单案例实验设计元分析的调节效应分析

《Journal of Behavioral and Cognitive Therapy》:Moderator analysis for single-case experimental design meta-analysis

【字体: 大 中 小 】 时间:2026年08月30日 来源:Journal of Behavioral and Cognitive Therapy 2.3

编辑推荐:

   摘要单被试实验设计(SCED)元分析中的调节变量分析允许进行精细化的分析,不仅可以在研究之间解释干预效果的变异,还可以在参与者之间解释变异。这对于认知疗法领域来说尤为可取,因为单个SCED研究的参与者特征可以解释参与者对干预的反应性。这与传统的组设计元分析形成对比,在后者的调

  

摘要

单被试实验设计(SCED)元分析中的调节变量分析允许进行精细化的分析,不仅可以在研究之间解释干预效果的变异,还可以在参与者之间解释变异。这对于认知疗法领域来说尤为可取,因为单个SCED研究的参与者特征可以解释参与者对干预的反应性。这与传统的组设计元分析形成对比,在后者的调节变量分析中仅限于探索研究层面的特征。如果采用传统的元分析技术(如组设计研究中所用的,即使用研究平均调节变量),那么综合SCED研究的独特优势就会丧失。本文介绍了包含调节变量的SCED效应量综合的三层次元分析,并提供了以认知行为疗法(CBT)为焦点的SCED研究的实证演示。其目标是提供采用适当方法学进行调节变量分析的应用型SCED元分析,从而产生更精细的证据。该方法可以支持对推荐干预的条件以及适用参与者群体的更全面理解。

引言

认知行为疗法(CBT)是指一类旨在减少由认知因素维持的精神障碍症状和心理痛苦的干预措施(Hofmann等,2012年)。鉴于症状表现上的个体差异,单被试实验设计(SCED)特别适合心理治疗研究,并在此领域中得到越来越广泛的应用(Rochat和Manolov,2024年;Scholten等,2024年)。由于CBT干预往往会产生迁移效应,且一旦实施后通常无法撤除,因为可能无法回到基线水平(Dallery和Glenn,2005年;Hollon等,2006年),因此在此类情境中经常使用跨参与者的多重基线设计(MBD)。其他SCED变体,如交替治疗设计和变标准设计,也可用于CBT研究,但通常更适合回答更具体的研究问题,如比较主动治疗成分或评估逐步变化(Rochat和Manolov,2024年)。具体来说,在单个MBD研究中,干预效果在多个参与者之间得到重复验证,且干预的开始时间在参与者之间错开排列。图1展示了一个包含三名参与者的MBD。
由于SCED研究通常涉及较小的样本量,单项研究的发现其推广性有限。因此,元分析对于综合SCED证据和评估CBT对跨研究共享结果的有效性至关重要。然而,关于干预效果的发现可能在不同研究间存在差异。例如,在Maric等(2023年)的元分析中,Suveg等(2006年)的主要研究报告CBT对减少7至13岁青少年的焦虑有效,而Eckshtain和Gaynor(2009年)的主要研究未能证实这一发现,且未发现治疗效果证据。这一差异的一个可能解释是报告者(即提供结果数据的人员)的变异。正如Eckshtain和Gaynor(2009年)所指出的,报告其孩子症状未改善的母亲自身有心理健康问题的历史,这可能使她们在评估时产生偏负面的偏差。Maric等(2023年)还指出,当CBT严重依赖认知重构时,对于非常年幼的儿童(如7岁以下)可能效果较差,因为年幼儿童的抽象思维和元认知技能尚未完全发展。因此,为了全面理解CBT的有效性,可以开展包含参与者特征(除研究特征外)的SCED元分析,以了解干预对哪些人群以及在何种条件下有效。
在传统的组设计研究元分析中,效应量通常在研究层面计算,然后使用固定效应或随机效应元分析进行合并,每个效应量以其抽样方差的倒数作为权重。因此,可以使用在研究层面测量或汇总的调节变量来探索干预的异质性,包括研究层面的特征(如干预类型)和在研究层面汇总的参与者层面特征(如汇总的参与者年龄)。例如,在一项评估CBT的组设计研究元分析中,Keles和Idsoe(2018年)使用随机效应模型合并了来自随机对照试验(RCT)的标准化均值差异。然后,他们在混合效应模型中将研究层面的汇总变量(如参与者平均年龄、女性参与者比例)作为调节变量加入。传统元分析技术也可用于SCED元分析。在这种情况下,效应量首先针对每个参与者进行计算,然后使用固定效应或随机效应模型进行汇总。与组设计研究不同——在组设计研究中,效应量通常从组均值或组间比较计算——SCED研究往往产生参与者层面的效应量,并在研究内部和研究之间进行汇总。例如,Hutchins等(2020年)从25项单被试研究中78名参与者计算了效应量,并使用随机效应模型进行汇总(忽略了参与者嵌套于研究中的事实)。这种方法使他们能够估计总体干预效果,并通过Q统计量和I2统计量检验异质性。然而,由于SCED数据具有层次结构,参与者和效应量嵌套于研究之中,该方法无法完全建模效应量之间的依赖关系,也无法区分研究间变异和研究内参与者间变异。为解决这一局限,多层元分析提供了更为恰当的框架。该方法可以建模效应量嵌套于参与者和研究中的关系,估计不同层次的方差成分,并在适当的分析层次检验调节变量。在下一部分中,我们首先对多层元分析(含与不含调节变量)进行概念性介绍,并讨论和解释模型参数。然后,我们利用真实数据提供实证演示,以进一步增进在情境中对建模方法的理解。其目标是展示SCED三层次元分析的独特能力,从而实现对干预效果的精细化分析。

章节摘要

SCED多层元分析的效应量

面向SCED的三层次元分析可以应用于多种案例特定的效应量指标,这些指标大致可分为四类。第一类指标通过衡量基线阶段和治疗阶段观察值之间的不重叠程度来量化效应,例如PND(Scruggs等,1987年)、NAP(Parker和Vannest,2009年)、Tau(Parker等,2011年)以及基线校正Tau(Tarlow,2017年)。这类指标是SCED中使用最多的效应度量之一。

实证数据介绍

Maric及其同事(2023年)开展了一项元分析,考察干预在降低内化障碍儿童和青少年症状严重程度方面的有效性。内化障碍是青少年中最常见的心理健康问题之一(如焦虑、抑郁和创伤后应激障碍[PTSD];Merikangas等,2010年)。其元分析综合了71项SCED研究的发现,涉及321名儿童和青少年。跨越

讨论

本研究的发现对SCED元分析背景下调节变量的统计分析具有重要启示。首先,鉴于SCED研究关注个体差异的特点,建议使用一种能够考虑治疗效果的参与者间变异(除研究间变异外)的元分析技术。这使得除了研究层面调节变量之外,还可以建模参与者层面调节变量。三层次元分析的

利益冲突声明

作者声明,他们不存在任何已知的竞争财务利益或个人关系,这些情况可能被视为影响本文所报告的工作。

致谢

本研究由教育科学研究所通过资助项目#R305D240044提供支持
Mariola Moeyaert|Yaosheng Lou
纽约州立大学阿尔巴尼分校教育心理学与咨询心理学系,美国纽约州阿尔巴尼
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号