A framework for classifying and visualising experimental designs when subjects are measured repeatedly
本論文は、実験単位、測定頻度、およびランダム化戦略に基づく主要な設計特性を定義することにより、実験研究における反復測定をめぐる混乱に対処し、ハッセ図を用いてこれらの設計を分類および可視化するための枠組みを構築するものである。
原論文は CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) のもとパブリックドメインに提供されています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
あなたは、犯罪現場で手がかりを探す代わりに、生き物（人間や犬、あるいは微小な細胞さえも）の振る舞いの中に答えを探し求める探偵であると想像してください。科学の世界では、研究者たちは新しい薬や特定のトレーニング・ルーチンなどが、これらの被験体にどのような影響を与えるかを見るために、実験を行うことがよくあります。しかし、ここにはトリッキーな部分があります。彼らは単に被験体を一度チェックして終わりにするのではなく、一日に5回チェックしたり、3種類の異なる治療を連続して与えたり、あるいは一度の採血から3つの小さなサンプルを取ったりすることがあります。これが、科学者が「反復測定（repeated measures）」と呼ぶものです。
これは、スープを味わうことに似ています。もし一口だけ味わうなら、それは一度の測定です。しかし、もし味がどのように変化するかを見るために10分ごとに一口ずつ味わったり、あるいは自分が思い違いをしていないかを確認するために3本の異なるスプーンで味わったりするなら、あなたは「反復測定」を行っていることになります。問題は、科学者たちが、これらすべてが実際には非常に異なるシナリオであるにもかかわらず、「反復測定デザイン」という同じラベルを使い続けてきたことです。これは、自転車、スケートボード、一輪車をすべて「車輪のある乗り物」と呼んでいるようなものです。それらはすべて車輪を持っていますが、乗り方はそれぞれ異なりますし、もし一輪車を自転車のように乗ろうとすれば、転んでしまうでしょう。科学において、デザインを誤解したためにデータを誤った方法で分析してしまうと、結論が完全に間違ったものになり、誤った医学的助言や無駄な研究につながる可能性があります。
ダミアノス・ミケイリアデスとサイモン・T・ベイトによって書かれたこの論文は、混乱をようやく整理するための、新しい取扱説明書のようなものです。著者たちは、人々が「被験体が複数回測定される」という異なる種類の実験を混同しており、それがデータの分析におけるエラーを引き起こしていることに気づきました。彼らは、以下の3つの単純な質問に基づいて、これらのデザインを分類するための明確な枠組みを提案しています。主役（実験単位）は誰か？ そのキャラクターを何度も繰り返しチェックしているのか？ そして最も重要なのは、誰がどの治療を受けるかをどのように決定したのか（ランダム化戦略）です。
単にルールを列挙する代わりに、著者たちは「ハッセ図（Hase diagram）」と呼ばれる視覚的なツールを紹介しています。それは家系図のようなものですが、誰が誰と親戚であるかを示すのではなく、実験の異なる部分がどのように接続され、治療がどのように割り当てられたかを示します。これらの図を描くことで、著者たちは、一見すると乱雑な反復測定の集まりに見えるものが、実は「標準的な反復測定」、「被験体内デザイン」、「ブロックデザイン」、「分割区画デザイン」、「クロスオーバーデザイン」、そして「ネスト型デザイン」という6つの明確なカテゴリーに分類できることを示しています。
この論文は、単に被験体が2回測定されたからといって、安易に一般的な「反復測定」というラベルを貼るべきではないと主張しています。例えば、ある犬が変更不可能な特定の順序で毎日薬を与えられる場合、それは順序が重要な「被験体内（within-subject）」デザインです。しかし、もし人間が薬を与えられ、その薬の順番が人ごとにランダムに入れ替えられるのであれば、それは「ブロック」デザインです。著者たちは、これら2つのシナリオを同じものとして扱うことは間違いであると示しています。彼らは、実験がどの6つのカテゴリーのいずれに該当するかを正しく特定することで、データを分析するための適切な数学的モデルを構築できることを証明しています。
この論文は、新しい種類の薬や物理法則を発見したと主張しているわけではありません。むしろ、科学者がすでに使用している道具を整理するための、より良い方法を提示しています。著者たちは、これらの特定の特性と視覚的なハッセ図を用いることで、研究者が誤った統計手法を使うという罠を回避できることを示唆しています。彼らは、臨床試験からウサギや犬を用いた研究に至るまで、いくつかの例を通じて、分類が正しければ、正しい答えが得られることを示しています。彼らはこれが科学のあらゆる問題を解決すると言っているわけではありませんが、誤解を招く結果につながる混乱を解消することを提案しています。端的に言えば、彼らは研究者が自分たちのデータの森の中で迷わないように、より優れた地図を手渡しているのです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。