Acceso usuarios
Guillermo Vallejo Seco, Paula Fernández García, Pablo Esteban Livacic Rojas, Ellián Tuero Herrero
Antecedentes: para analizar diseños de medidas parcialmente repetidas (DMPR) con matrices de covarianza arbitrarias se puede usar una extensión multivariante del enfoque de Brown-Forsythe (MBF). Una importante limitación de este enfoque es que requiere datos completos para cada sujeto. Este artículo proporciona las reglas para agrupar los resultados obtenidos tras aplicar el análisis MBF a los diferentes conjuntos de datos imputados de un DMPR. Método: se aplican técnicas de Montecarlo para evaluar la solución propuesta (IM-MBF), en términos de control de los errores Tipo I y Tipo II. Con fines comparativos, también se evalúan los resultados obtenidos con el enfoque MBF basado en los datos originales (DO-MBF), así como con el modelo de patrones de covarianza basado en asumir una matriz no estructurada (MPC-NE). Resultados: cuando se cumple el supuesto de homogeneidad, el desempeño de la prueba IM-MBF es ligeramente inferior al obtenido con la prueba MPC-NE, mientras que sucede lo contrario cuando se incumple dicho supuesto. También encontramos que se pierde poca potencia usando el enfoque MI-MBF, en lugar del enfoque DO-MBF, cuando las matrices de covarianza son heterogéneas. Conclusiones: los resultados sugieren que el enfoque MI-MBF funciona bien y podría ser de uso práctico.
Background: A multivariate extension of the Brown-Forsythe (MBF) procedure can be used for the analysis of partially repeated measure designs (PRMD) when the covariance matrices are arbitrary. However, the MBF procedure requires complete data over time for each subject, which is a significant limitation of this procedure. This article provides the rules for pooling the results obtained after applying the same MBF analysis to each of the imputed datasets of a PRMD. Method: Montecarlo methods are used to evaluate the proposed solution (MI-MBF), in terms of control of Type I and Type II errors. For comparative purposes, the MBF analysis based on the complete original dataset (OD-MBF) and the covariance pattern model based on an unstructured matrix (CPM-UN) were studied. Results: Robustness and power results showed that the MI-MBF method performed slightly worse than tests based on CPM-UN when the homogeneity assumption was met, but slightly better when that assumption was not met. We also note that without assuming equality of covariance matrices, little power was sacrificed by using the MI-MBF method in place of the OD-MBF method. Conclusions: The results of this study suggest that the MI-MBF method performs well and could be of practical use.
