За пределами ANOVA и MANOVA для повторных измерений: преимущества обобщённых оценочных уравнений и обобщённых линейных смешанных моделей и их применение в нейронаучных исследованиях

В нейронаучных исследованиях продольные данные часто анализируют с помощью дисперсионного анализа (ANOVA) и многомерного дисперсионного анализа (MANOVA) для повторных измерений (rmANOVA/rmMANOVA). Однако эти методы предъявляют особые требования: дисперсии разностей между всеми возможными парами внутрисубъектных условий (то есть уровнями независимой переменной) должны быть равны. Кроме того, они применимы только при фиксированных интервалах между повторными измерениями и чувствительны к пропущенным данным. В отличие от них другие модели, такие как обобщённые оценочные уравнения (GEE) и обобщённые линейные смешанные модели (GLMM), предлагают иной подход к анализу данных и изучаемого явления. Вместо того чтобы подгонять данные под допущения дисперсионного анализа, можно построить гибкую индивидуализированную модель с учётом природы зависимой переменной. Мы рассматриваем преимущества GEE и GLMM как альтернатив rmANOVA и rmMANOVA в нейронаучных исследованиях, включая возможность использовать различные распределения зависимой переменной, более корректно анализировать данные при неодинаковых временных интервалах и лучше учитывать пропущенные значения. Эти преимущества проиллюстрированы сравнением rmANOVA и GEE на реальном примере; для воспроизведения анализа в R предоставлены данные и программный код с пошаговыми пояснениями. Мы пришли к выводу, что в нейронаучных исследованиях GEE и GLMM могут давать более надёжные результаты по сравнению с rmANOVA и rmMANOVA, особенно при небольших объёмах выборки и несбалансированных продольных исследованиях с пропущенными данными или без них.