Springen naar inhoud

SPSS analyse herhaalde meting


  • Log in om te kunnen reageren

#1

Maartje90

    Maartje90


  • 0 - 25 berichten
  • 4 berichten
  • Gebruiker

Geplaatst op 04 december 2013 - 13:51

Hoi,

ik heb een vraag voor mijn onderzoek over de analyses die ik moet doen. Mij opzet bestaat uit vier metingen, 1 meting voor de behandeling en 3 metingen na de behandeling( laatste meting 6 maanden na).
Ik heb een repeated measurement analyse gedaan, waarbij de spechirity significant is, dus heb gekeken naar de MANOVA toets, welke siginificant is. Nu vraag ik mij af wat dat nu precies zegt en hoe ik verder moet uitzoeken waar die verschillen dan precies zitten. Onze vraag is of de metingen na de behandeling siginificant lager zijn dan voor de behandeling en of dit gedurende maanden verandert.

Ik hoop dat iemand hier kan helpen.

groetjes

Dit forum kan gratis blijven vanwege banners als deze. Door te registeren zal de onderstaande banner overigens verdwijnen.

#2

Saffron

    Saffron


  • >250 berichten
  • 457 berichten
  • Minicursusauteur

Geplaatst op 06 december 2013 - 12:08

Dat zou je met een mixed model kunnen doen.

#3

Maartje90

    Maartje90


  • 0 - 25 berichten
  • 4 berichten
  • Gebruiker

Geplaatst op 07 december 2013 - 15:07

Inmiddels ben ik er ook achter dat ik niet om een multi level analyse heen kan. Ik heb dit echter nooit gehad op mijn studie en alle filmpjes, spss boeken etc maken het ook niet helemaal duidelijk. Wat ik precies moet invoeren en met name wat zeggen de uitkomst waarden over mijn vraag.
Ik heb nu eerst de waardes geherstructureerd, om vervolgens in te voeren:
mixedmodel--> linear
Subjects: id( nummer van de proefpersonen)
Repeated: tijd
OK

volgende scherm:
dependent variabele: de data van de metingen
factor: tijd

Is dit goed ingevoerd? en wat moet ik verder doen om mijn vraag te beantwoorden: zitten er significante verschillen tussen de verschillende meetmomenten. Welke tabellen moet ik gebruiken etc.

Hopelijk kan hier iemand mij verder helpen! Want loop momenteel erg vast.

#4

Saffron

    Saffron


  • >250 berichten
  • 457 berichten
  • Minicursusauteur

Geplaatst op 07 december 2013 - 16:57

Mixed modellen zijn erg flexibel. Wat je nu hebt klinkt ok. Je kan nog variëren met de covariantie structuur maar als je daar liever niet aan begint, dan kan je altijd unstructured nemen. Verschillen tussen de tijdstippen kan je met het EMMEANS commando doen. Dat kan je verkrijgen via 1 van de optieknoppen (heb SPSS nu niet bij de hand), maar dat ziet er in syntaxvorm zoiets uit:
/EMMEANS=tables(tijd) compare(tijd) adj(lsd)

#5

Maartje90

    Maartje90


  • 0 - 25 berichten
  • 4 berichten
  • Gebruiker

Geplaatst op 08 december 2013 - 13:34

Bedankt! hier heb ik wat aan. Weet jij misschien ook waarom de gemiddeldes per meetmoment veranderen ten opzichte van de normale 'gemiddelde berekening' via discriptieve statistieken per meetmoment? is dit omdat dit model de missing values zelf invult?

#6

Saffron

    Saffron


  • >250 berichten
  • 457 berichten
  • Minicursusauteur

Geplaatst op 08 december 2013 - 16:30

Het heeft inderdaad met de missings te maken. Mixed models gaan anders om met missings; ze gooien incomplete cases er niet uit en gebruiken een Maximum likelihood methode.

#7

Maartje90

    Maartje90


  • 0 - 25 berichten
  • 4 berichten
  • Gebruiker

Geplaatst op 12 december 2013 - 12:21

Bedankt voor de info, deze waardes wijken echter wel erg sterk af. Er zijn veel missende meetmomenten. Kan ik daar op de één of andere manier nog op een andere manier rekening mee houden. Ik hoorde van iemand iets over een random factor toevoegen, maar hoe dit precies moet en waarom weet ik niet.

#8

Saffron

    Saffron


  • >250 berichten
  • 457 berichten
  • Minicursusauteur

Geplaatst op 13 december 2013 - 02:02

Wat is dan het percentage missings per meetmoment? En wat zijn dan de normale means (en zijn die met pairwise deletion berekend) en de means uit de mixed? Niet toevallig de missings vergeten te definieren?
Random effects gebruik je in multilevel designs waar data genest zijn en waarbij je rekening wilt houden met het feit dat waarnemingen binnen een level meer gecorreleerd zijn met elkaar dan met waarnemingen uit een ander level. Bv als je data bij leerlingen uit verschillende klassen verzameld, kan klas als random effect worden toegevoegd. Of bij herhaalde metingen binnen personen, kan je een random effect voor persoon toevoegen omdat je kan verwachten dat metingen binnen personen meer gecorreleerd zijn met elkaar dan metingen tussen personen. Maar random effecten doen niks verder met de missings. Het mixed model zelf is al 1 van de beste manieren om om te gaan met missings.





0 gebruiker(s) lezen dit onderwerp

0 leden, 0 bezoekers, 0 anonieme gebruikers

Ook adverteren op onze website? Lees hier meer!

Gesponsorde vacatures

Vacatures