Grundlinienunterschiede in der RCT: Welche Variablen (falls vorhanden) sollten als Kovariaten aufgenommen werden?

Ich habe kürzlich eine Studie abgeschlossen, in der ich die Teilnehmer zufällig einer von zwei Behandlungsgruppen zugeordnet habe. Ich habe die Teilnehmer zu Studienbeginn, unmittelbar nach der Intervention, 1 Monat und 4 Monate an einer ziemlich großen Anzahl von Ergebnisvariablen getestet. Ich hatte vor, mehrere gemischte ANOVAs durchzuführen, um die Interaktionen zwischen Gruppe und Zeit zu untersuchen. Einige der Vergleiche sind 2 (Gruppe) x 2 (Zeit: Basislinie und nach der Intervention) Vergleiche und einige sind 2 (Gruppe) x 3 (Zeit: Basislinie, 1 Monat, 4 Monate) Vergleiche.

Bevor ich mit meinen Analysen begann, verglich ich die beiden Behandlungsgruppen mit allen Basisvariablen. Ich habe festgestellt, dass sich die Gruppen bei 4 Basisvariablen unterscheiden, wenn ich eine Alpha-Ebene von 0,05 oder 2 Basisvariablen verwende, wenn ich eine Alpha-Ebene von 0,01 verwende, um die Gruppen zu vergleichen.

Ich habe zwei Fragen dazu:

1. Welches Alpha-Level sollte ich verwenden, um die Gruppen zu Studienbeginn zu vergleichen? Ich dachte an ein Alpha-Niveau von 0,01, weil ich die beiden Gruppen anhand von 24 Grundlinienmerkmalen vergleiche, und ich dachte, ich sollte ein strengeres Alpha-Niveau als 0,05 wählen, um die familienbezogene Fehlerrate zu reduzieren, da eine große Anzahl von Tests durchgeführt wird durchgeführt, aber aus meinen Lesungen scheint es, dass die meisten Leute .05 verwenden. Was empfehlen Sie?

2. Was mache ich gegen diese Unterschiede? Ich könnte diese Variablen als Kovariaten einschließen, aber meine Stichprobengröße ist recht klein und die Verwendung von 4 Kovariaten erscheint nicht angemessen (was teilweise auch der Grund ist, warum ich es vorziehe, Unterschiede nur zu akzeptieren, wenn sie auf der Ebene von 0,05 signifikant sind).

Jede Hilfe hierzu wäre sehr dankbar!

Wie Stephen Senn geschrieben hat, ist es nicht angebracht, die Basisverteilungen in einer randomisierten Studie zu vergleichen. Ich spreche gerne darüber, indem ich die Frage stelle: "Wo hörst du auf?", Dh wie viele andere Basiskovariaten solltest du zurückgehen und versuchen, sie abzurufen? Sie werden ausgleichende Kovariaten finden, wenn Sie genau hinsehen.

Die Grundlage für die Auswahl eines Modells sind nicht post-hoc-Unterschiede, sondern das a priori-Fachwissen darüber, welche Variablen wahrscheinlich wichtige Prädiktoren für die Antwortvariable sind. Die Basisversion der Antwortvariablen ist sicherlich ein dominierender Prädiktor, aber es gibt andere, die wahrscheinlich wichtig sind. Ziel ist es, erklärbare Heterogenitäten im Ergebnis zu erklären, um Präzision und Leistung zu maximieren. Statistische Signifikanztests spielen bei der Modellformulierung kaum eine Rolle.

Ein vorgegebenes Modell berücksichtigt zufällige Unterschiede bei den Variablen, die wichtig sind - denjenigen, die das Ergebnis vorhersagen.

Normalerweise sollten Sie beim Vergleich der beiden Gruppen zu Studienbeginn weniger statistische Signifikanz der Unterschiede als vielmehr die Größe der Unterschiede berücksichtigen: Ist einer dieser Unterschiede groß genug, um für die Studie von Bedeutung zu sein? Groß genug, um die Gruppenvergleiche und variablen Beziehungen zu beeinflussen, die im Mittelpunkt der Forschung stehen? Groß genug, dass eine Anpassung (durch Verwendung als Kovariate) erforderlich ist?

Ihr Fall ist insofern ein wenig interessant, als Sie selbst bei zufälliger Zuordnung 4 von 24 Variablen haben, die signifikante Unterschiede auf der Ebene von 0,05 aufweisen (17% anstelle der erwarteten 5%). Dies scheint für Ihren Randomisierungsprozess oder einen anderen Aspekt der Studie von Belang zu sein. Wenn die Randomisierung jedoch fehlerfrei durchgeführt wurde und danach in keiner der Gruppen Abrieb auftrat, sollte in 2,4% der Fälle ein Ergebnis dieses oder mehrerer Extreme auftreten, basierend auf 24! / (4! (24-4)!) ( 0,05 ^ 4) (0,95 ^ (24-4)). Das ist doch nicht wirklich so selten. Was Sie haben, könnte eine Reihe von zufälligen Unterschieden sein. Ich würde mich daran halten, anhand der Größe der Unterschiede zu urteilen.

+1 bis @FrankHarrell. Ich könnte einen kleinen Punkt hinzufügen. Wenn Sie Ihre Teilnehmer zufällig den Gruppen zugeordnet haben, sind alle "signifikanten" Unterschiede in den kovariaten Werten vor der Intervention notwendigerweise Fehler vom Typ I.