Rehabilitation (Stuttg) 2005; 44(6): 367-372
DOI: 10.1055/s-2005-867062
Methoden in der Rehabilitationsforschung
© Georg Thieme Verlag KG Stuttgart · New York

Korrekter Umgang mit korrelierten Daten in der Rehabilitationsforschung

Proper Handling of Correlated Data in Rehabilitation ResearchO.  Kuß1 , S.  Watzke2
  • 1Institut für Medizinische Epidemiologie, Biometrie und Informatik der Martin-Luther-Universität Halle-Wittenberg
  • 2Klinik und Poliklinik für Psychiatrie und Psychotherapie der Martin-Luther-Universität Halle-Wittenberg
Koordinatoren der Reihe „Methoden in der Rehabilitationsforschung”: Prof. Dr. Dr. Hermann Faller, Würzburg; Prof. Dr. Thomas Kohlmann, Greifswald; Dr. Christian Zwingmann, BerlinInteressenten, die einen Beitrag zur Reihe beisteuern möchten, werden gebeten, vorab Kontakt aufzunehmen, E-mail: christian.zwingmann@web.de
Weitere Informationen

Publikationsverlauf

Publikationsdatum:
01. Dezember 2005 (online)

Zusammenfassung

Eine Reihe von Studienanlagen in den Rehabilitationswissenschaften liefern korrelierte Messwerte, z. B. wenn Patienten im Zeitverlauf an verschiedenen Zeitpunkten beobachtet werden, wenn pro Patient mehrere Zielgrößen gemessen werden oder wenn ein Patient unter verschiedenen experimentellen Bedingungen beobachtet wird. Die meisten grundlegenden statistischen Verfahren verlangen jedoch unabhängige Beobachtungen, und ein kritikloses Anwenden dieser Methoden bei korrelierten Messwerten kann unter Umständen zu falschen Schlüssen führen. Anhand eines einfachen Beispieles wird gezeigt, dass es sich (im Sinne eines Powergewinns) durchaus lohnen kann, korrelierte Daten tatsächlich auch mit Methoden für korrelierte Daten auszuwerten. Im Folgenden werden verschiedene Auswertungsmethoden (Reduktion auf eine einzige Beobachtung, ANOVA mit Messwiederholungen, MANOVA und gemischte Modelle) für korrelierte Daten dargestellt. Unter diesen sind die gemischten Modelle die Methode der Wahl, da diese eine sehr flexible Modellierung der Korrelationsstruktur der Beobachtungen erlauben und inzwischen auch mit Standardsoftware schätzbar sind.

Abstract

Many study designs in rehabilitation science give rise to correlated data. For example, patients are followed over time, different responses are measured for each patient, or patients are observed in logical units. Standard statistical methods, however, are only valid for independent responses, and careless application of these methods for actually correlated observations might give erroneous results. By means of a simple example, we show how using methods for correlated data can indeed give a gain in statistical power. In the following, different approaches (Summary measures, Repeated Measurement ANOVA, MANOVA, and Mixed Models) to deal with correlated data are presented. We conclude that among these, the Mixed Models approach is the method of choice because it allows flexible modelling of correlation structure and is, meanwhile, also available in standard statistical software packages.

Literatur

  • 1 Matthews J NS, Altman D G, Campbell M J, Royston P. Analysis of serial measurements in medical research.  British Medical Journal. 1990;  300 230-235
  • 2 Lindman H R. Analysis of Variance in Experimental Design. New York; Springer 1992
  • 3 Davis C S. Statistical Methods for the Analysis of Repeated Measurements. New York; Springer 2002
  • 4 Vickers A J, Altman D G. Analysing controlled trials with baseline and follow up measurements.  British Medical Journal. 2001;  323 1123-1124
  • 5 Bray J H, Maxwell S E. Multivariate Analysis of Variance. Newbury Park; Sage Publications 1994
  • 6 Brown H, Prescott R. Applied Mixed Models in Medicine. Chichester; Wiley 1999
  • 7 Verbeke G, Molenberghs G. Linear Mixed Models for Longitudinal Data. Heidelberg; Springer 1999
  • 8 Hasenbein U, Kuss O, Bäumer M, Schert C, Schneider H, Wallesch C W. Physicians' preferences and expectations in stroke rehabilitation - results of a case-based questionnaire survey.  Disability and Rehabilitation. 2002;  24 954-960
  • 9 Wirtz M. Über das Problem fehlender Werte: Wie der Einfluss fehlender Informationen auf Analyseergebnisse entdeckt und reduziert werden kann.  Rehabilitation. 2004;  43 109-115
  • 10 Littell R C, Milliken G A, Stroup W W, Wolfinger R D. SAS System for Mixed Models. Cary, NC, USA; SAS Institute Inc 1996

Oliver Kuß

Institut für Medizinische Epidemiologie, Biometrie und Informatik der Martin-Luther-Universität Halle-Wittenberg

Magdeburger Straße 27

06097 Halle (Saale),

eMail: Oliver.Kuss@medizin.uni-halle.de