i kvantitativa studier som involverar jämförelser av villkor eller behandlingar, finns det två grundläggande typer av mönster att överväga: mellan-ämnen eller inom-ämnen (även känd som upprepade-åtgärder). I en mellan-ämnen design, varje deltagare får endast ett villkor eller behandling, medan i en inom-ämnen design varje deltagare får flera villkor eller behandlingar., Varje design strategi har sina fördelar och nackdelar; det finns dock en särskild statistisk fördel att inom-ämnen mönster i allmänhet hålla över mellan-ämnen mönster.
inom-ämnen mönster har större statistisk makt än mellan-ämnen mönster, vilket innebär att du behöver färre deltagare i din studie för att hitta statistiskt signifikanta effekter. Till exempel kräver mellan-ämnen version av en standard T-test en provstorlek på 128 för att uppnå en effekt på .,80, medan inom-ämnen versionen endast kräver en provstorlek på 34 för att uppnå samma effekt. Denna fördel med inom-ämnen mönster kan vara gemensamma kunskaper för vissa studenter, men många studenter kanske inte vet varför detta är fallet. Svaret ligger i hur variansen delas upp (eller” partitioneras”) i en analys inom ämnen.
ta en analys av varians (ANOVA) till exempel. I en mellan-försökspersoner ANOVA består den totala variansen av behandlingsvarians och felvarians., Du bestämmer om det finns skillnader mellan grupper genom att undersöka andelen behandlingsvarians till felvarians. Felvariansen i denna utformning kan bero på individuella skillnader mellan deltagarna (t.ex. demografiska skillnader). Med andra ord försöker du se igenom” bruset ” av variansen på grund av individuella skillnader för att se vilken inverkan din behandling har.
men i en inom-ämnen ANOVA kan vi dela upp variansen ytterligare., Specifikt kan vi partitionera variansen på grund av individuella skillnader från resten av ”fel” variansen. Således består den totala variansen i de enskilda individerna ANOVA av behandlingsvarians, varians mellan individer (dvs individuella skillnader) och felvarians. Vi bestämmer fortfarande effekten av behandlingen genom att undersöka 
andelen behandlingsvarians till felvarians., Genom att dela ut variansen mellan ämnena minskar vi mängden felvarians i ekvationen, vilket minskar ”bruset” vi måste se igenom för att se en signifikant behandlingseffekt. Sätt ett annat sätt, eftersom vi inte är intresserade av skillnader mellan deltagare i en inom-ämnen design, vi kan kasta ut mellan-ämnen varians för att få en tydligare bild av vad som händer i data.
att ha en djupare förståelse för de statistiska fördelarna med inom-ämnen mönster kan hjälpa dig att göra mer informerade val om din forskning design framåt!