Để trả lời câu hỏi theo nghĩa đen của bạn, "Có hợp lệ khi đưa số đo cơ sở làm biến kiểm soát khi kiểm tra tác động của biến độc lập đối với điểm thay đổi không?", Câu trả lời là không . Câu trả lời là không, bởi vì bằng cách xây dựng , điểm số cơ sở tương quan với thuật ngữ lỗi khi điểm thay đổi được sử dụng làm biến phụ thuộc, do đó ảnh hưởng ước tính của đường cơ sở lên điểm thay đổi là không thể giải thích được.
Sử dụng
- Y1 là trọng lượng ban đầu
- Y2 là trọng lượng cuối
- Δ Y = Y 2 - Y 1Δ Y là sự thay đổi về trọng lượng (nghĩa là )ΔY=Y2−Y1
- T như một điều trị được chỉ định ngẫu nhiên , và
- X là các yếu tố ngoại sinh khác ảnh hưởng đến cân nặng (ví dụ: các biến kiểm soát khác có liên quan đến kết quả nhưng không được điều trị bằng cách chỉ định ngẫu nhiên)
Một cái sau đó có một mô hình hồi quy trên và ; T XΔYTX
ΔY=β1T+β2X+e
Mà theo định nghĩa là tương đương với;
Y2−Y1=β1T+β2X+e
Bây giờ, nếu bạn bao gồm đường cơ sở dưới dạng hiệp phương sai, người ta sẽ thấy một vấn đề, trong đó bạn có thuật ngữ ở cả hai mặt của phương trình. Điều này cho thấy không thể giải thích được, bởi vì nó vốn có tương quan với thuật ngữ lỗi.β 3 Y 1Y1β3Y1
Y2−Y1Y2=β1T+β2X+β3Y1+e=β1T+β2X+β3Y1+(e+Y1)
Bây giờ, một phần của sự nhầm lẫn trong các câu trả lời khác nhau dường như xuất phát từ thực tế là các mô hình khác nhau sẽ mang lại kết quả giống hệt nhau cho hiệu quả điều trị , trong công thức trên của tôi. Vì vậy, nếu người ta so sánh hiệu quả điều trị cho mô hình bằng cách sử dụng điểm thay đổi là biến phụ thuộc với mô hình bằng cách sử dụng "cấp độ" (với mỗi mô hình bao gồm đường cơ sở là đồng biến), thì cách giải thích về hiệu quả điều trị sẽ là tương tự. Trong hai mô hình theo sau sẽ giống nhau và các suy luận cũng dựa trên chúng (Bruce Weaver có một số mã SPSS được đăng cũng thể hiện sự tương đương).Y 1 β 1 Tβ1TY1β1T
Change Score ModelLevels Model:Y2−Y1=β1T+β2X+β3Y1+e:Y2=β1T+β2X+β3Y1+e
Vì vậy, một số người sẽ tranh luận (như Felix có trong chủ đề này, và như Bruce Weaver đã thực hiện một số cuộc thảo luận về nhóm google SPSS) vì các mô hình dẫn đến hiệu quả điều trị ước tính như nhau, nên bạn chọn loại nào không quan trọng. Tôi không đồng ý, vì không thể diễn giải đường cơ sở trong mô hình điểm thay đổi, nên bạn không bao giờ nên bao gồm đường cơ sở dưới dạng hiệp phương sai (bất kể hiệu quả điều trị ước tính có giống nhau hay không). Vì vậy, điều này đưa ra một câu hỏi khác, điểm trong việc sử dụng điểm thay đổi là biến phụ thuộc là gì? Như Felix cũng đã lưu ý, mô hình sử dụng điểm thay đổi làm biến phụ thuộc không bao gồm đường cơ sở dưới dạng hiệp phương sai khác với mô hình sử dụng các mức. Để làm rõ, các mô hình tiếp theo sẽ cho hiệu quả điều trị khác nhau (đặc biệt trong trường hợp điều trị có tương quan với đường cơ sở);
Change Score Model Without BaselineLevels Model:Y2−Y1=β1T+β2X+e:Y2=β1T+β2X+β3Y1+e
Điều này đã được ghi nhận trong văn học trước đó là "Nghịch lý của Chúa". Vậy mô hình nào là đúng? Vâng, trong trường hợp thử nghiệm ngẫu nhiên, tôi sẽ nói mô hình Levels là thích hợp hơn (mặc dù nếu bạn đã thực hiện ngẫu nhiên công việc tốt, hiệu quả điều trị trung bình sẽ rất gần giữa các mô hình). Những lý do khác đã lưu ý lý do tại sao mô hình cấp độ được ưa thích hơn, câu trả lời của Charlie nêu rõ ở chỗ bạn có thể ước tính hiệu ứng tương tác với đường cơ sở trong mô hình cấp độ (nhưng bạn không thể trong mô hình điểm thay đổi). Whuber trong câu trả lời này cho một câu hỏi rất giống nhau cho thấy cách điểm số thay đổi tạo ra mối tương quan giữa các phương pháp điều trị khác nhau.
Trong các tình huống trong đó việc điều trị không được chỉ định ngẫu nhiên, mô hình sử dụng điểm thay đổi làm biến phụ thuộc sẽ được xem xét nhiều hơn. Lợi ích chính của mô hình điểm thay đổi là bất kỳ lúc nào các dự đoán bất biến về kết quả đều được kiểm soát. Vì vậy, trong công thức trên, không đổi trong suốt thời gian (ví dụ: có khuynh hướng di truyền ở một trọng lượng nhất định) và có tương quan với việc một cá nhân chọn tập thể dục (và không quan sát được). Trong trường hợp đó, mô hình điểm thay đổi là thích hợp hơn. Ngoài ra trong các trường hợp lựa chọn vào điều trị có tương quan với giá trị cơ bản, mô hình điểm thay đổi có thể thích hợp hơn. Paul Allison trong bài báo của mình,X XXXXThay đổi điểm số như các biến phụ thuộc trong phân tích hồi quy , đưa ra các ví dụ tương tự (và phần lớn ảnh hưởng đến quan điểm của tôi về chủ đề này, vì vậy tôi rất khuyến nghị nên đọc nó).
Điều này không có nghĩa là điểm số thay đổi luôn được ưu tiên trong các cài đặt không ngẫu nhiên. Trong trường hợp bạn mong đợi đường cơ sở có ảnh hưởng nhân quả thực tế đến trọng lượng bài, bạn nên sử dụng mô hình cấp độ. Trong trường hợp mà bạn mong đợi đường cơ sở có tác dụng nhân quả và việc lựa chọn điều trị có tương quan với đường cơ sở, hiệu quả điều trị bị nhầm lẫn với hiệu quả cơ bản.
Tôi đã bỏ qua lưu ý của Charlie rằng logarit của trọng số có thể được sử dụng làm biến phụ thuộc. Mặc dù tôi không nghi ngờ rằng đó có thể là một khả năng, nhưng nó không phải là thứ tự cho câu hỏi ban đầu. Một câu hỏi khác đã thảo luận khi thích hợp để sử dụng logarit của biến (và những câu hỏi vẫn được áp dụng trong trường hợp này). Có lẽ có tài liệu trước về chủ đề này sẽ giúp hướng dẫn bạn về việc sử dụng trọng lượng đăng nhập có phù hợp không.
Trích dẫn
Allison, Paul D. 1990. Thay đổi điểm số dưới dạng các biến phụ thuộc trong phân tích hồi quy . Phương pháp xã hội học 20: 93-114. Phiên bản PDF công khai .