Abstract
Researchers have known for years about the negative impact on Type I error rates caused by dependencies in hierarchically nested and longitudinal data. Despite this, group treatment researchers do not consistently use methods such as multilevel models (MLMs) to assess dependence and appropriately analyse their nested data. The goals of this study are to review some of the study design issues with regard to hierarchically nested and longitudinal data, discuss MLMs for assessing and handling dependence in data, and present a guide for developing a three-level growth MLM that is appropriate for group treatment data, design, and research questions. The authors present an example from group treatment research to illustrate these issues and methods.
ABSTRACT
Jahrelang war Forscher die negative Auswirkung der Rate des Fehlers 1. Art bewusst, der hervorgerufen wird durch Abhängigkeiten in hierarchisch verschachtelten und längsschnittlichen Daten. Trotzdem, wenden nach wie vor Forscher Methoden, wie Multi-Level-Modelle (MLM), nicht konsistent an, um Abgängigkeiten zu beurteilen und ihre verschachtelten Daten angemessen auszuwerten. Das Ziel dieser Studie ist es, einen Überblick über einige Studiendesignprobleme bzgl. hierarchisch verschachtelter und längschnittlicher Daten zugeben, MLM für die Messung und Bearbeitung von Abhängigkeiten in der Datenstruktur zu erläutern, und einen Leitfaden für die Entwicklung eines dreistufigen Wachstums-MLM, welches geeignet ist für Gruppenpsychotherapie-Daten, -Design und –Forschungsfragen vorzustellen. Um diese Probleme und Methoden zu erläutern, geben die Autoren ein Beispiel aus der Gruppenpsychotherapie-Forschung.
RÉSUMÉ
Les chercheurs connaissent depuis longtemps l'impact négatif des erreurs de type I causé par les dépendances dans des données longitudinales emboitées hiérarchiquement. Malgré cela, les chercheurs de traitement de groupe n'utilisent pas invariablement des méthodes telles que les modèles multi-niveaux (MLMs) pour évaluer les dépendances et analyser de manière appropriées leurs données emboitées. Le but de cette étude est d'examiner quelques questions concernant les données longitudinales hiérarchiquement emboitées, de discuter des MLMs pour évaluer et prendre en compte les dépendances dans les données, et de présenter un guide pour développer un modèle de développement multi-niveaux à trois niveaux approprié pour des données, le design et les questions de recherche de traitement de groupe. Les auteurs présentent un exemple de recherche qui illustre ces questions et ces méthodes.
Acknowledgements
We thank Kimberly Corace, Robert Gallop, and Tim Ramsay for their comments.