A B

Single-Case Design (SCED)

Interaktiv multiple baseline-design med effektstorlekar

⚠️ Denna sida har inte faktagranskats ännu. Texten kan innehålla fel. Bli en hjälte!

Single-case experimental designs (SCED) studerar effekten av en intervention hos enskilda individer genom upprepade mätningar över tid. Istället för att jämföra grupper används varje deltagare som sin egen kontroll.

Designen är särskilt värdefull inom psykoterapi när: (a) populationen är liten eller heterogen, (b) individuell respons är viktigare än gruppmedelvärden, eller (c) man vill demonstrera funktionella samband mellan intervention och utfall.

Vanliga designtyper: AB (enkel fasövergång), ABA/ABAB (withdrawal/reversal — styrker kausalitet genom att återinföra baslinje), Multiple baseline (staggered interventionsstart över deltagare/beteenden/kontexter — guldstandarden för SCED) och Alternating treatments (snabb växling mellan villkor).

Parametrar

Dra den orange interventionslinjen åt vänster/höger för att ändra var interventionen startar för varje deltagare.

Multiple baseline-design

Baslinje (A)
Intervention (B)
Interventionsstart (dra för att flytta)

Fasstatistik

Deltagare Median A Median B Nivåförändring NAP Tau-U

Effektstorlekar för SCED

NAP (Non-overlap of All Pairs) jämför varje datapunkt i fas B med varje datapunkt i fas A. Andelen par där B-värdet är bättre än A-värdet.

NAP-värdeEffektstorlekBeskrivning
0 – 0.65SvagStor överlappning mellan faserna — liten eller ingen effekt
0.66 – 0.92MediumMåttlig separation mellan faserna
0.93 – 1.00StarkMinimal överlappning — tydlig interventionseffekt

Tau-U är en vidareutveckling av NAP som även kan kontrollera för trend i baslinjen. Värdet sträcker sig från −1.0 till +1.0.

|Tau-U|EffektstorlekBeskrivning
0 – 0.20Liten/ingenIngen meningsfull skillnad mellan faserna
0.20 – 0.60MediumMåttlig förändring vid fasbytet
0.60 – 1.00StorTydlig och konsistent förändring

Klistra in egen data

Klistra in data nedan — en kolumn per deltagare, separerad med tabb eller semikolon. En tom rad markerar övergången från baslinje (A) till intervention (B). Olika deltagare kan ha olika långa baslinjer — använd då separata tomrader per kolumn (se exempel 2).

Exempel 1 (gemensam fasdelning med tom rad):
Deltagare1 Deltagare2 Deltagare3
8 12 15
7 11 14
9 13 16

4 7 10
3 6 9
5 8 11

Exempel 2 (individuell fasdelning — "|" i en cell markerar fasbryt):
8 12 15
7 11 14
9 | 16
| 7 13
4 6 |
3 8 9
5 5 7

Tolkningsguide

Vid visuell analys av SCED-data utvärderas fem aspekter av förändringen vid fasskiftet:

  1. Nivå (level) — Skiftar medel- eller medianvärdet mellan faserna? En tydlig nivåskillnad tyder på effekt.
  2. Trend — Förändras lutningen? Om baslinjen är stabil men interventionsfasen visar en trend, stödjer det en effekt. Varning: en befintlig trend i baslinjen kan ge falskt positiva slutsatser.
  3. Variabilitet — Hur mycket sprider sig data inom varje fas? Hög variabilitet gör det svårare att dra slutsatser.
  4. Överlappning (overlap) — Hur många datapunkter i B-fasen överlappar med A-fasens intervall? Låg överlappning = starkare evidens. NAP och Tau-U kvantifierar detta.
  5. Omedelbarhet (immediacy) — Sker förändringen direkt vid interventionsstart, eller gradvis? Omedelbar effekt stärker kausalitårsslutsatsen.
Vanliga fallgropar:
  • För kort baslinje — Minst 3–5 stabila datapunkter behövs för att etablera ett mönster. Utan stabil baslinje kan man inte avgöra om förändringen beror på interventionen.
  • Baslinjetrend — Om beteendet redan förbättras under baslinjen (spontanförbättring), kan interventionseffekten överskattas.
  • Carry-over-effekter — I ABA/ABAB-design kan inlärda färdigheter bestå även när interventionen dras tillbaka, vilket gör reversal svårtolkad.
  • Autokorrelation — Närliggande mätpunkter är ofta korrelerade, vilket kan leda till överskattning av effekten om det inte beaktas.
  • Extern validitet — Resultat från en enskild patient generaliseras inte automatiskt. Multiple baseline över flera deltagare stärker generaliserbarheten.