STATISTIK-FORUM.de

[antonia.26]

Hallo liebe Community,

ich habe folgendes Untersuchungsdesign: 2 Messzeitpunkte (prä_intervention und post), 2 Gruppen (Interventionsgruppe/Kontroll-) und eine abhängige Variable mit 5 verschiedenen Facetten/ Skalen. Für jede dieser Skalen erwarte ich eine Erhöhung bei der IG zum post-Zeitpunkt im Gegensatz zur KG und im Gegensatz zum prä-Zeitpunkt. Ich will mir also den Interaktionseffekt anschauen.
1. Findet ihr das Design (Mixed ANOVA) sinnvoll? Ein Betreuer hatte z.B. ursprünglich die einfaktorielle ANOVA mit Messwiederholung genannt.

Mein Hauptanliegen ist aber folgendes: ich rechne dies in jamovi. Nun gibt es in 1) IG und KG unterschiedlich viele personen, und vor allem 2) gibt es pro Facette unterschiedlich viele Personen, die die Items ausgefüllt haben. Heißt, hier liegen missing values vor, und diese sind nicht gleich viele für die verschiedenen Facetten/Skalen. Wie kann ich damit umgehen? N = 82, und es fehlen maximal bei einer Skala n = 5. Bei einer anderen aber z.B. n = 3 missing.


2. Ist es sinnvoll, auf fallweisen Ausschluss zurückzugreifen?
3. Hat jemand mehr Erfahrung mimt jamovi und kann bestätigen, dass das Programm dies automatisch tut, wenn man nichts anderes unternimmt?

Vielen Dank.
Beste Grüße
Antonia

[PonderStibbons]

ich habe folgendes Untersuchungsdesign: 2 Messzeitpunkte (prä_intervention und post), 2 Gruppen (Interventionsgruppe/Kontroll-) und eine abhängige Variable mit 5 verschiedenen Facetten/ Skalen. Für jede dieser Skalen erwarte ich eine Erhöhung bei der IG zum post-Zeitpunkt im Gegensatz zur KG und im Gegensatz zum prä-Zeitpunkt. Ich will mir also den Interaktionseffekt anschauen.
1. Findet ihr das Design (Mixed ANOVA) sinnvoll? Ein Betreuer hatte z.B. ursprünglich die einfaktorielle ANOVA mit Messwiederholung genannt.

Ich verstehe die Alternative nicht. Man kann denken entweder an eine "Mixed MANOVA" (2 Messzeitpunkte, 2 Gruppen, mehrere abhängige Variablen),
oder eine Serie von "Mixed ANOVA" (dasselbe mit jeweils nur 1 abhängigen Variablen)

Das Entscheidende ist die Theorie dahinter. Ist es 1 Variable mit 5 Aspekten, dann Mixed MANOVA. Sind es 5 separate Variablen, dann 5 Mixed ANOVA.

Mein Hauptanliegen ist aber folgendes: ich rechne dies in jamovi. Nun gibt es in 1) IG und KG unterschiedlich viele personen, und vor allem 2) gibt es pro Facette unterschiedlich viele Personen, die die Items ausgefüllt haben. Heißt, hier liegen missing values vor, und diese sind nicht gleich viele für die verschiedenen Facetten/Skalen. Wie kann ich damit umgehen? N = 82, und es fehlen maximal bei einer Skala n = 5. Bei einer anderen aber z.B. n = 3 missing.

Ein Linear Mixed Model wäre von vornherein passend (weiß nicht on J>MOVI sowas hat).

Wie viele Probanden fehlen, wenn alle mit mindestens 1 missing value gestrichen werden?

Generell würde ich das aber entspannt sehen. Eine n=85-Studie kann ja zwangsläufig kaum zum Erkenntnisfortschritt beitragen.

Freundliche Grüße

PonderStibbons

[bele]

Ein Linear Mixed Model wäre von vornherein passend (weiß nicht on JAMOVI sowas hat).

Das hier scheint eine vollständige Liste für Jamovi zu sein und ich finde da kein Mixed model:
https://www.jamovi.org/jmv/

Sucht man hingegen "jasp linear mixed effects model" dann fundet google richtig viel, auch YT Videos mit Anleitungen. Vielleicht wäre Jasp eine akzeptable Alternative zu Jamovi?

LG,
Bernhard

PS:

Generell würde ich das aber entspannt sehen. Eine n=85-Studie kann ja zwangsläufig kaum zum Erkenntnisfortschritt beitragen.

Das wäre mir zu negativ. Es gibt auch Studien die starke Effekte untersuchen und solch, bei denen mehr Daten nicht feasible sind. Richtig ist aber, dass Interaktionseffekte große Fallzahlen brauchen.

[antonia.26]

Lieber PonderStibbons, lieber Bernhard

danke erst einmal für eure Antworten! In die Mixed Manova lese ich gleich mal rein.
Bzgl. jasp: ich fürchte, die Betreuung meiner Arbeit wünscht sich ausdrücklich jamovi.
Was denkt ihr zwecks einer Imputation? Es sind bei denen, die nun übrig sind nur einzelne Items, die hier und da mal fehlen (2 VPn habe ich fallweise ausgeschlossen, da tatsächlich keine Daten für die Variable in der Prä-Erhebung vorlagen).

Wenn ihr dazu noch einen Gedanken oder eine Erfahrung teilen könnt, wäre ich sehr dankbar.

LG Antonia

[bele]

Hallo Antonia,

Imputation macht meines Erachtens dann Sinn, wenn man zuviel Informationen über eine Beobachtung hat, um sie guten Gewissens zu verwerfen. Wenn also von zehn erhobenen Werten pro Teilnehmer neun vorhanden sind, dann kann es besser sein, einen zu imputieren als neun zu verwerfen. Bei Deiner Schildeurng oben sehe ich noch nicht ganz, wie das zusammen kommt. Es muss halt das Ausbessern kleiner Lücken bleiben und nicht zum Erfinden von Werten werden.

Ansonsten habe ich nochmal gegoogelt und auch wenn in der von mir verlinkten Liste auf der jamovi-Seite davon keine Rede war gibt es Youtube-Videos, die zeigen, wie man miced effects modells in jamovi rechnet. Vielleicht war ich mit meiner Schlussfolgerung zu schnell?

https://www.youtube.com/watch?v=sIhaCBofWck

LG,
Bernhard

[antonia.26]

Hallo Bernhard,
wirklich vielen Dank für diese schnelle und mühevolle Reaktion!!!
Nun, die Skalen haben jeweils mindestens 7, maximal 9 Items. Bei den Personen fehlt dann vllt. bei genau einem Item ein Wert. Daher dachte ich, eine Imputation könnte vllt doch sinnvoll sein... Ich habe damit bisher aber auch keine Erfahrung machen dürfen.

Vielen Dank für deine Recherche, das werde ich mir gleich mal anschauen!

LG Antonia

[bele]

Nun, die Skalen haben jeweils mindestens 7, maximal 9 Items. Bei den Personen fehlt dann vllt. bei genau einem Item ein Wert. Daher dachte ich, eine Imputation könnte vllt doch sinnvoll sein...

Ja, das klingt genau nach dem Anwendungsfall in dem Imputation vertretbar sein kann jnd eventuell einen Bias vermeiden kann.

LG,
Bernhard

[antonia.26]

Hallo,

danke erst einmal. Ich hätte noch eine Frage, zu der mich eine Einschätzung sehr interessieren würde. Sollte ich mich dazu entscheiden, die Mixed Anova durchzuführen, die Fälle, bei denen Missings vorliegen auszuschließen, dann wären ja pro Skala (aV), die ich betrachte, unterschiedlich viele VPn/ Datenpunkte vorliegend. Das wäre methodisch wahrscheinlich unsauber bzw. ein Problem, oder??? Ich bin mir gerade sehr unsicher.

Oder Müsste ich dann alle, die auf irgendeinem der Items aller 5 Skalen ein missing haben, von den Analysen insgesamt ausschließen?

Dankeschön.
LG
Antonia

[bele]

Wenn Du fünf verschiedene Hypothesen testest, warum ist es dann schlimm, wenn die fünf Tests unterschiedlich viele Beobachtungen einschließen?

Wenn es wirklich nur um einzelne Items einer Skala geht wäre mir die Idee mit der Imputation sympathischer.

LG,
Bernhard