Jak wykonać anova z powtarzanymi pomiarami w stata

ANOVA z powtarzanymi pomiarami służy do określenia, czy istnieje statystycznie istotna różnica pomiędzy średnimi z trzech lub więcej grup, w których w każdej grupie pojawiają się ci sami pacjenci.

Jednokierunkowej analizy ANOVA z powtarzanymi pomiarami używamy w dwóch konkretnych sytuacjach:

1. Zmierz średnie wyniki badanych w trzech lub więcej punktach czasowych. Na przykład możesz chcieć zmierzyć tętno spoczynkowe uczestników na miesiąc przed rozpoczęciem programu treningowego, w jego trakcie i miesiąc po programie treningowym, aby sprawdzić, czy istnieje znacząca różnica w średnim tętnie spoczynkowym. stóp procentowych w tych trzech punktach czasowych.

Zwróć uwagę, że te same tematy pojawiają się w kółko. Wielokrotnie mierzyliśmy te same osoby, dlatego zastosowaliśmy jednokierunkową ANOVA z powtarzanymi pomiarami.

2. Zmierz średnie wyniki przedmiotów w trzech różnych warunkach. Na przykład możesz poprosić badanych o obejrzenie trzech różnych filmów i ocenę każdego z nich na podstawie tego, jak bardzo im się podobały.

Ponownie, w każdej grupie pojawiają się ci sami badani, dlatego musimy zastosować jednokierunkową analizę ANOVA z powtarzanymi pomiarami, aby sprawdzić różnicę średnich między tymi trzema warunkami.

W tym samouczku wyjaśniono, jak wykonać jednokierunkową ANOVA z powtarzanymi pomiarami w Stata.

Przykład: ANOVA powtarzanych pomiarów w Stata

Naukowcy mierzą czas reakcji pięciu pacjentów przyjmujących cztery różne leki. Ponieważ u każdego pacjenta badany jest każdy z czterech leków, zastosujemy ANOVA z powtarzanymi pomiarami, aby określić, czy średni czas reakcji różni się w zależności od leku.

Wykonaj poniższe kroki, aby wykonać powtarzające się pomiary ANOVA w Stata.

Krok 1: Załaduj dane.

Najpierw załaduj dane, wpisując use https://www.stata-press.com/data/r14/t43 w polu poleceń i klikając Enter.

Krok 2: Wyświetl surowe dane.

Przed wykonaniem powtarzanej analizy ANOVA przyjrzyjmy się najpierw surowym danym. Z górnego paska menu przejdź do opcji Dane > Edytor danych > Edytor danych (Przeglądaj) . To pokaże nam czasy reakcji dla każdego z 5 pacjentów na każdy z czterech leków:

Krok 3: Wykonaj powtarzane pomiary ANOVA.

Z górnego paska menu przejdź do Statystyka > Modele liniowe i pokrewne > ANOVA/MANOVA > Analiza wariancji i kowariancji .

W polu Zmienna zależna wybierz wynik . W polu Model wybierz osobę i lek jako dwie zmienne objaśniające. Zaznacz pole wyboru Zmienne powtarzanych pomiarów i wybierz lek jako zmienną, która się powtarza. Pozostaw wszystko inne bez zmian i kliknij OK .

Spowoduje to automatyczne utworzenie następujących dwóch tabel przedstawiających wyniki powtarzanych pomiarów ANOVA:

W pierwszej tabeli interesują nas wartości F i wartość p (wyświetlane jako Prob>F) dla zmiennej leku . Należy zauważyć, że F = 24,76, a wartość p wynosi 0,000. Wskazuje to, że istnieje statystycznie istotna różnica pomiędzy średnimi wynikami czterech leków.

Z drugiej tabeli należy skorzystać tylko wtedy, gdy podejrzewamy, że zostało naruszone założenie o kulistości. Jest to założenie, że wariancje różnic pomiędzy wszystkimi kombinacjami grup parami muszą być równe. Jeżeli uważamy, że założenie to zostało naruszone, wówczas możemy zastosować jeden z trzech współczynników korygujących: epsilon Hunyha-Feldta, epsilon Greenhouse-Geissera lub konserwatywny epsilon Boxa.

Wartość p zmiennej leku pokazano dla każdego z trzech współczynników korygujących:

• Wartość p Hunyha-Feldta (HF) = 0,000
• Wartość p cieplarnianego-Geissera (GG) = 0,0006
• Konserwatywna wartość p Boxa (Box) = 0,0076

Należy zauważyć, że każda z wartości p jest mniejsza niż 0,05, więc nadal istnieje statystycznie istotna różnica między średnimi wynikami czterech leków, niezależnie od zastosowanego współczynnika korygującego.

Krok 4: Ogłoś wyniki.

Na koniec przedstawimy wyniki naszych powtarzanych pomiarów ANOVA. Oto przykład, jak to zrobić:

U 5 osób przeprowadzono jednokierunkową ANOVA z powtarzanymi pomiarami, aby zbadać wpływ czterech różnych leków na czas odpowiedzi.

Wyniki wykazały, że rodzaj stosowanego leku wpływał na istotne statystycznie różnice w czasie odpowiedzi (F(3, 12) = 24,75, p < 0,001).