Testkursus 2012 Onsdag Jan Ivanouw
-
Upload
brennan-matthews -
Category
Documents
-
view
40 -
download
1
description
Transcript of Testkursus 2012 Onsdag Jan Ivanouw
![Page 1: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/1.jpg)
1
Testkursus 2012Onsdag
Jan Ivanouw
![Page 2: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/2.jpg)
2
Øvelse 2 i SCL-90
• Analyser casen Ulla mhp. resultater for SCL-90 • Hvad siger testen generelt om Ulla?• Hvilke specifikke problemer kan hun forventes
at have?
![Page 3: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/3.jpg)
3
Øvelse: tegn på egenskaber
• Tænk på nogle af de tegn du selv bruger når du vurderer en egenskab hos en person
• Lav et overslag over tallene i de fire felter i tabellen og undersøg de prædiktive værdier
• Positiv prediktiv værdi: hvad er sandsynligheden for egenskaben når tegnet er til stede
• Negativ prediktiv værdi: hvad er sandsynligheden for at personen ikke har egenskaben, når tegnet ikke er til stede
![Page 4: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/4.jpg)
4
Prædiktive værdier
• Bemærk at informationer om klienter giver anledning til to helt forskellige tolkninger:
• 1) Vurdering af at egenskaben er til stede (PPV)
• 2) Vurdering af at egenskaben netop ikke er til stede (NPV)
![Page 5: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/5.jpg)
5
Percentiler
• Ved vurdering af standardiserede scores og afledte scores, f.eks. T-scores er det en hjælp at omsætte scores til percentiler
• Hvis scores er normalfordelt, er der en simpel sammenhæng mellem standardiserede scores (og T-scores) og percentiler
![Page 6: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/6.jpg)
6
![Page 7: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/7.jpg)
7
![Page 8: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/8.jpg)
8
Udvalgte percentiler
• z-score -2 = T-score 30: Percentil 2%• z-score -1,5 = T-score 35: Percentil 7%• z-score -1 = T-score 40: Percentil 16%• z-score -0,5 = T-score 45: Percentil 31%• z-score 0 = T-score 50: Percentil 50%• z-score 0,5 = T-score 55: Percentil 69%• z-score 1 = T-score 60: Percentil 84%• z-score 1,3 = T-score 63: Percentil 90%• z-score 1,5 = T-score 65: Percentil 93%• z-score 2 = T-score 60: Percentil 98%• z-score -1 til +1 = T-score 40-60: Percentil 68% = 2/3
![Page 9: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/9.jpg)
9
Konfidensgrænser
• Excel-filen ’Skalatransformationer’ beregner konfidensgrænser til testscores
• CIA-programmet kan bruges som hjælp til at finde konfidensgrænser for en lang række tilfælde
![Page 10: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/10.jpg)
10
Øvelse 1 i SCL-90
• Udfyld selv et SCL-90 spørgeskema i Excel-filen (eller ud fra samplerapporten i mappen)
• Beregn selv råscores, z-scores, T-scores og percentiler
![Page 11: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/11.jpg)
11
Øvelse 2 i SCL-90
• Analyser casen Ulla mhp. resultater for SCL-90 • Hvad siger testen generelt om Ulla?• Hvilke specifikke problemer kan hun forventes
at have?
![Page 12: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/12.jpg)
12
SCL-90 gennemsnit (SD)
![Page 13: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/13.jpg)
13
![Page 14: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/14.jpg)
14
Cut-off scores - tærskelværdier
• Træffe afgørelse på grundlag af en måling:• Skal personen beskrives som let eller moderat
depressiv ud fra et testresultat?• Skal personen inkluderes i et bestemt
behandlingsprogram ud fra et testresultat?• Skal man på basis af et testresultat være
bekymret for suicidalrisiko?
![Page 15: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/15.jpg)
15
Cut-off: Rorschach S-CON
![Page 16: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/16.jpg)
16
ROC-kurve
![Page 17: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/17.jpg)
17
ROC-kurve
• Kurven viser sammenhængen mellem sensitivitet og specificitet ved forskellige cut-off scores
• Ved at følge kurven kan man vælge cut-off score efter hvor meget sensitivitet man ønsker på bekostning af hvor meget specificitet
• Toppunktet på kurven er det optimale kompromis hvis begge ønskes så høje som muligt
• En kurve med toppunkt langt op i venstre hjørne viser en god test, en lige linie viser en dårlig test
![Page 18: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/18.jpg)
18
Major Depression Inventory MDI
![Page 19: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/19.jpg)
19
MDI
• Dansk udviklet• 10 (12) spørgsmål• Hyppighed af symptomer i 2 uger• Defineret i relation til DSM-IV og ICD-10• Angiver både diagnostisk klassifikation og
sværhedsgrad af depression
![Page 20: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/20.jpg)
20
MDI - spørgsmål
• 1 trist, ked af det *• 2 manglet interesse for daglige gøremål *• 3 følt manglende energi og kræfter *• 4 mindre selvtillid• 5 dårlig samvittighed eller skyldfølelse• 6 livet ikke værd at leve• 7 koncentrationsvanskeligheder• 8a og 8b rastsløs – mere stille• 9 besvær med at sove• 10a og 10b nedsat appetit – øget appetit• * er kernesymptomer
![Page 21: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/21.jpg)
21
MDI-spørgsmål scoring
• 0 på intet tidspunkt• 1 lidt af tiden• 2 lidt under halvdelen af tiden• 3 lidt over halvdelen af tiden• 4 det meste af tiden• 5 hele tiden• Kernesymptomer positiv ved 4-5• Andre symptomer positive ved 3-5• Ved spm 8a/8b og 10a/10b anvendes højeste scoring
![Page 22: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/22.jpg)
22
MDI - diagnosekriterier
• DSM-IV– Spm 4 og 5 kombineres: højeste score anvendes– 5 symptomer, heraf mindst 1 af øverste 2
• ICD-10– Lettere depression:
• 2 kernesymptomer og 2 andre
– Moderat depression:• 2 kernesymptomer og 4 andre
– Svær depression:• Alle 3 kernesymptomer og 5 andre
![Page 23: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/23.jpg)
23
MDI – sensitivitet og specificitet
• Diagnosticering af DSM-IV major (moderat) depression– Sensitivitet: 90%– Specificitet: 82%
• Diagnosticering af ICD-10 depression– Sensitivitet: 86%– Specificitet: 86%
![Page 24: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/24.jpg)
24
MDI – positiv og negativ prædiktiv værdi over for almenbefolkningen
• Ved en befolkningsprævalens på 3.3% (DSM-IV) og 4.1% (ICD-10) fås derfor
• DSM-IV:– PPV: ved positiv test er sands for depression 15%– NPV: ved negativ test er sands for ikke depr: 100%
• ICD-10:– PPV: ved positiv test er sands for depression 21%– NPV: ved negativ test er sands for ikke depr: 99%
![Page 25: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/25.jpg)
25
MDI – positiv og negativ prædiktiv værdi i psykologpraksis 1
• Ved en prævalens af depression hos personer i psykologpraksis på 30%:
• DSM-IV:– PPV: ved positiv test er sands for depression 68%– NPV: ved negativ test er sands for ikke depr: 95%
• ICD-10:– PPV: ved positiv test er sands for depression 72%– NPV: ved negativ test er sands for ikke depr: 93%
![Page 26: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/26.jpg)
26
MDI – positiv og negativ prædiktiv værdi i psykologpraksis 2
• Ved en prævalens af depression hos personer i psykologpraksis på 50%:
• DSM-IV:– PPV: ved positiv test er sands for depression 86%– NPV: ved negativ test er sands for ikke depr: 86%
• ICD-10:– PPV: ved positiv test er sands for depression 83%– NPV: ved negativ test er sands for ikke depr: 89%
![Page 27: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/27.jpg)
27
ROC kurve: MDI vs SCAN maj depr
![Page 28: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/28.jpg)
28
MDI anvendt til monitorering
• MDI er anvendt i projekt til vurdering af depressionsbehandling i psykologpraksis
• MDI er ikke undersøgt for egenskaber til løbende måling af forandring
![Page 29: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/29.jpg)
29
Inventory of Interpersonal Problems
![Page 30: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/30.jpg)
30
MajBritt SCL-90Skala gns score T-score
somatisering ,25 48
obsessiv-kompulsiv 1,50 66
interpersonel sensitivitet 2,11 72
depression 2,38 71
angst 1,00 65
vrede ,67 60
fobisk angst ,43 61
paranoia ,67 60
psykotiske symptomer ,20 57
generelt symptomindeks (gsi) 1,11 67
antal svar >0 (psi) 47 43
generelt symptomindeks for >0 (ptsi) 2,13
![Page 31: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/31.jpg)
31
MajBritt IIPIIP skala råscore ipsativ score ipsativ z-score
PA Dominerende, kontrollerende ,50 - 0,73 -1,18
BC Hævngerrig, selvcentreret ,63 - 0,65 -0,81
DE Kold, distanceret ,50 - 0,73 -1,00
FG Socialt hæmmet 2,00 0,22 0,64
HI Ikke-assertiv 3,00 0,85 0,93
JK Føjelig, let udnyttet 2,63 0,61 0,51
LM Hjælpende, opofrende 2,88 0,77 1,42
NO Påtrængende, krævende 1,13 - 0,33 -0,77
gns 1,66
SD 1,59
Sample:gns: 0,63 (SD 0,36) -> z-score 2,86 -> T-score: 100
![Page 32: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/32.jpg)
32
Øvelse
• Analyser MajBritts SCL-90 og IIP
![Page 33: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/33.jpg)
33
Måling af forandring
![Page 34: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/34.jpg)
34
Øvelse: Måling af foranding
• Hvad mener du der skal opnås for at en psykoterapeutisk behandling er lykkedes?
• Hvordan kan du tænke dig at måle forandringerne i forbindelse med psykoterapien?
• Hvilke kriterier vil du anvende for at konkludere at behandlingen har været vellykket?
![Page 35: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/35.jpg)
Forskningsdesign
• Gentagne målinger• Antal måletidspunkter (waves of data)• Eksempler
– Udviklingsforløb hos børn– Behandlingseffekt– Effekt af pædagogisk intervention
![Page 36: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/36.jpg)
Analysemetoder
• Klassiske metoder
• Multilevelanalyse
• Growth modeling med latente variable
![Page 37: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/37.jpg)
Klassiske metoder
• To tidspunkter som urelaterede fordelinger– t-test for to gennemsnit og standardafvigelser
• To tidspunkter som relaterede data– t-test for differensscoren (parrede data)– erstatning for differensscore, bl.a. residual gain
• Generalisering til flere end to tidspunkter– variansanalyse– covariansanalyse
![Page 38: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/38.jpg)
38
Problemer ved klassiske metoder
• De klassiske designs udnytter ikke tilstrækkeligt den information der er i data
• Fordi der ses bort fra målefejl, vil effekten ofte undervurderes
• De klassiske designs kan vanskeligt beskrive processen i psykoterapien
• De klassiske designs fanger ikke forskelle i behandlingsforløb hos forskellige personer
![Page 39: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/39.jpg)
Mulitilevelmetoder
• Hierarkiske tværsnitdata– elever (level 1) i skoleklasser (level 2) i skoler
(level 3)– patienter (level 1) på hospitaler (level 2)
• Hierarkiske længdesnitsdata– målinger (level 1) på personer (level 2)– kræver mere end to tidspunkter, helst 4+
![Page 40: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/40.jpg)
Hierarkiske tværsnitdata
• Et problem: Ikke at tage højde for den hierarkiske struktur kan give for små standardfejl (SE), hvilket får modellerne til at se for gode ud (f.eks. fejlagtigt signifikante analyse
• Begrebsmæssigt problem: sammenflydning af begreber på forskellige niveauer
• Litteratur: Bryk, A.S. & Raudenbush, S.W. (1992). Hierarchical linear models: Applications and data analysis methods. Newbury Park, CA: Sage.
• Kort introduktion til hierarkiske data ved Jason W. Osborne: http://pareonline.net/getvn.asp?v=7&n=1
![Page 41: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/41.jpg)
Hierarkiske længdesnitsdata• Målingerne (level 1) beskrives som
kurveforløb med parametre– lineære: to parametre, intercept og slope– ikke-lineære: der tilføjes flere led (kvadratisk,
kubisk m.m.), eller transformation af data• Parametrene udgør fordelinger (level 2)
som kan søges forklaret ved kovariate – behandlings- vs. kontrolgruppe– kønsforskelle
![Page 42: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/42.jpg)
![Page 43: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/43.jpg)
Multilevelmetoder for longitudinelle data
• Singer, J.D. & Willett, J.B. (2003). Applied Longitudinal Data Analysis. New York: Oxford University Press.
• Bogens hjemmeside: http://gseacademic.harvard.edu/alda/
• Præsentationer: http://gseacademic.harvard.edu/alda/Chapter%20presentations.htm
![Page 44: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/44.jpg)
Growth modeling med latente variable
• Parametrene til kurverne i multilevelmodeling opfattes som latente variable
• Målingerne på hvert af tidspunkterne opfattes som indikatorer for disse latente variable, ligesom i CFA
• Målingerne på hvert tidspunkt kan selv være latente variable som måles med observerede data
• De latente variable kan influeres af andre variable• Disse andre variable kan være globale eller tidsvarierende• Klasseanalyse af inhomogenitet i population (kategoriale
latente variable)• Flere parallelle udviklingsforløb
![Page 45: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/45.jpg)
Lineær growthmodel
![Page 46: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/46.jpg)
Kvadratisk growthmodel
![Page 47: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/47.jpg)
Lineær growthmodel m. latente indikatorer
![Page 48: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/48.jpg)
Growthmodel m. konstant og tidsvarierende covariater
![Page 49: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/49.jpg)
Et eksempel på longitudinelle data
![Page 50: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/50.jpg)
Data udlånt af Hans Henrik Jensen
• Psykoterapipatienter på Bispebjerg hospital i ambulant gruppeterapi
• Testet med en række psykologiske tests, bl.a. SCL-90, MCMI og Rorschach
• Testet før, efter og follow-up• I denne præsentation kun patienter med
komplette data for SCL-90 (n = 320)
![Page 51: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/51.jpg)
Klassisk analyse af resultaterne fra SCL-90
![Page 52: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/52.jpg)
SCL-90 somatisering
![Page 53: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/53.jpg)
SCL-90 SomatiseringUparrede og parrede data
Pa ired Sa mples Te st
,34 64 8 ,59 53 0 ,02 69 5 ,29 35 3 ,39 94 3 12 ,85 7 48 7 ,00 0
,08 22 2 ,60 39 1 ,03 37 6 ,01 58 0 ,14 86 4 2 ,4 35 31 9 ,01 5
s o ma _1 - s o ma _2Pa ir 1
s o ma _2 - s o ma _6Pa ir 2
Me an Std . De v ia tionStd . Erro rMe an Lo we r Up pe r
95 % Con fide nc eIn te rv a l o f th eDiffe ren c e
Pa ired Diffe ren c e s
t d f Sig . (2 -ta iled )
• Test for to urelaterede fordelinger• 1 vs. 2: t = 5.86, df = 638, p-værdi = 0.000 • 2 vs. 3: t = 1.34, df = 638, p-værdi = 0.181
![Page 54: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/54.jpg)
SCL-90 GSI
![Page 55: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/55.jpg)
SCL-90 GSIparrede og uparrede data
• Test for to urelaterede fordelinger• 1 vs. 2: t = 10.02, df = 638, p-værdi = 0.000 • 2 vs. 3: t = 3.09, df = 638, p-værdi = 0.002
Pa ire d Sa mp le s Te s t
,4 2 4 1 6 ,5 1 8 7 6 ,0 2 3 4 8 ,3 7 8 0 2 ,4 7 0 3 1 1 8 ,0 6 2 4 8 7 ,0 0 0
,1 5 2 4 2 ,4 9 1 0 9 ,0 2 7 4 5 ,0 9 8 4 1 ,2 0 6 4 3 5 ,5 5 2 3 1 9 ,0 0 0
g s i_ g lo b _ 1 - g s i_ g lo b _ 2Pa ir 1
g s i_ g lo b _ 2 - g s i_ g lo b _ 6Pa ir 2
Me a n Std . De v ia tio nStd . Erro rMe a n L o we r Up p e r
9 5 % Co n fid e n c eIn te rv a l o f th eDiffe re n c e
Pa ire d Diffe re n c e s
t d f Sig . (2 -ta ile d )
![Page 56: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/56.jpg)
Effektstørrelser: Cohens d • Cohens d: (gns1 - gns2)/SD (fælles)• fælles SD: kvadratrod((varians1 + varians2)/2)
• Somatisering:• 1 vs 2: d = 0.65• 2 vs 3: d = 0.15
• GSI• 1 vs 2: d = 1.12• 2 vs 3: d = 0.35
• Cohens tommelfingerregler• lille effekt: d = .20• mellemstor effekt: d = .50• stor effekt: d = .80
![Page 57: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/57.jpg)
Problemer med klassisk analyse
• Fordelingerne er tydeligt skæve senere i forløbet: er der inhomogenitet i populationen med hensyn til behandlingseffekten?
• Målingerne behandles som fejlfrie• Kun én målemetode analyseres ad gangen• Analysen giver ikke nogen beskrivelse af
procesforløbet
![Page 58: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/58.jpg)
Grafer over individuelle forløb
• 20 tilfældigt udvalgte individuelle forløb: GSI score på tre tidspunkter
![Page 59: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/59.jpg)
0.0
0.2
0.4
0.6
0.8
1.0
1.2
0.0 0.5 1.0 1.5 2.0
20226 20407
0.0 0.5 1.0 1.5 2.0
20265 20297
0.0 0.5 1.0 1.5 2.0
20274 97138
0.0 0.5 1.0 1.5 2.0
20384
98299 20320 97128 97147 20313 20421
0.0
0.2
0.4
0.6
0.8
1.0
1.2
202360.0
0.2
0.4
0.6
0.8
1.0
1.2
20324
0.0 0.5 1.0 1.5 2.0
20361 20275
0.0 0.5 1.0 1.5 2.0
20433 20492
0.0 0.5 1.0 1.5 2.0
20306
Testning
GS
I
![Page 60: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/60.jpg)
Grafer over individuelle forløb- samlet
• GSI-scores på de tre tidspunkter for et tilfældigt udvalg på 120 personer
![Page 61: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/61.jpg)
-0.20 0.05 0.30 0.55 0.80 1.05 1.30 1.55 1.80 2.05
Testnr
0
1
2
3
gsi
.glo
b
![Page 62: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/62.jpg)
Multilevelanalyse
![Page 63: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/63.jpg)
Individuelle parametre• Person Intercept Slope • 1330 0.6786233 -0.2972159• 6345 0.6786233 -0.2972159• 97020 0.6851796 -0.2972159• 3228 0.6982922 -0.2972159• 2002 0.7310737 -0.2972159• 2067 0.5741942 -0.2972159• 5245 0.5783175 -0.2972159
• Person Intercept Slope • 4155 1.1300062 -0.2972159• 97114 1.1638240 -0.2972159• 342 1.3383456 -0.2972159• 377 1.3468691 -0.2972159• 1002 1.3826187 -0.2972159• 1236 1.5091469 -0.2972159• 2054 1.5329833 -0.2972159
• Person Intercept Slope• 1035 1.6462484 -0.2972159• 4240 1.1179770 -0.2972159• 5176 1.2954072 -0.2972159• 5192 1.5920350 -0.2972159• 5155 1.3515321 -0.2972159• 369 1.8348864 -0.2972159• 1146 1.5965052 -0.2972159
• Person Intercept Slope • 1250 1.8020497 -0.2972159• 1024 2.1711024 -0.2972159• 5049 2.1734597 -0.2972159• 262 2.5346198 -0.2972159• 5229 2.2122082 -0.2972159• 272 2.4603162 -0.2972159• 1273 2.4578778 -0.2972159
![Page 64: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/64.jpg)
Analyseresultater: lineær model• Ikke-hierarkisk analyse• Value Std. Error t value p-value • Intercept 1.4949 0.0226 66.1593 0.0000• Slope -0.3086 0.0200 -15.4187 0.0000
• Hierarkisk analyse
• Value Std.Error t-value p-value
• Intercept 1.4955 0.0237 63.06903 <.0001• Slope -0.2972 0.0137 -21.67821 <.0001
• Modellerne passer imidlertid ikke særligt godt
![Page 65: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/65.jpg)
Growthmodelinganalyse
![Page 66: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/66.jpg)
Lineær model deskriptiv statistik
• Means• GSI1 GSI2 GSI6• ________ _______ _______• 1.504 1.042 0.891
• Correlations• GSI1 GSI2 GSI6• ________ _______ ______• GSI1 1.000• GSI2 0.623 1.000• GSI6 0.505 0.690 1.000
![Page 67: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/67.jpg)
Lineær model - globalt fit
• Chi_Square Test of Model Fit• Value 44.045• Degrees of Freedom 1• P_Value 0.0000 (bør ikke være signifikant)• CFI 0.882 (bør være > 0.96)• TLI 0.647 (bør være > 0.96)• RMSEA 0.367 (bør være < 0.06)
![Page 68: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/68.jpg)
Lineær model - estimater• Means Estimat SE t-værdi p-værdi• I 1.481 0.032 45.784 0.000 (startsituationen)• S -0.302 0.018 -17.190 0.000 (den lineære ændring)
• Variances• I 0.239 0.033 7.162 0.000 (SD: 0.489)• S 0.064 0.015 4.252 0.000 (SD: 0.253)
• Correlation • S WITH I -0.273 0.096 -2.845 0.004
• Residual Variances• GSI1 0.055 0.028 1.947 0.052 (bør være lille, dvs ikke-signifikant)• GSI2 0.166 0.019 8.920 0.000 (bør være lille, dvs ikke-signifikant)• GSI6 0.034 0.033 1.042 0.297 (bør være lille, dvs ikke-signifikant)
![Page 69: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/69.jpg)
Kvadratisk model• For at fange kurveforløbet indføres et kvadratisk element• Det betyder at flere elementer skal estimeres: gennemsnit og varians
for det kvadratiske element og dettes korrelationer med intercept og hældning.
• Der er umiddelbart for mange elementer at estimere til at det kan lade sig gøre med 3 måletidspunkter (= ’for få frihedsgrader’)
• Derfor indlægges en række begrænsninger på elementerne som tilpasse løbende til modellen så den passer godt
• Dette er imidlertid lidt ’snyd’ - risikoen er ’overfitting’• Det betyder at en gentagelse med andre samples risikerer at få andre
resultater
![Page 70: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/70.jpg)
Kvadratisk model - globalt fit• Chi_Square Test of Model Fit• Value 6.518• Degrees of Freedom 4• P_Value 0.1637 (bør ikke være signif)• CFI 0.993 (bør være > 0.96)• TLI 0.995 (bør være > 0.96)• RMSEA 0.044 (bør være < 0.06)
![Page 71: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/71.jpg)
Kvadratisk model - estimater• Means Estimat SE t-værdi p-værdi• I 1.500 0.000 999.000 999.000 (startsituationen)• S -0.600 0.000 999.000 999.000 (tendensen til lineær ændring ved start)• Q 0.150 0.000 999.000 999.000 (ændring i hældningen)
• Variances• I 0.195 0.021 9.429 0.000 (SD: 0.442)• S 0.840 0.083 10.171 0.000 (SD: 0.917)• Q 0.195 0.021 9.429 0.000 (SD: 0.442)
• Correlation • Q WITH S -0.397 0.041 -9.770 0.000
• Residual Variances• GSI1 0.099 0.016 1.947 0.000 (bør være lille, dvs ikke-signifikant)• GSI2 -0.072 0.025 -2.887 0.000 (bør være lille, dvs ikke-signifikant)• GSI6 0.099 0.016 1.947 0.000 (bør være lille, dvs ikke-signifikant)
![Page 72: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/72.jpg)
Konklusion
![Page 73: Testkursus 2012 Onsdag Jan Ivanouw](https://reader036.fdocuments.us/reader036/viewer/2022062408/5681331e550346895d99ea92/html5/thumbnails/73.jpg)
Vigtige pointer
• Mindst 4 tidspunkter for dataindsamling• Undersøge målingsmetode med CFA-model• Undersøge målingsinvarians for de
gentagne målinger• Undersøge den psykologiske hypotese i
samme model som målingsmodellen (eksplicitte scores behøves ikke)