详情请点击下方:
发文后退款!2024年"重复测量资料分析"直播课来了!轨迹模型方法!
经常有学员问我:郑老师,重复测量分析资料该怎么分析?我该怎么区分主效应和单独效应?如果交互作用存在,又该怎么明确主效应和交互效应?
我将在本周末开启“重复测量资料分析的课程“,会详细介绍单独效应,主效应,交互效应这几个很重要但非常容易误解的概念。
今天就以一篇“Effect of Continuous Glucose Monitoring on Glycemic Control in Adults With Type 1 Diabetes Using Insulin Injections:The DIAMOND Randomized Clinical Trial(持续血糖监测对1型糖尿病成人胰岛素注射血糖控制的影响:DIAMOND随机临床试验)”的文章为例,带大家先梳理一下什么是主效应、交互效应和单独效应。
1► 主效应
从概念上来讲,主效应是指一个因素对响应变量的独立影响,且不受其他因素的影响;但如果从统计学角度来解释,主效应就是单独的自变量X对因变量Y的影响。
但在重复测量文章中,主效应可以明确分为时间主效应和实施措施主效应。
比如在本案例中,时间主效应是所有参与者从基线到12周和24周时血糖水平(HbA1c)的变化值,即((-1.1--1.0)+(-0.5--0.4))/2=-0.1;
而实施措施主效应则是干预组和对照组的血糖水平(HbA1c)的差异,即((-1.1--0.5)+(-1.0--0.4))/2=-0.6。
分析显示结果呈现出统计学意义(P<0.05),说明主效应存在,即不同时间、不同的血糖监测措施都会对1型糖尿病患者的血糖水平造成影响。
2► 单独效应
单独效应的实质是对交互效应的补充,是在一个因素保持固定时,另一个因素对响应变量的影响,这有助于我们理解在不同条件下一个因素的具体影响;从统计学角度来解读单独效应就是,当自变量X1固定在某水平时,不同水平的X2对Y的影响。
而在重复测量文章中,单独效应是干预后各分组效应差值。
实验措施的单独效应:12周是0.6、24周是0.6;
时间的单独效应:对照组是0.1、干预组是0.1。
3► 交互效应
交互效应其实就是指两个或多个因素共同作用时,它们对响应变量的影响不是各自单独作用的简单相加,而是会产生额外的影响,即产生1+1>2的效果;而从统计学角度进行理解,则是指X1(时间)和X2(干预措施)的交互项X1*X2对Y(结局)的影响。
在本文,由于12周和24周,实验措施的单独效应均为0.6,时间的单独效应均为0.1,可以得出该试验的交互效应:0.1-0.1=0.6-0.6=0。
因此本文不存在交互效应。
注意事项
需要再次强调的是,在进行重复测量数据分析,评价疗效时,基线值不能作为结局指标,基线不是研究结局,基线的差异也不是效应。
其次,存在着交互效应时,不宜直接将主效应作为分析结果进行讨论,因为交互效应可能会改变主效应的影响,此时应重点关注各观测时间点内的组间差异性。
最后,在多个时间点内同时进行组间差异性比较时,建议采用一定的方式控制I型错误。比如将不同时间点的同个结局指标分为主要结局与次要结局,区别对待;或者采用Bonferroni等方法严格控制总的α值。
重复测量数据的分析技巧千千万,怎么才能全部掌握?哪里才能快速学会这些分析方法,马上就能动手实践?
来参加郑老师8月24日启动的“重复测量资料分析方法训练营”吧!我将分别采用SPSS和R帮助大家分析重复测量资料,让大家轻松学会无负担!
详情请点击下方: