Glass (1977), meta-analizde moderatör değişkenleri belirlemek için sıradan en küçük kareler çoklu regresyonunun kullanılmasını savunan ilk kişiydi. Prosedür kavramsal olarak basittir: Bir dizi çalışmadan elde edilen d değerleri, kodlanmış çalışma özelliklerine göre geri alınır ve istatistiksel olarak anlamlı regresyon ağırlıklarına sahip olan çalışma özellikleri, etki büyüklüğünün moderatörleri olarak kabul edilir. Bu prosedür, psikoterapi sonuç çalışmalarının meta-analizlerinde ve diğer meta-analizlerin yanı sıra sınıf mevcudunun etkilerinde kullanılmıştır. Hedges ve Olkin, örnekleme hatası varyanslarının homojenliği varsayımının genellikle meta-analiz veri setlerinde karşılanmadığı gerekçesiyle bu prosedüre karşı çıktılar.

Her bir “gözlem”in (yani her d değeri) (örnekleme) varyansı, temel aldığı örnek boyutuna (ve gözlenen d değerinin boyutuna) bağlıdır. Bu örnek büyüklükleri, sıklıkla olduğu gibi önemli ölçüde farklılık gösteriyorsa, farklı etki büyüklüğü tahminleri çok farklı örnekleme hatası varyanslarına sahip olacaktır. Varyansların heterojenliği, anlamlılık testlerinin geçerliliğini etkileyebilir; gerçek alfa seviyeleri, nominal seviyelerden daha büyük olabilir.

Moderatörler ve çoklu korelasyonlar üzerindeki regresyon ağırlıklarının tahminleri de etkilenebilir. Hedges ve Olkin, her çalışmayı örnekleme hatası varyansının tersiyle ağırlıklandırarak bu sorunu aşan bir ağırlıklı en küçük kareler (WLS) regresyon prosedürü sundu.

Ancak, Hedges ve Stock (1983), Glass-Smith’in (1980) sınıf mevcudu üzerine yaptığı çalışmaları yeniden analiz etmek için bu yöntemi kullandıklarında, orijinal sonuçlara oldukça benzer sonuçlar elde ettiler, bu da Hedges ve Olkin (1985) tarafından tanımlanan problemin problem olduğunu düşündürdü. Genel bulgu, çoğu istatistiksel testin, varyansın homojenliği varsayımının ihlaline ilişkin olarak sağlam olduğu yönünde olmuştur.

Bu soruyu ele almak için Steel ve Kammeyer-Mueller (2002), bilgisayar simülasyonu kullanarak sıradan en küçük kareleri (OLS) ve ağırlıklı en küçük kareleri (WLS) karşılaştırdı. Yalnızca sürekli moderatörlere ve yalnızca sürekli moderatör değişkenlerinden gözlenen etki büyüklüklerinin tahmin edilmesinden kaynaklanan çoklu R’nin doğruluğuna odaklandılar.

Bir moderatör değişkeninin boyutu ve kaldıracı hakkında daha bilgilendirici bir indeks olan standartlaştırılmış regresyon ağırlıklarının doğruluğuna bakmadılar. Çalışma örneklem büyüklüklerinin (N) dağılımı yaklaşık olarak normal olduğunda, OLS ve WLS’nin doğruluğunda çok az fark olduğunu bulmuşlardır. Bununla birlikte, Ns çalışmasının dağılımı sağa çarpık olduğunda, WLS çoklu R için daha doğru tahminler üretti. Bununla birlikte, inceledikleri çarpıklık seviyesi biraz aşırıydı (skew = 2,66) ve gerçek araştırma literatürlerinde nadiren ortaya çıkabilir.

Çoklu regresyon analizi Tablo yorumlama
SPSS çoklu regresyon analizi
Regresyon analizi yorumlama
Çoklu regresyon analizi örnekleri
Çoklu regresyon analizi soru ve cevapları
Çok değişkenli regresyon analizi
Standart çoklu regresyon
Regresyon analizi Örnekleri

WLS kullanımı konusunda dikkatli olmak için nedenler vardır. Aşırı büyük bir N’ye sahip bir aykırı (her iki yönde) varsa, WLS tahminleri bozulacaktır. Bu nedenle, WLS ile aykırı değerlerle ilgilenmek özellikle önemlidir. Küçük N’lerle yapılan çalışmaların ağırlıklandırılmasında da potansiyel sorunlar vardır. N küçük olduğunda, büyük örnekleme hatalarından dolayı çok büyük r veya d değerleri oluşabilir.

r veya d’nin gözlenen değeri, hesaplanan örnekleme hatası varyansını etkiler (r ve d için örnekleme hatası varyansı formüllerini inceleyerek görülebileceği gibi) ve bu nedenle çalışmanın aldığı ağırlığı etkiler. Steel ve Kammeyer-Mueller’in (2002) belirttiği gibi, r değeri .99 olan N = 20’ye dayalı bir çalışmaya, N = 20.000’e dayanan ancak r’si .60 olan bir çalışma ile aynı ağırlık verilecektir!

Bu ikinci soruna bir çözüm, Bölüm 3, 4 ve 7’de tartışıldığı ve önerildiği gibi, bireysel çalışmadaki r ve d değerleri yerine r ve d için örnekleme hatası varyans formüllerinde ortalama r veya d’yi kullanmaktır. Daha basit ve istatistiksel olarak eşdeğer olan alternatif bir çözüm, ağırlık çalışmalarını örneklem büyüklüklerinin tersi ile elde etmektir. Hem OLS hem de WLS regresyon yöntemlerinin (farklı) sorunları olduğundan, Overton (1998) her ikisinin de uygulanmasını ve sonuçların karşılaştırılmasını önermiştir. Benzerlerse, kişinin sonuçlara olan güveni desteklenir.

Bu uyarılar akılda tutularak, tipik durumlarda, moderatörler sürekli olduğunda OLS yöntemleri yerine WLS yöntemlerinin vurgulanması muhtemelen tavsiye edilir. Ancak, ölçüm hatası için d veya r değerleri düzeltilmediğinde hem WLS hem de OLS’nin kötü çalışacağını unutmamak önemlidir.

Tüm değerler, ölçüm hatası nedeniyle aşağı doğru eğimli olacak olsa da, bazıları, gerçek etkilerin ölçüleri olarak gözlemlenen ds veya rs’nin yapı geçerliliğini azaltarak ve dolayısıyla, tüm moderatörlerin görünür gücünü yapay olarak azaltarak, diğerlerinden daha fazla önyargılı olacaktır. d veya r değerleri ölçüm hatası için düzeltilmiş olsa bile, d değerlerindeki veya rs’deki varyansın çoğunun veya tamamının (veya tamamının) örnekleme hatasından kaynaklanması ve ölçüm hatası için düşük güvenilirlik oluşturması sorunu hala mevcuttur.

Ayrıca, ölçüm hatasının düzeltilmesi, standartlaştırılmış regresyon katsayıları için tahmin edilen standart hataların çoğu bilgisayar programında hatalı olmasına neden olacaktır. Hunter (1995), veriler ölçüm hatası için düzeltildiğinde doğru standart hata değerleri veren özel bir yazılım geliştirmiştir. Steel ve Kammeyer-Mueller’in (2002) çalışması bu konulara değinmemiştir.

Moderatörler ikili veya kategorik ise (örneğin, cinsiyet veya ırk), moderatör analizine yönelik alt gruplama yaklaşımı daha üstün olabilir. Bununla birlikte, moderatörlerin sıklıkla ilişkili olduğunu ve ilişkili moderatörlerin karıştırılmasını önlemek için hiyerarşik moderatör analizi kullanmanın önemli olduğunu akılda tutmak önemlidir.

Moderatörler sürekli olduğunda, alt gruplama yönteminin dezavantajı, alt grupları oluşturmak için sürekli değişkenlerin ikiye ayrılmasını gerektirmesi ve dolayısıyla bilgi kaybetmesidir. İncelenecek yalnızca bir moderatör olduğunda ve sürekli olduğunda, açıklandığı gibi basit korelasyon kullanılabilir. ilişkisiz. Moderatörler ilişkiliyse, moderatörleri değerlendirmek için OLS veya WLS kullanılmalıdır.

Hedges ve Olkin tarafından işaret edilen regresyon sonuçlarının olası çarpıtılması sorunu, moderatörleri belirlemek için çoklu regresyon kullanımına musallat olan diğer daha ciddi sorunlara kıyasla sönük kalıyor: şanstan yararlanma ve düşük istatistiksel güçtür. Grafik olarak açıklandığı gibi, bu son sorunlar, bu tür moderatör analizlerinin sonuçlarının yorumlanabilirliğini tamamen yok edebilir.

Karşılaştırıldığında, örnekleme hatası varyanslarının homojenliği varsayımının ihlali neredeyse akademiktir. Son olarak, bu tartışmanın d değerlerine ayrılmış bir bölümde görünmesine rağmen, korelasyonlara dayalı meta-analizler için eşit olarak geçerli olduğunu not ediyoruz.

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