Micro-randomized Trials with Categorical Treatments and Binary Proximal Outcome: Causal Effect Estimation and Sample Size Calculation
Diese Arbeit adressiert die Herausforderungen von mikro-randomisierten Studien mit kategorialen Behandlungen und binären proximalen Outcomes, indem sie den kausalen Exkursions-Effekt definiert, den EMEE-catA-Schätzer vorschlägt und eine robuste Stichprobengrößenformel herleitet, um eine angemessene Power für den Vergleich von Behandlungsstufen zu gewährleisten, wie durch Simulationen und eine reale Anwendung demonstriert wird.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind der Kapitän eines Raumschiffs und versuchen, Ihre Crew dazu zu bringen, ihr Gemüse zu essen. Sie verfügen über eine Flotte von Smart-Geräten an deren Handgelenken, die kleine Anstöße senden können: eine lustige Zeichentrickfigur, eine ernste Erinnerung oder ein freundliches High-Five. Aber Sie wissen nicht, welcher Anstoß am besten funktioniert, oder ob die Crew überhaupt auf ihre Handgelenke schaut, wenn Sie einen Impuls senden. Dies ist die Welt der mobilen Gesundheit (mHealth): die Nutzung von Telefonen und Wearables, um Menschen dabei zu helfen, ihre Gewohnheiten zu ändern, wie etwa weniger Alkohol zu trinken oder sich mehr zu bewegen.
Um herauszufinden, was funktioniert, verwenden Wissenschaftler eine spezielle Art von Experiment, das eine Mikro-Randomisierte Studie (MRT) genannt wird. Stellen Sie sich das wie ein riesiges, Hochgeschwindigkeits-Spiel nach dem Motto „Wähle dein eigenes Abenteuer“ vor. Anstatt einer Person für den gesamten Monat eine einzige Strategie zuzuweisen, wirft der Computer hunderte Male am Tag eine Münze. In jedem einzelnen Moment, in dem eine Entscheidung getroffen wird, wählt er zufällig einen anderen Anstoß aus, der gesendet werden soll. Dies geschieht so schnell und so oft, dass Forscher fast augenblicklich sehen können, ob ein bestimmter Anstoß jemanden dazu veranlasst hat, seine App zu öffnen oder Schritte zu machen. Die große Frage, die sie zu beantworten versuchen, lautet: „Hat dieser spezifische Impuls, gesendet genau jetzt, die Person dazu gebracht, das Gute zu tun?“
Der knifflige Teil ist, dass die Nachrichten nicht immer nur aus „Ja“ oder „Nein“ bestehen. Manchmal haben Sie eine ganze Auswahl an Optionen: eine kurze Nachricht, eine lange Geschichte, ein Video oder gar keine Nachricht. Und das Ergebnis, das Sie suchen, ist oft ein einfaches „Ja“ oder „Nein“ (hat die Person die App geöffnet? ja/nein). Herauszufinden, wie man diese Experimente so gestaltet, dass man genug Teilnehmer hat, um eine klare Antwort zu erhalten, ohne Zeit und Geld zu verschwenden, ist wie der Versuch, einen Kuchen zu backen, bei dem man nicht genau weiß, wie viele Eier man braucht, bevor man überhaupt mit dem Mischen begonnen hat.
Dieses Paper handelt davon, diesen Kuchen korrekt zu backen. Die Autoren, Jeremy Lin und Tianchen Qian, sind Statistiker, die ein neues Rezept für diese mobilen Gesundheits-Experimente entwickelt haben. Sie haben ein Werkzeug erschaffen, das Forschern hilft, genau zu berechnen, wie viele Menschen sie rekrutieren müssen, um sicherzustellen, dass ihr Experiment tatsächlich funktioniert.
Hier ist das Problem, das sie gelöst haben: In der Vergangenheit funktionierten diese Werkzeuge nur gut, wenn es zwei Auswahlmöglichkeiten gab (wie „eine Nachricht senden“ gegenüber „keine Nachricht senden“). Aber in der realen Welt wollen Wissenschaftler oft viele verschiedene Arten von Nachrichten gleichzeitig testen. Stellen Sie sich ein Menü vor mit einem „lustigen Witz“, einer „ernsten Warnung“ und einem „motivierenden Zitat“. Die alten Werkzeuge konnten dieses Menü nicht richtig handhaben, insbesondere wenn das Ergebnis ein einfaches „Ja/Nein“ ist (wie „hat die Person die App geöffnet?“).
Die Autoren haben eine neue Methode erfunden, um die Wirkung dieser multiplen Auswahlmöglichkeiten zu messen. Sie nennen ihre neue Methode EMEE-catA. Es ist wie ein superstarker Taschenrechner, der in der Lage ist, eine chaotische Historie von tausenden zufälligen Anstößen zu betrachten und Ihnen sagen kann: „Hey, der lustige Witz hat die Leute tatsächlich 3,6 Mal häufiger dazu gebracht, die App zu öffnen, als wenn gar nichts gesendet wurde!“ Noch besser: Dieser Taschenrechner ist robust. Er bricht nicht zusammen, wenn die Forscher falsche Details darüber erraten, wie Menschen sich normalerweise verhalten. Er ist darauf ausgelegt, robust zu sein, was bedeutet, dass er auch dann das richtige Ergebnis liefert, wenn die reale Welt chaotisch und unvorhersehbar ist.
Aber die wahre Magie ist die Stichprobengrößenformel. Dies ist eine mathematische Regel, die einem Forscher sagt: „Wenn Sie zu 80 % sicher sein wollen, dass Sie den Unterschied zwischen Ihrem ‚lustigen Witz‘ und Ihrer ‚ernsten Warnung‘ feststellen können, benötigen Sie genau 1.197 Personen.“ Vor diesem Paper haben Forscher diese Zahl oft nur geschätzt, was dazu führen konnte, dass Experimente entweder zu klein waren, um etwas zu finden, oder zu groß und verschwenderisch waren.
Die Autoren haben ihr neues Rezept mit Daten aus einer echten Studie namens Drink Less getestet, die Menschen dabei half, ihren Alkoholkonsum zu reduzieren. In dieser Studie wurden 349 Personen über 30 Tage hinweg täglich angestoßen. Als die Autoren ihre neue Formel auf diese Daten anwandten, bestätigte dies, dass das Studiendesign solide war. Sie führten auch tausende Computersimulationen durch – virtuelle Experimente, bei denen sie vorgaben, die Forscher zu sein –, um zu sehen, ob ihre Formel versagen würde, wenn die reale Welt nicht perfekt den Regeln folgte.
Die Ergebnisse waren vielversprechend. Die Formel funktionierte hervorragend, wenn die Regeln befolgt wurden. Aber selbst als die Forscher in ihren Simulationen die Regeln brachen (wie zum Beispiel, wenn sich die Verfügbarkeit von Menschen auf seltsame Weise änderte oder wenn Nachrichten verzögerte Effekte hatten), war die Formel überraschend standhaft. Sie lieferte nicht immer die perfekte Zahl, aber sie lieferte meistens eine Zahl, die nah genug dran war, um sicherzustellen, dass das Experiment erfolgreich sein würde.
Das Paper gibt auch eine Reihe von „Best Practices“ (bewährten Verfahren) für jeden an, der dieses Werkzeug nutzt. Es schlägt vor, dass es besser ist, etwas konservativ zu sein, wenn man sich über die Details nicht sicher ist. Wenn Sie beispielsweise glauben, dass Ihre Nachricht in 50 % der Fälle funktionieren wird, aber unsicher sind, schlägt die Formel vor, für ein Szenario zu planen, in dem sie zu 40 % funktioniert. Dies stellt sicher, dass man nicht mitten im Prozess ohne Teilnehmer dasteht.
Kurz gesagt: Dieses Paper bietet eine neue, zuverlässige Karte zur Navigation durch die komplexe Welt der mobilen Gesundheits-Experimente. Es ermöglicht Wissenschaftlern, Studien mit mehreren Optionen und einfachen Ja/Nein-Ergebnissen zu entwerfen, ohne sich in der Mathematik zu verlieren. Durch die Nutzung dieses neuen Werkzeugs können Forscher sicherer sein, dass ihre Experimente ihnen tatsächlich zeigen werden, welche digitalen Anstöße am effektivsten sind, um Menschen dabei zu helfen, ihr Leben zu verändern.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.