Övningsfall: från data till APA-text

Minskar depressionssymtomen (PHQ-9) mer i KBT än på väntelista? Vi jämför två grupper vid två mättillfällen, före och efter. Grupperna består av olika personer. Inom varje grupp mäts samma personer vid båda tillfällena.

Du arbetar med syntetiska övningsdata. Gruppnamnen i filen är CBT (KBT), PDT (psykodynamisk terapi) och Waitlist (väntelista). Resultaten säger inget om behandlingarnas effekt i verkliga studier.

I testväljaren väljer du Jämföra grupper eller förändring över tid och svarar sedan Två grupper, Två gånger och Nej, eller vet inte på frågan om deltagarna hör ihop i större enheter. När kompletta data analyseras leder bortfallsfrågans nej-alternativ till mixed ANOVA. Tid är en inompersonsfaktor och grupp en mellanpersonsfaktor. Interaktionen tid × grupp besvarar om förändringen skiljer sig mellan grupperna.

Ladda ner therapy_study.csv och öppna filen i jamovi. Behåll brett format: en rad per deltagare. Använd id som deltagar-ID, group som nominal gruppvariabel och phq9_pre samt phq9_post som kontinuerliga utfallsvariabler. Uppföljningsmätningen ska inte ingå.

1. Öppna Data → Filters och lägg in group == 'CBT' or group == 'Waitlist'. Aktivera filtret. Det behåller KBT och väntelista och filtrerar bort PDT.
2. Kontrollera att tomma eftermätningar är saknade värden. Fyll inte i noll. Noll är ett giltigt utfall och skulle ändra resultatet.
3. Kontrollera deltagarantalet mot tabellen. Repeated Measures ANOVA utesluter hela deltagaren om något av de valda mättillfällena saknas, så kallat listvis bortfall.

Alla dessa deltagare har en förmätning. Deskriptiva värden och APA-texter för ANOVA nedan bygger på de kompletta deltagarna, även vid förmätningen. Annars skulle tabellerna beskriva olika urval.

1. Välj Analyses → ANOVA → Repeated Measures ANOVA.
2. Under Repeated Measures Factors, döp faktorn till Tid och ange exakt två nivåer i ordningen Pre, Post.
3. I Repeated Measures Cells, placera phq9_pre vid Pre och phq9_post vid Post. Lämna uppföljningen utanför.
4. Flytta group till Between Subject Factors. Behåll modellen med Tid, group och Tid × group och kvadratsummor av typ III.
5. Under Effect Size, markera Partial η². Det är partiellt eta-två, samma effektmått som i tabellerna och resultattexterna nedan.
6. Under Estimated Marginal Means, lägg Tid och group tillsammans i samma term, Tid × group. Slå på tabell och figur, med Tid på den horisontella axeln och en linje för varje grupp. Kontrollera att figuren visar bara KBT och väntelista.
7. Granska fördelningar, extremvärden och variansantaganden. Med två mättillfällen behövs ingen sfäricitetskorrektion. En figur ersätter inte kontroll av modellens antaganden.

Visa inställningsbild från mixed ANOVA-guiden

För deskriptiva värden: lägg till ett tillfälligt filter phq9_post >= 0, så att bara deltagare med observerad eftermätning ingår. Kör Exploration → Descriptives, välj phq9_pre och phq9_post, lägg group i Split by och välj Mean och Std. deviation. Ta bort detta extra filter innan du går vidare till mixed models.

Tabellerna återger de beräknade resultaten för KBT mot väntelista med jamovis tabellstruktur, typ III-kvadratsummor och partiellt eta-två. Avrundningen kan skilja sig från din visning. Blå, understrukna celler ska in i interaktionens resultatmening.

Läs F, p och η²_p på raden Tid × group. Den första frihetsgraden, 1, står på samma rad. Den andra, 43, står på Residual i samma tabell. Du skriver därför F(1, 43) = 25.91, p < .001, η²_p = .376.

Huvudeffekten av tid prövar genomsnittlig förändring, med lika vikt för gruppernas medelvärden här; den besvarar inte om grupperna förändras olika.

Huvudeffekten av grupp prövar skillnaden mellan gruppernas nivåer i genomsnitt över före och efter; den besvarar inte om deras förändring skiljer sig.

Definiera förändring som efter minus före. Skillnaden i förändring är (KBT efter − KBT före) − (jämförelsegrupp efter − jämförelsegrupp före). Ett negativt värde betyder större minskning i KBT. Här blir skillnaden −3.55 PHQ-9-poäng, 95 % KI [−4.96, −2.14]. Intervallet beskriver värden förenliga med data och modellens antaganden.

Kontroll: Student's t-test på förändringspoängen ger t = −5.089964. Kvadraten är 25.907732, samma F som för interaktionen. KI bygger på poolad varians för förändringspoängen och t-fördelningen med 43 frihetsgrader.

Varje text avser kompletta deltagare i den aktuella jämförelsen. Kopiera som mall och anpassa till din egen studie. De två jämförelserna är undervisningsexempel; om du gör båda i en studie behöver testfamilj och eventuell justering för multipla test bestämmas.

A. Tydlig interaktion: KBT mot väntelista

B. Osäker interaktion: KBT mot PDT

Byt gruppfiltret till group == 'CBT' or group == 'PDT' och behåll samma två mättillfällen. Av 54 deltagare saknar 6 eftermätning: 5 i KBT och 1 i PDT. Analysen omfattar 23 respektive 25 deltagare. Student's t-test på deras förändringspoäng ger t = −0.975650; t² = 0.951892, samma värde som interaktionens F.

Intervallet sträcker sig från större minskning i KBT till större minskning i PDT. För att pröva om skillnaden är tillräckligt liten behöver du en motiverad likvärdighetsmarginal och ett likvärdighetstest. Ett icke-signifikant interaktionstest räcker inte.

Återställ filtret till KBT och väntelista och ta bort filtret för kompletta eftermätningar. En linjär mixed model kan använda förmätningen även för den som saknar eftermätning. Här används alla 100 observerade värden från 55 deltagare.

Modellen nedan skattades med statsmodels MixedLM, REML och slumpmässigt intercept per id. Tid kodas 0 vid före och 1 vid efter, grupp 0 för väntelista och 1 för KBT. Interaktionskoefficienten är då förändringen i KBT minus förändringen på väntelistan.

ANOVA-kontrastens KI använder t-fördelningen med 43 frihetsgrader. Mixed model använder ett normalbaserat Wald-intervall. Därför beror skillnaden mellan intervallen både på underlaget och på inferensmetoden. GAMLj kan använda andra frihetsgrader och därmed ge något andra KI och p-värden.

Skattningen ändras lite i just dessa data. Det visar inte att bortfallet saknar betydelse i andra studier. Mixed models löser inte bortfall som beror på saknade utfall på sätt som modellen inte fångar. MAR kan inte fastställas enbart genom att titta på de observerade värdena.

Följ guiden till mixed effects-modeller för dataformat och inställningar i GAMLj. Använd bara före och efter, fasta effekter för tid, grupp och deras interaktion samt ett slumpmässigt intercept för id för att motsvara modellen här. Se även mixed effects i testväljaren.

Kopiera listan och komplettera den med vad du faktiskt har kontrollerat. Skriv inte att något var bestämt i förväg om beslutet togs efter att du sett resultaten.

• Analysval: mixed ANOVA för två grupper och två mättillfällen. Tid × grupp besvarar frågan om olika förändring. Mixed model med slumpmässigt intercept jämförs som alternativ vid bortfall.
• Urval: CBT och Waitlist, phq9_pre och phq9_post. Av 55 deltagare uteslöts 10 i ANOVA: 5 i KBT och 5 på väntelista. Kvar: 23 respektive 22. Mixed model använder 55 personer och 100 observationer.
• Kontroller gjorda i övningen: gruppurval, antal kompletta mätningar, M och SD på samma urval som ANOVA, kontroll av interaktionens F mot t² för förändringspoäng och konvergens för mixed model.
• Kontroller kvar: granska residualer och extremvärden, variansantaganden och oberoende mellan personer. Bedöm bortfallsorsaker och rimligheten i MAR. Sfäricitetskorrektion behövs inte med två tillfällen.
• Beslut i förväg: dokumentera utfall, grupper, tidpunkter, primär kontrast, bortfallshantering, eventuella exklusioner och testfamilj. Övningen är ingen förregistrering. Ange separat vilka val du själv gjorde före respektive efter resultatgranskningen.
• Om KBT mot PDT också analyseras: 48 kompletta deltagare, bortfall 5 i KBT och 1 i PDT. Diskutera multipla test och en motiverad likvärdighetsmarginal innan likvärdighet prövas.