온라인 가족 프로그램 강화 (SFPonline)

본 연구는 증거 기반 가족 강화 프로그램을 기반으로 새로운 웹 기반 온라인 육아 기술 교육 및 청소년 약물 예방 프로그램을 테스트합니다. 연구 설계에는 (1) SFP 온라인, (2) SFP 가정용 DVD/비디오 및 (3) 대기자 명단 대조군과 대조되는 3가지 조건 병렬 무작위 통제 시험이 포함됩니다. 개입 조건인 SFP 온라인은 부모와 청소년을 위한 상호 관련된 트랙이 있는 10개 세션 온라인 프로그램을 테스트하는 대화형 멀티미디어 조건입니다. 두 트랙 모두 10주 동안 온라인으로 제공되는 주당 3개의 미니 레슨을 완료해야 합니다. 각 트랙에는 잠입 학습을 통해 참여도를 높이고 수업 내용을 강화하는 게임 부분이 포함되어 있습니다. SFP 가정용 DVD/비디오 시리즈는 온라인 버전과 동일한 콘텐츠를 포함하는 11개 세션 프로그램이지만 온라인 비디오 프리젠테이션 또는 DVD 플레이어를 통해 제공됩니다. Wait-Listed 제어 조건은 동일한 10주 동안 레시피가 포함된 이메일을 받습니다. 그들의 젊음은 수수께끼를 받습니다. 10주 대기 기간이 끝나면 대기 목록에 있는 컨트롤이 SFP 온라인 개입을 받습니다. 우리의 통계 분석은 온라인과 가정용 DVD/비디오 조건 간의 차이점을 다룹니다.

두 번째 디자인 기능은 SFP Group Norms 데이터와 비교할 때 SFP Online의 효능을 실증적으로 조사하기 위한 NIT(Non-Inferiority Trial)입니다. SFP 효과의 벤치마크 역할을 하는 Group Norms는 전체 SFP 14세션 수업에 참석한 6,000개 가족의 데이터베이스에서 추출한 n=1400개 가족의 대표적인 인구통계학적 일치 샘플입니다. 부분 에타 제곱 통계를 사용하는 효과 크기는 주요 결과 측정에 대한 조건 간에 비교됩니다. 효과 크기는 개인 수준의 인구통계학적 차이와 구현 요인에 따라 조정됩니다. 조건 간 효과 크기 비교의 등가 마진은 10%로 설정됩니다(SFP 온라인 프로그램 결과의 효과 크기는 SFP 비디오 또는 그룹 규범의 해당 효과 크기보다 10% 이상 큽니다).

모집: 조사관은 각 실험 조건에 무작위로 할당된 80개 가족과 함께 적어도 한 명의 부모/간병인 및 청소년(n=480 참가자)이 있는 240개 가족을 모집할 것입니다. 채용은 지원 편지를 보낸 24명의 SFP 채용 담당자가 처리합니다. 그들은 인종적으로 다양하고 미국 전역에 지리적으로 분산되어 있습니다. 그들은 여러 인종/민족 및 소외된 가족에 접근할 수 있습니다. 각 채용 담당자는 10가족 모집을 목표로 하고 있습니다(24명의 채용 담당자 x 10가족).

할당: 개별 가족은 선택 편향을 제거하고 프로그램 결과에 기여하는 관찰되지 않은 교란 변수를 제어하기 위해 컴퓨터 난수 생성기를 사용하여 세 가지 개입 중 하나에 무작위로 할당됩니다. 기준선에서 조건 간의 균형을 보장하기 위해 관련 인구통계학적 변수(인종/민족, 소득, 교육, 성인 및 아동 연령)의 분포를 조사할 것입니다. 우리는 이러한 변수에 의한 개입 효과의 중요한 프로그램 차이를 감지하기 위해 분석을 수행합니다.

통계 분석: 프로그램 효과를 평가하기 전에 범주형 또는 연속 기준 측정에 대한 적절한 테스트를 사용하여 실험 조건 간의 사전 테스트 동등성을 조사합니다. 프로그램 효능을 평가하는 공변량 조정 모델에서 중요한 차이가 제어됩니다. 이 분석은 종속 변수로 연구에 계속 존재하는 3(조건) x 2(기준선 위험) ANOVA를 사용합니다. 또한 조건별 차등 감소가 있는지도 조사합니다(즉, 감소를 1/0으로 코딩하고 로지스틱 회귀 모델을 사용하여 유지율 예측). 또한 통계적 관계의 패턴이 조건에 따라 다른지 여부를 평가하기 위해 조건 간 분산/공분산 행렬을 대조하는 확인 기술을 사용합니다. 조건별 차등 감소는 잠재적으로 내부 타당성(개입 효과가 감소 효과와 혼동될 수 있음) 또는 외부 타당성(다른 가족에 대한 일반화 가능성)을 제한할 수 있습니다. 데이터 분석은 사후 테스트 및 2개월 후속 데이터에 대해 이 절차를 반복하여 모든 기준 측정(예: 빈도, 평균, 분산)에 대한 간단한 기술 통계를 생성하는 것으로 시작됩니다. 왜도, 첨도 및 응답 패턴에 대해 분포를 검사합니다. 카이 제곱 테스트, 점 이중 직렬 및 Pearson 상관 관계는 기준선 예측 변수(즉, 다중 공선성 확인), 인구 통계 및 결과 변수 간의 통계적 관계를 조사하는 데 사용됩니다. 제곱, t 및 F 테스트). 정규성 및 동분산성 가정을 위반하는 경우(종종 가족 연구 및 청소년 자가 보고 약물 사용을 평가할 때 발생) 데이터 변환(예: 로그, 아크사인, 스플라인 또는 백분위수 가중치)이 필요합니다. 변환이 데이터를 정규화하지 못하면 비모수 테스트(예: Kendall의 Tau, Mann-Whitney U-test, Wilcoxon Rank Sum, Spearman의 상관관계 및 Freidman의 ANOVA)를 사용할 수 있습니다. 저주파 동작에서 발생하는 비가우시안 분포의 경우 포아송 회귀, 제로 팽창 및 두 부분으로 구성된 반연속 모델을 사용하여 0이 우세한 매우 왜곡된 분포를 조정할 수 있습니다.

누락된 데이터. 결과 평가 설문 조사에 참여하지 않거나 중재 참여를 중단하거나 데이터 제공을 꺼리는 참가자가 있을 수 있습니다. 이러한 발생은 마모(금단 및 접착 불량)의 다양한 면을 나타내며 주의 깊게 검사해야 합니다. 우리는 데이터가 완전히 무작위로 누락(MCAR)되거나 누락된 데이터를 유발하는 메커니즘이 조건 비교에서 편향 없이 "무시할 수 있다"고 가정합니다. 그러나 누락된 데이터가 결과를 편향시키는지 확인하기 위해 다변량 데이터에 대한 MCAR의 Little 테스트를 적용합니다. 발생 방식에 관계없이 사용되는 완전한 데이터 방법은 효율적인 매개변수 추정치를 얻기 위해 여러 대치 절차를 사용해야 합니다. 전체 정보 최대 우도 추정을 사용하여 누락된 데이터를 복구합니다. 상대적으로 누락 수준이 낮은 대체의 효율성을 고려할 때 합리적인 대체 수는 10입니다. 그런 다음 귀속된 10개의 데이터 세트는 누락된 데이터 불확실성142에 대한 표준 오류를 조정하는 여러 추론 절차를 사용하여 결합되어 보다 효율적인 매개변수 추정치를 생성합니다.

치료 의향. 참가자가 모든 수업을 마치지 못하거나, 전혀 듣지 않거나, 수업에 노출되지 않고 평가만 받을 수 있기 때문에 비준수가 발생합니다. 이것은 수업을 마친 사람들이 더 이상 "원래 그룹의 무작위 샘플"이 아닌 것으로 만듭니다. ITT(Intention-to-treat)는 참가자가 수업 완료 또는 비준수 상태에 관계없이 할당된 실험 조건을 유지하는 데이터 분석 전략입니다. 민감도 분석을 사용하여 완성자의 데이터는 전체 커리큘럼에 노출되지 않았기 때문에 무작위화 후 제외된 사례가 있는 데이터 세트와 대조됩니다(효능 하위 집합 분석). 이 접근 방식은 중도절단 사례의 데이터가 무작위로 누락(MAR)되고 결과가 편향되지 않은 방식으로 획득되었다고 가정합니다. 민감도 분석은 참가자가 모든 노출로부터 이익을 얻을 수 있으므로 개입 노출(세션 수)을 지속적으로 유지하면서 이 절차를 반복하여 다양한 수준의 수업 완료(배제 규칙 완화)를 기반으로 결과를 비교합니다. 또한 CACE(컴파일러 평균 인과 효과) 추정 방법을 사용하여 개입 준수의 차이와 프로그램 결과에 미치는 영향을 해결할 것입니다. CACE 분석을 사용하여 준수 수준(예: 참여) 및 치료 할당(SFFPOnline 또는 SFP DVD/비디오)에 따라 여러 그룹(혼합물)이 구성됩니다. 그런 다음 전통적인 로지스틱 회귀 방법을 사용하여 이러한 혼합 간에 프로그램 결과를 대조합니다. 관찰된 수업 완료율을 기반으로 컴파일러를 추가로 분류하여 각 조건에서 낮은 컴플리터와 높은 컴플리터를 산출할 수 있습니다. 또한 참여는 참가자 수준의 공변량(즉, 결혼 상태, 소득, 스트레스, 약물 사용 또는 가족 규모)에 따라 조절될 수 있습니다. ITT 및 CACE 기술은 무작위 설계를 그대로 유지하고 차등 프로그램 완료로 인한 편향을 완화하며 이 샘플의 개입 효과에 대한 인과적 추론을 가능하게 합니다. 완료하지 못한 참가자가 조건에 따라 무작위로 분산되지 않는 경우 수업을 완료하고 사후 설문 조사를 수행한 참가자 사이에서 효과 크기도 보고합니다.

교란 테스트. 실험 조건에 무작위로 할당하고 이들 사이의 사전 테스트 불균형을 줄이더라도 교란 효과는 유효성에 대한 위협으로 남아 있을 수 있습니다(즉, 프로그램 효과가 편향될 수 있음). 결과적으로, 우리는 불균형(즉, 사전 테스트 동등성)의 증거에 대해 기준선에서 측정된 선택된 변수를 검사하고 그룹 간 결과 차이를 설명하기 위해 전처리 공변량을 모델링하는 2차 분석을 수행합니다. 이 검사는 일반화된 선형 모델을 사용하여 수행됩니다. 전처리 차이는 참가자마다 다를 수 있습니다(예: 인구 통계). 개입에 대한 조건 간의 차이를 인과적으로 귀속시킬 수 있도록 공변량 포함을 뒷받침하는 몇 가지 증거가 있습니다. 이들을 포함하면 모델 정밀도가 증가하고 성능이 향상되며 이 효율성은 이러한 방식으로 청소년 약물 사용을 모델링하도록 선택해야 하는 바이너리 결과에도 적용됩니다.

조작 확인. 우리는 특정 관계가 다른 변수에 의해 조정될 것으로 예상합니다. 우리의 종단적 연구 설계를 통해 SFP가 작동하는 추정 메커니즘 및 치료 구성 타당성을 다루면서 인과 과정에 관한 엄격한 추론을 할 수 있습니다. 중재자가 무작위화 후 평가되더라도 순차적인 무시 가능성을 가정합니다. 간접 효과에 대해 조정된 직접 효과의 크기 감소를 통계적으로 평가할 수 있습니다. 이 사례는 경로 분석을 위한 추적 규칙에 의해 둘 이상의 추정 매개체가 있는 종단 데이터로 확장됩니다. 종단 설계는 또한 사전 테스트, 개입(1-10주), 사후 테스트(10-11주) 및 2개월 후속 조치(18-20주)의 시간적 분리를 제공합니다. 매개 효과에 대한 표준 오차를 계산하기 위해 다변량 델타 방법을 사용합니다. 시뮬레이션은 매개 효과에 대한 부트스트랩 신뢰 구간을 기반으로 정확한 추정치를 생성하는 것으로 나타났습니다. 프로그램 효능을 평가하는 이러한 종단 모델의 잠재적 중재자에는 육아 효능, 기술 수행(중간 퀴즈 기반), 부모-자녀 의사소통, 모니터링, 경계 설정 및 참여 수준(만족도, 수업 완료 및 사용 메트릭 기반) 측정이 포함됩니다.

효과 수정. 사후 분석의 제한된 세트는 참가자 하위 그룹에 걸쳐 개입 효과의 동질성을 탐색합니다. 이러한 분석은 프로그램 효과가 특정 그룹에 대해 최적화되었는지 여부를 정확하게 파악하는 데 도움이 됩니다.

힘. 추정력에서 우리는 다음을 가정했습니다. (1) 세 가지 실험 조건, (2) 데이터 수집의 여러 물결, (3) .35-.45 범위의 추정 결과와 다양한 유형의 결과 측정(이분법 대 연속)과 관련된 무작위 효과 ). 모집 기간 동안 각 실험 조건에서 80가족(부모/간병인 1명 + 청소년 1명)을 모집할 수 있는 능력을 예상합니다. 표본 크기가 크면(n=480) 대부분의 효과 크기에서 중요한 효과를 감지할 수 있습니다.