3.2 Multilevel analyse vs repeated measure ANOVA

Question 1

Herhaaldelijke metingen (repeated measures) variantieanalyse (RM-ANOVA) wordt van oudsher gebruikt voor de analyse van onderzoeksopzetten met herhaalde metingen. Het schenden van de veronderstellingen van RM-ANOVA kan echter problematisch zijn. Een populaire analysetechniek, genaamd multilevelanalyse (MLA), wordt tegenwoordig vaak gebruikt voor analyses van herhaalde metingen omdat het een alternatieve benadering biedt voor het analyseren van dit type gegevens. Deze benadering kent verschillende voordelen ten opzichte van RM-ANOVA, die hieronder worden besproken.

Welke 6 verschillen zijn er?

Answer 1

1. MLA heeft minder strikte veronderstellingen.
2. MLA maakt een hiërarchische structuur mogelijk.
3. MLA kan ontbrekende gegevens verwerken.
4. MLA kan ook gegevens verwerken waarin er variatie is in de exacte timing van de gegevensverzameling.
5. Zowel RM-ANOVA als MLA veronderstelt dat de afhankelijke variabele continu is, en gemeten op een interval- of ratioschaal en dat de residuen normaal verdeeld zijn. r zijn echter ook gegeneraliseerde lineaire modellen voor andere typen afhankelijke variabelen, zoals categorische, ordinale, discrete tellingen. Voor een van deze uitkomsten is ANOVA geen optie. Er is dus geen RM-ANOVA-equivalent voor ‘count’- of logistische regressiemodellen. MLA kan wel met dit soort data omgaan.
6. In tegenstelling tot MLA werkt RM-ANOVA niet goed wanneer de onderzoeksopzet niet gebalanceerd is, een situatie die in de praktijk zeer vaak voorkomt.

Question 2

In welke gevallen leveren RM-ANOVA en MLA waarschijnlijk identieke resultaten? 2x

Answer 2

Als het ontwerp heel eenvoudig is en er zijn geen ontbrekende gegevens.

Bijvoorbeeld, een pre-post ontwerp (met slechts twee herhalingen) of een experiment met een enkele ‘between-subjects’-factor en een enkele ‘within-subjects’-factor. Als dat het geval is, is RM-ANOVA meestal prima. De flexibiliteit van MLA-modellen wordt belangrijker naarmate het onderzoeksontwerp gecompliceerder in elkaar steekt of wanneer er (veel) ontbrekende waarden zijn.

Question 3

In welke zin heeft MLA minder strikte veronderstellingen?

Answer 3

MLA kan worden gebruikt als de veronderstellingen van constante varianties (homogeniteit van de varianties of homoscedasticiteit), constante covarianties (compound symmetry) of constante varianties van de verschilscores (sphericity) worden geschonden voor RM-ANOVA. MLA maakt modellering van de variantie-covariantiematrix van dergelijke data mogelijk; dus, in tegenstelling tot RM-ANOVA, zijn deze aannames niet noodzakelijk.

Question 4

In welke zin maakt MLA een hiërarchische structuur mogelijk?

Answer 4

MLA kan worden gebruikt als de veronderstellingen van constante varianties (homogeniteit van de varianties of homoscedasticiteit), constante covarianties (compound symmetry) of constante varianties van de verschilscores (sphericity) worden geschonden voor RM-ANOVA. MLA maakt modellering van de variantie-covariantiematrix van dergelijke data mogelijk; dus, in tegenstelling tot RM-ANOVA, zijn deze aannames niet noodzakelijk.

Question 5

In welke zin kan MLA ontbrekende gegevens verwerken?

Answer 5

ntbrekende gegevens zijn toegestaan in MLA zonder extra complicaties te veroorzaken. Met RM-ANOVA moeten gegevens van proefpersonen worden uitgesloten als er één datapunt ontbreekt. Ontbrekende gegevens en pogingen om met ontbrekende gegevens om te gaan (bijvoorbeeld door de ontbrekende gegevens ‘toe te voegen’, gebruikmakend van het gemiddelde van de niet-ontbrekende gegevens van de persoon), kunnen extra problemen met RM-ANOVA veroorzaken.

Question 6

In welke zin kan MLA kan ook gegevens verwerken waarin er variatie is in de exacte timing van de gegevensverzameling?

Answer 6

De tijd tussen twee herhaalde metingen is bijvoorbeeld niet altijd hetzelfde. Gegevens voor een longitudinale studie kunnen bijvoorbeeld proberen metingen te verzamelen op de leeftijd van 6 maanden, 9 maanden, 12 maanden en 15 maanden. Deelnemersbeschikbaarheid, feestdagen en andere planningsproblemen kunnen echter leiden tot variatie in de momenten waarop gegevens feitelijk worden verzameld. Deze variabiliteit kan in MLA worden meegenomen in het voorspelmodel door ‘leeftijd’ toe te voegen aan de regressievergelijking. Het is ook niet noodzakelijk dat de intervallen tussen de meetpunten gelijk zijn in MLA.

Question 7

Wat is het stappenplan voor ANOVA?

Welke toevoeging is er bij ANCOVA?

Answer 7

1. Descriptives bekijken:
   - Outliers
   - Normaliteit
   - Gemiddelde
   - Boxplot
2. Model kiezen.
   ANOVA met correctie van outliers en normaliteit.
   - Mauchly óf Levene’s test > Greenhouse-Geisser óf Huynh-Feldt correctie
   - Multilevel model
3. Follow-up test:
   - Specifieke hypothese > planned comparisons
   - Geen hypothese > post-hoc test
4. Effectmaat berekenen:
   ANOVA met partiële η
   2 | F-waarde | p < 0.005

Bij een ANCOVA geldt dezelfde procedure. Met als toevoeging de assumptiechecks (o.a. regressielijn).