En introduktion till kvasi-experimentella mönster

Som ett riktigt experiment syftar en kvasi-experimentell design till att skapa ett orsak-och-effekt-förhållande mellan en oberoende och beroende variabel. / p>

Till skillnad från ett riktigt experiment är emellertid ett kvasi-experiment inte beroende av slumpmässig tilldelning. Istället tilldelas ämnen till grupper baserat på icke-slumpmässiga kriterier.

Quasi-experimentell design är ett användbart verktyg i situationer där sanna experiment inte kan användas av etiska eller praktiska skäl.

Skillnader mellan kvasi-experiment och sanna experiment

Det finns flera vanliga skillnader mellan sanna och kvasi-experimentella mönster.

	Sann experimentell design	Quasi-experimentell design
Tilldelning till behandling	The forskare tilldelar slumpmässigt ämnen till kontroll- och behandlingsgrupper.	Någon annan, icke-slumpmässig metod används för att tilldela ämnen till grupper.
Kontroll över behandling	Forskaren utformar vanligtvis behandlingen och bestämmer vilka ämnen som får den.	Forskaren har ofta inte kontroll över behandlingen, men studerar istället redan befintliga grupper som fick olika behandlingar efter det.
Användning av kontrollgrupper	Kräver användning av kontroll och behandling grupper.	Kontrollgrupper krävs inte (även om de ofta används).

Exempel på ett riktigt experiment mot ett kvasi-experiment

Låt oss säga att du är intresserad av effekterna av en ny psykologisk terapi på patienter med depression .

För att köra ett sant experiment tilldelar du slumpmässigt hälften av patienterna i en psykisk hälsoklinik för att få den nya behandlingen. Den andra halvan – kontrollgruppen – får standardbehandlingsförloppet för depression.

Varje par månader fyller patienterna i ett ark som beskriver deras symtom för att se om den nya behandlingen ger signifikant bättre (eller sämre) effekter än den vanliga .

Men av etiska skäl kanske inte psykiatriska klinikerna ger dig tillstånd att slumpmässigt tilldela sina patienter till behandlingar. I det här fallet kan du inte köra ett riktigt experiment.

Istället kan du använda en kvasi-experimentell design.

Du upptäcker att några av psykoterapeuterna på kliniken har bestämt sig för att testa den nya behandlingen, medan andra som behandlar liknande patienter har valt att hålla sig till det normala protokollet.

Du kan använda dessa redan existerande grupper för att studera symptomförloppet hos patienter som behandlats med den nya terapin kontra de som får standardbehandlingsförloppet.

Även om grupperna inte slumpmässigt tilldelades, om du korrekt redogör för några systematiska skillnader mellan dem, du kan vara ganska säker på att alla skillnader måste uppstå från behandlingen och inte andra förvirrande variabler.

Typer av kvasi-experimentella mönster

Det finns många typer av kvasi-experimentella mönster. Här förklarar vi tre av de vanligaste typerna: ingenvärdig gruppdesign, regressionskontinuitet och naturliga experiment.

Ingenekvivalentgruppsdesign

I icke-motsvarande gruppdesign väljer forskaren befintliga grupper som visas liknande, men där endast en av grupperna upplever behandlingen.

I ett riktigt experiment med slumpmässig tilldelning anses kontroll- och behandlingsgrupperna vara likvärdiga på alla andra sätt än behandlingen. Men i ett kvasi-experiment där grupperna inte är slumpmässiga kan de skilja sig åt på andra sätt – de är ingenvärda grupper.

När man använder denna typ av design försöker forskare redogöra för eventuella förvirrande variabler genom att kontrollera för dem i sin analys eller genom att välja grupper som är så lika som möjligt.

Detta är den vanligaste typen av kvasi-experimentell design.

Du antar att ett nytt skolprogram kommer att leda till högre betyg. Du väljer två liknande grupper av barn som går i olika skolor, varav en implementerar det nya programmet medan den andra inte gör det.

Genom att jämföra barnen som går på programmet med de som inte gör det kan du ta reda på om det har en påverkan på betyg.

Regressionskontinuitet

Många potentiella behandlingar som forskare vill studera är utformade kring en väsentligen godtycklig avskärning, där de över tröskeln får behandlingen och de under den inte.

Nära denna tröskel är skillnaderna mellan de två grupperna ofta så minimala att de är nästan obefintliga. Därför kan forskare använda individer strax under tröskeln som en kontrollgrupp och de precis ovanför som en behandlingsgrupp.

Vissa gymnasieskolor i USA är avsatta för högpresterande elever, som måste överstiga en viss poäng på ett test för att få delta. De som klarar det här testet skiljer sig troligtvis systematiskt från de som inte gör det.

Eftersom den exakta cutoff-poängen är godtycklig, är eleverna nära tröskeln – de som knappt klarar provet och de som misslyckas med mycket liten marginal – tenderar att vara mycket lika, med de små skillnaderna i deras poäng främst på grund av slumpmässig chans. Du kan därför dra slutsatsen att alla resultatskillnader måste komma från skolan de gick på.

För att testa effekterna av att gå i en selektiv skola kan du studera de långsiktiga resultaten för dessa två grupper av studenter (de som knappt gått och de som knappt misslyckades).

Naturliga experiment

I både laboratorie- och fältförsök kontrollerar forskare normalt vilken grupp ämnen tilldelas. I ett naturligt experiment resulterar en yttre händelse eller situation (”natur”) i en slumpmässig eller slumpmässig tilldelning av ämnen till behandlingsgruppen.

Även om vissa använder slumpmässiga tilldelningar, anses naturliga experiment inte beaktas. för att vara sanna experiment eftersom de är observationsmässiga.

Även om forskarna inte har någon kontroll över den oberoende variabeln, kan de utnyttja denna händelse efter att ha studerat effekten av behandlingen.

Oregon Health Study är ett av de mest kända naturliga experimenten. År 2008 beslutade delstaten Oregon att utvidga registreringen i Medicaid, Amerikas låginkomsthälsovårdsförsäkringsprogram till fler vuxna med låg inkomst.

Eftersom de inte hade råd att täcka alla som de ansåg vara berättigade till programmet tilldelade de istället platser i programmet baserat på ett slumpmässigt lotteri. / p>

Forskare kunde studera effekterna av programmet genom att använda de inskrivna individerna som en slumpmässigt tilldelad behandlingsgrupp och de andra som var berättigade men inte lyckades i lotteriet som kontrollgrupp.

När man ska använda kvasi-experimentell design

Även om sanna experiment har högre intern giltighet kan du välja att använda en kvasi-experimentell design av etiska eller praktiska skäl.

Etisk

Ibland skulle det vara oetiskt att ge eller hålla tillbaka en behandling slumpmässigt, så ett verkligt experiment är inte genomförbart. I det här fallet kan ett kvasi-experiment låta dig studera samma orsakssamband utan de etiska frågorna.

Oregon Health Study är ett bra exempel. Det skulle vara oetiskt att slumpmässigt förse vissa människor med sjukförsäkring men medvetet hindra andra från att få den enbart i syfte att undersöka.

Eftersom Oregon-regeringen hade ekonomiska begränsningar och beslutade att tillhandahålla sjukförsäkring via lotteri. , att studera denna händelse i själva verket är ett mycket mer etiskt tillvägagångssätt för att studera samma problem.

Praktiskt

Sann experimentell design kan vara genomförbar eller helt enkelt för dyr, särskilt för forskare utan tillgång till stora finansieringsströmmar.

Vid andra tillfällen är alltför mycket arbete involverat i att rekrytera och utforma ett experimentellt ingripande för ett tillräckligt antal ämnen för att motivera ett riktigt experiment.

I båda fallen tillåter kvasi-experimentella mönster dig att studera frågan genom att utnyttja data som tidigare har betalats för eller samlats in av andra (ofta regeringen).

För- och nackdelar

Quasi-experimentell design s har olika fördelar och nackdelar jämfört med andra typer av studier.

• Högre extern validitet än de flesta sanna experiment, eftersom de ofta involverar verkliga insatser istället för konstgjorda laboratorieinställningar.
• Högre intern validitet än andra icke-experimentella typer av forskning, eftersom de ger dig bättre kontroll över förvirrande variabler än vad andra typer av studier gör.
• Lägre intern validitet än sanna experiment – utan randomisering kan det vara svårt att verifiera att alla förvirrande variabler har redovisats.
• Användningen av retrospektiva data som redan har samlats in för andra ändamål kan vara felaktig, ofullständig eller svåråtkomlig.

Vanliga frågor om kvasi-experimentella mönster