Bir değişkenin bir bileşik ile kovaryansı, değişkenin bileşenin her bir bileşen ölçüsü ile kovaryanslarının toplamıdır. Örneğimizde bu, Cov(xy1) + Cov(xy2) + Cov(xy3) olacaktır. Ancak tüm değişkenler standartlaştırıldığından, bu rxy1 + rxy2 + rxy3’tür. Bu, matris cebirinde 1′rxyi olarak gösterilir.

Örneğin, bir algısal hız ölçüsünün (x) aynı insan örneğinde üç iş performansı ölçüsüyle ilişkilendirildiğini varsayalım: iş performansının denetleyici derecelendirmeleri (r = .20), iş performansının akran derecelendirmeleri (r = .30). ) ve çıktı kayıtları (r = .25). İş performansı ölçümleri arasındaki korelasyonların rapor edildiğini ve bunların ortalamasının .50, yani ryiyj = .50 olduğunu varsayalım.

31’in elde edilen değeri, beklendiği gibi ortalamadan(r ̄xyi =.25) büyüktür. Ayrıca,samplingerrorvarianceofrxY bilinmektedir;itisSe2 =(1−.312)2/(N−1). Meta-analiz yapaylık dağılımlarına dayalı olacaksa (bkz. Bölüm 4), bu .31 değeri doğrudan meta-analiz. Bununla birlikte, iş performansının bileşik ölçümünün güvenilirliği, aşağıda tartışılan yöntemler kullanılarak hesaplanmalı ve güvenilirlikler için yapıt dağılımına girilmelidir.

Meta-analiz, güvenilmezlik için ayrı ayrı düzeltilen korelasyonlara dayanacaksa, güvenilmezlik düzeltmesi (ve uygunsa aralık kısıtlaması), meta-analize girilmeden önce .31 değerine uygulanmalıdır. Teorik yönelimli meta-analizlerde, rxY, x’deki güvenilmezlik için de düzeltilecektir (uygun rxx tahmini kullanılarak).

Daha önce verilen formül, yi ölçülerinin eşit ağırlıkta olduğunu varsayar. Tüm ağırlıklar birdir ve tüm değişkenler standart puan biçimindedir; bu nedenle, her yi ölçüsü, nihai Y bileşimi üzerinde aynı etkiye sahiptir. Hesaplamaları korelasyon matrisi yerine varyans-kovaryans matrisi ile yaparsanız, yi ölçüleri standart sapmalarına göre ağırlıklandırılacaktır.

Hesaplamaları korelasyon matrisi ile yaparsanız, birlik ağırlıklar yerine eşit olmayan ağırlıklar atayarak yi ölçülerini diferansiyel olarak ağırlıklandırabilirsiniz. Örneğin, yapı geçerliliği değerlendirmelerine dayanarak, üretim kayıtlarına denetim derecelendirmelerine göre iki kat, emsal derecelendirmelere denetleme derecelendirmelerine göre üç kat daha fazla ağırlık vermeye karar verdiğinizi varsayalım. Bu w’ = [1 3 2] ağırlık vektörüne yol açar. Bağımsız değişken x ile ağırlıklı bileşik Y arasındaki korelasyon da bu durumdadır.

Böylece ağırlıklı korelasyon .32, ağırlıksız korelasyon .31’dir. Bu tipik bir sonuçtur; Bir bileşikteki ölçümler büyük ölçüde pozitif korelasyona sahip olduğunda, ağırlıklandırmanın bileşik ile diğer değişkenler arasındaki korelasyon üzerinde genellikle çok az etkisi vardır. Bununla birlikte, bir bileşikteki bazı ölçümlerin yapı geçerliliği daha yüksekse, farklı ağırlıklandırma dikkate alınmalıdır.

Minitab Deney Tasarımı
Taguchi deney tasarımı uygulaması
Deney tasarımı nasıl yapılır
Deney Tasarımı proje örnekleri
Taguchi Felsefesi
Taguchi güven aralığı
Minitab Taguchi

Yine, ortalama korelasyon bileşik korelasyondan daha küçüktür. Bazen bir çalışma örneğinde hem bağımsız hem de bağımlı değişkenlerin birden fazla ölçümü olabilir. Tüm ölçüler arasındaki korelasyonlar verilirse, bağımsız değişken ölçülerinin toplamı (bileşik X) ile bağımlı değişken ölçüsünün toplamı (bileşik Y) arasındaki korelasyonu da hesaplayabilirsiniz.

Her bir bileşik içindeki ölçü, eşit veya farklı şekilde ağırlıklandırılabilir. Bağımsız değişken bileşikteki k ölçüleri x1, x2 ise. . . xi. . . xk ve bağımlı değişken bileşikteki ölçüler y1, y2’dir. . . yi. . . ym , o zaman tüm değişkenler eşit ağırlıklı olduğunda iki bileşik arasındaki korelasyondur.

Paydadaki ilk terimin SDX ve ikinci terimin SDY olduğuna dikkat edin; bunlar iki kompozitin SD’leridir. Rxy, xi ölçüleri ile yi ölçüleri arasındaki çapraz korelasyon matrisidir. Bu korelasyonların toplamı, bileşik X ile bileşik Y’nin kovaryansıdır. Böylece, bu formül Pearson r için temel formüle de karşılık gelir.

Her bir bileşikte bulunan ölçüler, farklı ağırlıklarda da olabilir. yi’ye uygulanacak (eşit olmayan) ağırlıkların vektörü daha önce olduğu gibi w ise ve xi ölçüleri için ağırlık vektörü v ise, o zaman iki ağırlıklı bileşik arasındaki korelasyon da olur.

Bir bileşikteki ölçüler, diğer bileşikteki ölçüler değil de eşit olmayan şekilde ağırlıklandırılacaksa, o zaman, ölçüleri eşit ağırlıklandırılacak olan bileşik için diferansiyel ağırlıklar 1s’lik bir vektör ile değiştirilebilir. Örneğin, xi s eşit ağırlıklı olacaksa, o zaman v 1 ile değiştirilmelidir.

Değişkenlerin kompozitlerle ve kompozitlerin diğer bileşiklerle korelasyonu için formüller, kavramsal tekrarlarla yapılan bir çalışmadan korelasyonun daha iyi bir tahminini hesaplamak için sıklıkla kullanılabilir. Bu korelasyonları, bireysel ölçüm korelasyonları veya ortalama r yerine meta-analizin içine girmek, meta-analizin kesinliğini de artırır.

Çalışmamızda bu formülleri defalarca kullandık; tipik olarak bileşik korelasyonlar, çalışmadan elde edilen veriler okunurken ve kodlanırken bir el hesap makinesi ile hesaplanabilir. Bu formüller, genel olarak veri yorumlamada da yararlıdır. Örneğin, tümü bir örgütsel bağlılık ölçüsü ile bağlantılı olan üç iş tatmini ölçüsünü kullanan bir dergi araştırma raporu okuduğunuzu varsayalım. İş tatmininin en iyi ölçüsünün üç ölçünün toplamı olacağı da açık olabilir.

Çalışma, ölçümler arasındaki korelasyonları raporluyorsa, iş tatmini bileşimi ile örgütsel bağlılık ölçüsü arasındaki korelasyonu hızlı bir şekilde hesaplamak için bu bölümdeki formülleri kullanabilir, böylece çalışmanın yazarları tarafından bildirilmeyen önemli bir bilgi parçasını da çıkarabilirsiniz.

Çalışma, ölçümler arasındaki korelasyonları raporlamıyorsa, genellikle diğer çalışmalardan bu korelasyonların tahminlerini alabilir ve bunları bileşik korelasyonu hesaplamak için kullanabilirsiniz; McDaniel, Schmidt ve Hunter (1988a) bunun bir örneğini sundu. Hatalar için rapor edilen araştırmayı da kontrol edebilirsiniz. Çalışma, kompozitler için korelasyonlar bildiriyorsa, bu rs, bireysel ölçümler için rs kadar büyük veya daha büyük olmalıdır. Değillerse, bu rapor edilen sonuçlarda bir hata olduğunu da gösterir.

Bileşik korelasyonları hesaplarsanız, bileşik ölçünün güvenilirliğini hesaplamanız gerekir. Her bir korelasyonu ayrı ayrı düzelten meta-analiz prosedürünü kullanıyorsanız, hesaplanan korelasyonu düzeltmek için bu güvenilirliği kullanmalısınız. Yapay dağıtım meta analizi kullanıyorsanız, bu güvenilirliği güvenilirlik dağılımına da girmelisiniz.

Spearman-Brown formülü, bileşikteki ölçüler arasında r ̄ temel alınarak, bileşiğin güvenilirliğini hesaplamak için kullanılabilir. Benzer bir güvenilirlik tahmini, Cronbach’s alpha tarafından üretilecektir. Çoğu meta-analizde, x ölçüsündeki güvenilmezlik de düzeltilir. Bu, korelasyonu daha da artıracaktır.

The post Alternatif Bir Yaklaşım – Meta-Analiz Ödevleri – Meta-Analiz Alanında Tez Yaptırma – Meta-Analiz Tez Yaptırma Ücretleri first appeared on Online (Parayla Ödev Yaptırma).