Dtsch Med Wochenschr 2007; 132: e61-e64
DOI: 10.1055/s-2007-959045
Statistik | Statistics

© Georg Thieme Verlag KG Stuttgart · New York

Varianzanalyse für Messwertwiederholungen

- Artikel Nr. 22 der Statistik-Serie in der DMW -Analysis of variance for repeated measurementsR. Bender1 , U. Grouven1 , A. Ziegler2
  • 1Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen, Köln
  • 2Institut für Medizinische Biometrie und Statistik, Universitätsklinikum Schleswig-Holstein, Campus Lübeck, Universität zu Lübeck
Further Information

Privatdozent Dr. rer. biol. hum. Ralf Bender

Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen (IQWiG)

Dillenburger Straße 27

51105 Köln

Email: Ralf.Bender@iqwig.de

Publication History

Publication Date:
25 May 2007 (online)

Table of Contents

#

Varianzanalyse

Mit Hilfe der Varianzanalyse (analysis of variance, ANOVA) wird untersucht, ob sich drei oder mehr unabhängige Gruppen bezüglich ihrer Mittelwerte einer stetigen Zielvariable statistisch signifikant unterscheiden [1] [4]. Die Annahmen, die dieser Methode zugrunde liegen, wurden im Rahmen der DMW-Statistik-Serie schon diskutiert [3] [4]. Wichtig ist, dass die Varianzanalyse als Verallgemeinerung des ungepaarten t-Tests [3] nur geeignet ist, um die Mittelwerte unabhängiger Gruppen zu vergleichen.

#

Inter- und Intra-Subjekt-Faktoren

Vergleicht man unabhängige Gruppen miteinander, z. B. mehrere Behandlungsarme im Rahmen einer randomisierten Studie, wird hiermit ein Inter-Subjekt-Faktor untersucht. Seine Faktorstufen stellen die unterschiedlichen Gruppen dar. Wurden jedoch bei denselben Probanden Messungen dreimal oder öfter durchgeführt, und möchte man diese abhängigen Stichproben miteinander vergleichen, sind die gewöhnlichen ANOVA-Methoden nicht flexibel genug. Sie können nur für unabhängigen Stichproben eingesetzt werden, da sie die Korrelation innerhalb der Daten, die z. B. durch Messwiederholung an ein und derselben Person entsteht, nicht berücksichtigen können. Bei Messwertwiederholungen ist die Zeit ein so genannter Intra-Subjekt-Faktor.

Häufig findet man in der Praxis Designs, die sowohl Inter- als auch Intra-Subjekt-Faktoren beinhalten. Liegt die Hauptfragestellung der Studie in der Untersuchung von Gruppenunterschieden, also der Inter-Subjekt-Faktoren, so kann man häufig die Intra-Subjekt-Faktoren durch Verwendung geeigneter Kenngrößen (z. B. Berechnung von Mittelwert oder Fläche unter der Kurve für jeden Probanden) aus dem Design „herausmitteln”. Es bleibt ein Design mit Inter-Subjekt-Faktoren übrig, das mit den Methoden der gewöhnlichen Varianzanalyse oder - im einfachsten Fall - mit Hilfe des t-Tests untersucht werden kann. Dieses Vorgehen haben wir im Artikel über Verlaufskurven näher erläutert [2].

Sollen in einer Studie jedoch Effekte eines Intra-Subjekt-Faktors untersucht werden, wird eine flexiblere Methode benötigt, die auch die Betrachtung abhängiger Stichproben erlaubt. Ein solches Verfahren ist die Varianzanalyse für Messwertwiederholungen [7]. Je nach Studiendesign und Datenlage ergeben sich unterschiedliche Auswertungsmodelle. Die grundlegenden Modelle der Varianzanalyse für Messwertwiederholungen werden im Folgenden kurz beschrieben und erklärt.

#

Modell mit einem Intra-Subjekt-Faktor

Das einfachste Modell der Varianzanalyse für Messwertwiederholungen ist das mit nur einem Intra-Subjekt-Faktor. Besteht dieser Faktor aus lediglich zwei Kategorien (zwei abhängige Stichproben), kommt der gepaarte t-Test für die Datenanalyse in Frage. Liegen jedoch drei oder mehr Faktorstufen vor, so wird die Varianzanalyse für Messwertwiederholungen als Auswertungsmethode benötigt.

Wir betrachten als Beispiel die Giessener Senioren-Langzeitstudie (GISELA), in der die Ernährungsgewohnheiten und der Gesundheitsstatus von ca. 500 Senioren mit einem Mindestalter von 60 Jahren von 1994 bis 2002 untersucht werden [9]. Es wird hier nur der Teildatensatz von n = 185 Probanden (121 Frauen und 64 Männer) berücksichtigt, bei denen bezüglich des Body Mass Index (BMI) die Basis- und die Follow-Up-Daten nach 2, 4 und 6 Jahren vollständig vorhanden sind. Außerdem betrachten wir hier nur den BMI als Zielgröße und als mögliche Einflussgrößen die Zeit und das Geschlecht. In Tab. [1] sind die Mittelwerte und Standardabweichungen dieses Teildatensatzes im Zeitverlauf angegeben. Anhand der Mittelwerte lässt sich bei beiden Geschlechtern ein leichter Anstieg des BMI im Zeitverlauf feststellen.

Tab. 1 Mittelwerte und Standardabweichungen (SD) bezüglich des BMI (Angaben in kg/m2) im Zeitverlauf von 185 Probanden der Giessener Senioren Langzeitstudie (GISELA).

BMI (kg/m2)

Männer (n = 64)

Frauen (n = 121)

Gesamt

Mittelwert

SD

Mittelwert

SD

Mittelwert

SD

Basisjahr

26,15

3,29

26,04

3,90

26,08

3,69

Nach 2 Jahren

26,37

3,36

26,30

3,87

26,33

3,69

Nach 4 Jahren

26,46

3,36

26,25

4,03

26,32

3,80

Nach 6 Jahren

26,58

3,24

26,55

4,06

26,56

3,78

Um zu untersuchen, ob die Zeit einen statistisch signifikanten Effekt auf den BMI hat, kann man die Varianzanalyse für Messwertwiederholungen mit einem Intra-Subjekt-Faktor (Zeit) verwenden. Da Messungen im Basisjahr und nach 2, 4 und 6 Jahren vorliegen, handelt es sich um ein Design mit vier abhängigen Stichproben. Eine Mittelung der Daten über die Zeit kommt hier nicht in Frage, da ja gerade die Veränderung des BMI im Zeitverlauf untersucht werden soll.

Bei der Varianzanalyse für Messwertwiederholungen unterscheidet man grundsätzlich zwei verschiedene Sichtweisen, aus denen zwei verschiedene statistische Auswertungsstrategien hervorgehen. Zum einen kann man die abhängigen Messungen eines Probanden als Realisationen von vier verschiedenen Zielvariablen ansehen (multivariater Ansatz). Zum anderen kann man eine univariate Sichtweise einnehmen, bei der nur eine Zielvariable vorliegt, muss aber dann die Abhängigkeitsstruktur der Daten berücksichtigen (univariater Ansatz). Der multivariate Ansatz erfordert weniger Annahmen über die Abhängigkeitsstruktur, hat aber auch weniger Power als der univariate Ansatz [7]. Zudem ist der multivariate Ansatz nur anwendbar, wenn die Zahl der Faktorstufen des Intra-Subjekt-Faktors relativ klein ist. Im Folgenden beschränken wir uns daher auf die Darstellung der Methoden für den univariaten Ansatz.

Überraschenderweise dürfen bei geeigneter Modellierung - auch wenn die Stichproben abhängig sind - die gewöhnlichen F-Tests der Varianzanalyse verwendet werden, wenn die Korrelation der Messungen ein gewisses symmetrisches Muster aufweist, die so genannte Sphärizität [7]. Ist diese Annahme verletzt, so sind die gewöhnlichen F-Tests jedoch nicht gültig, da sie zu kleine p-Werte liefern. Die Sphärizitätsbedingung ist in der folgenden für die Praxis wichtigen Situation gerade nicht erfüllt. Bei zeitlich aufeinander folgenden Messungen sind dicht beieinander liegende Messungen stärker korreliert als weiter auseinander liegende, so dass sich der Grad der Korrelation systematisch ändert. In unserem Beispiel der GISELA-Studie betragen die Korrelationskoeffizienten des BMI im Basisjahr mit den Messungen nach 2, 4 und 6 Jahren 0,96, 0,93 und 0,91. Das bedeutet, dass die Korrelation der Daten wie erwartet mit der Zeit abnimmt. Für solche Situationen wurden verschiedene Korrekturfaktoren für den F-Test vorgeschlagen, die zu korrigierten p-Werten führen. Sie sind auch bei Verletzung der Sphärizitätsbedingung gültig. Einer dieser Korrekturfaktoren geht auf Huynh und Feldt [8] zurück und wird als „Huynh-Feldt-Epsilon-Korrektur” bezeichnet [7].

Dieses Verfahren wird auf unsere Beispieldaten angewendet. In Tab. [2] wird die Varianzanalysetabelle nach dem univariaten Ansatz zum Test auf Zeiteffekte bezüglich des BMI dargestellt. Es wird sowohl der p-Wert für den gewöhnlichen F-Test, als auch der korrigierte p-Wert mit Huynh-Feldt-Epsilon-Korrektur (H-F) angegeben. Aufgrund des hier hoch signifikanten Zeiteffekts (p < 0.0001), gibt es in diesem Beispiel keinen relevanten Unterschied zwischen dem nicht korrigierten und dem korrigierten p-Wert.

Tab. 2 Varianzanalysetabelle für das Modell mit nur einem Intra-Subjekt-Faktor zur Untersuchung von Zeiteffekten bezüglich des BMI bei 185 Probanden der GISELA-Studie.

Quadratsumme

Freiheitsgrade

Mittel der Quadrate

F

p-Wert

Korrigierter
p
-Wert (H-F)

Zeit

21,945

3

7,315

9,56

< 0,0001

< 0,0001

Fehler

422,510

552

0,765

#

Modell mit einem Intra- und einem Inter-Subjekt-Faktor

Um neben dem Zeiteffekt auch zu untersuchen, ob sich der BMI zwischen Männern und Frauen in der GISELA-Studie signifikant unterscheidet, muss das Modell erweitert werden. Da es sich bei den beiden Geschlechtergruppen um unabhängige Stichproben handelt, ist das Geschlecht ein Inter-Subjekt-Faktor. Für Inter-Subjekt-Faktoren können im Rahmen des Varianzanalysemodells für Messwertwiederholungen die gewöhnlichen F-Tests ohne Korrektur verwendet werden. Bei den Modellen der Varianzanalyse für Messwertwiederholungen, die sowohl Inter- als auch Intra-Subjekt-Faktoren enthalten, werden zwei Varianzanalysetabellen erstellt, eine für die Inter- und eine für die Intra-Subjekt-Faktoren. Zu beachten ist, dass es nicht nur Haupteffekte geben kann, sondern auch Wechselwirkungen [4] zwischen den Inter- und Intra-Subjekt-Faktoren, die in der Tafel der Varianzanalyse für die Intra-Subjekt-Faktoren mit aufgenommen werden. Die Bedeutung von Wechselwirkungen wird ausführlich im nächsten Abschnitt diskutiert. In unserem Beispiel gibt es also insgesamt Ergebnisse von drei zu unterscheidenden Effekten: Zeit, Geschlecht und die Wechselwirkung zwischen Zeit und Geschlecht. Die Betrachtung der Wechselwirkung ist deshalb wichtig, da es ja durchaus sein kann, dass es unterschiedliche Verlaufskurven des BMI bei Männern und Frauen geben kann, die sich nicht allein durch vorhandene Haupteffekte darstellen lassen. Tab. [3]a und [3]b sind die beiden Varianzanalysetabellen, in Abb. [1] die mittleren Verlaufskurven für Frauen und Männer grafisch dargestellt.

Zoom Image

Abb. 1 Mittelwerte des BMI (Angaben in kg/m2) von 185 Frauen und Männern der Giessener Senioren Langzeitstudie (GISELA) im Zeitverlauf.

Tab. 3a Varianzanalysetabelle für den Inter-Subjekt-Effekt aus dem Modell mit einem Inter- und einem Intra-Subjekt-Faktor zur Untersuchung von Geschlechtsunterschieden und Zeiteffekten bezüglich des BMI bei 185 Probanden der GISELA-Studie.

Quadratsumme

Freiheitsgrade

Mittel der Quadrate

F

p-Wert

Geschlecht

1,835

1

1,835

0,03

0,854

Fehler

9 890,1

183

54,044

Tab. 3b Varianzanalysetabelle für den Intra-Subjekt-Effekt und die Wechselwirkung aus dem Modell mit einem Inter- und einem Intra-Subjekt-Faktor zur Untersuchung von Geschlechtsunterschieden und Zeiteffekten bezüglich des BMI bei 185 Probanden der GISELA-Studie.

Quadratsumme

Freiheitsgrade

Mittel der Quadrate

F

p-Wert

Korrigierter
p
-Wert (H-F)

Zeit

18,942

3

6,314

8,22

< 0,0001

0,0002

Zeit × Geschlecht

0,799

3

0,266

0,35

0,7915

0,7263

Fehler

421,711

549

0,768

Wie im einfaktoriellen Modell des letzten Abschnitts gibt es auch im mehrfaktoriellen Modell einen signifikanten Zeiteffekt (korrigierter p-Wert mit Huynh-Feldt-Epsilon-Korrektur: p = 0.0002). Obwohl die Verlaufskurve der Männer zu allen Zeitpunkten oberhalb der Kurve der Frauen verläuft, ist der Effekt des Geschlechts nicht statistisch signifikant (p = 0,854). Ebenso wenig gibt es eine statistisch signifikante Wechselwirkung zwischen Zeit und Geschlecht (korrigierter p-Wert mit Huynh-Feldt-Epsilon-Korrektur: p = 0.7263). Mit den Daten dieses Beispiels lässt sich also nur eine Änderung des BMI im Zeitverlauf, nicht aber ein Unterschied zwischen Männern und Frauen, weder im Mittel über die Zeit noch im Zeitverlauf belegen.

#

Bedeutung der Wechselwirkung

Um die Bedeutung der Wechselwirkung zwischen einem Inter- und einem Intra-Subjekt-Faktor im Rahmen eines Varianzanalysemodells für Messwertwiederholungen zu illustrieren, vertauschen wir einmal die Daten für die Zeitpunkte 0 und 6 Jahre nur bei den Frauen. Die resultierenden Verlaufskurven sehen dann aus wie in Abb. [2].

Zoom Image

Abb. 2 Künstliche Daten der Giessener Senioren-Langzeitstudie (GISELA) nach Vertauschen der Zeitpunkte 0 und 6 bei den Frauen zur Illustration einer Wechselwirkung.

Die Zeitverläufe in diesen künstlichen (!) Daten sind nun völlig unterschiedlich. Bei Männern gibt es wie vorher einen kontinuierlichen Anstieg, während die Verlaufskurve der Frauen jetzt kontinuierlich abfällt. Auf den F-Test für den Inter-Subjekt-Effekt Geschlecht hat diese Datenmanipulation keinen Einfluss. Da man quasi den über alle Zeitpunkte gemittelten Unterschied betrachtet, spielt die Reihenfolge der Zeitpunkte gar keine Rolle. Somit bleibt es auch bei diesen Daten dabei, dass es keinen signifikanten Haupteffekt des Geschlechts gibt (p = 0,854). Die Datenmanipulation hat aber eine drastische Änderung in den statistischen Ergebnissen der Varianzanalyse bezüglich des Zeitverlaufs zur Folge. Es gibt nun keinen signifikanten Haupteffekt der Zeit mehr (p = 0,935), aber dafür eine signifikante Wechselwirkung zwischen Geschlecht und Zeit (p < 0,0001).

An diesem künstlichen Beispiel wird deutlich, dass man bei der Interpretation nicht signifikanter Haupteffekte, aber signifikanter Wechselwirkungen zwischen Inter- und Intra-Subjekt-Faktoren sehr vorsichtig sein muss. Eine Aussage der Art, dass es - wegen der nicht signifikanten Haupteffekte - keinen Unterschied im BMI zwischen Männern und Frauen und keinen Zeiteffekt gibt, wäre nicht korrekt, sondern irreführend. Es gibt zwar keinen Zeiteffekt, der für Männer und Frauen gleich ist, aber sehr wohl Effekte im Zeitverlauf, nämlich unterschiedliche Trends zwischen den Geschlechtern. Und damit gibt es auch einen Unterschied zwischen Männern und Frauen, nämlich einen abfallenden Trend bei Frauen und einen ansteigenden Trend bei Männern. Ein solches Phänomen lässt sich mit Hilfe eines Wechselwirkungsterms im Rahmen von Varianzanalysemodellen für Messwertwiederholungen beschreiben und auch statistisch absichern.

Häufig werden in der Praxis einfach getrennte Analysen für Frauen und Männer durchgeführt. Dieses Vorgehen ist statistisch nicht so effektiv wie eine gemeinsame Analyse aller Daten, und es lässt sich nicht mehr untersuchen, ob gefundene Unterschiede im Zeitverlauf denn auch statistisch signifikant sind.

Wir möchten noch einmal darauf hinweisen, dass die Auswertungen in diesem Abschnitt nur didaktischen Zweck haben und nicht den tatsächlichen Verlauf des BMI bei den Frauen der GISELA-Studie widerspiegeln. Natürlich belegen die echten Daten einen Anstieg des BMI im Verlauf der Zeit auch bei den Frauen.

#

Bemerkungen

In diesem Artikel haben wir kurz die wesentlichen Eigenschaften der klassischen Varianzanalyse für Messwertwiederholungen vorgestellt. Zur Analyse von Daten mit einer gewissen Abhängigkeitsstruktur gibt es eine Reihe anderer möglicher Verfahren. Die Wahl eines geeigneten Verfahrens hängt stark von der jeweiligen Datensituation sowie der genauen Fragestellung ab. Liegen z. B. sehr viele Zeitpunkte vor, so kommen eher regressionsanalytische Verfahren für abhängige Daten in Frage [7], auf die wir hier nicht weiter eingehen können. Die hier vorgestellten Methoden der Varianzanalyse für Messwertwiederholungen sind geeignet, wenn die Zahl der abhängigen Stichproben nicht zu groß ist.

Eine Voraussetzung für den sinnvollen Einsatz der Varianzanalysemodelle für Messwertwiederholungen ist jedoch, dass der Datensatz bezüglich der Intra-Subjekt-Faktoren vollständig ist, d. h. dass es bei allen Probanden zu allen Zeitpunkten Messungen geben muss. Fehlt z. B. bei fünf Zeitpunkten bei einem Probanden auch nur ein Wert, so können entweder alle anderen Daten dieses Probanden im Rahmen einer Varianzanalyse für Messwertwiederholungen nicht für die Auswertung verwendet werden (Reduzierung des Stichprobenumfangs) oder man lässt diesen Zeitpunkt auch bei allen anderen Probanden weg (Reduzierung der Zahl der abhängigen Stichproben). Als dritte Möglichkeit kommt noch in Frage, die fehlenden Werte geeignet zu ersetzen. Dies führt aber auch nur unter gewissen Annahmen zu gültigen Schlussfolgerungen, und es dürfen nicht zu viele Werte fehlen. In Beobachtungsstudien ist es jedoch häufig die Regel, dass zu vielen verschiedenen Zeitpunkten viele Werte nicht erhoben werden konnten oder von vorne herein Messungen an Probanden zu unterschiedlichen Zeitpunkten geplant waren. Für solche unbalancierten Designs stellt die Varianzanalyse für Messwertwiederholungen kein geeignetes Verfahren dar. Im Beispiel der GISELA-Studie reduzierte sich der Stichprobenumfang von n = 532 auf n = 182, obwohl von 6 möglichen Zeitpunkten nur 4 betrachtet wurden. Daher ist das Verfahren der Varianzanalyse für Messwertwiederholungen hier sehr ineffizient und wurde für die Datenanalyse hier nur für didaktische Zwecke gewählt, nicht jedoch bei der Publikation der Studienergebnisse [9]. Eine weitaus bessere Möglichkeit zur Analyse dieser Daten stellen neuere statistische Methoden dar, die es erlauben, dass die Zahl der Messungen je Proband unterschiedlich ist. In Frage kommen hier lineare gemischte Modelle [6] oder Verfahren, die auf so genannten verallgemeinerten Schätzgleichungen (generalized estimating equations, GEE) beruhen [5]. Auf diese Methoden werden wir in zukünftigen Artikeln der Statistik-Serie eingehen. Bei der Datenanalyse der GISELA-Studie wurden lineare gemischte Modelle eingesetzt [9]. Die englischen Bezeichnungen der hier diskutierten Begriffe zeigt Tab. [4].

Tab. 4 Übersetzung (deutsch - englisch)

Varianzanalyse

analysis of variance (ANOVA)

Inter-Subjekt-Faktor

between-subject factor

Intra-Subjekt-Faktor

within-subject factor

gepaarter t-Test

paired t test

Messwertwiederholungen

repeated measurements

Sphärizität

sphericity

Varianzanalysetabelle

ANOVA table

Wechselwirkung

interaction

unbalanciert

unbalanced

lineare gemischte Modelle

linear mixed models

verallgemeinerte Schätzgleichungen

generalized estimating equations (GEE)

kurzgefasst

Mit Hilfe der Varianzanalyse für Messwertwiederholungen lassen sich Unterschiede zwischen mehr als zwei abhängigen Stichproben bezüglich einer stetigen Zielvariablen statistisch untersuchen (Effekte von Intra-Subjekt-Faktoren). Eine gleichzeitige Untersuchung von Unterschieden zwischen unabhängigen Gruppen ist möglich durch Modelle, die sowohl Intra- als auch Inter-Subjekt-Faktoren beinhalten. Neben Haupteffekten können auch Wechselwirkungen zwischen Intra- und Inter-Subjekt-Faktoren eine Rolle spielen, mit denen z. B. unterschiedliche Zeitverläufe zwischen verschiedenen Gruppen beschrieben werden können.

#

Literatur

  • 1 Altman D G, Bland J M. Comparing several groups using analysis of variance.  BMJ. 1996;  312 1472-1473
  • 2 Bender R, Lange S. Verlaufskurven.  Dtsch Med Wochenschr. 2007;  132 e22-e23
  • 3 Bender R, Lange S, Ziegler A. Wichtige Signifikanztests.  Dtsch Med Wochenschr. 2007;  132 e24-e25
  • 4 Bender R, Ziegler A, Lange S. Varianzanalyse.  Dtsch Med Wochenschr. 2007;  132 e57-e60
  • 5 Burton P, Gurrin L, Sly P. Tutorial in Biostatistics: Extending the simple linear regression model to account for correlated responses: An introduction to generalized estimating equations and multi-level mixed modelling.  Stat Med. 1998;  17 1261-1291
  • 6 Cnaan A, Laird N M, Slasor P. Tutorial in Biostatistics: Using the general linear mixed model to analyse unbalanced repeated measures and longitudinal data.  Stat Med. 1997;  16 2349-2380
  • 7 Crowder M J, Hand D J. Analysis of Repeated Measures. Chapman & Hall: London 1990
  • 8 Huynh H, Feldt L S. Estimation of the Box correction for degrees of freedom for sample data in randomised block and split-plot designs.  J Educ Stat. 1976;  1 69-82
  • 9 Jungjohann S M, Lührmann P, Bender R, Blettner M, Neuhäuser-Berthold M. Eight-year trends in food, energy and macronutrient intake in a sample of elderly German subjects.  Br J Nutr. 2005;  93 361-368

Privatdozent Dr. rer. biol. hum. Ralf Bender

Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen (IQWiG)

Dillenburger Straße 27

51105 Köln

Email: Ralf.Bender@iqwig.de

#

Literatur

  • 1 Altman D G, Bland J M. Comparing several groups using analysis of variance.  BMJ. 1996;  312 1472-1473
  • 2 Bender R, Lange S. Verlaufskurven.  Dtsch Med Wochenschr. 2007;  132 e22-e23
  • 3 Bender R, Lange S, Ziegler A. Wichtige Signifikanztests.  Dtsch Med Wochenschr. 2007;  132 e24-e25
  • 4 Bender R, Ziegler A, Lange S. Varianzanalyse.  Dtsch Med Wochenschr. 2007;  132 e57-e60
  • 5 Burton P, Gurrin L, Sly P. Tutorial in Biostatistics: Extending the simple linear regression model to account for correlated responses: An introduction to generalized estimating equations and multi-level mixed modelling.  Stat Med. 1998;  17 1261-1291
  • 6 Cnaan A, Laird N M, Slasor P. Tutorial in Biostatistics: Using the general linear mixed model to analyse unbalanced repeated measures and longitudinal data.  Stat Med. 1997;  16 2349-2380
  • 7 Crowder M J, Hand D J. Analysis of Repeated Measures. Chapman & Hall: London 1990
  • 8 Huynh H, Feldt L S. Estimation of the Box correction for degrees of freedom for sample data in randomised block and split-plot designs.  J Educ Stat. 1976;  1 69-82
  • 9 Jungjohann S M, Lührmann P, Bender R, Blettner M, Neuhäuser-Berthold M. Eight-year trends in food, energy and macronutrient intake in a sample of elderly German subjects.  Br J Nutr. 2005;  93 361-368

Privatdozent Dr. rer. biol. hum. Ralf Bender

Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen (IQWiG)

Dillenburger Straße 27

51105 Köln

Email: Ralf.Bender@iqwig.de

Zoom Image

Abb. 1 Mittelwerte des BMI (Angaben in kg/m2) von 185 Frauen und Männern der Giessener Senioren Langzeitstudie (GISELA) im Zeitverlauf.

Zoom Image

Abb. 2 Künstliche Daten der Giessener Senioren-Langzeitstudie (GISELA) nach Vertauschen der Zeitpunkte 0 und 6 bei den Frauen zur Illustration einer Wechselwirkung.