den randomiserade Blockdesignen är forskningsdesignens motsvarighet till stratifierad slumpmässig provtagning. Liksom stratifierad provtagning är randomiserade blockdesigner konstruerade för att minska buller eller varians i data (se klassificera experimentella mönster). Hur gör de det? De kräver att forskaren delar provet i relativt homogena undergrupper eller block (analoga med ”strata” i stratifierad provtagning). Sedan implementeras den experimentella designen du vill implementera inom varje block eller homogen undergrupp., Huvudidén är att variationen inom varje block är mindre än variationen i hela provet. Således är varje uppskattning av behandlingseffekten inom ett block effektivare än uppskattningar över hela provet. Och när vi samlar dessa mer effektiva uppskattningar över block bör vi få en övergripande effektivare uppskattning än vi skulle utan att blockera.
Här kan vi se ett enkelt exempel. Låt oss anta att vi ursprungligen tänkt att genomföra en enkel posttest-endast randomiserad experimentell design., Men vi inser att vårt prov har flera intakta eller homogena undergrupper. Till exempel, i en studie av högskolestudenter, kan vi förvänta oss att eleverna är relativt homogena med avseende på klass eller år. Så vi bestämmer oss för att blockera provet i fyra grupper: freshman, sophomore, junior och senior. Om vår känsla är korrekt, att variationen inom klassen är mindre än variationen för hela provet, kommer vi förmodligen att få mer kraftfulla uppskattningar av behandlingseffekten inom varje block (se diskussionen om statistisk kraft)., Inom vart och ett av våra fyra kvarter skulle vi genomföra det enkla randomiserade experimentet efter bara.
Lägg märke till ett par saker om denna strategi. För det första till en extern observatör kan det inte vara uppenbart att du blockerar. Du skulle genomföra samma design i varje block. Och det finns ingen anledning att människorna i olika block måste segregeras eller separeras från varandra. Med andra ord påverkar blockering inte nödvändigtvis något som du gör med forskningsdeltagarna., I stället är blockering en strategi för att gruppera människor i din dataanalys för att minska bullret – det är en analysstrategi. För det andra kommer du bara att dra nytta av en blockerande design om du har rätt i din känsla att blocken är mer homogena än hela provet är. Om du har fel-om olika högskoleklasser inte är relativt homogena med avseende på dina åtgärder-kommer du faktiskt att skadas genom att blockera (du får en mindre kraftfull uppskattning av behandlingseffekten). Hur vet du om blockering är en bra idé?, Du måste noga överväga om grupperna är relativt homogena. Om du mäter politiska attityder, till exempel, är det rimligt att tro att freshmen är mer lika varandra än de är som sophomores eller juniorer? Skulle de vara mer homogena när det gäller åtgärder i samband med narkotikamissbruk? I slutändan innebär beslutet att blockera bedömning från forskarens sida.
hur blockering minskar bruset
Så hur fungerar blockering för att minska bruset i data? För att se hur det fungerar måste du börja med att tänka på den icke-blockerade studien., Figuren visar den pretest-posttest fördelningen för en hypotetisk pre-post randomiserad experimentell design. Vi använder X-symbolen för att ange ett programgruppskal och O-symbolen för en jämförelsegruppsmedlem. Du kan se att för varje specifikt pretest-värde tenderar programgruppen att överskrida jämförelsegruppen med cirka 10 poäng på posttest. Det vill säga, det finns ungefär en 10-punkts posttest genomsnittlig skillnad.
låt oss nu överväga ett exempel där vi delar provet i tre relativt homogena block., För att se vad som händer grafiskt, använder vi pretest-åtgärden för att blockera. Detta kommer att säkerställa att grupperna är mycket homogena. Låt oss titta på vad som händer inom det tredje blocket. Observera att medelskillnaden fortfarande är densamma som för hela provet – cirka 10 poäng inom varje block. Men märker också att posttests variabilitet är mycket mindre än det var för hela provet.
Kom ihåg att uppskattningen av behandlingseffekten är ett signal-brusförhållande. Signalen i detta fall är den genomsnittliga skillnaden. Bullret är variationen., De två siffrorna visar att vi inte har ändrat signalen för att flytta till blockering — det finns fortfarande en 10-punkts posttest skillnad. Men vi har ändrat bullret-variabiliteten på det posttest är mycket mindre inom varje block som det är för hela provet. Så, behandlingseffekten kommer att ha mindre ljud för samma signal.
det bör framgå av diagrammen att blockeringsdesignen i detta fall kommer att ge den starkare behandlingseffekten. Men detta är sant bara för att vi gjorde ett bra jobb som försäkrade att blocken var homogena., Om blocken inte var homogena – deras variabilitet var lika stor som hela provets — skulle vi faktiskt få sämre uppskattningar än i det enkla randomiserade experimentella fallet. Vi ser hur man analyserar data från en randomiserad blockdesign i den statistiska analysen av den randomiserade Blockdesignen.