Análisis estadístico y consideraciones de potencia en la evaluación de programas mediante diseños de muestreo de dos etapas

  1. Secades Villa, Roberto 1
  2. Vallejo Seco, Guillermo 1
  3. Fernández Hermida, José Ramón 1
  1. 1 Universidad de Oviedo
    info

    Universidad de Oviedo

    Oviedo, España

    ROR https://ror.org/006gksa02

Revista:
Psicothema

ISSN: 0214-9915

Any de publicació: 2003

Volum: 15

Número: 2

Pàgines: 300-308

Tipus: Article

DIALNET GOOGLE SCHOLAR lock_openAccés obert editor

Altres publicacions en: Psicothema

Resum

La evaluación de programas de prevención acarrea errores de decisión derivados principalmente de la dificultad de asignar de manera aleatoria las unidades individuales a las condiciones de investigación. La elección de la unidad de análisis apropiada a la hora de evaluar la efectividad del impacto está determinada por la naturaleza de la intervención y por el diseño de investigación seleccionado. Cuando las unidades de asignación y de observación difieren entre sí, esto es, cuando entidades colectivas más que individuales son asignadas al azar a los tratamientos, los análisis realizados en los niveles más bajos de la jerarquía proporcionan estimaciones ineficientes de los parámetros y a menudo conducen a que las pruebas de significación sean inadecuadas. La meta de este trabajo es doble. Por un lado, presentar un método analítico que permite utilizar los datos de cualquier nivel del diseño sin inflar las tasas de error. Y, por otro lado, determinar el número de grupos y el tamaño de éstos en función de la variabilidad existente y de los costos.

Referències bibliogràfiques

  • Aitkin, M.A. y Longford, N.T. (1986). Statistical modeling issues in school effectiveness studies. Journal of the Royal Statistical Society, Series A, 149, 1-43.
  • Breslow, N.E. y Clayton, D.G. (1993). Approximate inference in generalized linear mixed models. Journal of the American Statistical Association, 88, 9-25.
  • Brown, H. y Prescott, R. (1999). Applied Mixed Models in Medicine. New York: John Wiley & Sons.
  • Carvajal, S.C., Baumler, E., Harrist, R.B. y Parcel, G.S. (2001). Multinivel models and unbiased tests for group based interventions: Examples from the safer choices study. Multivariate Behavioral Research, 36(2), 185-205.
  • Cochran, W. (1977). Sampling Techniques, 3rd Ed. New York: John Wiley and Sons.
  • Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences, 2nd Ed. Hillsdale, NJ: Erlbaum
  • D’Amico, E.J., Neilands, T.B. y Zambarano, R. (2001). Power analysis for multivariate and repeated measures designs: A flexible approach using SPSS MANOVA procedure. Behavior Research Methods, Instruments, and Computer, 33 , 479-484.
  • Dempster, A.P., Laird, N.M. y Rubin, D.B. (1977). Maximum likelihood from incomplete data via the EM algorithm. Journal of the Royal Statistical Society. Ser. B, 39, 1-38.
  • Goldstein, H. (1995). Multilevel Statistical Models, 2nd Ed. London: Arnold.
  • Lair, N.M. y Ware, J.H. (1982). Random-effects models for longitudinal data. Biometrics, 38, 963-974.
  • Lindstrom, M.J. y Bates, D. (1988). Newton-Raphson and EM algorithms for linear mixed-effects models for repeated-measures data. Journal of the American Statistical Association, 83, 1.014-1.022.
  • Harville, D.A. (1977). Maximum likelihood approaches to variance component estimation and to related problems. Journal of the American Statistical Association, 72, 320-338.
  • Jennrich, R.I. y Schluchter, M.D. (1986). Unbalanced repeated–measures models with structured covariance matrices. Biometrics, 42, 805-820.
  • Kenward, M.G. y Roger, J.H. (1997). Small sample inference for fixed effects from restricted maximum likelihood. Biometrics, 53, 983-997.
  • Liang, K.Y. y Zeger, S.L. (1986). Longitudinal data analysis using generalized linear models. Biometrika, 73, 13-22.
  • McCulloch, C.E. y Searle, R.S. (2001). Generalized, Linear, and Mixed Models. New York: John Wiley and Sons, Inc.
  • Muller, K.E., La Vange, L.M., Ramey, S.L. y Ramey, C.T. (1992). Power calculations for general linear multivariate models including repeated measures applications. Journal of the American Statistical Association, 87, 1.209-1.226.
  • Murray, D.M. (1998). Design and Analysis of Group-Randomized Trials. New York: Oxford University Press.
  • Oliver, J.C., Rosel, J. y Jara, P. (2000). Modelos de regresión multinivel: Aplicación en Psicología escolar. Psicothema, 12, 487-494.
  • Raudenbush, S.W. (1997). Statistical analysis and optimal design for cluster randomized trials. Psychological Methods, 2, 173-185.
  • Raudenbush, S.W. y Liu, X. (2000). Statistical power and optimal design for multis ite randomized trials. Psychological Methods, 5, 199-213.
  • Raudenbush, S.W. y Bryk, A. S. (2002). Hierarchical Linear Models. Ap plications and Data. Thousand Oaks, CA: SAGE Publications, Inc.
  • Rinndskopf, D. y Saxe, L. (1998). Zero effects in substance abuse programs: Avoiding false positives and false negatives in the evaluation of community-based programs. Evaluation Review, 22, 78-94
  • Shadish, W.R., Cook, T.D. y Campbell, D.J. (2002). Experimental and Quasi Experimental Designs for Generalized Causal Inference. Boston: Houghton Mifflin.
  • SAS Institute (2001). SAS/STAT Software: Version 8.2 (TS M0). Cary, NC: SAS Institute Inc.
  • Searle, S.R., Casella, G. y McCulloch, C.E. (1992). Variance Components . New York: John Wiley and Sons, Inc.
  • Singer, D.J. (2002). Fitting individual growth models using SAS PROG MIXED. In D.S. Moskowitz and S.L. Hershberger (Eds.), Modeling Intraind ividual variability with Repeated Measures Data: Methods and Applications (pp. 135-170). Mahwah, NJ: Lawrence Erlbaum Associates.
  • Van der Leeden, R. (1998). Multilevel analysis of longitudinal data. In C.H.J. Bijleveld and L J. Th. van der Kamp (Eds.), Longitudinal Data Analysis: Designs, Models and Methods (pp. 269-317). Thousand Oaks, CA: SAGE Publications, Inc.
  • Vallace, D. y Green, B.S. (2002). Analysis of repeated measures designs with linear mixed models. In D.S. Moskowitz and S.L. Hershberger (Eds.), Modeling Intraindividual Variability with Repeated Measures Data: Methods and Applications (pp.135-170). Mahwah, NJ: Lawrence Erlbaum Associates.
  • Wolfinger, R. y O’Connell, M. (1993). Generalized linear mixed models: A pseudo-likelihood approach. Journal of Statistical Computation and Simulation, 48, 233-243.
  • Wolfinger, R.D. (1996). Heterogeneous variance-covariance structures for repeated measures. Journal of Agricultural, Biological, and Environmental Statistics, 1, 205-230.
Fuente de los datos: Dialnet