả nên được phòng ngừa khá nhiều.
Thực dụng:
Trong một số tình huống, có thể hợp lý khi gộp các thuật ngữ để có được một số thông tin để tiếp tục. Ở đây, tôi đang suy nghĩ nhiều hơn về thiết kế thử nghiệm trong nghiên cứu và phát triển đang diễn ra, thay vì xuất bản.
Lorenzen và Anderson (1993) đưa ra các quy tắc "đôi khi gộp" cho trường hợp sẽ hữu ích để có được các xét nghiệm chính xác hơn về các yếu tố khác trong mô hình.
- α = 0,25
- 0,25
Mặc dù vậy, một lần nữa, loại quy tắc này là nhiều hơn cho sử dụng thực tế và không sử dụng xuất bản, theo ý kiến của tôi.
Lý thuyết:
Bây giờ, có thể là trên thực tế bạn nhận được kết quả "giống hệt" khi bạn loại bỏ các hiệu ứng ngẫu nhiên đó. Điều đó thật tuyệt nhưng bạn nên biết rằng hiện tại bạn đang lắp hai mô hình khác nhau và các thuật ngữ có thể cần được diễn giải khác nhau mặc dù chúng có thể "giống nhau".
Những gì tôi sẽ nhận được từ đó là kết quả mạnh mẽ theo các giả định khác nhau. Đó luôn là một điều tốt.
p
Ngoài ra, tùy thuộc vào cách bạn muốn diễn giải kết quả từ mô hình của mình, bạn có thể không muốn "đơn giản hóa" nó. Littell et al (2006) có một cuộc thảo luận nhỏ (trang 211) về suy luận hẹp so với rộng và suy luận rộng về dân số so với chủ đề cụ thể trong một khung cảnh đơn giản. Trong trường hợp của bạn, bạn có thể quan tâm đến suy luận rộng, đưa ra kết luận liên quan đến toàn bộ dân số hơn là chỉ các cá nhân trong nghiên cứu của bạn.
Dù sao, trong trường hợp của bạn, nghiên cứu của bạn đã được thực hiện theo cách giới thiệu tiềm năng cho sự phụ thuộc dựa trên trật tự và cá nhân. Nếu bạn có thể mô hình chính xác cấu trúc của nghiên cứu của bạn thì bạn nên.
Người giới thiệu:
Littell, Milliken, Stroup, Wolfinger và Schabenberger (2006) cho các mô hình hỗn hợp. SÀI GÒN
Lorenzen và Anderson (1993) Thiết kế thí nghiệm: Cách tiếp cận không tên. Marcel Dekker, Inc.