Làm cách nào để chọn giữa ANOVA và ANCOVA trong một thử nghiệm được thiết kế?

Tôi đang tiến hành một thí nghiệm có những điều sau đây:

DV: Tiêu thụ lát (liên tục hoặc có thể được phân loại)
IV: Tin nhắn lành mạnh, tin nhắn không lành mạnh, không có tin nhắn (kiểm soát) (3 nhóm trong đó mọi người được chỉ định ngẫu nhiên - phân loại) Đây là một thông điệp bị thao túng về sức khỏe của lát cắt.

Các IV sau đây có thể được coi là các biến số khác biệt:

Tính bốc đồng (điều này có thể được phân loại tức là cao so với thấp hoặc liên tục và được đo bằng thang đo)
Sở thích hương vị ngọt ngào (điều này cũng được đo bằng bảng câu hỏi là 3 tùy chọn để chọn cho mỗi câu hỏi)
BMI - người tham gia sẽ được cân đo phù hợp (điều này cũng có thể được coi là phân loại hoặc liên tục).

Vì các nhóm sẽ được phân ngẫu nhiên vào một trong 3 nhóm, tôi cho rằng tôi đang thực hiện ANOVA thuộc loại nào đó và có thể sử dụng FactOVA ANOVA vì tôi quan tâm đến việc IV ảnh hưởng đến DV nhiều nhất nhưng cũng là tương tác giữa các IV như nghiên cứu chỉ ra có mối quan hệ giữa một số kết hợp.

Nhưng tôi không hoàn toàn chắc chắn về điều này do cần phải biết liệu tốt nhất là có tất cả các loại IV hoặc liên tục hoặc hỗn hợp.

Hoặc ANCOVA là một khả năng hoặc thậm chí hồi quy nhưng tôi không chắc chắn về điều đó nếu chúng được chỉ định cho các nhóm sau đó được phân loại dựa trên câu trả lời của chúng cho các cuộc khảo sát.

Tôi hy vọng điều này có ý nghĩa và mong muốn được nghe từ ai đó về truy vấn của tôi.

— mobo
nguồn

Xin chào Melory, nghe có vẻ như một thử nghiệm thú vị. Đối với bạn IV, bạn có muốn biết làm thế nào mỗi cái có liên quan đến DVthang điểm liên tục hay bạn quan tâm nhiều hơn đến tác động của IVcác nhóm, ví dụ như những người thừa cân ăn nhiều lát hơn những người có cân nặng bình thường (đối với số BMIđo của bạn )?

— Michelle

Xin chào Michelle, cảm ơn ý kiến của bạn. Thành thật mà nói tôi vẫn đang ở giai đoạn phát triển và đang đi khắp nơi! Nhưng tôi có một mục tiêu dự kiến đó là: Mục đích chính của nghiên cứu hiện nay là nghiên cứu ảnh hưởng của niềm tin liên quan đến thực phẩm về sức khỏe của thực phẩm đối với lượng thức ăn thực tế. Ngoài ra, mục đích thứ yếu là khám phá mức độ tìm kiếm cảm giác, sở thích vị ngọt và BMI có thể điều chỉnh tác động của niềm tin liên quan đến thực phẩm đối với lượng thức ăn. '

— mobo

Xin chào lần nữa Michelle - chỉ cần thêm vào bình luận trước. Tuy nhiên, đã nói rằng tôi cũng quan tâm đến sự tương tác giữa một số IV vì nghiên cứu chỉ ra mối quan hệ tức là những người thừa cân có tương quan với tìm kiếm cảm giác. Điều đó có giúp gì cho việc tôi đang ở không? Tôi rất muốn nghe suy nghĩ của bạn. Cảm ơn.

— mobo

Xin chào Melory, tôi sẽ không thêm vào BMInhư một biện pháp liên tục và sẽ sử dụng các danh mục thiếu cân / bình thường / thừa cân / béo phì vì đó là câu hỏi nghiên cứu của bạn, không phải là liệu số lượng lát tăng lên khi tăngBMI điểm. Tôi sẽ thử các IVs khác như liên tục. Bạn sẽ xuất bản vì tôi sẽ quan tâm chuyên nghiệp đến bài viết của bạn?

— Michelle

Xin chào Michelle, cảm ơn vì điều này. Tôi sẽ tìm cách để xuất bản. Đây có phải là một lĩnh vực quan tâm cho bạn? Vì vậy, bạn đang nói rằng nó sẽ phù hợp để thực hiện ANOVA giai thừa, tôi nghĩ rằng tôi có thể có quá nhiều biến có thể đang cố gắng làm việc với.

— mobo

Như một thực tế của lịch sử, hồi quy và ANOVA được phát triển riêng, và, một phần do truyền thống, vẫn thường được dạy riêng. Ngoài ra, mọi người thường nghĩ ANOVA là phù hợp cho các thử nghiệm được thiết kế (nghĩa là thao tác gán biến / ngẫu nhiên) và hồi quy là phù hợp cho nghiên cứu quan sát (ví dụ: tải xuống dữ liệu từ trang web của chính phủ và tìm kiếm mối quan hệ). Tuy nhiên, tất cả những điều này là một chút sai lệch. Một ANOVA là một hồi quy, chỉ là một trong đó tất cả các hiệp phương sai là phân loại. Một ANCOVA làmột hồi quy với các biến số định tính và liên tục, nhưng không có các điều khoản tương tác giữa các yếu tố và các biến giải thích liên tục (nghĩa là "giả định độ dốc song song"). Về việc một nghiên cứu là thử nghiệm hay quan sát, điều này không liên quan đến chính phân tích.

Thí nghiệm của bạn nghe có vẻ tốt. Tôi sẽ phân tích điều này như một hồi quy (trong tâm trí của tôi, tôi có xu hướng gọi mọi thứ là hồi quy). Tôi sẽ bao gồm tất cả các đồng biến nếu bạn quan tâm đến chúng, và / hoặc nếu các lý thuyết bạn đang làm việc với đề xuất chúng có thể quan trọng. Nếu bạn nghĩ rằng tác động của một số biến có thể phụ thuộc vào các biến khác, hãy chắc chắn thêm vào tất cả các điều khoản tương tác cần thiết. Một điều cần lưu ý là mỗi biến giải thích (bao gồm các thuật ngữ tương tác!) Sẽ tiêu thụ một mức độ tự do, vì vậy hãy đảm bảo kích thước mẫu của bạn là đủ. Tôi sẽ không phân đôi, hoặc nói cách khác là phân loại bất kỳ biến liên tục nào của bạn (thật không may là thực tiễn này là phổ biến, đó thực sự là một điều xấu). Nếu không, có vẻ như bạn đang trên đường.

Cập nhật: Dường như có một số lo ngại ở đây về việc có hay không chuyển đổi các biến liên tục thành các biến chỉ với hai (hoặc nhiều) danh mục. Hãy để tôi giải quyết điều đó ở đây, chứ không phải trong một bình luận. Tôi sẽ giữ tất cả các biến của bạn là liên tục. Có một số lý do để tránh phân loại các biến liên tục:

Bằng cách phân loại, bạn sẽ ném thông tin đi - một số quan sát khác xa hơn so với đường phân chia và những thứ khác gần với nó hơn, nhưng chúng được đối xử như thể chúng giống nhau. Trong khoa học, mục tiêu của chúng tôi là thu thập thông tin ngày càng tốt hơn và tổ chức tốt hơn và tích hợp thông tin đó. Vứt bỏ thông tin chỉ đơn giản là phản đối với khoa học tốt trong quan điểm của tôi;
Bạn có xu hướng mất sức mạnh thống kê như @Florian chỉ ra (cảm ơn vì liên kết!);
Bạn mất khả năng phát hiện các mối quan hệ phi tuyến tính như @ rolando2 chỉ ra;
Điều gì sẽ xảy ra nếu ai đó đọc tác phẩm của bạn và tự hỏi điều gì sẽ xảy ra nếu chúng ta vẽ các danh mục b / t ở một nơi khác? (Ví dụ, hãy xem xét ví dụ BMI của bạn, điều gì sẽ xảy ra nếu người khác 10 năm sau, dựa trên những gì xảy ra trong tài liệu vào thời điểm đó, cũng muốn biết về những người thiếu cân và những người béo phì?) Họ chỉ đơn giản là không gặp may, nhưng nếu bạn giữ mọi thứ ở dạng ban đầu, mỗi người đọc có thể đánh giá sơ đồ phân loại ưa thích của riêng họ;
$X$ $\begin{aligned} X_{S p tôi Tôi n e} & = = 0 & nếu X \leq .7 \\ X_{S p tôi Tôi n e} & = = X - .7 & nếu X > .7 \end{aligned}$ $\begin{aligned} X_{spline} &= 0 &\text{if } X\le{.7} \\ X_{spline} &= X-.7 &\text{if } X>.7 \end{aligned}$ $X_{spline}$ $X$ biến . Đầu ra mô hình sẽ hiển thị mức giảm mạnh ở mức 0,7 và bạn có thể đánh giá xem điều này có giúp nâng cao hiểu biết của chúng tôi về dữ liệu hay không.

1 & 5 là quan trọng nhất, theo ý kiến của tôi.

— gung - phục hồi Monica
nguồn

Chào gung. Cảm ơn rất nhiều về bình luận của bạn. Vì vậy, bạn sẽ sử dụng hồi quy và không có bất kỳ IV nào là phân loại? Tôi đã nghĩ rằng BMI có thể là thừa cân / béo phì hoặc bình thường; sở thích hương vị có thể loại và cũng để tìm kiếm cảm giác có thể được phân loại vì đó là tuyên bố đúng / sai sau đó sẽ cung cấp một số điểm mà sau đó có thể được phân loại. Nhưng bạn có thấy chúng là thực sự liên tục?

— mobo

Xin chào một lần nữa, đây là mục đích dự kiến của tôi cũng có thể cung cấp một số sự rõ ràng: Mục đích chính của nghiên cứu hiện tại là điều tra những ảnh hưởng của niềm tin liên quan đến thực phẩm về sức khỏe của thực phẩm đối với lượng thực phẩm. Ngoài ra, mục đích thứ yếu là khám phá mức độ tìm kiếm cảm giác, sở thích vị ngọt và BMI có thể điều chỉnh tác động của niềm tin liên quan đến thực phẩm đối với lượng thức ăn. Tôi rất muốn nghe suy nghĩ của bạn.

— mobo

Câu trả lời hay của @gung. Tôi sẽ thứ hai ý tưởng rằng lý tưởng là bạn duy trì các biến liên tục như hiện tại, vì điều đó sẽ cung cấp cho bạn nhiều thông tin nhất. Rất nhiều người cảm thấy khó khăn khi học cách kết hợp cả hai yếu tố dự đoán liên tục và phân loại, nhưng nó có thể trở nên đáng giá, cho nghiên cứu này hoặc cho tương lai. Và dù bạn có phân loại chúng hay không, hãy cố gắng tìm cách phát hiện ra bất kỳ mối quan hệ phi tuyến nào có thể tồn tại - có thể là hình chữ U, hoặc hình chữ U lộn ngược, hoặc J- hoặc ngược lại J. Điều này có thể làm phong phú thêm nghiên cứu của bạn.

— rolando2

Có +1 cho câu trả lời của gung! Biến các biến liên tục không bao giờ là một ý tưởng tốt bởi vì, ví dụ, mất quyền lực (ví dụ: bài báo nổi tiếng của Jacob Cohen uns.edu/~rcm/psy282/cohen.1983.pdf ). Để xử lý "thông điệp" IV của bạn trong phân tích hồi quy, tôi sẽ khuyên bạn nên sử dụng mã tương phản để kiểm tra hiệu quả của nó (và các tương tác liên quan đến IV này), xem ví dụ Judd, CM, & McClelland, GH, Ryan, C. (2008 ). Phân tích dữ liệu: Một cách tiếp cận so sánh mô hình (tái bản lần 2). New York: Báo chí Routledge.

— Florian

Xin chào rolando2, cảm ơn rất nhiều vì phản hồi của bạn. Bạn nói đúng rằng tôi cảm thấy khó có thể kết hợp cả hai biến phân loại và biến liên tục, điều này khiến tôi khó xác định phân tích nào sẽ sử dụng. Mục đích dự kiến của tôi là: Mục đích chính của nghiên cứu hiện tại là nghiên cứu ảnh hưởng của niềm tin liên quan đến thực phẩm về sức khỏe của thực phẩm đối với lượng thức ăn thực tế. Ngoài ra, mục đích thứ yếu là khám phá mức độ tìm kiếm cảm giác, sở thích vị ngọt và BMI có thể điều chỉnh tác động của niềm tin liên quan đến thực phẩm đối với lượng thức ăn. ' Suy nghĩ về điều này?

— mobo