Il progetto a blocchi randomizzati è l’equivalente di research design al campionamento casuale stratificato. Come il campionamento stratificato, i disegni a blocchi randomizzati sono costruiti per ridurre il rumore o la varianza nei dati (vedere Classificazione dei disegni sperimentali). Come fanno? Richiedono che il ricercatore divida il campione in sottogruppi o blocchi relativamente omogenei (analoghi agli “strati” nel campionamento stratificato). Quindi, il progetto sperimentale che si desidera implementare viene implementato all’interno di ciascun blocco o sottogruppo omogeneo., L’idea chiave è che la variabilità all’interno di ciascun blocco è inferiore alla variabilità dell’intero campione. Pertanto, ogni stima dell’effetto del trattamento all’interno di un blocco è più efficiente delle stime sull’intero campione. E, quando raggruppiamo queste stime più efficienti tra i blocchi, dovremmo ottenere una stima complessiva più efficiente di quella che faremmo senza bloccare.
Qui, possiamo vedere un semplice esempio. Supponiamo che originariamente intendessimo condurre un semplice progetto sperimentale randomizzato solo dopo il test., Ma riconosciamo che il nostro campione ha diversi sottogruppi intatti o omogenei. Ad esempio, in uno studio di studenti universitari, potremmo aspettarci che gli studenti siano relativamente omogenei rispetto alla classe o all’anno. Quindi, decidiamo di bloccare il campione in quattro gruppi: matricola, secondo anno, junior e senior. Se la nostra intuizione è corretta, che la variabilità all’interno della classe è inferiore alla variabilità per l’intero campione, probabilmente otterremo stime più potenti dell’effetto del trattamento all’interno di ciascun blocco (vedere la discussione sulla potenza statistica)., All’interno di ciascuno dei nostri quattro blocchi, implementeremmo il semplice esperimento randomizzato post-solo.
Nota un paio di cose su questa strategia. Innanzitutto, per un osservatore esterno, potrebbe non essere evidente che stai bloccando. Stai implementando lo stesso design in ogni blocco. E non c’è motivo per cui le persone in diversi blocchi debbano essere segregate o separate l’una dall’altra. In altre parole, il blocco non influisce necessariamente su tutto ciò che fai con i partecipanti alla ricerca., Invece, il blocco è una strategia per raggruppare le persone nell’analisi dei dati al fine di ridurre il rumore: è una strategia di analisi. In secondo luogo, trarrai beneficio da un disegno di blocco solo se sei corretto nel tuo sospetto che i blocchi siano più omogenei dell’intero campione. Se ti sbagli – se le diverse classi a livello universitario non sono relativamente omogenee rispetto alle tue misure – sarai effettivamente ferito bloccando (otterrai una stima meno potente dell’effetto del trattamento). Come fai a sapere se il blocco è una buona idea?, È necessario considerare attentamente se i gruppi sono relativamente omogenei. Se stai misurando gli atteggiamenti politici, per esempio, è ragionevole credere che le matricole siano più simili l’una all’altra di quanto non siano come studenti del secondo anno o juniores? Sarebbero più omogenei per quanto riguarda le misure relative all’abuso di droga? In definitiva la decisione di bloccare comporta il giudizio da parte del ricercatore.
Come il blocco riduce il rumore
Quindi, come funziona il blocco per ridurre il rumore nei dati? Per vedere come funziona, devi iniziare pensando allo studio non bloccato., La figura mostra la distribuzione pretest-posttest per un ipotetico progetto sperimentale pre-post randomizzato. Usiamo il simbolo ‘X ‘per indicare un caso di gruppo di programmi e il simbolo’ O’ per un membro del gruppo di confronto. Puoi vedere che per qualsiasi valore di pretest specifico, il gruppo di programmi tende a superare il gruppo di confronto di circa 10 punti sul posttest. Cioè, c’è circa una differenza media posttest di 10 punti.
Consideriamo ora un esempio in cui dividiamo il campione in tre blocchi relativamente omogenei., Per vedere cosa succede graficamente, useremo la misura pretest per bloccare. Ciò assicurerà che i gruppi siano molto omogenei. Diamo un’occhiata a ciò che sta accadendo all’interno del terzo blocco. Si noti che la differenza media è sempre la stessa che era per l’intero campione – circa 10 punti all’interno di ciascun blocco. Ma si noti anche che la variabilità del posttest è molto inferiore a quella dell’intero campione.
Ricordare che la stima dell’effetto di trattamento è un rapporto segnale-rumore. Il segnale in questo caso è la differenza media. Il rumore è la variabilità., Le due figure mostrano che non abbiamo cambiato il segnale nel passaggio al blocco — c’è ancora una differenza posttest di 10 punti. Ma, abbiamo cambiato il rumore – la variabilità sul posttest è molto più piccola all’interno di ogni blocco che è per l’intero campione. Quindi, l’effetto del trattamento avrà meno rumore per lo stesso segnale.
Dovrebbe essere chiaro dai grafici che il design di blocco in questo caso produrrà l’effetto di trattamento più forte. Ma questo è vero solo perché abbiamo fatto un buon lavoro assicurando che i blocchi erano omogenei., Se i blocchi non fossero omogenei — la loro variabilità era grande quanto l’intero campione-avremmo effettivamente stime peggiori rispetto al semplice caso sperimentale randomizzato. Vedremo come analizzare i dati da un progetto di blocco randomizzato nell’analisi statistica del progetto di blocco randomizzato.