มีวิธีใดบ้างที่ดีในการรายงานผลกระทบหลักตามเวลา * รูปแบบการรักษาโดยไม่ต้องมีปฏิสัมพันธ์ที่สำคัญ
มีคำถามที่คล้ายกันมากมายที่โพสต์ไว้ในเว็บไซต์นี้ แต่ยังมีคำตอบที่ขัดแย้งกันอีกมากมายดังนั้นฉันจึงยังไม่แน่ใจว่าจะดำเนินการอย่างไรดีที่สุด
ฉันมีชุดข้อมูลอิสระ แต่คล้ายกันหลายชุดและการวิเคราะห์ที่เสร็จสมบูรณ์ซึ่งเปรียบเทียบการรักษาหลาย ๆ เรื่องในช่วงเวลาหนึ่ง ในการวิเคราะห์เหล่านี้การรักษาบางอย่างมีความสำคัญในขณะที่การโต้ตอบของเวลาในการรักษา * ไม่ได้ การโต้ตอบมีความหมายและไม่เป็นเรื่องเล็กน้อยดังนั้นฉันจึงกังวลที่จะลบออกจากแบบจำลองของฉันตามที่คำตอบบางคำแนะนำ
สูตรทั่วไป (ใน R) สำหรับฉันมีดังต่อไปนี้count ~ treatment * time + block โดยที่บล็อกเป็นแบบสุ่มที่สมบูรณ์แบบและเกือบจะประสบความสำเร็จในการอธิบายรูปแบบที่มากเกินไป (ดังนั้นจึงมีความสำคัญ)
โดยทั่วไปฉันจะผลิตแบบจำลองเต็มรูปแบบแบบจำลองที่ลดลงและแบบจำลองว่างเปล่าและเปรียบเทียบโดย AIC เพื่อเลือกแบบจำลองที่ไม่เหมาะสมที่สุดสำหรับการวิเคราะห์ แบบจำลองทั้งหมดมักจะทำคะแนนได้ดีที่สุดและใช้ในการวิเคราะห์
ความเข้าใจของฉันคือการรวมถึงปฏิสัมพันธ์ที่ไม่สำคัญ แต่ไม่สำคัญกับเวลาในการรักษา * จะส่งผลให้มีผลการรักษาตามเงื่อนไข ฉันเคยเห็นคำตอบบางคำแนะนำให้แทนที่การโต้ตอบเหล่านี้ด้วยโมเดลเสริมแทน
ดังนั้นคำถามหลักของฉันคือ:
- การรายงานผลการรักษาตามเงื่อนไขที่ไม่เหมาะสมโดยไม่มีปฏิสัมพันธ์ที่สำคัญหรือไม่?
- เป็นตัวเลือกที่ดีหรือไม่ในการดำเนินการกับรูปแบบการเติมเต็มเมื่อการโต้ตอบไม่มีนัยสำคัญ
นอกจากนี้ยังชื่นชมข้อมูลเชิงลึกอื่น ๆ อาจเป็นที่น่าสังเกตว่าชุดข้อมูลของฉันมักจะพองตัวเป็นศูนย์และมีการแจกแจงแบบปัวซองมากเกินไปดังนั้นโดยทั่วไปฉันจะใช้อุปสรรค์ทวินามลบ (pscl) และแพ็คเกจการวิเคราะห์ตามยาวที่ไม่ใช่พารามิเตอร์ (nparLD) สำหรับการวิเคราะห์
คำตอบ
ฉันคิดว่านี่เป็นเพียงคุณเท่านั้นที่สามารถตัดสินใจได้ คุณพูด:
โดยทั่วไปฉันจะผลิตแบบจำลองเต็มรูปแบบแบบจำลองที่ลดลงและแบบจำลองว่างเปล่าและเปรียบเทียบโดย AIC เพื่อเลือกแบบจำลองที่ไม่เหมาะสมที่สุดสำหรับการวิเคราะห์ แบบจำลองทั้งหมดมักจะทำคะแนนได้ดีที่สุดและใช้ในการวิเคราะห์
แต่นั่นสามารถสร้างรูปแบบที่แตกต่างจากที่คุณเลือกโดยพิจารณาจากนัยสำคัญทางสถิติมาตรฐานตาม $\alpha < 0.05$. ดังที่Frank Harrellบันทึกไว้:
หากใช้ $\chi^2$ การทดสอบ AIC ใช้การตัดของไฟล์ $\chi^2 =2.0$ ซึ่งสอดคล้องกับ $\alpha=0.157$.
ดังนั้นคุณจึงมีเกณฑ์ที่สามารถแข่งขันได้ในการวิเคราะห์ของคุณเอง
สำหรับการคาดคะเนการรักษาเงื่อนไขการโต้ตอบที่ "ไม่มีนัยสำคัญ" โดยทั่วไปจะดีที่สุดเว้นแต่ว่าโมเดลจะมีขนาดใหญ่เกินไป คุณอาจพิจารณารับทราบสถานการณ์นี้และนำเสนอผลลัพธ์สำหรับทั้งสองรุ่นพร้อมกับการอภิปรายเพื่อช่วยให้ผู้อ่านคิดถึงผลกระทบ