¿Cómo debo analizar los experimentos de diferencias individuales de medidas repetidas?

8

Realizo investigación de psicología de diferencias individuales cuasi-experimental. Examino cómo las personas que difieren en una capacidad cognitiva (que yo mido) realizan en otra tarea que siempre implica al menos manipulaciones dentro del sujeto (y a veces entre sujetos): los VD suelen ser tiempo de respuesta y / o precisión. Para esta pregunta, me gustaría centrarme en los tiempos de respuesta (supongamos que normalmente se distribuyen). Luego deduzco de las relaciones capacidad-tarea lo que significa teóricamente para la capacidad cognitiva. La naturaleza de este trabajo es correlacional e implica medidas repetidas en las que cada sujeto completa muchas pruebas de tareas (en su mayoría no me interesan los cambios a lo largo del tiempo, solo la diferencia general).

Los investigadores en mi campo a menudo crean variables categóricas a partir de los puntajes de capacidad cognitiva y comparan los cuartiles superior e inferior de la distribución con un ANOVA de medidas repetidas. Debido a que la capacidad cognitiva se mide continuamente, estoy buscando una estrategia analítica que trate la capacidad cognitiva de esta manera. Recientemente he estado investigando modelos mixtos, pensando que puedo tratar a las personas como una variable de agrupación de efectos aleatorios y la puntuación de la capacidad cognitiva como un efecto aleatorio anidado dentro de las personas. Me gustaría examinar las interacciones entre este efecto aleatorio anidado (capacidad cognitiva) y los efectos fijos de los tratamientos experimentales mediante comparaciones de modelos.

¿Parece esto una estrategia analítica razonable? ¿Estoy pensando en esto, verdad? ¿De qué otras maneras (cuanto más simple, mejor) puedo aprovechar las medidas repetidas (eliminar la varianza del sujeto experimental) y al mismo tiempo mantener la capacidad cognitiva medida como una medida continua? Cualquier cita o ejemplo en R son apreciados.

En un experimento típico, esperaría que hubiera entre 1 y 4 IVs categóricos con 2-4 niveles (medidos por múltiples ensayos) y 1 IV continua (capacidad cognitiva). La naturaleza exacta de las variables categóricas cambia de un estudio a otro. Los diseños están completamente cruzados.

repeated-measures Mate
fuente
Parece que está en el camino correcto, pero es posible que desee ver la interacción entre la capacidad cognitiva y sus otros predictores.
John
@John eso es exactamente lo que quiero hacer. ¿Estás sugiriendo que no puedo hacer eso con modelos mixtos?
Matt
en absoluto ... Estoy sugiriendo que lo que quieres encontrar es una interacción entre la capacidad cognitiva y tus otros predictores. Todo lo que necesita hacer es agregarlos al modelo.
John
1
Creo que sería genial si pudiera proporcionar algunos ejemplos de la naturaleza exacta de las variables independientes (es decir, cuántos factores y cuántos niveles). Creo que puedes llegar bastante lejos con GLM tradicional dependiendo de la naturaleza exacta de tus diseños.
Henrik
2
@Matt Si tiene dos niveles en una variable de sujeto dentro, puede usar la diferencia como dv (no es necesario ir a modelos de medidas repetidas). La misma lógica se aplica si tiene dos variables de dos niveles dentro de las materias. La interacción es la diferencia de las diferencias (evitando modelos de medidas repetidas). Sin embargo, si una de sus variables internas tiene más de dos niveles, este enfoque ya no funciona, pero debe pasar a varios niveles. Le recomiendo que lea el número especial del Journal of Memory and Language mencionado en la respuesta de chl: J. Mem. Language, 2008 59 (4): Análisis de datos emergentes
Henrik

Respuestas:

6

Ya hubo algunos comentarios útiles, que probablemente estén esperando algunas actualizaciones en la pregunta, por lo que simplemente dejaré algunas referencias generales en línea:

Se pueden encontrar ejemplos usando R en lme4 - Proyecto de modelos de efectos mixtos de Doug Bates .

chl
fuente