Kvasi-kokeilu

Kokeellisen mallin luomisen ensimmäinen osa on tunnistaa muuttujat. Näennäisesti riippumaton muuttuja on x-muuttuja, muuttuja, jota manipuloidaan vaikuttamaan riippuvaan muuttujaan. ”X” on yleensä ryhmittelymuuttuja, jolla on eri tasot. Ryhmittely tarkoittaa kahta tai useampaa ryhmää, kuten kahta vaihtoehtoista hoitoa saavaa ryhmää, tai hoitoryhmää ja ryhmää, jota ei hoideta (jolle voidaan antaa lumelääke – lumelääkkeitä käytetään useammin lääketieteellisissä tai fysiologisissa kokeissa). Ennustettu tulos on riippuva muuttuja, joka on y-muuttuja. Aikasarjan analyysissä riippuva muuttuja havaitaan ajan myötä mahdollisille muutoksille. Kun muuttujat on tunnistettu ja määritelty, menettely on toteutettava ja ryhmäeroja on tutkittava.

Satunnaistetulla kokeella tutkimusyksiköillä on samat mahdollisuudet kohdistaa tiettyyn hoito-olosuhteeseen. . Sellaisena satunnainen määritys varmistaa, että sekä koe- että kontrolliryhmät ovat samanarvoisia. Näennäiskokeellisessa suunnittelussa määrääminen tiettyyn hoito-olosuhteeseen perustuu johonkin muuhun kuin satunnaiseen määräämiseen. Kvasi-kokeellisen suunnittelun tyypistä riippuen tutkijalla voi olla hallinta hoito-olosuhteisiin kohdistuvassa määrityksessä, mutta käyttää muita kriteerejä kuin satunnainen määritys (esim. Raja-arvot) sen määrittämiseksi, mitkä osallistujat saavat hoidon, tai tutkijalla ei ehkä ole mitään hoito-olosuhteiden määrityksen hallinta ja määrittelyyn käytettävät kriteerit voivat olla tuntemattomia. Tekijät, kuten kustannukset, toteutettavuus, poliittiset huolenaiheet tai mukavuus, voivat vaikuttaa siihen, miten osallistujat kohdennetaan tiettyihin hoito-olosuhteisiin, ja sellaisenaan kvasi-kokeet ovat huolissaan sisäisestä pätevyydestä (voidaanko kokeen tuloksia käytetään kausaalisen päättelyn tekemiseen?).

Kvasi-kokeet ovat tehokkaita myös siksi, että niissä käytetään ”pre-post -testausta”. Tämä tarkoittaa, että ennen tietojen keräämistä on tehty testejä sen selvittämiseksi, onko joku hämmentynyt tai onko osallistujilla tiettyjä taipumuksia. Sitten varsinainen koe tehdään kirjaamalla testitulokset. Näitä tietoja voidaan verrata osana tutkimusta tai esitestin tiedot voidaan sisällyttää todellisen kokeellisen tiedon selitykseen. Kvasi kokeissa on jo olemassa olevia itsenäisiä muuttujia, kuten ikä, sukupuoli, silmien väri. Nämä muuttujat voivat olla joko jatkuvia (ikä) tai ne voivat olla kategorisia (sukupuoli). Lyhyesti sanottuna luonnossa esiintyvät muuttujat mitataan näennäiskokeissa.

Näennäiskokeellisia malleja on useita, joilla kaikilla on erilaiset vahvuudet, heikkoudet ja sovellukset. Nämä mallit sisältävät (mutta eivät rajoitu niihin):

• Eroerot (ennen postia ja ilman vertailua)
• Ei-samanarvoiset kontrolliryhmät suunnittelevat
  • ei-hoidon vertailuryhmäsuunnitelmat
  • ei-ekvivalentit riippuvat muuttujat-mallit
  • -poistetut hoitoryhmäsuunnitelmat
  • toistuvat hoitosuunnitelmat
  • päinvastaiset hoito-ei-samanarvoiset kontrolliryhmät mallit
  • kohorttisuunnitelmat
  • vain testin jälkeiset mallit
  • regressio-jatkuvuusmallit
• regressio-epäjatkuvuussuunnittelu
• Tapausohjaussuunnittelu
  • aikasarjasuunnittelu
  • useita aikasarjoja
  • keskeytetty aikasarjojen suunnittelu
  • taipumuspisteiden sovitus
  • instrumentaaliset muuttujat
• Paneelianalyysi

Kaikista näistä malleista regressio-epäjatkuvuussuunnittelu tulee lähinnä kokeellista suunnitelmaa, koska kokeilija ylläpitää hoitomääritystä ja sen tiedetään ld puolueeton arvio hoidon vaikutuksista ”.: 242 Se vaatii kuitenkin suurta määrää tutkimukseen osallistuvia ja tehtävän ja tulosmuuttujan välisen toiminnallisen muodon tarkkaa mallintamista, jotta saadaan sama teho kuin perinteisellä kokeellisella suunnittelulla .

Vaikka itse kokeilupuristeiksi pitävät ihmiset välttävät toisinaan kokeiluja (jotka johtavat Donald T.Campbellin keksimään heille termin ”kivut kokeilut”), ne ovat poikkeuksellisen hyödyllisiä alueilla, joilla se tapahtuu ei ole mahdollista tai toivottavaa suorittaa kokeen tai satunnaistetun kontrollikokeen. Tällaisia tapauksia ovat muun muassa julkisen politiikan muutosten, koulutustoimien tai laajamittaisten terveysinterventioiden vaikutusten arviointi. Näennäiskokeellisten mallien ensisijainen haittapuoli on, että ne eivät voi eliminoida mahdollisuutta sekoittaa ennakkoluuloja, jotka voivat estää kykyä tehdä syy-päätelmiä. Tätä haittapuolta käytetään usein aliarvioimaan kvasi-kokeellisia tuloksia. Tällaista puolueellisuutta voidaan kuitenkin hallita erilaisten tilastollisten tekniikoiden, kuten moninkertaisen regressio, käyttämiseen, jos voidaan tunnistaa ja mitata sekoittava muuttuja.Tällaisia tekniikoita voidaan käyttää sekoittavien muuttujatekniikoiden vaikutusten mallintamiseen ja osittaiseen poistamiseen, mikä parantaa näennäiskokeista saatujen tulosten tarkkuutta. Lisäksi taipumuspisteiden vastaavuuden kehittyvä käyttö osallistujien sovittamiseksi hoidon valintaprosessille tärkeisiin muuttujiin voi myös parantaa näennäiskokeiden tulosten tarkkuutta.Oikeastaan kvasi-kokeellisista analyyseistä saatujen tietojen on osoitettu vastaavan läheisesti kokeellisia tietoja tietyissä tapauksissa, vaikka eri kriteerejä olisi käytetty. Lyhyesti sanottuna kvasi-kokeet ovat arvokas työkalu erityisesti sovelletulle tutkijalle. Itse asiassa lähes kokeelliset suunnitelmat eivät salli lopullisten kausaalisten päätelmien tekemistä; Ne tarjoavat kuitenkin tarpeellista ja arvokasta tietoa, jota ei voida saada pelkästään kokeellisilla menetelmillä. Tutkijoiden, etenkin niiden, jotka ovat kiinnostuneita soveltavan tutkimuksen kysymysten tutkimisesta, tulisi siirtyä perinteisen kokeellisen suunnittelun ulkopuolelle ja hyödyntää lähes kokeellisille suunnitelmille ominaisia mahdollisuuksia.