Como devo analisar experimentos de diferenças individuais de medidas repetidas?

Faço pesquisas psicológicas sobre diferenças individuais quase experimentais. Examino como as pessoas que diferem em uma capacidade cognitiva (que eu avalio) realizam outra tarefa que sempre envolve pelo menos manipulações dentro do sujeito (e às vezes entre sujeitos) - os DVDs geralmente são tempo de resposta e / ou precisão. Para esta pergunta, gostaria de focar nos tempos de resposta (vamos supor que eles sejam normalmente distribuídos). A partir daí, deduzo das relações capacidade-tarefa o que significa teoricamente para a capacidade cognitiva. A natureza deste trabalho é correlacional e envolve medidas repetidas, em que cada sujeito conclui muitas tentativas de tarefas (principalmente não estou interessado em mudanças ao longo do tempo, apenas a diferença geral).

Pesquisadores da minha área geralmente criam variáveis categóricas a partir dos escores de capacidade cognitiva e comparam os quartis superior e inferior da distribuição com uma ANOVA de medidas repetidas. Como a capacidade cognitiva é medida continuamente, estou procurando uma estratégia analítica que trate a capacidade cognitiva dessa maneira. Recentemente, tenho investigado modelos mistos, pensando que posso tratar as pessoas como uma variável de agrupamento de efeitos aleatórios e a pontuação da capacidade cognitiva como um efeito aleatório aninhado nas pessoas. Gostaria de examinar as interações entre esse efeito aleatório aninhado (capacidade cognitiva) e os efeitos fixos dos tratamentos experimentais, fazendo comparações de modelos.

Parece uma estratégia analítica razoável? Estou pensando nisso certo? Quais são algumas outras maneiras (quanto mais simples, melhor) que eu posso tirar proveito de medidas repetidas - remover a variação experimental dos sujeitos - e também manter a medida da capacidade cognitiva como uma medida contínua? Quaisquer citações ou exemplos em R são apreciados.

Em um experimento típico, eu esperaria que houvesse entre 1-3 IVs categóricos com 2-4 níveis (medidos por várias tentativas) e 1 IV contínuo (capacidade cognitiva). A natureza exata das variáveis categóricas muda de estudo para estudo. Os desenhos são totalmente cruzados.

repeated-measures

— Matt
fonte

Parece que você está no caminho certo, mas talvez queira analisar a interação entre a capacidade cognitiva e seus outros preditores.

— John

@ John é exatamente o que eu quero fazer. Você está sugerindo que eu não sou capaz de fazer isso com modelos mistos?

— Matt

de modo algum ... estou sugerindo que o que você deseja encontrar é uma interação entre a capacidade cognitiva e seus outros preditores. Tudo o que você precisa fazer é adicioná-los ao modelo.

— John

Eu acho que seria ótimo se você pudesse fornecer alguns exemplos da natureza exata das variáveis independentes (ou seja, quantos fatores e quantos níveis). Acho que você pode ir muito longe com o GLM tradicional, dependendo da natureza exata de seus projetos.

— 9117 Henrik

@ Mat Se você possui dois níveis em uma variável de assunto, pode usar a diferença como dv (não é necessário usar modelos de medidas repetidas). A mesma lógica se aplica se você tiver dois níveis em variáveis de assunto. A interação é a diferença das diferenças (evitando modelos de medidas repetidas). No entanto, se uma de suas variáveis internas tiver mais de dois níveis, essa abordagem não funcionará mais, mas você precisará ir para vários níveis. Eu recomendo que você leia a edição especial do Journal of Memory and Language referida na resposta de chl: J. Mem. Linguagem, 2008 59 (4): Análise de Dados Emergentes

— Henrik

Já havia alguns comentários úteis, que provavelmente estão aguardando algumas atualizações na pergunta, por isso vou deixar algumas referências on-line gerais:

Análise prática de dados para as ciências da linguagem com R , Baayen (2008)
Análise de dados categóricos: Longe de ANOVAs (transformação ou não) e em direção a modelos mistos de logit , Jaeger (J. Mem. Language 2008 59 (4))

Exemplos usando R podem ser encontrados no projeto lme4 - Modelos de efeitos mistos de Doug Bates .

— chl
fonte