Dolayısıyla meta-analizde geleneksel moderatör analizinde şanstan yararlanma sorununun son derece ciddi olduğu açıktır. Yayınlanmış meta-analizlerde regresyon ve korelasyon yöntemlerini kullanan birçok moderatör muhtemelen gerçek değildir. Tamamen ampirik olarak tanımlanan ve bir teori veya hipotez tarafından a priori tahmin edilmeyenlerin, özellikle örnekleme hatasında büyük harf kullanımıyla yaratılan yanılsamalar olması muhtemeldir.

Öte yandan, düşük istatistiksel güç nedeniyle gerçek olan moderatörlerin tespit edilmesi olası değildir. Bu bölümde daha önce yer alan istatistiksel güç tartışmaları, diğer korelasyonların yanı sıra çalışma özellikleri ve çalışma sonuçları arasındaki korelasyonlar için de geçerlidir.

Örneklem boyutu, çalışmaların sayısı genellikle küçüktür (örneğin, 40-100) ve gözlemlenen çalışma sonuç istatistiklerinin (rs ve d değerleri) varyansının çoğu örnekleme hatası varyansı ve diğer olduğundan çalışma karakteristik korelasyonlarının küçük olması muhtemeldir. yapay varyans. Bu nedenle, gerçek moderatörleri tespit etmek için istatistiksel güç tipik olarak oldukça düşük olacaktır. Bu nedenle, gerçek moderatörlerin tespit edilmesi olası değildir ve aynı zamanda, örnekleme hatasında büyük harf kullanımının mevcut olmayan moderatörlerin “tespit edilmesine” yol açması olasılığı yüksektir. Bu gerçekten mutsuz bir durumdur.

Çalışmalar arasındaki tüm varyasyonları yüz değerinden almak, örnekleme hatasının olmadığını varsaymaktır. Çoğu çalışma küçük örneklemlerle (örneğin, 500 denekten daha az) yapıldığından, örnekleme hatası, gözlemlenen sonuç değerlerine kıyasla oldukça büyüktür. Bu nedenle, örnekleme hatasını göz ardı etmek, analizin bir noktasında büyük istatistiksel hataları garantilemektir.

Klasik gözden geçirenin hatası, sonuç değerlerinin aralığını bildirmektir; aralık, çalışma setindeki en uç iki örnekleme hatası tarafından belirlenir. Birçok güncel meta-analizdeki hata, r veya d değerlerindeki çalışmalar arasındaki varyasyonu kodlanmış çalışma özellikleriyle ilişkilendirmede şans ve düşük istatistiksel güçten yararlanmadır.

Moderatör analizinde şans ve düşük istatistiksel güç üzerinde kapitalizasyon sorunlarına cevap verdiğimizi iddia etmiyoruz. Kanaatimizce bu sorunun istatistik içinde bir çözümü yoktur. İstatistiksel testin sorunu çözmediği istatistiklerde iyi bilinmektedir; Tip I hataya karşı Tip II hata değiş tokuşu kaçınılmazdır.

Bu nedenle, sorunlar yalnızca istatistiksel gerekçelerle çözülecekse, o zaman ince soruların yanıtı yalnızca daha fazla veri, genellikle büyük miktarda veri toplamak olabilir. Daha uygulanabilir bir alternatif, argümana dolaylı olarak yeni verilerin çekilmesine izin veren teoriler geliştirmektir. Bu yeni veriler daha sonra konunun teorik zeminde nesnel bir çözümüne izin verebilir.

Meta-analiz Nedir
Meta-analiz özellikleri
Meta-analiz makale Örneği
Cma ile Meta-Analiz
Meta-analiz ile literatür taraması arasındaki farklar
Meta-analiz pdf
Meta-analiz yöntemi
cma meta-analiz programı indir

İleriye Bir Bakış

Ampirik araştırmalar için en yaygın iki araştırma tasarımı, ilişkisel çalışma ve iki grup müdahale çalışmasıdır (yani, bağımsız tedavi ve kontrol gruplu deneysel bir çalışma). İlişkisel tasarımlarda ilişkinin gücü genellikle korelasyon katsayısı ile ölçülür. Korelasyon katsayısını toplamak için yöntemler sunuyoruz. Bazıları korelasyon yerine eğim veya kovaryansın toplanması gerektiğini savundu.

Bununla birlikte, eğimler ve kovaryanslar, ancak her bir çalışmada bağımsız ve bağımlı değişkenleri ölçmek için tam olarak aynı araçlar kullanılıyorsa, çalışmalar arasında karşılaştırılabilir. Bunun doğru olduğu nadir bir çalışma grubudur. Bu nedenle, eğim veya kovaryans, tüm çalışmalarda aynı metrikte olduğu için yalnızca nadir durumlarda kümülatiflenebilir. Ayrıca, bir eğim veya kovaryans ile temsil edilen ilişkinin gücü, ancak bu sayılar standart sapmalarla karşılaştırıldığında, yani yalnızca korelasyon katsayısı hesaplandığında bilinebilir. Eğimlerin ve kesişimlerin kümülasyonunu ayrıntılı olarak inceleyeceğiz.

Tedavi etkilerine ilişkin deneysel çalışmalarda en yaygın olarak rapor edilen istatistik, t-testi istatistiğidir. Bununla birlikte, t, örneklem boyutunun karekökü ile çarpıldığından ve bu nedenle, çalışmalar arasında aynı metriğe sahip olmadığı için iyi bir etki gücü ölçüsü değildir. Örnek boyutu t istatistiğinden çıkarıldığında, elde edilen formül etki boyutu istatistiği d’dir. Etki büyüklüğü istatistiğini d’yi ele alacağız. Ayrıca onun korelasyonel analogunu, nokta ikili korelasyonunu da ele alacağız.

D değerlerini nokta ikili korelasyonlara dönüştürmek, bu korelasyonlar üzerinde meta-analizi yürütmek ve daha sonra nihai sonucu d-değeri istatistiğine dönüştürmek genellikle daha iyidir. Bazıları r veya d yerine varyans oranının kullanılmasını savunur, ancak açıklanan (veya açıklanan) varyans oranının birçok kusuru vardır. Örneğin, tedavi etkisinin işaretini veya yönünü korumaz. Ayrıca, işaret kaybının bir sonucu olarak, kare etkisi ölçüm ortalaması yanlı olur. Varyans indekslerinin oranı, daha ayrıntılı olarak tartışılmış ve eleştirilmiştir.

Korelasyon katsayısıyla ilgili bölümler ve d değerleriyle ilgili bölümler, her girişin istatistiksel olarak bağımsız bir örneğe dayandığını varsayar. Bununla birlikte, aynı çalışmadan bir korelasyon veya etki büyüklüğünün birden fazla ilgili tahmini elde etmek sıklıkla mümkündür. O halde, aynı çalışma içindeki bir ilişkinin birden fazla tahmini, çalışmalar arasında bir birikime nasıl katkıda bulunmalıdır? 

Artifaktlar İçin Tek Tek Düzeltilen Korelasyonların Meta Analizi

Korelasyon katsayısının boyutunu etkileyebilecek 11 çalışma tasarımı yapaylığını inceledik. Meta-analiz düzeyinde, bu artefaktlardan biri dışında hepsini düzeltmek mümkündür: raporlama veya transkripsiyon hatası. Aykırı değer analizi dışında, veri hatalarını düzeltmenin bir yolunu bilmiyoruz. Aykırı değer analizi, bazı kötü verileri tespit edebilir, ancak hepsini değil ve meta-analizde genellikle sorunludur. Örnekleme hatası düzeltilebilir, ancak düzeltmenin doğruluğu meta-analizin dayandığı toplam örnek boyutuna bağlıdır.

Toplam örnek boyutu sonsuza yaklaştıkça örnekleme hatası düzeltmesi mükemmel hale gelir. Bu bölümde ve Bölüm 4’teki meta-analiz tartışmamız, dolaylı olarak meta-analizin çok sayıda çalışmaya dayandığını varsayacaktır. Çalışma sayısı azsa, burada sunulan formüller yine de geçerlidir, ancak nihai meta-analiz sonuçlarında önemsiz olmayan örnekleme hatası olacaktır. Bu, Bölüm 9’da tartışılan “ikinci dereceden” örnekleme hatası sorunudur. 

Potansiyel olarak düzeltilebilir 10 çalışma tasarımı eseri listelenmiştir. Bir eserin etkisini düzeltmek için, eserin boyutu ve doğası hakkında bilgi sahibi olmamız gerekir. İdeal olarak, bu bilgi her bir çalışma (yani her bir korelasyon) için her eser için ayrı ayrı verilecektir. Bu durumda her bir korelasyon ayrı ayrı düzeltilebilir ve düzeltilen korelasyonlar üzerinden meta-analiz yapılabilir. Bu tür meta-analiz bu bölümün konusudur.

Artefakt bilgisi genellikle sadece ara sıra mevcuttur ve bazen hiç mevcut değildir. Ancak, artefaktların doğası öyledir ki, çoğu araştırma alanında, artefakt değerleri çalışmalar arasında bağımsız olacaktır. Örneğin, örneklem büyüklüğü büyük veya küçükse, ölçüm güvenilirliğinin daha yüksek veya daha düşük olacağını varsaymak için hiçbir neden yoktur. Yapıtlar birbirinden bağımsız ve gerçek popülasyon korelasyonunun boyutundan bağımsız ise, meta-analizi yapaylık dağılımlarına dayandırmak mümkündür. Yani, bağımsızlık varsayımı göz önüne alındığında, bireysel korelasyonları düzeltemesek de meta-analiz düzeyinde yapaylıkları düzeltmek mümkündür.

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