randomizovaný návrh bloků je ekvivalentem návrhu výzkumu stratifikovaného náhodného odběru vzorků. Stejně jako stratifikované vzorkování, randomizované návrhy bloků jsou konstruovány tak, aby snížily šum nebo rozptyl v datech (viz klasifikace experimentálních návrhů). Jak to dělají? Vyžadují, aby výzkumník rozdělil vzorek na relativně homogenní podskupiny nebo bloky (analogické s „vrstvami“ ve stratifikovaném vzorkování). Poté je experimentální návrh, který chcete implementovat, implementován v rámci každého bloku nebo homogenní podskupiny., Klíčovou myšlenkou je, že variabilita v každém bloku je menší než variabilita celého vzorku. Každý odhad účinku léčby v bloku je tedy účinnější než odhady v celém vzorku. A když spojíme tyto efektivnější odhady napříč bloky, měli bychom získat celkově efektivnější odhad, než bychom bez blokování.
zde vidíme jednoduchý příklad. Předpokládejme, že jsme původně zamýšleli provést jednoduchý posttest-pouze randomizovaný experimentální design., Uvědomujeme si však, že náš vzorek má několik neporušených nebo homogenních podskupin. Například, ve studii vysokoškoláků, můžeme očekávat, že studenti jsou relativně homogenní s ohledem na třídu nebo rok. Tak, rozhodli jsme se zablokovat vzorek do čtyř skupin: nováček, sophomore, junior, a senior. Pokud je naše tušení správné, že variabilita v rámci třídy je menší než variabilita pro celý vzorek, asi budeme mít silnější odhady efekt léčby v rámci každého bloku (viz diskuse na Statistickou Sílu)., V každém z našich čtyř bloků bychom implementovali jednoduchý post-only randomizovaný experiment.
Všimněte si pár věcí o této strategii. Za prvé, externímu pozorovateli nemusí být zřejmé, že blokujete. V každém bloku byste implementovali stejný design. A není důvod, aby lidé v různých blocích museli být odděleni nebo odděleni od sebe. Jinými slovy, blokování nemusí nutně ovlivnit nic, co děláte s účastníky výzkumu., Místo toho je blokování strategií pro seskupení lidí ve vaší analýze dat, aby se snížil hluk-jedná se o analytickou strategii. Za druhé, budete mít prospěch pouze z blokovacího designu, pokud máte pravdu ve svém tušení, že bloky jsou homogennější než celý vzorek. Pokud jste špatně – pokud se liší vysokoškolské úrovni třídy nejsou relativně homogenní s ohledem na vaše opatření – budete skutečně ublížit tím, že blokuje (budete mít méně výkonný odhad účinku léčby). Jak víte, zda je blokování dobrý nápad?, Je třeba pečlivě zvážit, zda jsou skupiny relativně homogenní. Pokud měříte například politické postoje, je rozumné věřit, že prváci jsou více podobní než oni jako druháci nebo junioři? Byly by homogennější, pokud jde o opatření související se zneužíváním drog? Nakonec rozhodnutí o zablokování zahrnuje rozsudek ze strany výzkumného pracovníka.
jak blokování snižuje šum
jak funguje blokování pro snížení šumu v datech? Chcete-li vidět, jak to funguje, musíte začít přemýšlením o neblokované studii., Obrázek ukazuje pretest-posttest distribuci pro hypotetické pre-post randomizované experimentální design. Symbol “ X „používáme k označení případu skupiny programů a symbolu“ O “ pro člena srovnávací skupiny. Můžete vidět, že pro konkrétní pretest hodnotu, program skupina má tendenci outscore srovnání skupiny o 10 bodů na posttest. To znamená, že existuje asi 10-bodový posttestový střední rozdíl.
nyní zvažte příklad, kdy rozdělíme vzorek na tři relativně homogenní bloky., Chcete-li vidět, co se děje graficky, použijeme předběžné opatření k zablokování. To zajistí, že skupiny jsou velmi homogenní. Podívejme se na to, co se děje ve třetím bloku. Všimněte si, že průměrný rozdíl je stále stejný jako u celého vzorku – asi 10 bodů v každém bloku. Ale také si všimněte, že variabilita posttestu je mnohem menší než u celého vzorku.
nezapomeňte, že odhad účinku léčby je poměr signálu k šumu. Signál v tomto případě je průměrný rozdíl. Hluk je variabilita., Obě čísla ukazují, že jsme nezměnili signál při přechodu na blokování — stále existuje rozdíl 10 bodů posttestu. Ale změnili jsme hluk-variabilita na posttestu je v každém bloku mnohem menší, než je pro celý vzorek. Takže účinek léčby bude mít méně šumu pro stejný signál.
z grafů by mělo být jasné, že blokovací návrh v tomto případě přinese silnější léčebný účinek. Ale je to pravda jen proto, že jsme odvedli dobrou práci a ujistili se, že bloky jsou homogenní., Pokud bloky nebyly homogenní — jejich variabilita byla tak velká jako celý vzorek — bylo by to vlastně horší, než odhady v jednoduché experimentální randomizované případě. Uvidíme, jak analyzovat data z randomizovaného návrhu bloku ve statistické analýze randomizovaného návrhu bloku.