Çaprazlama Faktöriyel Deney — Çaprazlama Faktöriyel Deney Tasarımı
Crossover Factorial Experimental Design · Ayrıca şöyle bilinir: within-subject factorial design, repeated-measures factorial experiment, factorial crossover trial, crossover factorial trial
Çaprazlama faktöriyel deneyi, iki güçlü tasarım ilkesini bir araya getirir: birden fazla faktörü ve bunların etkileşimlerini eş zamanlı olarak inceleyen faktöriyel yapı ve her katılımcının ardışık dönemler boyunca birden fazla tedavi kombinasyonu aldığı çaprazlama yapısı. Katılımcılar kendi kontrolleri olarak hizmet ederek denekler arası değişkenliği azaltır, istatistiksel gücü artırırken aynı zamanda farklı faktör seviyelerinin aynı birey içinde nasıl etkileşime girdiğini de ortaya koyar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
İki veya daha fazla faktörün ana etkilerini ve etkileşimlerini değerlendirmeniz gerektiğinde, sonuç değişkeni stabil ve geri döndürülebilir olduğunda (yani, arınmadan sonra başlangıç seviyesine döndüğünde), katılımcı sayısı sınırlı olduğunda ve güç için denek içi karşılaştırmalar arzu edildiğinde ve taşıma etkileri yeterli arınma ile yönetilebildiğinde çaprazlama faktöriyel deneyi kullanın. Özellikle stabil kronik koşulların dönemler boyunca tutarlı bir başlangıç seviyesi sağladığı farmakolojik, beslenme ve davranışsal müdahale araştırmaları için uygundur. Tedavi geri döndürülemez değişiklikler üretiyorsa (ameliyat, kalıcı öğrenme etkileri), incelenen durum oldukça değişken veya epizodikse (kişi içi karşılaştırmaları güvenilmez hale getiriyorsa), gerekli dönem sayısı katılımcılar için lojistik olarak yasaklayıcıysa veya taşıma etkileri ortadan kaldırılamıyorsa bu tasarımı KULLANMAYIN — bu durumlarda, paralel gruplu faktöriyel bir randomize kontrollü çalışma (RCT) daha uygun olacaktır.
Güçlü yönler & sınırlılıklar
- Her katılımcı kendi kontrolü olarak hizmet eder, denekler arası değişkenliği ortadan kaldırır ve paralel gruplu faktöriyel bir tasarıma göre istatistiksel gücü önemli ölçüde artırır.
- Tüm faktörlerin ana etkilerini ve etkileşimlerini eş zamanlı olarak tahmin ederek tek bir çalışmadan çok değişkenli bilgi sağlar.
- Paralel gruplu faktöriyel bir tasarıma göre daha katılımcı-verimlidir — aynı gücü elde etmek için daha az toplam katılımcıya ihtiyaç duyulur.
- Farklı tedavi kombinasyonlarına denek içi yanıtları doğrudan ölçerek, bireysel düzeyde tedavi etkileşimleri hakkında bilgi sağlar.
- Latin-kare veya Williams-kare düzenlemeleri aracılığıyla dizi dengesi, taşıma etkilerinin tahmin edilmesine ve hesaba katılmasına olanak tanır.
- Yalnızca geri döndürülebilir koşullar ve sonuçlar için geçerlidir; katılımcıyı veya hastalık durumunu kalıcı olarak değiştiren herhangi bir tedavi, denek içi karşılaştırmayı geçersiz kılar.
- Koşullar arasında yeterli bir arınma süresi gerektirir, bu da tek dönemli bir tasarıma kıyasla toplam çalışma süresini önemli ölçüde artırır.
- Bir dönemden kaynaklanan taşıma (kalıntı) etkileri bir sonraki dönemdeki ölçümleri kirletebilir; eğer arınma yetersizse, ana ve etkileşim etkisi tahminleri yanlı olur.
- Daha sonraki bir dönemde bırakma, o katılımcı için tüm koşullar boyunca kısmi veri anlamına gelir, bu da analizi karmaşıklaştırır ve potansiyel olarak yanlılık getirir.
- Katılımcı yükü, ek faktörlerle çarpımsal olarak artan tedavi kombinasyonlarının sayısı ile artar.
SSS
Çaprazlama faktöriyel deneyi, tekrarlanan ölçümler ANOVA tasarımından nasıl farklıdır?
Tekrarlanan ölçümler ANOVA'sı, denek içi verilere uygulanan analitik bir tekniktir; çaprazlama faktöriyel deneyi ise tedavilerin dönemler boyunca nasıl atandığını ve sıralandığını yapılandıran bir tasarım stratejisidir. Çaprazlama faktöriyel deneyi, tedavi, dönem ve taşıma etkilerini ayırmak için randomize, dengeli dizi ataması kullanır — basit tekrarlanan ölçümler yapısının çok ötesine geçer. Çaprazlama faktöriyel verileri tipik olarak bu bileşenleri açıkça modelleyen karma etkili modellerle analiz edilir, bu da tekrarlanan ölçümler ANOVA'sını özel bir durum olarak kapsar.
Paralel gruplu faktöriyel bir tasarıma kıyasla kaç katılımcıya ihtiyacım var?
Her katılımcı her tedavi kombinasyonu altında veri sağladığı için, etki tahminlerindeki varyans önemli ölçüde azalır. Kabaca bir rehber olarak, denek içi korelasyona bağlı olarak, çaprazlama faktöriyel bir tasarım, aynı gücü elde etmek için eşdeğer bir paralel gruplu faktöriyel tasarıma göre %50-75 daha az katılımcı gerektirebilir. Çaprazlama tasarımları için güç hesaplamaları, dönem sayısını, sınıf içi korelasyonu ve taşıma varyansını hesaba katmalıdır.
Taşıma etkileri anlamlıysa ne yapmalıyım?
Eğer farklı taşıma için yapılan test istatistiksel olarak anlamlıysa, çaprazlama analizi tehlikeye girer. Standart yanıt, analizi yalnızca ilk dönem verileriyle sınırlamaktır — bu da çalışmayı etkili bir şekilde yalnızca ilk dönem gözlemlerini kullanan paralel gruplu faktöriyel bir tasarıma dönüştürür. Bu, gücü ve örneklem büyüklüğünü büyük ölçüde azaltır, bu nedenle yeterli arınma yoluyla taşımayı önlemek, sonradan düzeltmekten çok daha tercih edilir.
Çaprazlama faktöriyel tasarımında ikiden fazla faktör kullanabilir miyim?
Evet, ancak her ek faktör, tedavi kombinasyonlarının sayısını ve dolayısıyla her katılımcının tamamlaması gereken dönem sayısını çarpar. 2x2 faktöriyel bir çaprazlama dört dönem gerektirir; 2x2x2 sekiz dönem gerektirir. Katılımcı yükü ve bırakma riski buna göre artar. Pratikte, ikiden veya üçten fazla faktör içeren çaprazlama faktöriyel tasarımları nadirdir çünkü gerekli dönem sayısı lojistik olarak yasaklayıcı hale gelir. Kesirli faktöriyel çaprazlama tasarımları, daha yüksek dereceli etkileşimleri karıştırma pahasına koşul sayısını azaltabilir.
Tüm katılımcıların tüm tedavi kombinasyonlarını tamamlaması gerekiyor mu?
Tam bir çaprazlama faktöriyel tasarımında, evet — tasarım, her katılımcının her kombinasyonu deneyimlediğini varsayar, bu da denek içi karşılaştırmaları mümkün kılar. Tüm dönemleri tamamlamayan bırakmalar eksik bloklar oluşturur ve mevcut verilerini tamamen atmadan kullanmak için eksik veri yöntemleri (tipik olarak maksimum olabilirlik tahmini ile karma etkili modeller) gerektirir.
Kaynaklar
- Jones, B., & Kenward, M. G. (2014). Design and Analysis of Cross-Over Trials (3rd ed.). Chapman and Hall/CRC. ISBN: 978-1439861424
- Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley. ISBN: 978-1119492443
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Crossover Factorial Experimental Design. ScholarGate. https://scholargate.app/tr/experimental-design/crossover-factorial-experiment
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çapraz Geçişli Randomize Kontrollü ÇalışmaDeney tasarımı↔ karşılaştır
- Faktöriyel DeneyDeney tasarımı↔ karşılaştır
- Faktöriyel Randomize Kontrollü ÇalışmaDeney tasarımı↔ karşılaştır
- Latin Kare ve Greko-Latin Kare TasarımıDeney tasarımı↔ karşılaştır
- Tekrarlanan ölçümler ANOVAİstatistik↔ karşılaştır