Thema 6 Flashcards
Single-case design
Een design dat wordt gebruikt om verandering binnen een individu gedurende een bepaalde periode te bestuderen.
Het design is meestal experimenteel, waarbij de persoon zelf als zijn eigen controle fungeert.
Er vinden vele metingen plaats en op een gegeven moment ook een manipulatie/ interventie-> het is dus een herhaalde metingen design.
-> het is nuttig wanneer je verwacht dat veranderingen binnen een individu, afhankelijk zijn van kenmerken van het individu.
Op welke drie niveaus levert een single-case design informatie op?
- Beschrijvend (van het patroon).
- Correlationeel (samenhang).
- Causaliteit.
AB-design
Het eenvoudigste single-case design, bestaande uit twee fasen.
De eerste fase van opeenvolgende metingen (A) fungeert als de controle conditie en de tweede fase (B) als de (post-) interventie conditie.
-> het is breed toepasbaar en het bootst de gangbare praktijk na.
-> dit is pre-experimenteel, want de interne validiteit is niet hoog genoeg om causale conclusies te trekken.
omkeerbaarheid
Houdt in dat het gedrag terugvalt naar het startniveau wanneer de interventie wordt gestopt en dat de gedragsverandering weer zichtbaar is wanneer de interventie wordt hersteld.
-> Belangrijk om alternatieve verklaringen uit te sluiten.
-> dit zie je niet bij een AB-design, maar wel bij een ABA-design en een ABAB-design.
Wat zijn twee alternatieve manieren om van een AB-design een experimenteel design te maken (wanneer omkeerbaarheid niet mogelijk is)?
- Het herhalen van het AB-design binnen proefpersonen.
- Het AB-design bij meerdere deelnemers repliceren.
Effectgrootte
Beschrijven de sterkte van de associatie tussen variabelen. En dit maakt het mogelijk om interventies in verschillende omstandigheden met elkaar te vergelijken. Bijvoorbeeld cohen’s d.
Hoe kan de onzekerheid rond effectgroottes worden geschat?
Door het bereken van de betrouwbaarheidsintervallen voor een effectgrootte. Daarmee kan je een voorspelling doen over de grootte van dit effect in de populatie.
risk of bias in N-of-1 trials
Een schaal om de methodologische kwaliteit van single-case design te beoordelen. Het bevat 15 items.
Single-case reporting guideline in behavioural interventions (SCRIBE)
Richtlijnen voor de rapportage van SCD-onderzoek.
PND
percentage of non-overlapping data
Randomisatietoets
Berekend in essentie de PND voor alle mogelijke splitsingen tussen fasen A en B, gegeven de volgorde van de data. De resultaten worden vervolgens geordend en er wordt gekeken naar hoeveel procent van de PND-waarden groter zijn dan die van de oorspronkelijk gedefinieerde fase A en B.
-> lage waarde= nulhypothese verwerpen.
Zijn factoriele ANOVA en variantieanalyse between- of within- subject designs?
Between-subject designs
Zijn herhaalde metingen designs between- of within-subject designs?
Within-subject designs. Waarbij de afhankelijke variabele meerdere keren wordt gemeten. Herhaalde metingen kunnen ook gaan over verschillende condities die een proefpersoon doorloopt (er wordt dus niet per definitie telkens hetzelfde gemeten).
mixed-design
Wanneer within- en between-subject designs worden gecombineerd.
Wat is een voordeel van een within-subject design?
Storende invloeden, die verschillen tussen personen veroorzaken, worden onder controle gehouden (deze zijn constant voor dit persoon).
Wat is een nadeel van een within-subject design?
Veel onderzoeksvragen kunnen niet herhaaldelijk bij dezelfde subjecten worden toegepast.
Wat is een risico in herhaalde-metingen designs?
De interne validiteit kan bedreigd worden doordat erg op elkaar lijkende experimentele observaties zich herhalen.
-> Er kan een leereffect ontstaan, die de waardes beïnvloed.
Door bijvoorbeeld het handelen naar opgedane kennis, maar denk ook aan vermoeidheid.
-> Hoe voorkom je dit risico? counterbalancing.
counterbalancing
Wanneer de experimentele condities in verschillende volgorden worden aangeboden.
In welke vier stappen vindt de analyse van counterbalanced-herhaalde metingen designs plaats?
- De analyse begint met het toetsen of er volgorde effecten waren.
- Dikwijls start dat de analyse als een mixed-design ANOVA, dus een analyse waar ‘volgorde’ als een between-subject variabele aan de analyse is toegevoegd.
- Als dan blijkt dat volgorde geen factor van belang is, dan wordt meestal besloten volgorde als factor uit de analyse te verwijderen.
Indien volgorde wel van belang is, dan wordt de factor (en eventuele interacties met volgorde) in het model gehouden. - In een discussiesectie wordt vervolgens gereflecteerd op hoe volgorde-effecten de interne validiteit van het design bedreigd hebben en wat dit betekent voor de conclusies op basis van de resultaten.
Wat is het grote voordeel van herhaalde metingen ANOVA’s?
Net als alle ANOVA’s werkt een herhaalde metingen ANOVA door het opdelen van soorten meetfout (error). Het grote voordeel van herhaalde metingen ANOVA’s is dat ze individuele verschillen goed uit de meetfout kunnen trekken.
F-waarde
De verhouding tussen ruis en signaal.
Wat deel je door elkaar als je de F-waarde van een between-subject design moet weten?
F= (variantie van de groepsgemiddelden/ gemiddelde van de varianties binnen groepen)
Wat zijn 2 manieren waarop je herhaalde meting (de within-subject factor) kan bekijken?
- Er is een verschil binnen proefpersonen (gemiddelde individuele verschil).
- De gemiddelde per conditie kunnen met elkaar vergeleken worden, alsof het verschillende groepen zijn.
In welke drie groepen wordt in een herhaalde metingen ANOVA de meetfout opgeknipt?
- In een individuele verschillen deel (within-subject).
- In een gemiddeld verschil deel (between-subjects).
- In een gemiddeld verschil deel (between-subjects)-> en uiteindelijk in een residuele meetfoutdeel (error).
Wat is een complicatie van herhaalde-metingen designs bij het lineaire model?
Bij een ‘gewoon’ lineair model is de aanname dat de metingen onafhankelijk zijn van elkaar. De metingen bij een herhaalde-metingen-ANOVA zijn echter afhankelijk van elkaar, omdat de afhankelijke variabele meerdere keren wordt gemeten bij elk persoon.
-> Het lineaire model kan voor herhaalde-metingen ANOVA wel worden gebruikt, maar met een andere techniek dan regressieanalyse. Deze techniek heet de multilevel analyse.
Wat is het voordeel van RM-anova ten opzichte van de multilevel analyse?
Het voordeel van RM-anova boven de multilevel analyse is dat het eenvoudiger is en dat veel in de literatuur beschreven analyses op dit type designs zijn gebaseerd.
Wat zijn de 6 verschillen tussen RM-anova en multi-level analyse?
- MLA doet minder strikte aannames dan RM-anova.
-> MLA veronderstelt geen constante varianties of constante varianties van verschilscores. - MLA maakt een hiërarchische structuur mogelijk, RM-anova niet.
- MLA kan ontbrekende gegevens verwerken, RM-anova niet (daarvan moet de hele datareeks worden uitgesloten voor proefpersonen waarvan ook maar een datapunt ontbreekt).
- MLA kan rekening houden met variatie in meetmomenten, in tegensteling tot RM-anova.
- MLA kan omgaan met verschillende meetniveaus, RM-anova niet.
- In tegenstelling tot RM-anova, kan MLA wel omgaan met niet-gebalanceerde onderzoeksopzetten.
-> gebalanceerd houdt in dat er ongeveer evenveel mensen in alle condities zitten.
Wat is de conclusie over de verschillen tussen RM-anova en MLA?
Als het ontwerp heel eenvoudig is en er zijn geen ontbrekende gegevens, dan leveren RM-anova en MLA waarschijnlijk identieke resultaten op. De flexibiliteit van MLA wordt belangrijker naarmate het onderzoeksontwerp gecompliceerder in elkaar steekt of wanneer er (veel) ontbrekende waarden zijn.
Wat zijn de drie assumpties van RM-anova?
- Onafhankelijkheid van residuen tussen proefpersonen.
- Sphericiteit.
- Normaliteit van residuen.
Sphericiteit
Uniek voor RM-anova, het lijkt wel op de assumptie homogeniteit van varianties.
Herhaalde metingen hebben alleen echter wel een verband met elkaar, omdat ze uit dezelfde bron afkomstig zijn. Dit is voor RM-anova niet erg, zolang we kunnen aannemen dat die afhankelijkheid constant is-> dat is de assumptie van sphericteit.
Hoe wordt sphericiteit in de meeste analysesoftware getoetst?
Met de Machly’s test of sphericity.
-> P-waarde significant (p< .05)? dan moet er voor schending van deze assumptie gecontroleerd worden. Dit wordt vaak gedaan door eerst te kijken naar de ernst van de afwijking.
