le plan de blocs randomisés est l’équivalent du plan de recherche à l’échantillonnage aléatoire stratifié. Comme l’échantillonnage stratifié, les plans de blocs randomisés sont construits pour réduire le bruit ou la variance dans les données (voir classification des plans expérimentaux). Comment font-ils? Ils exigent que le chercheur divise l’échantillon en sous-groupes ou blocs relativement homogènes (analogues aux « strates” dans l’échantillonnage stratifié). Ensuite, la conception expérimentale que vous souhaitez implémenter est implémentée dans chaque bloc ou sous-groupe homogène., L’idée clé est que la variabilité au sein de chaque bloc est inférieure à la variabilité de l’ensemble de l’échantillon. Ainsi, chaque estimation de l’effet du traitement dans un bloc est plus efficace que les estimations sur l’ensemble de l’échantillon. Et, lorsque nous mettons en commun ces estimations plus efficaces entre les blocs, nous devrions obtenir une estimation globale plus efficace que nous ne le ferions sans blocage.
Ici, nous pouvons voir un exemple simple. Supposons que nous avions initialement l’intention de mener un simple plan expérimental randomisé post-test uniquement., Mais, nous reconnaissons que notre échantillon a plusieurs sous-groupes intacts ou homogènes. Par exemple, dans une étude sur les étudiants, nous pourrions nous attendre à ce que les étudiants soient relativement homogènes par rapport à la classe ou à l’année. Nous décidons donc de bloquer l’échantillon en quatre groupes: étudiant de première année, étudiant en deuxième année, junior et senior. Si notre intuition est correcte, que la variabilité au sein de la classe est inférieure à la variabilité pour l’ensemble de l’échantillon, nous obtiendrons probablement des estimations plus puissantes de l’effet du traitement dans chaque bloc (voir la discussion sur la puissance statistique)., Dans chacun de nos quatre blocs, nous implémenterions l’expérience randomisée simple post-only.
notez quelques choses sur cette stratégie. Tout d’abord, pour un observateur externe, il peut ne pas être évident que vous bloquez. Vous implémenteriez le même design dans chaque bloc. Et, il n’y a aucune raison que les gens dans différents blocs doivent être séparés ou séparés les uns des autres. En d’autres termes, le blocage n’affecte pas nécessairement tout ce que vous faites avec les participants à la recherche., Au lieu de cela, le blocage est une stratégie pour regrouper les personnes dans votre analyse de données afin de réduire le bruit – c’est une stratégie d’analyse. Deuxièmement, vous ne bénéficierez d’un plan de blocage que si vous avez raison de penser que les blocs sont plus homogènes que l’ensemble de l’échantillon. Si vous avez tort – si les différentes classes de niveau collégial ne sont pas relativement homogènes par rapport à vos mesures – vous serez réellement blessé par le blocage (vous obtiendrez une estimation moins puissante de l’effet du traitement). Comment savoir si le blocage est une bonne idée?, Vous devez examiner attentivement si les groupes sont relativement homogènes. Si vous mesurez les attitudes politiques, par exemple, est-il raisonnable de croire que les étudiants de première année se ressemblent plus qu » ils ne ressemblent à des étudiants de deuxième année ou à des juniors? Seraient-ils plus homogènes en ce qui concerne les mesures liées à l’abus de drogues? Finalement, la décision de bloquer implique un jugement de la part du chercheur.
comment le blocage réduit le bruit
alors, comment le blocage fonctionne-t-il pour réduire le bruit dans les données? Pour voir comment cela fonctionne, vous devez commencer par penser à l’étude non bloquée., La figure montre la distribution pré-test-post-test pour un plan expérimental hypothétique pré-post randomisé. Nous utilisons le symbole » X « pour indiquer un cas de groupe de programme et le symbole » O » pour un membre du groupe de comparaison. Vous pouvez voir que pour toute valeur de pré-test spécifique, le groupe de programmes a tendance à surpasser le groupe de comparaison d’environ 10 points sur le post-test. Autrement dit, il y a environ une différence moyenne de 10 points après le test.
Maintenant, considérons un exemple où nous diviser l’échantillon en trois relativement homogène des blocs., Pour voir ce qui se passe graphiquement, nous allons utiliser la mesure pretest pour bloquer. Cela garantira que les groupes sont très homogènes. Regardons ce qui se passe dans le troisième bloc. Notez que la différence moyenne est toujours la même que pour l’ensemble de l’échantillon – environ 10 points dans chaque bloc. Mais notez également que la variabilité de la post-test est beaucoup moins que pour l’ensemble de l’échantillon.
Rappelez-vous que l’effet du traitement est une estimation de signal-à-bruit. Le signal dans ce cas est la différence moyenne. Le bruit est la variabilité., Les deux chiffres montrent que nous n’avons pas changé le signal en passant au blocage — il y a toujours une différence de 10 points après le blocage. Mais, nous avons changé le bruit – la variabilité sur le posttest est beaucoup plus faible dans chaque bloc que pour l’ensemble de l’échantillon. Ainsi, l’effet de traitement aura moins de bruit pour le même signal.
Il devrait être clair à partir des graphiques que la conception de blocage dans ce cas donnera l’effet de traitement plus fort. Mais cela n’est vrai que parce que nous avons fait du bon travail en nous assurant que les blocs étaient homogènes., Si les blocs n’étaient pas homogènes — leur variabilité était aussi grande que celle de l’ensemble de l’échantillon — nous obtiendrions en fait des estimations pires que dans le cas expérimental randomisé simple. Nous verrons comment analyser les données d’un plan de blocs randomisés dans L’analyse statistique du plan de blocs randomisés.