El tamaño del efecto de la interacción del efecto pre-post tratamiento-control de diseño

Question

Si usted elige para analizar un pre-post tratamiento-control de diseño con una continua variable dependiente mediante un ANOVA mixto, hay varias formas de cuantificar el efecto de estar en el grupo de tratamiento. El efecto de la interacción es uno de los principales opción.

En general, me gusta especialmente la de Cohen d tipo de medidas (es decir, ${\frac{\mu_1 - \mu_2}{\sigma}}$). No me gusta la varianza explicada de las medidas, ya que los resultados varían según irrelevante factores tales como la relación de tamaños de las muestras de los grupos.

Por lo tanto, yo 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 puede ser definida como $\frac{\Delta\mu_t - \Delta\mu_c}{\sigma}$

donde $c$ se refiere a control, $t$ a de tratamiento, y 1 y 2 de la pre y post respectivamente. $\sigma$ podría ser que el conjunto de la desviación estándar en el momento 1.

Preguntas:

• Es apropiado para la etiqueta de este tamaño del efecto de medida d?
• ¿Este enfoque parece razonable?
• Lo que es una práctica estándar para el tamaño del efecto de las medidas para este tipo de diseños?

Answer 1

Sí, lo que estás sugiriendo es exactamente lo que ha sido sugerido en la literatura. Véase, por ejemplo: Morris, S. B. (2008). La estimación de los tamaños del efecto de pretest-posttest grupo de control de los diseños. Organizacional Métodos de Investigación, 11(2), 364-386 (enlace, pero, por desgracia, no de acceso libre). El artículo también describe los diferentes métodos para la estimación de este tamaño del efecto de la medida. Puede utilizar la letra "d" para indicar el tamaño del efecto, pero que sin duda debe dar una explicación de lo que calcula (de lo contrario, los lectores probablemente suponga que usted calculó la diferencia de medias estandarizada sólo para el post-test scores).

Answer 2

Creo que generalizar eta-cuadrado (Olejnik Y Algena, 2003; Bakeman, 2005) proporciona una solución razonable para la cuantificación de la magnitud del efecto que se generaliza entre las Ss y dentro de las Ss diseños. Si yo leo las referencias correctamente, la generalización de la eta-cuadrado también debe generalizar a través de los tamaños de muestra.

Generalizada de eta-cuadrado es calculado automáticamente por el ezANOVA() en función de la ez paquete para R.