Grootte is belangrijk! Het beoordelen van effectgroottes in single-case experimenten door middel van randomiseringstoetsen met toepassingen voor de behandeling van chronische pijn

Het onderwerp van deze doctoraatsverhandeling betreft het analyseren van single-case experimentele designs (SCEDs) door middel van randomizatietests (RTs). Single-case data schendt vaak de statistische assumpties die nodig zijn voor het gebruik van parametrische hypothesetoetsen. De RT is een geschikte techniek om single-case data te analyseren omdat deze geen verdelingsassumpties of een assumptie van toevallige steekproeftrekking nodig heeft om valide statistische inferenties te maken. De RT produceert een niet-parametrische p-waarde die kan gebruikt worden om de statistische significantie van een behandelingseffect te evalueren. Een nadeel van het gebruik van p-waarden voor het evalueren van de effectiviteit van behandelingen is dat deze geen informatie bevatten over effectgrootte. Bovendien wordt het veelvuldig en verkeerd gebruik van p-waarden gezien als een belangrijke factor in de repliceerbaarheidscrisis die momenteel woedt in de psychologie. In wetenschappelijke kringen heerst momenteel de consensus dat experimentele bevindingen zoveel mogelijk gerapporteerd moeten worden door middel van effectmaten en betrouwbaarheidsintervallen (BIs) en dat onderzoeksresultaten moeten samengevat worden door middel van meta-analyses. In dit kader focust deze verhandeling zich op het analyseren en meta-analyseren van SCEs door het gebruik van effectmaten en BIs binnen het conceptuele raamwerk van de RT. Hoofdstuk 1 stelt het gebruik van effectmaten als toetsstatistiek in de RT voor, introduceert een effectmaat voor onmiddelijke en abrupte behandelingseffecten in AB fase designs en evalueert de statistische power van deze effectmaat in een simulatiestudie. Bovendien wordt aangetoond dat de RT leidt tot valide statistische inferenties voor dit type design, zelfs als er sprake is van substantiële trend in de data. Hoofdstuk 2 breidt het voorstel om effectmaten als toetsstatistiek in de RT te gebruiken uit tot single-case alternatiedesigns en stelt het gebruik voor van twee effectmaten gebaseerd op data non-overlap voor dit type design. Hoofdstuk 3 presenteert een techniek voor het construeren van niet-parametrische BIs door middel van randomizatie-test-inversie (RTI). Deze procedure wordt geïllustreerd door middel van een aantal getallenvoorbeelden voor verschillende types van fase designs en alternatiedesigns. Hoofdstuk 4 bouwt verder op de RTI-procedure uit hoofdstuk 3 en breidt deze uit naar een meta-analytische context door het berekenen van BIs voor gecombineerde effectmaten (CICES). Hoofdstuk 5 stelt het gebruik voor van een randomizatietest wrapper voor multiniveau modellen als een alternatieve meta-analytische techniek voor CICES. Multiniveau modellen worden vaak gebruikt voor het meta-analyseren van meerdere SCEDs, maar vereisen bepaalde parametrische assumpties die vaak geschonden zijn in single-case data. In hoofdstuk 5 wordt beargumenteerd hoe de parameters van multiniveau modellen kunnen gebruikt worden als toetsstatistiek in de RT om op die manier hun statistische significantie te bepalen. De Type I fout en power van deze techniek wordt geëvalueerd en vergeleken met traditionale multiniveau modellen door middel van een simulatiestudie. Ten slotte, worden in Hoofdstuk 6 de ontwikkelde data-analytische technieken (effectmaten als toets statistiek in RT, RTI, CICES en de RT wrapper) toegepast op een reeks SCEDs om het effect van graded exposure therapie voor de behandeling van chronische pijn te evalueren. Naast het doctoraatsonderzoek werd er ook R-code ontwikkeld die single-case onderzoekers in staat stelt om RTI, CICES en de RT wrapper toe te passen op hun eigen data.