Wie wählt man in einem geplanten Experiment zwischen ANOVA und ANCOVA?

Ich führe ein Experiment durch, das Folgendes beinhaltet:

• DV: Scheibenverbrauch (kontinuierlich oder kategorisch)

• IV: Gesunde Nachricht, ungesunde Nachricht, keine Nachricht (Kontrolle) (3 Gruppen, denen zufällig Personen zugewiesen werden - kategorisch) Dies ist eine manipulierte Nachricht über die Gesundheit des Slice.

Die folgenden IVs können als individuelle Differenzvariablen betrachtet werden:

• Impulsivität (dies kann kategorisch sein, dh hoch gegen niedrig oder kontinuierlich und wird anhand einer Skala gemessen)

• Süße Geschmackspräferenz (dies wird auch anhand eines Fragebogens gemessen, bei dem für jede Frage drei Optionen zur Auswahl stehen)

• BMI - Teilnehmer werden entsprechend gewogen (dies kann auch als kategorisch oder kontinuierlich angesehen werden).

Da die Gruppen nach dem Zufallsprinzip einer von drei Gruppen zugeordnet werden, gehe ich davon aus, dass ich eine Art ANOVA durchführe und möglicherweise eine faktorielle ANOVA verwende, da ich daran interessiert bin, welche IV die DV am meisten beeinflusst, aber auch die Wechselwirkungen zwischen den IVs, wie Untersuchungen zeigen dass es Beziehungen zwischen einigen Kombinationen gibt.

Ich bin mir jedoch nicht ganz sicher, da ich wissen muss, ob es am besten ist, wenn die IVs alle kategorisch oder kontinuierlich oder gemischt sind.

Oder ist ANCOVA eine Möglichkeit oder sogar eine Regression, aber ich bin mir nicht sicher, ob sie Gruppen zugeordnet und dann anhand ihrer Antworten auf Umfragen kategorisiert werden.

Ich hoffe, dass dies sinnvoll ist, und freue mich darauf, von jemandem über meine Anfrage zu hören.

In der Geschichte haben sich Regression und ANOVA getrennt entwickelt und werden zum Teil aufgrund der Tradition immer noch oft getrennt unterrichtet. Darüber hinaus wird ANOVA häufig als geeignet für geplante Experimente (dh die Manipulation einer Variablen- / Zufallszuordnung) und Regression als geeignet für Beobachtungsforschung (z. B. Herunterladen von Daten von einer Regierungswebsite und Suchen nach Beziehungen) angesehen. All dies ist jedoch etwas irreführend. Eine ANOVA ist eine Regression, bei der alle Kovariaten kategorisch sind. Eine ANCOVA isteine Regression mit qualitativen und stetigen Kovariaten, jedoch ohne Wechselwirkungsterme zwischen den Faktoren und den stetigen erklärenden Variablen (dh die sogenannte "Annahme paralleler Steigungen"). Ob eine Studie experimentell oder beobachtend ist, hängt nicht mit der Analyse selbst zusammen.

Dein Experiment klingt gut. Ich würde dies als Regression analysieren (in meinen Augen neige ich dazu, alles als Regression zu bezeichnen). Ich würde alle Kovariaten einbeziehen, wenn Sie an ihnen interessiert sind und / oder wenn die Theorien, mit denen Sie arbeiten, darauf hindeuten, dass sie wichtig sein könnten. Wenn Sie der Meinung sind, dass die Wirkung einiger Variablen von anderen Variablen abhängt, müssen Sie alle erforderlichen Interaktionsbegriffe hinzufügen. Beachten Sie, dass jede erklärende Variable (einschließlich der Interaktionsbegriffe!) Einen gewissen Freiheitsgrad beansprucht. Stellen Sie daher sicher, dass Ihre Stichprobengröße angemessen ist. Ich würde keine Ihrer stetigen Variablen dichotomisieren oder auf andere Weise kategorisieren (es ist bedauerlich, dass diese Praxis weit verbreitet ist, es ist wirklich eine schlechte Sache). Ansonsten hört es sich so an, als ob Sie auf dem Weg sind.

Update: Hier scheint es Bedenken zu geben, ob kontinuierliche Variablen in Variablen mit nur zwei (oder mehr) Kategorien konvertiert werden sollen. Lassen Sie mich das hier und nicht in einem Kommentar ansprechen. Ich würde alle Ihre Variablen als kontinuierlich halten. Es gibt mehrere Gründe, um die Kategorisierung kontinuierlicher Variablen zu vermeiden:

1. Durch Kategorisieren würden Sie Informationen wegwerfen - einige Beobachtungen sind weiter von der Trennlinie entfernt und andere sind näher dran, aber sie werden so behandelt, als wären sie gleich. In der Wissenschaft ist es unser Ziel, mehr und bessere Informationen zu sammeln und diese Informationen besser zu organisieren und zu integrieren. Informationen wegzuwerfen widerspricht meiner Meinung nach einfach der guten Wissenschaft;
2. Sie neigen dazu, die statistische Leistung zu verlieren, wie @Florian betont (danke für den Link!);
3. Sie verlieren die Fähigkeit, nichtlineare Beziehungen zu erkennen, wie @ rolando2 hervorhebt.
4. Was ist, wenn jemand Ihre Arbeit liest und sich fragt, was passieren würde, wenn wir die Linie B / T-Kategorien an einer anderen Stelle zeichnen würden? (Betrachten Sie zum Beispiel Ihr BMI-Beispiel: Was wäre, wenn jemand in 10 Jahren, basierend auf dem aktuellen Stand der Literatur, auch über untergewichtige und krankhaft fettleibige Menschen Bescheid wissen möchte?) Pech gehabt, aber wenn Sie alles in seiner ursprünglichen Form behalten, kann jeder Leser sein eigenes bevorzugtes Kategorisierungsschema bewerten.
5. In der Natur gibt es selten „helle Linien“. Wenn Sie also eine Kategorisierung vornehmen, können Sie die untersuchte Situation nicht so wiedergeben, wie sie wirklich ist. Wenn Sie befürchten, dass es aus a priori theoretischen Gründen zu einem bestimmten Zeitpunkt tatsächlich eine helle Linie gibt, können Sie einen Spline einsetzen, um dies zu bewerten. Stellen Sie sich eine Variable vor, , die von 0 bis 1 reicht, und Sie denken, die Beziehung zwischen dieser Variablen und einer Antwortvariablen ändert sich plötzlich und grundlegend bei 0,7. Dann erstellen Sie eine neue Variable (Spline genannt) wie folgt: dann Fügen Sie diese neue -Variable zusätzlich zu Ihrem ursprünglichen zu Ihrem Modell hinzu$X$ $$\begin{aligned} X_{spline} &= 0 &\text{if } X\le{.7} \\ X_{spline} &= X-.7 &\text{if } X>.7 \end{aligned}$$ $X_{spline}$$X$Variable. Die Modellausgabe weist bei 0,7 einen scharfen Bruch auf, und Sie können beurteilen, ob dies unser Verständnis der Daten verbessert.

1 & 5 sind meiner Meinung nach die wichtigsten.