Estimació de la magnitud de l'efecte en dissenys de cas únic

Abstract

La present tesi doctoral que porta per títol "Estimació de la magnitud de l'efecte en dissenys de cas únic" és un compendi de quatre articles publicats. S'explora el rendiment de tècniques analítiques amb dades d'N=1 generades mitjançant mètodes Monte Carlo. Degut a les limitacions de diversos procediments per a presa de decisions estadístiques (e.g., tècniques estadístiques clàssiques, models ARIMA, proves d'aleatorització) i les recomanacions sobre la complementació dels "p" valors amb estimacions de la grandària d'efecte, el focus dels estudis són procediments que quantifiquen la magnitud de l'efecte. El primer estudi compara tècniques amb diferents fonaments - diferència estandarditzada de mitjanes, anàlisi de la regressió i anàlisi visual. Els resultats suggereixen que les tècniques més sofisticades, dissenyades per controlar la relació entre les mesures i el moment en què s'han obtingut, rendeixen de forma menys satisfactòria, mostrant una afectació més gran per l'autocorrelació i distingint menys entre presència i absència d'efecte. Els procediments més simples mostren un rendiment més apropiat respecte els dos criteris. El segon estudi focalitza una d'aquestes tècniques - el Percentatge de dades no solapades (PND) - i dos propostes recents per millor el seu rendiment. Cap de les tres tècniques es mostra superior a la resta seguint tots i cadascun dels criteris: PEM és menys afectat per l'autocorrelació en absència d'efecte, PAND és menys afectat per la tendència, PND és més sensible a efectes del tractament i produeix unes estimacions més baixes en absència d'efecte (i.e., filtrant les intervencions inefectives l'aplicació de les quals implicaria despeses injustificades). Al tercer estudi es dissenya un pas de correcció de les dades per eliminar la tendència de la fase de línia base de la totalitat de la sèrie de dades abans d'aplicar el PND. Aquest pas es mostra efectiu, atès que no s'observa sobreestimació ni subestimació en presència de tendència, independentment de l'efectivitat del tractament. L'impacte de l'autocorrelació positiva s'atenua. La distinció entre condicions amb i sense efecte del tractament és més gran pel procediment original. El quart estudi neix de la necessitat d'elaborar un procediment que funcioni bé (i.e., que estimi de forma precisa el canvi comportamental present a les dades) en lloc d'identificar merament el procediment que rendeix millor que altres en termes relatius. El procediment proposat - SLC - es basa en l'estratègia de correcció de les dades del tercer estudi. Inclou tres passos: eliminació de la tendència de la fase de línia base, estimació del canvi de pendent i estimació del canvi de nivell. Els resultats suggereixen que el procediment no és esbiaixat per cap de les condicions experimentals estudiades. L'estimació és més eficient (i.e, la variabilitat dels estimadors és més petita) per autocorrelació positiva i efectes progressius. En general els resultats subratllen la importància d'estudiar les tècniques proposades per dades d'N=1 utilitzant dades amb característiques conegudes, atès que en alguns casos els procediments conceptualment més apropiats no són els que rendeixen millor. La tria i la recomanació del procediment a aplicar s'ha de basar en els atributs de les dades, com per exemple la presència d'autocorrelació (difícil de detectar mitjançat tècniques estadístiques en sèries curtes de dades), la presència de tendència general i el tipus d'efecte de la intervenció (tots dos identificables mitjançant inspecció visual). Tenint en compte que l'anàlisi visual és la tècnica més freqüentment emprada pels psicòlegs a l'hora d'analitzar dades de cas únic, és important que les tècniques quantitatives siguin compatibles amb aquesta. En qualsevol cas, tots dos tipus de procediments s'han de conceptualitzar com a eines per ajudar als judicis dels professionals sobre l'efectivitat del tractament, ja que el seu coneixement sobre el client, el context i els canvis rellevants en el comportament és indispensable.

<i>The present doctoral thesis entitled "Magnitude of effect estimation in single-case designs" is a compendium of four published articles. It deals with exploring the performance of analytical techniques for N=1 data generated using Monte Carlo methods. The first study compares techniques with different fundaments (standardized mean difference, regression analysis, and visual analysis), the former performing less satisfactorily in terms of affection by autocorrelation and effect detection. The second study centres on one of better performers, PND, and two recent proposals intended to improve its performance. None of the three techniques outperforms the remaining ones according to all criteria: PEM is less affected by autocorrelation in absence of effect, PAND is less affected by trend, and PND is more sensitive to treatment effects and yields lower estimates in absence of effect (i.e., filtering ineffective treatments whose application would lead to unjustified costs). In the third study, a data correction step is designed in order to remove baseline phase trend form the whole data series prior to applying PND. This step proves to be effective, since trend's effect is eliminated, whereas autocorrelations' effect is attenuated. The fourth study arises from the need to elaborate a procedure for quantifying behavioural change, estimating separately slope change and level change, after removing baseline trend. The results suggest that the procedure is unbiased for all experimental conditions tested. The estimation is more efficient (i.e., the variability of the estimators is lower) for positive autocorrelation and for progressive effects. The choice and the recommendation of a procedure to be applied have to be based on the data features such as the presence of autocorrelation (hardly detectable by statistical techniques in short data series), the presence of general trend and the type of intervention effect (identified by visual inspection). Since visual analysis is the most frequently used technique by psychologists for single-case data analysis, any quantitative technique needs to be compatible with it. Both types of procedures ought to be conceptualized as tools aiding the professionals' judgment on treatment effectiveness, as his/her knowledge on the client, the setting, and the relevant changes in the behaviour are indispensable. </i>