randomizowany projekt bloków jest odpowiednikiem projektu badawczego do stratyfikowanego losowego pobierania próbek. Podobnie jak próbkowanie warstwowe, randomizowane projekty bloków są konstruowane w celu zmniejszenia hałasu lub wariancji w danych (patrz klasyfikowanie projektów eksperymentalnych). Jak oni to robią? Wymagają one, aby badacz podzielić próbkę na stosunkowo jednorodne podgrupy lub bloki (analogiczne do „warstw” w próbkowaniu warstwowym). Następnie projekt eksperymentalny, który chcesz zaimplementować, jest realizowany w każdym bloku lub jednorodnej podgrupie., Kluczową ideą jest to, że zmienność w każdym bloku jest mniejsza niż zmienność całej próbki. Tak więc każde oszacowanie efektu leczenia w obrębie bloku jest bardziej efektywne niż szacunki w całej próbce. A kiedy łączymy te bardziej wydajne szacunki między blokami, powinniśmy uzyskać ogólnie bardziej wydajne oszacowanie niż bez blokowania.
tutaj możemy zobaczyć prosty przykład. Załóżmy, że pierwotnie zamierzaliśmy przeprowadzić prosty, randomizowany eksperymentalny projekt posttestowy., Ale zdajemy sobie sprawę, że nasza próbka ma kilka nienaruszonych lub jednorodnych podgrup. Na przykład, w badaniu studentów, możemy spodziewać się, że studenci są stosunkowo jednorodne w odniesieniu do klasy lub roku. Postanowiliśmy więc podzielić próbkę na cztery grupy: pierwszoroczniaków, drugoroczniaków, juniorów i seniorów. Jeśli nasze przeczucie jest poprawne, że zmienność w klasie jest mniejsza niż zmienność dla całej próbki, prawdopodobnie uzyskamy potężniejsze szacunki efektu leczenia w każdym bloku (patrz dyskusja na temat mocy statystycznej)., W ramach każdego z naszych czterech bloków wdrożylibyśmy prosty, randomizowany eksperyment post-only.
zauważ kilka rzeczy na temat tej strategii. Po pierwsze, dla zewnętrznego obserwatora może nie być oczywiste, że blokujesz. W każdym bloku będziesz wdrażał ten sam projekt. I nie ma powodu, aby ludzie w różnych blokach muszą być oddzielone lub oddzielone od siebie. Innymi słowy, blokowanie niekoniecznie wpływa na cokolwiek, co robisz z uczestnikami badań., Zamiast tego blokowanie jest strategią grupowania osób w analizie danych w celu zmniejszenia hałasu – jest to strategia analizy. Po drugie, będziesz korzystać z projektu blokowania tylko wtedy, gdy masz rację w swoim przeczuciu, że bloki są bardziej jednorodne niż cała próbka. Jeśli się mylisz – jeśli różne klasy na poziomie college ' u nie są stosunkowo jednorodne w odniesieniu do Twoich środków-w rzeczywistości zostaniesz zraniony przez blokowanie (otrzymasz mniej potężne oszacowanie efektu leczenia). Skąd wiesz, czy blokowanie to dobry pomysł?, Należy dokładnie rozważyć, czy grupy są stosunkowo jednorodne. Jeśli mierzysz na przykład postawy polityczne, czy rozsądne jest wierzyć, że pierwszaki są bardziej do siebie podobni niż drugoklasiści czy Juniorzy? Czy będą one bardziej jednolite w odniesieniu do środków związanych z nadużywaniem narkotyków? Ostatecznie decyzja o zablokowaniu wiąże się z osądem ze strony badacza.
jak blokowanie redukuje szum
czyli jak blokowanie redukuje szum w danych? Aby zobaczyć, jak to działa, musisz zacząć od myślenia o badaniu niezablokowanym., Rysunek pokazuje rozkład pretest-posttest dla hipotetycznego projektu eksperymentalnego pre-post randomizowanego. Używamy symbolu ” X „do wskazania przypadku grupy programu i symbolu” O ” dla członka grupy porównawczej. Widać, że dla każdej konkretnej wartości wstępnej, grupa programów ma tendencję do przewyższania grupy porównawczej o około 10 punktów na posttestie. Oznacza to, że istnieje około 10-punktowa średnia różnica posttest.
rozważmy teraz przykład, w którym dzielimy próbkę na trzy stosunkowo jednorodne bloki., Aby zobaczyć, co się stanie graficznie, użyjemy miary próby wstępnej do zablokowania. Zapewni to, że grupy są bardzo jednorodne. Spójrzmy na to, co dzieje się w trzecim bloku. Zauważ, że średnia różnica jest nadal taka sama jak dla całej próbki – około 10 punktów w każdym bloku. Ale zauważ również, że zmienność posttestu jest znacznie mniejsza niż w przypadku całej próbki.
pamiętaj, że oszacowanie efektu leczenia jest stosunkiem sygnału do szumu. Sygnał w tym przypadku jest średnią różnicą. Szum jest zmiennością., Dwie liczby pokazują, że nie zmieniliśmy sygnału w przejściu na blokowanie — nadal jest około 10-punktowa różnica posttestu. Zmieniliśmy jednak szum-zmienność na posttestie jest znacznie mniejsza w każdym bloku niż dla całej próbki. Tak więc efekt leczenia będzie miał mniej szumów dla tego samego sygnału.
z Wykresów powinno być jasne, że konstrukcja blokująca w tym przypadku przyniesie silniejszy efekt leczenia. Ale to prawda tylko dlatego, że wykonaliśmy dobrą robotę zapewniając, że bloki były jednorodne., Gdyby bloki nie były jednorodne — ich zmienność była tak duża, jak cała Próbka — w rzeczywistości otrzymalibyśmy gorsze szacunki niż w prostym randomizowanym przypadku eksperymentalnym. Zobaczymy, jak analizować dane z randomizowanego projektu bloku w analizie statystycznej randomizowanego projektu bloku.