Statistische toets bij een onderzoek

Moderator: rwwh

Reageer
Berichten: 2

Statistische toets bij een onderzoek

Beste forumleden,
 
Afgelopen 3 weken hebben mijn partner en ik onze begeleiders meerdere keren gevraagd hoe we de statistische analyse van de resultaten van ons neurofeedback experiment moeten aanpakken. Helaas hebben zij ons hier nog steeds geen concreet en correct antwoord op kunnen geven, terwijl de afsluitende presentatie al op vrijdag plaatsvindt. Omdat ik nu echt wanhopig begin te worden, stel ik mijn vraag nu hier, in de hoop dat iemand mij kan helpen.
 
Tijdens ons experiment hebben we gekeken of neurofeedback kan worden gebruikt om de relatieve hoeveelheid alpha-golven in de hersenen omhoog kan brengen. Hiertoe hebben we verschillende groepen gebruikt:
- controle (geen last van angst en stress, maar wel feedback gebaseerd op hersenactiviteit)
- sham (geen last van angst en stress en een random feedback)
- stress (last van stress en feedback gebaseerd op hersenactiviteit)
- angst+stress (last van angst en stress en feedback gebaseerd op hersenactiviteit)
Omdat we het experiment met twee personen hebben uitgevoerd hebben we een andere testgroep (stress of angst+stress), maar gebruiken we beiden de controle- en shamgroep. Om te kijken of de alpha-golven in hoeveelheid toenemen, hebben we de ratio van de alpha/totaal gebruikt en hier een derdegraads polynomial op gefit (f(x)=p1x^3+p2x^2+p3x+p4). Hier komen verschillende waarden uit die volgens ons het leerproces beschrijven.
 
Neurofeedback statistiek vragen

Voor de data geldt dat proefpersonen op basis van scores op vragenlijsten zijn ingedeeld in een bepaalde groep. Iedereen heeft 6 metingen gehad, verdeeld over 2 sessies (in sessie 1 drie metingen en in sessie 2 weer drie). We weten van alle data niet of het normaal verdeeld is, we weten namelijk niet hoe we dat moeten testen.
 
<ul class="">
[*]Wat is de juiste test voor verschil in baseline alpha ratio waarde (p4 waardes in excel, sheet ‘session1’ omdat we alleen de data van sessie 1 kunnen verwerken op dit moment)? Het gaat hier om 2 groepen van verschillende grootte. De groepen zijn hierbij controle en stress of stress&anxiety. Het experiment is met z’n tweeën uitgevoerd maar er worden twee verschillende artikelen over geschreven: een over controle vs stress en een over controle vs stress&anxiety. Onze hypothese was dat de p4 bij de testgroep lager zou zijn dan bij de controle groep, maar we kunnen uit de boxplot (zie excel) al zien dat dat niet het geval is.
[*]Wat is de juiste test voor verschil in initiële leersnelheid (p3 waardes in excel, sheet ‘session1’)? We willen deze waardes vergelijken tussen de sham groep (random noise) en controle groep (neurofeedback; noise is afhankelijk van real time relatieve alpha power) om de vraag te beantwoorden of neurofeedback een groter leereffect veroorzaakt dan enkel aandacht en ontspannen luisteren naar muziek. De hypothese was dat de p3 in de controle groep groter zou zijn dan in de sham groep, maar ook hierbij blijkt uit de boxplot dat dat niet significant verschilt. We willen echter wel een niet-significante p-waarde kunnen noemen in onze artikels. De afhankelijke variabele is hier dus de feedback.

We willen de p3 waarde ook vergelijken tussen de controle groep en de testgroep (ofwel stress ofwel stress&anxiety). De testgroep hoeft echter niet met de sham groep vergeleken te worden. De afhankelijke variabele bij deze vergelijking is de gerapporteerde stress of stress&anxiety in plaats van de feedback (iedereen kreeg ‘echte’ feedback, dus feedback gebaseerd op de real time relatieve alpha power / ratio). We willen met deze vergelijking kijken of stress/stress&anxiety invloed heeft op de leercapaciteit en verwachtten dat de p3 in de testgroep (stress/stress&anxiety) lager zou zijn dan in de controle groep. In de boxplot in de excel file lijkt het niet alsof de waardes verschillen.

We denken dat dit met verschillende testen gedaan moet worden omdat de condities verschillen, maar misschien is dat niet zo?
[*]Dezelfde vragen als bij punt 2 worden ook op een andere manier onderzocht. De frequentie waarmee de ratio schommelt tijdens de meting neemt namelijk ook toe. Dit komt doordat de alpha frequenties niet ‘aan’ of ‘uit’ staan, maar bij verhoging van de power sneller gaan switchen tussen ‘aan’ en ‘uit’. Om dit te analyseren maken we een intensity plot van de frequentie van de ratio over de tijd, waarin te zien is dat de hogere frequenties eerst afwezig zijn en toenemen naarmate de meting vordert. Onze programmeer hulp, zei dat het als het goed is, mogelijk is om een fit te doen op deze figuren. Dit zal waarschijnlijk een exponentiële functie zijn (naast dat dit de data goed lijkt te beschrijven, past dat ook bij een leerproces). Daar zullen dan weer coëfficiënten uit komen voor elke meting.

Het liefst willen we het verloop van de hele lijn vergelijken tussen de groepen, maar we weten niet hoe dit zou moeten. De coëfficiënten vergelijken zoals bij de polynoom op de ratio is dan niet optimaal. Zelf dachten we dat het misschien mogelijk zou zijn om de exponentiële functie te transformeren naar een lineaire functie en vervolgens lineaire regressie te toetsen, maar hier geldt opnieuw dat we niet genoeg basiskennis van statistiek meer hebben om te bepalen of dat klopt en of dat de beste optie is.

Deze gefitte functies zouden we weer tussen controle en sham (variabele = feedback type) en tussen controle en testgroep (variabele = mate van stress / stress&anxiety) willen vergelijken. We weten alleen niet wat de beste manier is om waardes te krijgen voor elke meting (om überhaupt statistiek te kunnen doen), welke toets (met welke voorwaardes) daarbij hoort en hoe die toets dan daadwerkelijk gedaan moet worden.
[/list]
 
Alvast enorm bedankt dat je er überhaupt naar wil kijken!
 

Dit forum kan gratis blijven vanwege banners als deze. Door te registeren zal de onderstaande banner overigens verdwijnen.
Gebruikersavatar
Berichten: 8.488

Re: Statistische toets bij een onderzoek

Met deze tekst is vrij weinig te beginnen. Los van het excel document waar je naar verwijst wat niet is bijgesloten, is er vrij weinig wat iemand hier direct mee zou kunnen doen. Als jij een experiment doet, dan ben jij ook verantwoordelijk om van tevoren te bedenken welke statistische analyse en methodiek je gaat gebruiken. Dit dien je van te voren vast te leggen om P-hacking te voorkomen. Het is ook niet de schuld van je begeleider dat ze je niet willen zeggen welke test je dient toe te passen, dit had je van te voren al moeten bepalen.
 
Testen voor een normale distributie is alleen nuttig als je genoeg meetwaarden hebt om mee te testen. In veel gevallen kan je een normale distributie bijvoorbeeld aannemen, en in sommige gevallen duidelijk niet. Heb je bijvoorbeeld met een categorische data te maken (normaal, gemiddeld, zwaar) dan neem je geen normale distributie aan. Ook bij een poisson distributie en een aantal andere distributies is een normale verdeling automatisch uitgesloten. Een poisson distributie doet zich bijvoorbeeld voor wanneer je meetwaarden niet onder nul kunnen gaan en zodoende de linker schouder van een normaal gesproken normale verdeling 'verpesten'.
 
Als je direct wilt testen of je met een normale verdeling van doen hebt dan is een normal probability plot (NP plot) of een Jarque-Bera test toe te passen. Voor de rest zal je je ook af moeten vragen of je met hoeveel groepen je van doen hebt, met hoeveel meet waarden je van doen hebt (en of deze gepaard zijn). Je hebt met 3 of meer groepen van doen, waarbij je meerdere metingen (P1, P2, P3, P4 etc.) hebt die afhankelijk van elkaar zijn. Als dit inderdaad zo is, dan zal je waarschijnlijk met een mancova uit de voeten kunnen.  In het geval van een niet normale verdeling zou je eens kunnen kijken naar een Man-Whitney U test.
"Meep meep meep." Beaker

Reageer