Je souhaite réaliser une simple analyse RM-ANOVA à 1 facteur. Un groupe, trois points temporels. Y a-t-il une différence entre les points temporels ? Je m'intéresse uniquement à l'effet du temps, puis aux comparaisons par paires (Tukey). Il s'agit d'une conception croisée avec trois expositions différentes.
Est-il adéquat de faire cela dans la plateforme Fit Y by X ? La variable de réponse d'intérêt sur Y, et "Time" (session dans mon cas) sur X ? Je préfère cette méthode qui permet de faire facilement des tests post-hoc directement dans la même plateforme.
Ici, je peux également adapter le groupe BY. Bien qu'il y ait deux groupes dans le projet, je souhaite principalement les analyser séparément (un modèle pour un groupe, un pour l'autre, je ne m'intéresse pas à l'interaction ici, même si cela pourrait être une analyse secondaire).
C'est à dire
Cependant, cela peut également être fait dans l' approche Fit Model . Dans l'approche MANOVA , je mettrais simplement les trois points temporels sur Y et rien dans l'effet du modèle (potentiellement BY group). Cela semble avoir une puissance plus élevée. Est-ce suffisant ?
Dans l' approche univariée du modèle d'ajustement, je placerais la variable de réponse comme Y et « Temps » ainsi que le sujet [Effet aléatoire] dans l'effet du modèle ? Cela semble avoir une puissance encore légèrement supérieure (P plus petit pour les mêmes données).
(Et potentiellement par groupe)
Quelle est la différence pratique/statistique entre ces approches ? Laquelle est la plus adaptée à cette conception assez simple ?
Je suppose que c'est ce que je veux faire, comme Paris dans la vidéo d'analyse des mesures répétées à un facteur.
Ou peut-être, c'est ainsi qu'il faut procéder, en ne mettant pas l'ID comme un facteur aléatoire et en conservant la personnalité des moindres carrés ?
Ce qui donne les tests d'effet pour le temps, et donne la possibilité pour Tukeys et des contrastes similaires.
Peut-être que dans l'ajustement Y par X, il n'est pas traité comme une mesure répétée mais comme trois groupes distincts.
