Làm thế nào một kiểm soát cho sự khác biệt nhóm và cá nhân về điểm trước điều trị trong một thử nghiệm ngẫu nhiên có kiểm soát?


9

Andrew Gelman, trong cuốn sách ông viết với Jennifer Hill, nêu trong Chương 9, (phần 9.3), trên trang 177:

Nó chỉ thích hợp để kiểm soát các yếu tố dự đoán trước điều trị, hay nói chung hơn là các yếu tố dự đoán sẽ không bị ảnh hưởng bởi việc điều trị (như chủng tộc hoặc tuổi tác). Điểm này sẽ được minh họa cụ thể hơn trong Phần 9.7 ...

Và ở đó (9.7 có tiêu đề "không kiểm soát các biến điều trị sau"), ông thảo luận về vấn đề đo lường các biến trung gian, thay vì trực tiếp vấn đề thay đổi trước bài.

Điều quan trọng là nói ở đây rằng tôi nghĩ Gelman / Hill là một văn bản tuyệt vời ... Và tôi hoàn toàn thích thú với việc hiểu nó. Tuy nhiên, điều này đã khơi gợi sự quan tâm của tôi, vì nó gợi đến cách tiếp cận của Everitt & Pickles cho cùng một vấn đề.

Everitt cho rằng việc sử dụng điểm thay đổi (Điểm B - Điểm A) sẽ có xu hướng thiên vị những phát hiện của bạn có lợi cho việc điều trị, trong khi bao gồm cả điểm cơ bản trong mô hình thì bảo thủ hơn. Họ ủng hộ điều này bằng một mô phỏng - nó khá thuyết phục.

Sự hiểu biết của tôi cho đến nay là những gì bạn đang kiểm soát là sự khác biệt nhóm về điểm số cơ bản có thể khiến hiệu quả điều trị rõ ràng lớn hơn nó hoặc tồn tại, khi nó không tồn tại. Tôi cũng hiểu rằng điều này là do hồi quy trung bình là tại nơi làm việc, do đó điểm cơ bản cao hơn sẽ liên quan đến việc giảm nhiều hơn và ngược lại, không phụ thuộc vào hiệu quả điều trị.

Everitt đang nỗ lực chống lại "điểm số thay đổi" và Gelman dường như đang tư vấn chống lại việc bao gồm điểm số cơ bản trong mô hình.

Tuy nhiên, Gelman chứng minh điều này trong 2-3 trang tiếp theo, bao gồm cả điểm kiểm tra trước như một công cụ dự đoán. Anh ta đưa ra lời cảnh báo rằng sau đó bạn nhận được một loạt các hiệu ứng điều trị hợp lý có điều kiện dựa trên điểm kiểm tra trước, không phải là một loạt các hiệu ứng điều trị đại diện cho sự không chắc chắn trong các hiệu ứng.

Ý kiến ​​của tôi là việc sử dụng "điểm số thay đổi" dường như không thực sự làm bất cứ điều gì về hồi quy trung bình, trong khi bao gồm cả điểm cơ bản như một công cụ dự đoán cho phép hủy bỏ sự khác biệt của nhóm cơ sở , về cơ bản giới thiệu cấu trúc hiệp phương sai.

Tôi là bác sĩ và tôi phải đưa ra quyết định thực sự về phương pháp điều trị nào hiệu quả. Vậy tôi phải làm sao? Bao gồm điểm cơ bản của mỗi người hoặc sử dụng "điểm thay đổi"?


Tất nhiên những gì U'd thực sự làm là mô hình nó cả hai cách andw
Rosser

Câu trả lời:


5

{Tôi đang gian lận, thêm một bình luận quá dài cho hộp bình luận.} Cảm ơn bạn đã giải thích. Âm thanh như thể bạn đã tìm thấy một số nguồn tuyệt vời, và đã làm rất nhiều để rút ra những bài học tốt từ chúng. Có nhiều nguồn khác đáng để đọc, ví dụ, một chương trong Thử nghiệm của Cook và Campbell; một phần trong Thiết kế và Phân tích của Geoffrey Keppel; và tôi nghĩ ít nhất một bài viết của Donald Rubin. Tôi cũng sẽ cung cấp một bài học mà tôi đã lượm lặt được (diễn giải) từ tác phẩm của Damian Betebenner về điểm thi của học sinh:

Có hợp lý để mong đợi rằng không có cải thiện sẽ xảy ra mà không có sự can thiệp nhất định? Nếu vậy, nó có ý nghĩa để phân tích điểm số đạt được, như với phân tích phương sai. Thay vào đó, có hợp lý không khi nghĩ rằng tất cả các sinh viên sẽ cải thiện ở một mức độ nào đó ngay cả khi không có sự can thiệp, và điểm số sau kiểm tra của họ có thể được dự đoán là một hàm tuyến tính của điểm số trước của họ? Nếu vậy, phân tích hiệp phương sai sẽ có ý nghĩa.

từ biểu đồ dòng chảy ANOVA / ANCOVA

Ngoài ra, có lẽ bạn biết điều này, nhưng Nghịch lý của Chúa, được Betebenner nhắc đến, liên quan đến khả năng có được, với cùng một dữ liệu, kết quả của sự khác biệt trung bình bằng cách sử dụng một trong hai phương pháp này nhưng khác biệt đáng kể khi sử dụng phương pháp kia.

Tôi nghĩ, dựa trên các bài đọc có lẽ hạn chế hơn của bạn, là cả hai phương pháp đều có một vị trí và Everitt và có lẽ cả Gelman, tuyệt vời như chúng, trong trường hợp này là quá khó khăn.

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.