Transformación generalizada de mínimos cuadrados para el diseño experimental de un solo caso: Introducción del...

Área de la Ciencia:

• Ciencias del comportamiento y ciencias sociales.
• Modelado estadístico de modelos estadísticos.
• Psicología Psicología Psicología.

Sus antecedentes:

• Los diseños experimentales de caso único (SCED) generan observaciones repetidas, adecuadas para modelos multinivel (MLM).
• Los datos SCED a menudo exhiben autocorrelación y tamaños de muestra pequeños, lo que lleva a errores estándar sesgados y tasas de error de tipo I infladas en efectos fijos.
• El software estadístico existente tiene limitaciones para abordar simultáneamente estos desafíos de datos SCED.

Objetivo del estudio:

• Evaluar un enfoque estadístico de dos pasos que combina la transformación de mínimos cuadrados generalizados (GLS) para la autocorrelación y el ajuste de Satterthwaite para muestras pequeñas.
• Para implementar estos métodos, junto con nuevas pruebas de efectos aleatorios, en un paquete R fácil de usar llamado lmeSCED.
• Evaluar el rendimiento de este enfoque utilizando simulaciones de Monte Carlo y demostrar su aplicación práctica.

Principales métodos:

• Un método de dos pasos que involucra la transformación GLS para manejar los residuos AR(1) y el ajuste de Satterthwaite para la inferencia de efectos fijos.
• Desarrollo del paquete lmeSCED R, que incorpora una prueba de relación de probabilidad restringida corregida por límites y bootstrapping paramétrico para efectos aleatorios.
• Estudios de simulación de Monte Carlo para evaluar la recuperación de parámetros y las tasas de error de tipo I.

Principales resultados:

• La aplicación de MLM a los datos SCED transformados por GLS dio como resultado una recuperación imparcial de parámetros.
• Los métodos propuestos mantuvieron las tasas de error de tipo I a niveles nominales.
• El paquete lmeSCED maneja eficazmente la autocorrelación y los tamaños de muestra pequeños en los datos SCED.

Conclusiones:

• El método de dos pasos evaluado proporciona un enfoque estadísticamente sólido para analizar los datos de SCED con modelos de varios niveles.
• El paquete lmeSCED R ofrece una herramienta práctica y efectiva para los investigadores, mejorando la confiabilidad del análisis de datos SCED.
• Este trabajo aborda las limitaciones críticas en los enfoques estadísticos existentes para los datos SCED, allanando el camino para hallazgos de investigación más precisos.