Aralık Düzeltmesinde Doğrusalsızlık – Meta-Analiz Ödevleri – Meta-Analiz Alanında Tez Yaptırma – Meta-Analiz Tez Yaptırma Ücretleri
Aralık Düzeltmesinde Doğrusalsızlık
Artefakt dağılımına dayalı meta-analiz yöntemlerinde, gerçek korelasyonların ortalaması (ρ ̄) ve standart sapması (SDρ), artık dağılımın ortalama (r ̄res) ve standart sapmasından (SDres) tahmin edilir. Artık dağılım, N’nin her zaman sonsuz olması (yani, örnekleme hatası olmaması) ve güvenilirlik, aralık kısıtlaması ve diğer artefaktların her zaman ilgili ortalama değerlerinde sabit olması durumunda, çalışmalar arasında beklenen gözlemlenen korelasyonların dağılımıdır.
Bu dağılımın tahmini ortalaması, gözlemlenen ortalama r’dir (yani, r ̄res = r ̄). Ortalama güvenilmezlik düzeyi için artık dağılımını düzeltmek için, o dağılımdaki her değeri, güvenilirliklerin kareköklerinin ortalamasına bölebiliriz. Ancak bu değer bir sabit olduğundan, bunun yerine hem r ̄res hem de SDres’i bu sabite bölebilir ve aynı sonucu elde edebiliriz.
Bu, yapay dağılıma dayalı prosedürlerin ölçüm hatasını düzeltmede yaptığı şeydir. Bununla birlikte, bu prosedürler, ortalama aralık kısıtlamasının etkileri için artık dağılımını düzeltmede tam olarak aynı şeyi yapar ve burada işler o kadar düzgün bir şekilde yürümez. Menzil kısıtlamasının ortalama seviyesini kullanarak (sınırlı ile sınırlandırılmamış tahmin edici standart sapmaların oranı şeklinde), mevcut prosedürler r’leri düzeltir.
Bu, r’leri bir faktör kadar artırır, diyelim ki 1.50. Daha sonra, her r’nin ortalama menzil kısıtlaması seviyesi için düzeltildiği bir dağılımın SD’sini tahmin etmek için SDres bu aynı faktörle çarpılır. (Bölüm 4’te bu, SDres’in c ̄’ye bölümü olarak ifade edilir.) Bununla birlikte, güvenilirlik düzeltmesinden farklı olarak, menzil kısıtlama düzeltmesi r’de doğrusal değildir.
Aralık düzeltmesi, artık dağılımdaki her r değeri için aynı değildir: Daha küçük rs için daha büyük ve daha büyük rs için daha küçüktür. Bu nedenle, artefakt dağılımına dayalı meta-analiz prosedürlerinde doğrusallık varsayımına dayalı yaklaşım, SDρ’nin fazla tahmin edilmesine yol açar. Simülasyon çalışmaları orijinal interaktif prosedürümüzün teorik olarak, en karmaşık yöntemimiz; yaklaşık .02 kadar çok büyük olan SDρ tahminlerini verir.
Aynısı Callender-Osburn ve Raju-Burke prosedürleri için de geçerlidir. Bu fazla tahmin, örnek boyutlarının sonsuz olduğu ve hesaplama hataları, aykırı değerler ve Pearson olmayan rs gibi yapay varyans kaynaklarının bulunmadığı benzetilmiş verilerde meydana gelir. Bu fazla tahmin, menzil kısıtlama düzeltmelerinin doğrusal olmama durumunu hesaba katmadaki başarısızlıktan kaynaklanmaktadır.
Bu doğrusal olmama durumu, menzil kısıtlamasının ortalama seviyesi için artık dağılımdaki her bir değeri ayrı ayrı düzelterek hesaba katılabilir. Bu doğrusal olmayanlığı hesaba katmak için aşağıdaki yöntem kullanılabilir. Artık dağılımın ortalamasını ve SD’sini belirledikten sonra, 0,1 SD birim cinsinden ortalamadan ortalamanın üstünde ve altında 3 SD’ye hareket ederek bu dağılımdaki 60 ek değeri belirleyin. Ardından, s/S oranının ortalamasını kullanarak bu değerlerin her birini aralık kısıtlaması için ayrı ayrı düzeltin.
- r = artık dağılımındaki korelasyonun değeri,
- R = aralık düzeltmeli değer,
- S = sınırsız standart sapma (bu bölümde daha sonra tartışıldığı gibi, dolaylı menzil kısıtlaması için S’nin gerçek puan değeri kullanılır),
- s = kısıtlı standart sapma (bu bölümde daha sonra tartışıldığı gibi, dolaylı aralık kısıtlaması için s’nin gerçek puan değeri kullanılır).
Her aralık düzeltmeli r daha sonra güvenilmezliğin ortalama etkisi için düzeltilir. Her bir r değerinin göreli frekansı, artık dağılımdaki z skoru ile ilişkili normal eğri ordinatı tarafından indekslenir. Bu frekanslar, karşılık gelen düzeltilmiş korelasyonlara (ρi) uygulanır. Düzeltilmiş bağıntıların (ρ ̄) dağılımının frekans ağırlıklı ortalaması daha sonra belirlenir ve Sρ2’yi bulmak için aşağıdaki (göreceli) frekans ağırlıklı varyans formülü kullanılır.
Zaman Serilerinde ayrıştırma Yöntemi
Trend denklemi formülü
Zaman serisi regresyon analizi
SPSS zaman serisi analizi
Beyaz gürültü zaman serisi
Teknoloji zaman serisi
Zaman serisi analizi tez
Eviews zaman serisi Analizi
Hukuk ve bilgisayar simülasyonu yoluyla bu iyileştirmenin doğruluğu artırdığını gösterdi. Schmidt ve ark. (1993), deneysel veri setlerinde, bu geliştirilmiş prosedürden kaynaklanan tahmini gerçek standart sapmaların, orijinal prosedürden türetilen benzer değerlerden daha küçük olduğunu bulmuştur. Artifakt dağılımına dayalı korelasyonların meta analizine (INTNL-D ve INTNL-I) yönelik etkileşimli modeli temel alan mevcut bilgisayar programlarımız bu iyileştirmeyi içermektedir.
Etkileşimli model açıklanmıştır. Program etiketindeki INT harfleri etkileşimli modeli ifade eder. NL harfleri “doğrusal olmayan” anlamına gelir, yani burada açıklanan doğrusal olmayan düzeltme (tahmin) prosedürüdür.
SDρ’nin Fazla Tahmin Edilmesine Neden Olan Diğer Faktörler
Her araştırma alanının, söz konusu araştırma literatüründe SDρ’nin olduğundan fazla tahmin edilmesine neden olan ek faktörlere sahip olması beklenebilir. Meta-analist bu gerçeğe karşı uyanık olmalı ve bu faktörleri, onlar için herhangi bir düzeltme yapılamasa bile açıklamalıdır. Bu bölüm, istihdam testi geçerliliklerinin meta-analizinden bazı örnekler sunmaktadır.
Bu literatürde, bazı araştırmalar daha önce idari amaçlarla (örneğin ücret artışları, terfiler, vb.) yapılmış olan iş performansı derecelendirmelerini kullanırken, diğer çalışmalar yalnızca araştırma çalışması için kullanılan özel derecelendirmelere dayanmaktadır. İdari derecelendirmelerin, performans dışı değerlendirmelerden güçlü bir şekilde etkilendiği ve araştırma derecelendirmelerine kıyasla seçim prosedürleriyle daha küçük gözlemlenen korelasyonlar sağladığı bilinmektedir.
Bu fark, gözlemlenen korelasyonlarda düzeltilemeyen yapay bir varyans kaynağıdır; bu nedenle SDρ’nın fazla tahmin edilmesine neden olur. Başka bir yapay varyans kaynağı, bazı çalışmaların içerik-geçerli iş örneği ölçümlerini kullanarak iş performansını değerlendirmesi, diğer çalışmaların ise iş performansının denetleyici derecelendirmelerini kullanması gerçeğinden kaynaklanmaktadır. İş örnekleri, iş performansının açık ara daha iyi ölçüsüdür.
İstihdam testlerinin, iş performansı derecelendirmelerinden ziyade iş örneği ölçümleriyle daha yüksek oranda ilişkili olduğunu biliyoruz. Çalışmalar arasındaki bu fark, SDρ tahminlerini şişiriyor. SDρ’nın olduğundan fazla tahmin edilmesine neden olan bir diğer faktör, çalışma aynı örneklemde aynı yeteneği ölçen iki farklı test içerdiğinde (örneğin, uzamsal yeteneği ölçen iki farklı test) aynı çalışmadan iki veya daha fazla korelasyonun dahil edilmesidir.
Bu korelasyonlar bağımsız değildir ve sonuç, hem gözlenen SD (SDr) hem de SDρ’nin şişmesidir. Son olarak, artık çalışanlar arasındaki iş deneyimi miktarındaki farklılıkların, istihdam testlerinin gözlemlenen geçerliliklerini azalttığını biliyoruz. Bu nedenle, çalışanların iş deneyimi açısından büyük ölçüde farklılık gösterdiği çalışmaların, çalışanların işteyken çok az değişiklik gösterdiği araştırmalardan ortalama olarak daha küçük korelasyonlar bildirmesi beklenebilir. Sonuç, çalışmalar arasındaki korelasyonlarda düzeltilmeyen ek varyasyonlardır. Yine, etki SDρ tahminini şişirmektir.
Beyaz gürültü zaman serisi Eviews zaman serisi Analizi SPSS zaman serisi analizi Teknoloji zaman serisi Trend denklemi formülü Zaman Serilerinde ayrıştırma Yöntemi Zaman serisi analizi tez Zaman serisi regresyon analizi