A framework for classifying and visualising experimental designs when subjects are measured repeatedly
Questo articolo affronta la confusione relativa alle misure ripetute nella ricerca sperimentale definendo le caratteristiche chiave del disegno basate sulle unità sperimentali, sulla frequenza di misurazione e sulle strategie di randomizzazione, al fine di stabilire un quadro per classificare e visualizzare tali disegni utilizzando i diagrammi di Hasse.
Articolo originale dedicato al pubblico dominio sotto CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immagina di essere un detective che cerca di risolvere un mistero, ma invece di cercare indizi su una scena del crimine, cerchi risposte nel comportamento di esseri viventi — persone, cani o persino minuscole cellule. Nel mondo della scienza, i ricercatori spesso conducono esperimenti per vedere come diverse cose, come un nuovo medicinale o una specifica routine di allenamento, influenzano questi soggetti. Ma ecco la parte complicata: a volte, non si limitano a controllare il soggetto una sola volta e poi passano oltre. Potrebbero controllarlo cinque volte al giorno, o somministrare tre trattamenti diversi in sequenza, o persino prelevare tre piccoli campioni dallo stesso prelievo di sangue. Questo è ciò che gli scienziati chiamano "misure ripetute".
Pensa a come assaggi una zuppa. Se prendi un cucchiaio, quella è una singola misurazione. Ma se ne prendi uno ogni dieci minuti per vedere come cambia il sapore mentre bolle, o se la assaggi con tre cucchiai diversi per assicurarti di non stare immaginando le cose, stai facendo "misure ripetute". Il problema è che gli scienziati hanno usato lo stesso termine, "disegno a misure ripetute", per tutti questi diversi scenari, anche se in realtà sono molto differenti. È come chiamare una bicicletta, uno skateboard e un monociclo tutti "veicoli con ruote". Tutti hanno le ruote, ma si cavalca in modo diverso, e se provi a usare un monociclo come una bici, potresti cadere. Nella scienza, se analizzi i tuoi dati nel modo sbagliato perché hai frainteso il disegno sperimentale, le tue conclusioni potrebbero essere completamente errate, portando a consigli medici sbagliati o a ricerca sprecata.
Questo articolo, scritto da Damianos Michaelides e Simon T. Bate, è come un nuovo manuale di istruzioni che finalmente mette ordine nella confusione. Gli autori hanno notato che le persone stavano confondendo diversi tipi di esperimenti in cui i soggetti vengono misurati più di una volta, e questo causava errori nel modo in cui i dati venivano analizzati. Propongono un quadro chiaro per classificare questi disegni basandosi su tre semplici domande: Chi è il protagonista (l'unità sperimentale)? Lo stiamo controllando ancora e ancora? E soprattutto, come abbiamo deciso chi riceve quale trattamento (la strategia di randomizzazione)?
Inveve di elencare solo delle regole, gli autori introducono uno strumento visivo chiamato "diagramma di Hasse". Immagina un albero genealogico, ma invece di mostrare chi è parente di chi, mostra come le diverse parti di un esperimento sono collegate e come sono stati assegnati i trattamenti. Disegnando questi diagrammi, gli autori mostano che quello che sembra un ammasso disordinato di misurazioni ripetute può essere in realtà ordinato in sei categorie distinte: misure ripetute standard, disegni entro il soggetto (within-subject), disegni a blocchi, disegni split-plot, disegni crossover e disegni nidificati.
L'articolo sostiene che non si può semplicemente applicare l'etichetta generica di "misure ripetute" a qualsiasi esperimento in cui qualcuno viene misurato due volte. Per esempio, se un cane riceve una pillola ogni giorno in un ordine specifico che non può essere cambiato, questo è un disegno "entro il soggetto" dove l'ordine è importante. Ma se un essere umano riceve una pillola, e poi l'ordine delle pillole viene rimescolato casualmente per ogni persona, questo è un disegno "a blocchi". Gli autori dimostrano che trattare questi due scenari diversi come la stessa cosa è un errore. Dimostrano che identificando correttamente a quale delle sei categorie appartiene il vostro esperimento, potete costruire il modello matematico corretto per analizzare i dati.
L'articolo non sostiene di aver scoperto un nuovo tipo di medicina o una nuova legge della fisica. Invece, offre un modo migliore per organizzare gli strumenti che gli scienziati già utilizzano. Suggerisce che, utilizzando queste caratteristiche specifiche e i diagrammi di Hasse, i ricercatori possono evitare la trappola di utilizzare metodi statistici errati. Gli autori dimostrano attraverso diversi esempi — dai trial clinici con esseri umani agli studi con conigli e cani — che quando si identifica correttamente la classificazione, si ottiene la risposta corretta. Non dicono che questo risolva ogni problema nella scienza, ma suggeriscono che questo chiarisca molta della confusione che porta a risultati fuorvianti. In breve, stanno consegnando ai ricercatori una mappa migliore in modo che non si perdano nella foresta dei propri dati.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.