Онлайн-программа «Укрепление семей» (SFPonline)

В этом исследовании тестируется новая интернет-программа обучения навыкам воспитания детей и профилактики наркомании среди молодежи, основанная на научно обоснованной программе «Укрепление семей». Дизайн исследования включает в себя параллельное рандомизированное контрольное исследование с тремя условиями, в котором противопоставляются: (1) SFP Online, (2) SFP DVD/видео для домашнего использования и (3) контроли из списка ожидания. Условие вмешательства, SFP Online, представляет собой интерактивное мультимедийное условие тестирования онлайн-программы из 10 сеансов со взаимосвязанными треками для родителей и молодежи. Оба направления предполагают выполнение трех мини-уроков в неделю, проводимых онлайн в течение 10 недель. Каждая дорожка включает игровую часть, чтобы повысить вовлеченность и укрепить содержание урока посредством скрытого обучения. Серия DVD/видео SFP для домашнего использования представляет собой программу из 11 сеансов с тем же содержанием, что и онлайн-версия, но доставляется через онлайн-видеопрезентацию или DVD-плеер. Контрольное условие «В списке ожидания» получает электронные письма с рецептами за тот же 10-недельный период; их молодежь получает загадки. По истечении 10-недельного периода ожидания элементы управления из списка ожидания получают вмешательство SFP Online. В нашем статистическом анализе рассматриваются различия между онлайн-условиями и условиями домашнего использования DVD/видео.

Второй особенностью дизайна является тестирование не меньшей эффективности (NIT) для эмпирического изучения эффективности SFP Online по сравнению с данными SFP Group Norms. Групповые нормы, которые служат эталоном эффективности SFP, представляют собой репрезентативную демографически подобранную выборку из n = 1400 семей, взятых из базы данных 6000 семей, которые посетили полные занятия SFP из 14 занятий. Величины эффектов, используя частичную статистику эта-квадрата, будут сравниваться между условиями для основных показателей результатов. Размеры эффекта будут скорректированы с учетом демографических различий на индивидуальном уровне, а также факторов реализации. Предел эквивалентности для сравнения размера эффекта между условиями установлен на уровне 10 % (размеры эффекта для результатов онлайн-программы SFP будут как минимум на 10 % больше, чем соответствующие размеры эффекта для видео SFP или групповых норм).

НАБОР: Исследователи наберут 240 семей, по крайней мере, с одним родителем/опекуном и молодежью (n = 480 участников), причем 80 семей будут случайным образом распределены по каждому экспериментальному условию. Набором занимаются 24 рекрутера SFP, которые отправили письма поддержки. Они этнически разнообразны и географически рассредоточены по США. У них есть доступ к множеству рас / этнических групп и маргинализированных семей. Каждый рекрутер нацелен на набор 10 семей (24 рекрутера x 10 семей).

ЗАДАНИЕ: С помощью компьютеризированного генератора случайных чисел отдельные семьи будут случайным образом распределены для участия в одном из трех мероприятий, чтобы исключить систематическую ошибку отбора и контролировать ненаблюдаемые смешанные переменные, влияющие на результаты программы. Мы изучим распределение соответствующих демографических переменных (раса/этническая принадлежность, доход, образование, взрослый и детский возраст), чтобы обеспечить баланс между исходными условиями. Мы проводим анализ, чтобы выявить значительные программные различия в эффектах вмешательства по этим переменным.

СТАТИСТИЧЕСКИЙ АНАЛИЗ. Перед оценкой эффектов программы мы изучаем предварительную эквивалентность между экспериментальными условиями, используя соответствующие тесты для категориальных или непрерывных базовых показателей. Значительные различия контролируются в ковариантных моделях, оценивающих эффективность программы. В этом анализе используется ANOVA 3 (состояние) x 2 (базовый риск) с постоянным присутствием в исследовании в качестве зависимой переменной. Мы также изучаем, существует ли какая-либо дифференциальная отсев по состоянию (т. е. кодирование отсева как 1/0 и использование моделей логистической регрессии для прогнозирования удержания). Мы также используем подтверждающие методы, чтобы сопоставить матрицы дисперсии/ковариации между условиями, чтобы оценить, различаются ли модели статистических отношений в зависимости от состояния. Дифференциальное отсев по состоянию потенциально может ограничивать внутреннюю валидность (эффекты вмешательства могут быть перепутаны с эффектами отсева) или внешнюю валидность (обобщаемость на другие семьи). Анализ данных начинается с создания простой описательной статистики по всем исходным показателям (например, частоте, среднему значению, дисперсии), повторяя эту процедуру для посттестового и двухмесячного наблюдения. Распределения проверяются на асимметрию и эксцесс, а также на модели ответов. Для изучения используются тесты хи-квадрат, точечные бисерии и корреляции Пирсона. Статистические отношения между исходными предикторами (т. квадрат, t и F тесты). Нарушение предположений о нормальности и гомоскедастичности (часто встречающихся в семейных исследованиях и при оценке самоотчетов молодежи об употреблении наркотиков) потребует преобразования данных (например, логарифмического, арксинусного, сплайнового или процентильного взвешивания). Если преобразования не могут нормализовать данные, мы можем использовать непараметрические тесты (например, Тау Кендалла, U-критерий Манна-Уитни, ранговую сумму Уилкоксона, корреляцию Спирмена и дисперсионный анализ Фрейдмана). Для негауссовых распределений, возникающих в результате низкочастотного поведения, мы можем использовать регрессию Пуассона, модели с завышением нулями и полунепрерывные модели, состоящие из двух частей, для корректировки сильно асимметричных распределений с преобладанием нулей.

ПОТЕРЯННАЯ ИНФОРМАЦИЯ. Некоторые участники могут не принять участие в опросах по оценке результатов, прекратить участие в вмешательстве или неохотно предоставлять данные. Эти явления представляют собой разные стороны истощения (отмену и плохую приверженность) и должны быть тщательно изучены. Мы предполагаем, что данные отсутствуют совершенно случайно (MCAR) или что механизмы, вызывающие отсутствие данных, «игнорируются» без какой-либо предвзятости при сравнении условий; однако мы применяем тест Литтла MCAR для многомерных данных, чтобы определить, не искажают ли результаты отсутствующие данные. Независимо от того, как это происходит, используемые методы полных данных требуют использования нескольких процедур вменения для получения эффективных оценок параметров. Мы используем оценку максимального правдоподобия полной информации, чтобы восстановить недостающие данные. Разумное количество вменения равно 10, учитывая эффективность вменения с относительно низким уровнем пропусков. Затем 10 вмененных наборов данных объединяются с использованием нескольких процедур логического вывода, которые корректируют стандартные ошибки с учетом неопределенности отсутствующих данных142, что позволяет получить более эффективные оценки параметров.

НАМЕРЕНИЕ ЛЕЧИТЬ. Несоблюдение требований возникает из-за того, что участники могут не пройти все уроки, вообще не пройти ни одного или пройти только оценки, не ознакомившись с уроками. Это делает тех, кто заканчивает уроки, больше не «случайным образцом исходной группы». Намерение лечить (ITT) — это стратегия анализа данных, при которой участники остаются в том же экспериментальном состоянии, в котором они были назначены, независимо от того, завершился ли их урок или статус несоблюдения. Используя анализ чувствительности, данные от завершивших затем сопоставляются с набором данных, при этом случаи исключаются после рандомизации, поскольку они не были охвачены всей учебной программой (анализ подмножества эффективности). Этот подход предполагает, что данные из подвергнутых цензуре случаев отсутствуют случайным образом (MAR), а результаты были получены беспристрастным образом. Анализ чувствительности будет сравнивать результаты, основанные на различных уровнях завершения урока (ослабление правила исключения) с повторением этой процедуры, оставляя воздействие вмешательства (количество занятий) непрерывным, поскольку участники могут получить пользу от любого воздействия. Мы также будем использовать метод оценки среднего причинно-следственного воздействия (CACE) комплийера для устранения различий в соблюдении вмешательства и его влияния на результаты программы. С помощью CACE-анализа формируются несколько групп (смесей) в соответствии с их уровнем соответствия (т. е. вовлеченности) и назначенным лечением (SFPOnline или SFP DVD/videos). Затем результаты программы сравниваются между этими смесями с использованием традиционных методов логистической регрессии. Мы можем дополнительно классифицировать соблюдающих требования на основе их наблюдаемых показателей завершения урока, в результате чего в каждом условии получаются лица с низким и высоким уровнем соблюдения требований. Кроме того, участие может быть обусловлено ковариатами на уровне участников (например, семейным положением, доходом, стрессом, употреблением наркотиков или размером семьи). Методы ITT и CACE сохраняют рандомизированный дизайн неизменным, уменьшают погрешность из-за разного завершения программы и позволяют нам делать причинно-следственные выводы об эффектах вмешательства в этой выборке. В случае, если не завершившие уроки участники не будут случайным образом распределены по условиям, мы также сообщим о величине эффекта среди тех, кто завершил уроки и принял участие в пост-опросах.

ИСПЫТАНИЯ СМЕШИВАНИЯ. Даже при случайном назначении экспериментальных условий и уменьшении любого дисбаланса между ними до тестирования смешанные эффекты могут оставаться угрозой достоверности (т. е. программные эффекты могут быть смещены). В результате мы изучим выбранные переменные, измеренные на исходном уровне, на наличие признаков любого дисбаланса (т. е. эквивалентности до тестирования) и проведем вторичный анализ, в котором мы смоделируем ковариаты до лечения, чтобы учесть различия между группами и результатами. Это исследование будет проводиться с использованием обобщенных линейных моделей. Различия до лечения могут быть специфическими для участников (например, демографические). Имеются некоторые данные, подтверждающие включение ковариат, чтобы можно было причинно отнести различия между состояниями к вмешательству. Их включение повышает точность модели и повышает мощность, и эта эффективность сохраняется и для бинарных результатов, если мы решим моделировать потребление наркотиков молодежью таким образом.

МАНИПУЛЯЦИОННЫЕ ПРОВЕРКИ. Мы ожидаем, что определенные отношения будут опосредованы другими переменными. Наш лонгитюдный дизайн исследования позволяет нам делать строгие выводы относительно причинно-следственных процессов, обращаясь к предполагаемым механизмам и валидности построения лечения, посредством которых работает SFP. Мы предполагаем последовательное игнорирование, даже если медиатор оценивается после рандомизации. Мы можем статистически оценить уменьшение величины прямого эффекта с поправкой на косвенные эффекты. Этот случай распространяется на лонгитюдные данные с более чем одним предполагаемым посредником в соответствии с правилом отслеживания для анализа пути. Продольный дизайн также обеспечивает временное разделение предварительного теста, вмешательства (1-10 недель), посттеста (10-11 недель) и 2-месячного наблюдения (18-20 недель). Мы используем многомерный дельта-метод для вычисления стандартных ошибок для опосредованных эффектов, которые, как показало моделирование, дают точные оценки, основанные на доверительных интервалах начальной загрузки для опосредованного эффекта. Потенциальные посредники в этих лонгитюдных моделях, оценивающих эффективность программы, включают показатели эффективности воспитания, выполнения навыков (на основе промежуточных тестов), общения родителей и детей, мониторинга, установления границ и уровней вовлеченности (на основе показателей удовлетворенности, завершения урока и использования).

МОДИФИКАЦИЯ ЭФФЕКТА. Ограниченный набор ретроспективных анализов позволит изучить однородность эффекта вмешательства в подгруппах участников. Этот анализ помогает точнее узнать, были ли эффекты программы оптимизированы для определенных групп.

МОЩНОСТЬ. При оценке мощности мы исходили из следующих предположений: (1) три экспериментальных условия, (2) множественные волны сбора данных, (3) случайные эффекты, связанные с предполагаемыми результатами в диапазоне от 0,35 до 0,45, и различные типы показателей результатов (дихотомические и непрерывные). ). Мы прогнозируем возможность набора 80 семей (1 родитель/опекун + 1 подросток) в каждом экспериментальном состоянии в течение периода набора. При больших размерах выборки (n = 480) мы можем обнаружить значительные эффекты для большинства размеров эффектов.