针对依从性影响的个体内研究的自适应数据收集
统计方法学
2023-05-17 v1 应用统计
摘要
近来,移动技术在生态瞬时评估(EMA)与干预(EMI)中的使用,使得在医学领域收集适用于个体内变异性研究的数据更为容易。然而,尤其在数据收集过程中使用自我报告时,难以在数据质量与受试者负担之间取得平衡。本文针对一个特定的 EMA 设置解决此问题,该设置旨在于自我报告变量的高/低值处向受试者提交一项高要求任务。我们采用受控制图方法与设计优化技术启发的动态方法,获得一种 EMA 触发机制用于数据收集,其同时考虑了自我报告变量与依从率的个体变异性。我们在模拟环境以及一项耳鸣纵向研究的真实大规模数据中测试了该算法。Wilcoxon-Mann-Whitney 秩和检验表明,该算法往往比随机时间表与具有静态阈值的基于规则的算法(当前最先进的方法)具有更高的 F1 分数与效用。总之,该算法被证明在平衡数据质量与参与者负担方面有效,尤其如所进行的分析所提示的,在数据收集受依从性影响的研究中。
引用
@article{arxiv.2207.12331,
title = {Adaptive data collection for intra-individual studies affected by adherence},
author = {Greta Monacelli and Lili Zhang and Winfried Schlee and Berthold Langguth and Tomás E. Ward and Thomas B. Murphy},
journal= {arXiv preprint arXiv:2207.12331},
year = {2023}
}
备注
12 pages, 4 figures