Comment dois-je analyser les expériences de différences individuelles de mesures répétées?

8

Je fais des recherches quasi-expérimentales en psychologie des différences individuelles. J'examine comment les personnes qui diffèrent dans une capacité cognitive (que je mesure) effectuent une autre tâche qui implique toujours au moins des manipulations intra-sujet (et parfois entre sujets) - les DV sont généralement des temps de réponse et / ou de précision. Pour cette question, je voudrais me concentrer sur les temps de réponse (supposons qu'ils soient normalement distribués). Je déduis ensuite des relations capacité-tâche ce que cela signifie théoriquement pour la capacité cognitive. La nature de ce travail est corrélationnelle et implique des mesures répétées où chaque sujet effectue de nombreux tests de tâches (la plupart du temps, je ne suis pas intéressé par les changements au fil du temps, juste la différence globale).

Les chercheurs dans mon domaine créent souvent des variables catégorielles à partir des scores de capacité cognitive et comparent les quartiles supérieur et inférieur de la distribution avec une ANOVA à mesures répétées. Parce que la capacité cognitive est mesurée en continu, je recherche une stratégie analytique qui traite la capacité cognitive de cette façon. J'ai récemment étudié des modèles mixtes, pensant pouvoir traiter les personnes comme une variable de regroupement à effets aléatoires et le score de capacité cognitive comme un effet aléatoire imbriqué chez les personnes. Je voudrais examiner les interactions entre cet effet aléatoire imbriqué (capacité cognitive) et les effets fixes des traitements expérimentaux en faisant des comparaisons de modèles.

Cela semble-t-il une stratégie analytique raisonnable? Suis-je penser à ce droit? De quelles autres façons (la plus simple, la meilleure) je peux tirer parti des mesures répétées - supprimer la variance du sujet expérimental - tout en maintenant la mesure de la capacité cognitive comme une mesure continue? Toutes les citations ou exemples en R sont appréciés.

Dans une expérience typique, je m'attendrais à ce qu'il y ait de 1 à 3 IV catégoriques avec 2 à 4 niveaux (mesurés par plusieurs essais) et 1 IV continu (capacité cognitive). La nature exacte des variables catégorielles change d'une étude à l'autre. Les dessins sont entièrement croisés.

repeated-measures Mat
la source
Il semble que vous soyez sur la bonne voie, mais vous voudrez peut-être examiner l'interaction entre la capacité cognitive et vos autres prédicteurs.
John
@John, c'est exactement ce que je veux faire. Voulez-vous dire que je ne suis pas en mesure de le faire avec des modèles mixtes?
Matt
pas du tout ... Je suggère que ce que vous voulez trouver est une interaction entre la capacité cognitive et vos autres prédicteurs. Il vous suffit de les ajouter au modèle.
John
1
Je pense que ce serait formidable si vous pouviez donner quelques exemples de la nature exacte des variables indépendantes (c.-à-d. Combien de facteurs et combien de niveaux). Je pense que vous pouvez aller assez loin avec le GLM traditionnel en fonction de la nature exacte de vos créations.
Henrik
2
@Matt Si vous avez deux niveaux sur une variable dans un sujet, vous pouvez utiliser la différence comme dv (pas besoin d'aller pour des modèles de mesures répétées). La même logique s'applique si vous avez deux variables à deux niveaux dans les sujets. L'interaction est la différence des différences (en évitant les modèles de mesures répétées). Cependant, si l'une de vos variables intra a plus de deux niveaux, cette approche ne fonctionne plus, mais vous devez passer à plusieurs niveaux. Je vous recommande de lire le numéro spécial du Journal of Memory and Language mentionné dans la réponse de chl: J. Mem. Language, 2008 59 (4): Emerging Data Analysis
Henrik

Réponses:

6

Il y avait déjà quelques commentaires utiles, qui attendent probablement quelques mises à jour dans la question, donc je vais juste laisser tomber quelques références générales en ligne:

Des exemples utilisant R peuvent être trouvés sur le projet lme4 - Modèles à effets mixtes de Doug Bates .

chl
la source