Wie soll ich Experimente mit individuellen Unterschieden mit wiederholten Messungen analysieren?

Ich mache quasi-experimentelle Psychologieforschung zu individuellen Unterschieden. Ich untersuche, wie Menschen, die sich in einer kognitiven Fähigkeit (die ich messe) unterscheiden, eine andere Aufgabe ausführen, die immer mindestens Manipulationen innerhalb des Subjekts (und manchmal zwischen Subjekten) beinhaltet. DVs sind normalerweise Reaktionszeit und / oder Genauigkeit. Bei dieser Frage möchte ich mich auf die Antwortzeiten konzentrieren (nehmen wir an, dass sie normal verteilt sind). Ich schließe dann aus den Fähigkeits-Aufgaben-Beziehungen, was es theoretisch für die kognitive Fähigkeit bedeutet. Die Art dieser Arbeit ist korrelativ und beinhaltet wiederholte Maßnahmen, bei denen jedes Fach viele Aufgabenversuche abschließt (meistens bin ich nicht an Änderungen im Laufe der Zeit interessiert, nur an dem Gesamtunterschied).

Forscher auf meinem Gebiet erstellen häufig kategoriale Variablen aus den kognitiven Fähigkeitsbewertungen und vergleichen das obere und untere Quartil der Verteilung mit einer ANOVA mit wiederholten Messungen. Da die kognitiven Fähigkeiten kontinuierlich gemessen werden, suche ich nach einer Analysestrategie, die die kognitiven Fähigkeiten auf diese Weise behandelt. Ich habe kürzlich gemischte Modelle untersucht und gedacht, dass ich die Personen als eine Gruppierungsvariable mit zufälligen Effekten und den kognitiven Fähigkeitswert als zufälligen Effekt behandeln kann, der in Personen verschachtelt ist. Ich möchte die Wechselwirkungen zwischen diesem verschachtelten Zufallseffekt (kognitive Fähigkeit) und den festen Effekten der experimentellen Behandlungen durch Modellvergleiche untersuchen.

Scheint dies eine vernünftige Analysestrategie zu sein? Denke ich darüber nach richtig? Auf welche andere Weise (je einfacher, desto besser) kann ich wiederholte Messungen nutzen - die experimentelle Subjektvarianz entfernen - und gleichzeitig die Messung der kognitiven Fähigkeiten als kontinuierliche Messung beibehalten? Alle Zitate oder Beispiele in R sind willkommen.

In einem typischen Experiment würde ich erwarten, dass es 1-3 kategoriale IVs mit 2-4 Niveaus (gemessen durch mehrere Versuche) und 1 kontinuierliche IV (kognitive Fähigkeit) gibt. Die genaue Art der kategorialen Variablen ändert sich von Studie zu Studie. Die Designs sind vollständig gekreuzt.

repeated-measures

— Matt
quelle

Es scheint, dass Sie auf dem richtigen Weg sind, aber Sie möchten vielleicht die Interaktion zwischen kognitiven Fähigkeiten und Ihren anderen Prädiktoren untersuchen.

— John

@ John genau das möchte ich tun. Schlagen Sie vor, dass ich das mit gemischten Modellen nicht kann?

— Matt

überhaupt nicht ... Ich schlage vor, dass Sie eine Interaktion zwischen kognitiven Fähigkeiten und Ihren anderen Prädiktoren finden möchten. Sie müssen sie lediglich dem Modell hinzufügen.

— John

Ich denke, es wäre großartig, wenn Sie ein paar Beispiele für die genaue Natur der unabhängigen Variablen liefern könnten (dh wie viele Faktoren und wie viele Ebenen). Ich denke, Sie können mit traditionellem GLM ziemlich weit kommen, abhängig von der genauen Art Ihrer Designs.

— Henrik

@Matt Wenn Sie zwei Ebenen für eine Variable innerhalb des Betreffs haben, können Sie die Differenz als dv verwenden (Sie müssen keine Modelle mit wiederholten Messungen verwenden). Die gleiche Logik gilt, wenn Sie zwei zweistufige Variablen haben. Die Interaktion ist der Unterschied der Unterschiede (Vermeidung von Modellen mit wiederholten Messungen). Wenn jedoch eine Ihrer internen Variablen mehr als zwei Ebenen hat, funktioniert dieser Ansatz nicht mehr, sondern Sie müssen mehrstufig arbeiten. Ich empfehle Ihnen, die Sonderausgabe des Journal of Memory and Language zu lesen, auf die in der Antwort von chl Bezug genommen wird: J. Mem. Sprache, 2008 59 (4): Emerging Data Analysis

— Henrik

Es gab bereits einige nützliche Kommentare, die wahrscheinlich auf einige Aktualisierungen in der Frage warten, daher werde ich nur einige allgemeine Online-Referenzen löschen:

Praktische Datenanalyse für die Sprachwissenschaften mit R , Baayen (2008)
Kategoriale Datenanalyse: Weg von ANOVAs (Transformation oder nicht) und hin zu logit-gemischten Modellen , Jaeger (J. Mem. Language 2008 59 (4))

Beispiele für die Verwendung von R finden sich im Projekt lme4 - Mixed-Effects-Modelle von Doug Bates .

— chl
quelle