Program wzmacniania rodzin online (SFPonline)

Niniejsze badanie testuje nowy internetowy program szkolenia umiejętności rodzicielskich i profilaktyki uzależnień młodzieży w oparciu o oparty na dowodach Program Wzmacniania Rodzin. Projekt badania obejmuje trójwarunkową, równoległą randomizowaną próbę kontrolną, kontrastującą: (1) SFP Online, (2) DVD/wideo do użytku domowego SFP oraz (3) kontrole z listy oczekujących. Warunek interwencji, SFP Online, to interaktywny, multimedialny warunek testujący 10-sesyjny program online z powiązanymi ścieżkami dla rodziców i młodzieży. Obie ścieżki obejmują ukończenie trzech mini-lekcji tygodniowo prowadzonych online przez 10 tygodni. Każda ścieżka zawiera część związaną z grami, aby zwiększyć zaangażowanie i wzmocnić treść lekcji poprzez naukę w ukryciu. Seria DVD/wideo do użytku domowego SFP to 11-sesyjny program o tej samej treści, co wersja online, ale jest dostarczany za pośrednictwem prezentacji wideo online lub odtwarzacza DVD. Warunek kontrolny z listy oczekujących odbiera wiadomości e-mail z przepisami w tym samym 10-tygodniowym okresie; ich młodość otrzymuje zagadki. Po zakończeniu 10-tygodniowego okresu oczekiwania kontrole z listy oczekujących otrzymują interwencję SFP Online. Nasza analiza statystyczna dotyczy różnic między warunkami korzystania z płyt DVD/wideo w trybie online iw domu.

Drugą cechą projektu jest Non-Inferiority Trial (NIT) w celu empirycznego zbadania skuteczności SFP Online w porównaniu z danymi SFP Group Norms. Normy Grupowe, które służą jako wzorzec skuteczności SFP, to reprezentatywna, dopasowana demograficznie próba n=1400 rodzin wylosowanych z bazy danych 6000 rodzin, które uczestniczyły w pełnych 14 sesjach zajęć SFP. Wielkości efektów, przy użyciu częściowej statystyki eta-kwadrat, zostaną porównane między warunkami dla głównych miar wyniku. Wielkość efektu zostanie dostosowana do różnic demograficznych na poziomie indywidualnym oraz czynników implementacji. Margines równoważności dla porównania wielkości efektu między warunkami jest ustalony na 10% (wielkość efektu dla wyników programu SFP Online będzie co najmniej o 10% większa niż odpowiadająca jej wielkość dla filmów SFP lub norm grupowych).

REKRUTACJA: Badacze zrekrutują 240 rodzin z co najmniej jednym rodzicem/opiekunem i młodzieżą (n=480 uczestników), z 80 rodzinami losowo przydzielonymi do każdego warunku eksperymentalnego. Rekrutacją zajmuje się 24 rekruterów SFP, którzy przesłali listy wsparcia. Są zróżnicowani etnicznie i geograficznie rozproszeni po całych Stanach Zjednoczonych. Mają dostęp do wielu ras/etnicznych i marginalizowanych rodzin. Każdy rekruter ma na celu rekrutację 10 rodzin (24 rekruterów x 10 rodzin).

ZADANIE: Poszczególne rodziny zostaną losowo przydzielone do jednej z trzech interwencji za pomocą skomputeryzowanego generatora liczb losowych w celu wyeliminowania błędu selekcji i kontroli nieobserwowanych zmiennych zakłócających, które przyczyniają się do wyników programu. Zbadamy rozkład odpowiednich zmiennych demograficznych (rasa/pochodzenie etniczne, dochód, wykształcenie, wiek osoby dorosłej i dziecka), aby zapewnić równowagę między warunkami na początku badania. Przeprowadzamy analizy w celu wykrycia istotnych różnic programowych w efektach interwencji przez te zmienne.

ANALIZA STATYSTYCZNA: Przed oceną efektów programu badamy równoważność warunków eksperymentalnych przed testem, używając odpowiednich testów dla kategorycznych lub ciągłych miar bazowych. Istotne różnice są kontrolowane w modelach skorygowanych o współzmienne, oceniających skuteczność programu. Ta analiza wykorzystuje ANOVA 3 (warunek) x 2 (ryzyko wyjściowe) z ciągłą obecnością w badaniu jako zmienną zależną. Sprawdzamy również, czy istnieje jakakolwiek zróżnicowana ścieralność według warunków (tj. kodowanie ścierania jako 1/0 i stosowanie modeli regresji logistycznej do przewidywania retencji). Używamy również technik potwierdzających do kontrastowania macierzy wariancji/kowariancji między warunkami, aby ocenić, czy wzorce relacji statystycznych różnią się w zależności od warunku. Zróżnicowane ścieranie według warunków może potencjalnie ograniczać trafność wewnętrzną (efekty interwencji mogą być mylone z efektami ścierania) lub trafność zewnętrzną (możliwość uogólnienia na inne rodziny). Analizę danych rozpoczyna się od wygenerowania prostych statystyk opisowych dla wszystkich podstawowych pomiarów (np. częstości, średnich, wariancji), powtórzenia tej procedury dla danych z posttestu i 2-miesięcznych obserwacji. Rozkłady są badane pod kątem skośności i kurtozy oraz wzorców odpowiedzi. Testy chi-kwadrat, punktowe dwuszeregowe i korelacje Pearsona są wykorzystywane do badania relacji statystycznych między predyktorami linii bazowej (tj. sprawdzaniem współliniowości), danymi demograficznymi, a zmienne wynikowe zostaną ocenione przy użyciu odpowiednich miar powiązania i ocenione pod kątem istotności statystycznej przy użyciu chi-kwadrat testy kwadratowe, t i F). Naruszenie założeń normalności i homoskedastyczności (często spotykanych w badaniach rodzinnych i podczas oceny samoopisowego zażywania narkotyków przez młodzież) będzie wymagało przekształceń danych (np. wagi logarytmicznej, arcus sinus, splajnu lub percentyla). Jeśli transformacje nie znormalizują danych, możemy zastosować testy nieparametryczne (np. Tau Kendalla, test U Manna-Whitneya, sumę rang Wilcoxona, korelację Spearmana i ANOVA Freidmana). W przypadku rozkładów niegaussowskich, które wynikają z zachowań o niskiej częstotliwości, możemy zastosować modele regresji Poissona, modele z nadmuchem zerowym i dwuczęściowe modele półciągłe, aby dostosować je do rozkładów o dużej skośności z przewagą zer.

BRAKUJĄCE DANE. Może się zdarzyć, że niektórzy uczestnicy nie wypełnią ankiet oceniających wyniki, przestaną uczestniczyć w interwencji lub niechętnie podają dane. Zjawiska te reprezentują różne strony starcia (wycofanie i słabe przyleganie) i należy je dokładnie zbadać. Zakładamy, że brakuje danych całkowicie losowo (MCAR) lub że mechanizmy powodujące brak danych są „ignorowane” bez błędu w porównaniu warunków; stosujemy jednak test MCAR Little'a dla danych wielowymiarowych, aby określić, czy brakujące dane wpływają na wyniki. Niezależnie od tego, jak powstaje, stosowane metody pełnych danych wymagają użycia wielu procedur imputacji w celu uzyskania wydajnych oszacowań parametrów. Do odzyskania brakujących danych używamy oszacowania maksymalnego prawdopodobieństwa pełnych informacji. Rozsądna liczba imputacji to 10, biorąc pod uwagę skuteczność imputacji przy stosunkowo niskim poziomie braków. 10 imputowanych zestawów danych jest następnie łączonych przy użyciu wielu procedur wnioskowania, które korygują błędy standardowe pod kątem niepewności brakujących danych142, tworząc bardziej wydajne oszacowania parametrów.

ZAMIAR LECZENIA. Niezgodność pojawia się, ponieważ uczestnicy mogą nie ukończyć wszystkich lekcji, nie wziąć ich wcale lub przystąpić tylko do ocen bez narażenia na lekcje. To sprawia, że ​​ci, którzy ukończyli lekcje, nie są już „losową próbką pierwotnej grupy”. Zamiar leczenia (ITT) to strategia analizy danych, w której uczestnicy pozostają w warunkach eksperymentalnych, do których zostali przydzieleni, niezależnie od ukończenia lekcji lub statusu niezgodności. Korzystając z analiz wrażliwości, dane od osób, które ukończyły studia, są następnie porównywane ze zbiorem danych z przypadkami wykluczonymi po randomizacji, ponieważ nie zostały one wystawione na cały program nauczania (analizy podzbiorów skuteczności). Podejście to zakłada, że ​​danych z ocenzurowanych przypadków brakuje losowo (MAR), a wyniki uzyskano w sposób bezstronny. Analizy wrażliwości porównają wyniki w oparciu o różne poziomy ukończenia lekcji (złagodzenie zasady wykluczenia) przy tej procedurze powtarzanej ekspozycji na interwencję (liczba sesji) w sposób ciągły, ponieważ uczestnicy mogą odnieść korzyści z dowolnej ekspozycji. Zastosujemy również metodę szacowania średnich skutków przyczynowych (CACE), aby zająć się różnicami w zgodności z interwencją i jej wpływem na wyniki programu. Korzystając z analizy CACE, tworzy się wiele grup (mieszanek) odpowiadających ich poziomowi przestrzegania zaleceń (tj. zaangażowaniu) i przydzieleniu leczenia (SFPOnline lub SFP DVD/wideo). Wyniki programu są następnie porównywane między tymi mieszaninami przy użyciu tradycyjnych metod regresji logistycznej. Możemy dalej kategoryzować słuchaczy na podstawie ich zaobserwowanych wskaźników ukończenia lekcji, uzyskując osoby z niskimi i wysokimi wynikami w każdym warunku. Ponadto zaangażowanie może być uwarunkowane na podstawie współzmiennych na poziomie uczestnika (tj. stanu cywilnego, dochodów, stresu, zażywania narkotyków lub wielkości rodziny). Techniki ITT i CACE zachowują nienaruszony losowy projekt, łagodzą błąd wynikający z różnicowego zakończenia programu i umożliwiają nam wyciąganie wniosków przyczynowych na temat efektów interwencji w tej próbie. W przypadku, gdy uczestnicy, którzy nie ukończyli kursu, nie są losowo rozproszeni wśród warunków, podamy również rozmiary efektów wśród tych, którzy ukończyli lekcje i wypełnili ankiety.

PRÓBY KONFUNDACJI. Nawet przy losowym przypisaniu do warunków eksperymentalnych i zmniejszeniu jakichkolwiek nierównowag między nimi przed testem, zakłócające efekty mogą pozostać zagrożeniem dla ważności (tj. Efekty programu mogą być stronnicze). W rezultacie zbadamy wybrane zmienne mierzone na początku badania pod kątem dowodów na jakąkolwiek nierównowagę (tj. równoważność przed testem) i przeprowadzimy analizy wtórne, w których modelujemy zmienne towarzyszące przed leczeniem, aby uwzględnić różnice wyników między grupami. Badanie to zostanie przeprowadzone przy użyciu uogólnionych modeli liniowych. Różnice przed leczeniem mogą być specyficzne dla uczestnika (np. dane demograficzne). Istnieją pewne dowody potwierdzające włączenie współzmiennych, aby móc przyczynowo przypisać interwencję różnice między warunkami. Ich włączenie zwiększa precyzję modelu i zwiększa moc, a ta wydajność dotyczy również wyników binarnych, gdybyśmy zdecydowali się modelować używanie narkotyków przez młodzież w ten sposób.

KONTROLE MANIPULACYJNE. Przewidujemy, że niektóre relacje będą zapośredniczone przez inne zmienne. Nasz projekt badania podłużnego pozwala nam wyciągać rygorystyczne wnioski dotyczące procesów przyczynowych, odnosząc się do domniemanych mechanizmów i ważności konstruktu leczenia, dzięki którym działa SFP. Zakładamy sekwencyjną ignorowalność, mimo że mediator jest oceniany po randomizacji. Możemy statystycznie ocenić spadek wielkości efektu bezpośredniego, skorygowanego o efekty pośrednie. Ten przypadek rozciąga się na dane podłużne z więcej niż jednym domniemanym mediatorem według reguły śledzenia dla analizy ścieżki. Projekt podłużny zapewnia również czasowe oddzielenie testu wstępnego, interwencji (tygodnie 1-10), testu końcowego (tygodnie 10-11) i 2-miesięcznej obserwacji (tygodnie 18-20). Używamy wielowymiarowej metody delta do obliczania błędów standardowych dla efektów pośrednich, które to symulacje wykazały, że dają dokładne oszacowania w oparciu o przedziały ufności bootstrap dla efektu pośredniego. Potencjalni mediatorzy w tych modelach podłużnych oceniających skuteczność programu obejmują miary skuteczności rodzicielskiej, umiejętności (na podstawie tymczasowych quizów), komunikację rodzic-dziecko, monitorowanie, ustalanie granic i poziomy zaangażowania (na podstawie wskaźników satysfakcji, ukończenia lekcji i wykorzystania).

MODYFIKACJA EFEKTÓW. Ograniczony zestaw analiz post-hoc zbada jednorodność efektu interwencji w podgrupach uczestników. Analizy te pomagają uzyskać precyzję w rozpoznaniu, czy efekty programu zostały zoptymalizowane dla określonych grup.

MOC. Przy szacowaniu mocy przyjęliśmy: (1) trzy warunki eksperymentalne, (2) wielokrotne fale zbierania danych, (3) losowe efekty związane z szacowanymi wynikami w zakresie od 0,35 do 0,45 oraz różne rodzaje miar wyników (dychotomiczne vs. ). Przewidujemy możliwość rekrutacji 80 rodzin (1 rodzic/opiekun + 1 młodzież) w każdych warunkach eksperymentalnych w okresie rekrutacji. Przy dużych rozmiarach próbek (n = 480) możemy wykryć znaczące efekty w większości rozmiarów efektów.