实验中拉丁方格的理想和不理想属性?

机器算法验证 实验设计 拉丁方
2022-03-06 18:35:36

粗略的搜索表明,拉丁方格在实验设计中被广泛使用。在我攻读博士学位期间,我研究了拉丁方格的各种理论性质(从组合学的角度来看),但对拉丁方格特别适合实验设计的原因并没有深入了解。

我知道拉丁方格擅长让统计学家有效地研究有两个因素在不同“方向”上变化的情况。但是,我也相当有信心可以使用许多其他技术。

尤其是拉丁方格,是什么让它们非常适合实验设计,而其他设计却没有?

此外,还有数以万计的拉丁方格可供选择,那么你选择哪个拉丁方格呢?我知道随机选择一个很重要,但仍然会有一些拉丁方格比其他方格不太适合进行实验(例如循环群的凯莱表)。这就提出了以下问题。

拉丁方阵的哪些性质是可取的,拉丁方阵的哪些性质不适合实验设计?

1个回答

想象:

  • 您对单词类型(名词、形容词、副词和动词)对回忆的影响感兴趣。
  • 您想将单词类型作为主题内因素(即所有参与者都暴露于所有条件)

这样的设计会引发遗留效应的问题。即,条件的顺序可能会影响因变量的召回率。例如,参与者可能会通过练习更好地回忆单词。因此,如果条件总是以相同的顺序呈现,那么效果或顺序就会与条件的效果(即词类)混淆。

拉丁方是处理顺序效应的几种策略之一。拉丁方设计可能涉及将参与者分配到四个单独的顺序之一(即,称为顺序的主题之间的条件):

  1. 名词 形容词 副词 动词
  2. 形容词 副词 动词 名词
  3. 副词动词名词形容词
  4. 动词 名词 形容词 副词

因此,拉丁方设计仅需要可能排序的子集,并且在某种程度上可以估计排序的影响。

在一篇文中,我建议遵循以下简单的经验法则:

  • “如果顺序是分析的重点(例如,查看练习效果的技能获取),那么不要担心顺序效应
  • 如果顺序效应非常强,最好坚持主题之间的设计
  • 如果顺序效应很小或中等或未知,则典型的设计策略取决于感兴趣的受试者内因素的水平数。
    • 如果级别很少(例如,可能是 2、3、4),则显示所有订单(平衡)
    • 如果有更多级别(例如,可能 4+),请采用拉丁方方法或随机排序"

为了具体回答您的问题,拉丁方设计允许您获得受试者内设计的统计功效优势,同时可能至少最小化受试者内设计的主要问题:即顺序效应。