Adviseren over onderzoeksmethoden: Het meten en analyseren van verandering

Transcriptie

1 Adviseren over onderzoeksmethoden: Het meten en analyseren van verandering 26 november 2004 Definition Bij variantie-analyse noemt men een factor met een vast aantal categoriën een fixed effect. Een factor waarbij de categoriën een random trekking zijn uit een populatie, heet een random effect. Fixed and Random effects: Fixed: Sexe, opleidings-niveau, burgerlijke staat Random: Patiënt/subject in een steekproef, tijdspunten van de herhaalde metingen Pre-post designs. In dit soort designs is er in ieder geval een vooren een nameting. Bovendien kunnen er enkele follow-up metingen zijn. Designs met herhaalde metingen: Dezelfde meting is herhaald verzameld over de tijd. Tijdreeksen: een tijdreeks is een profiel van één unit. Hierbij wordt aangenomen dat tijd een random effect is. Longitudinal designs: Met een longitudinaal design is men in staat verandering te analyseren. Hierbij zijn de units (patiënten, respondenten) een random trekking uit een populatie.

2 Voorbeelden Pre-post design: Een clinical trial met een treatment en een controle groep en een follow-up meting na zes maanden en een na een jaar. Design met herhaalde metingen: Pijnmetingen met behulp van een VAS schaal die na een operatie om de vier uur door de patiënt worden geregistreerd. Tijdreeksen: Dagelijkse metingen van de hoeveelheid neerslag op één plaats in Nederland. Longitudinal designs: Bloeddrukmetingen van patiënten op een afdeling in een ziekenhuis. Kortom: Er gaat niets boven een plaatje van het verloop van de meetwaarden over de tijd. Vragen die vaak voorkomen bij de analyse van veranderingsprocessen: Verbetert de score in de loop van de tijd? Algemener: wat is het profiel van de score? (i) per patient; (ii) binnen elke behandelingsgroep; (iii) voor de hele steekproef. Bereiken de scores na verloop van tijd een vaste waarde (plateau)? Zijn er bodem en/of plafond effecten? Hoe snel wordt een bepaalde drempelwaarde bereikt?

3 Exercise 9.1: Change in groups versus change in individuals 1 Explain how it can occur that, computing means of reading scores of three different age groups (7, 9 and 11 year of age), the groups mean seems to decrease over time, while for each child individually, the reading score increases. 2 Construct a data set of 9 children for which this is the case. Exercise CHAPTER 9. LONGITUDINAL DESIGNS seven nine eleven Figure 9.2: Data set demonstrating the ecological fallacy. The means are 9.38, 9.33, 9.25 for the three age groups respectively. De consequentie is, dat alleen onder strikte voorwaarden van ergodiciteit (Molenaar, 1999) het gemiddelde verloop over de tijd samenhangt met het verloop over de tijd (de tijdreeks) van één unit.

4 Hoofdstuk 9 behandelt drie manieren om longitudinale ( = repeated measurements) data te analyseren: Univariate variantie analyse (beperkte vorm van covariantie-matrix) Multivariate variantie analyse (willekeurige covariantie-matrix) Regressie-analyse (aan de covariantie-matrix kunnen beperkingen worden opgelegd). Voordelen van de regressie benadering Vrij in de keuze van de variantie-covariantie matrix van de afhankelijke variabele. Geen eis van balancering. Missings mogen voorkomen voor sommige tijdspunten Diagnostics Hoewel bij regressie-analyse eisen worden opgelegd aan de residuën, speelt bij herhaalde metingen de correlatie-matrix van de metingen een belangrijke rol. Daarom zijn de eisen aan de indiviuele variabelen strikter en moeten kwantitatieve variabelen normaal verdeeld zijn. Exercise 9.9: Time (in-)dependence of covariates Give an example of a study in which both-time dependent and time-independent covariates are present. Time (in-)dependent covariates

5 Suggesties voor het gebruik van longitudinale technieken: 1 Voer de analyses eerst uit met GLM of MANOVA (SPSS) met de tijdsonafhankelijke covariaten. (Dit kan alleen op de complete cases). 2 Wanneer er ook tijdsafhankelijke covariaten zijn, doe dan MANOVA in SPSS met univariate en step-down toetsen. 3 Doe multilevel analyse (of GEE) op de relevante modellen GLM: repeated measures with covariates GLM bmdacesd bmdbcesd bmdccesd BY sex WITH age /WSFACTOR = wave 3 Polynomial /METHOD = SSTYPE(3) /CRITERIA = ALPHA(.05) /WSDESIGN = wave /DESIGN = age sex. GLM: repeated measures with covariates manova bmdapain bmdbpain bmdcpain bmdacesd bmdbcesd bmdccesd BY sex(1,2) /WSFACTORS = wave(3) /TRANSFORM=Polynomial /WSDESIGN = wave(1) wave(2) wave(3) /print signif(univ averf stepdown) /DESIGN. Multilevel modellen Multilevel modellen maken het mogelijk een patiënt profiel uiteen te leggen in een groeps profiel, het verwachte patiënt profiel en het waargenomen patiënt profiel. Kwalificaties van profielen: (Crowder & Hand, 1990) Group mean profile: an immutable constant of the Universe Mean subject profile: a lasting characteristic of the individual Observed subject profile: a fleeting aberration of the moment.

6 Nomenclature Mean logistic parameter Modelling: See section: Remark Population averaged Curve of the mean response at each time point Subject specific Mean of individual curve s logistic parameters Mean curve & variance, correlation between measurements pa- Random location rameters Smaller parameter estimates, flatter curve Tabel: Different approaches to estimating the parameters of the logistic model. (Zie: Blossfeld & Rohwer, 2002) Survival analyse I II 1 Terminologie: verschillende designs. 2 Bij tijdreeksen is tijd de random factor, bij longitudinale designs, subject. 3 Bekijk plaatjes van de data! 4 De ecologische denkfout. Veranderingen binnen units leveren meestal geen informatie over veranderingen van de gemiddelden van een groep 5 Drie methoden voor het modelleren van verandering 6 Verschillende analyse-methoden worden op verschillende momenten tijdens de data analyse gebruikt 7 Multilevel modellen staan toe om profielen op verschillende niveaux te analyseren 8 Verschillen tussen GEE en Multilevel modelling 9 Blossfeld and Rohwer (2002) is een goed boek over event history analyse. Cox proportional hasard model staat er als bijzonder geval in.

7 Blossfeld, H., & Rohwer, G. (2002). Techniques of event history modeling. New approaches to Causal Analysis (second ed.). Mahwah (NJ) London: Lawrence Erlbaum Associates Inc. Crowder, M. J., & Hand, D. J. (1990). Analysis of repeated measures. London: Chapman and Hall. Molenaar, P. C. M. (1999). Longitudinal analysis. In H. J. Adèr & G. J. Mellenbergh (Eds.), Research methodology in the social, behavioural & life sciences (pp ). London: Sage. Snijders, T. A. B., & Bosker, R. J. (1999). Multilevel analysis. An introduction to basic and advanced multilevel modeling. London Thousand Oaks New Delhi: SAGE Publications Ltd. Twisk, J. W. R. (2003). Applied Longitudinal Data Analysis for Epidemiology. A Practical Guide. Cambridge, UK: Cambridge University Press..