İlişkili Sonuçlar – Meta-Analiz Ödevleri – Meta-Analiz Alanında Tez Yaptırma – Meta-Analiz Tez Yaptırma Ücretleri
İlişkili Sonuçlar İçin Bir Varyans Hesaplama
Bir farkı tahmin etmek için örnek verileri kullandığımızda, varyans tahminimizin hatasını yansıtır. Her biri V varyansı olan iki ilişkisiz sonucun farkını hesaplarsak, o zaman farkın varyansı 2V olur ve bu iki hata kaynağını içerir.
Buna karşılık, (pozitif olarak) ilişkili sonuçların farkını hesaplarsak, o zaman hatanın bir kısmı gereksizdir ve bu nedenle toplam hata 2V’den azdır. Sonuçlar arasındaki korelasyon 0,50 ise, farkın varyansı V’ye eşit olur ve korelasyon 1,00’e yaklaştıkça farkın varyansı sıfıra yaklaşır. Çalışma prensibi, sonuçlar arasındaki korelasyon ne kadar yüksek olursa, farkın varyansı o kadar düşük (hassasiyet o kadar yüksek) şeklindedir.
Sözlü olarak, iki varyansı toplarız ve ardından ilişkili hatayı yansıtan bir değer çıkarırız. İlişkili hatayı eklediğimiz ve bir ölçekleme faktörü eklediğimiz bir ortalamanın varyansı formülünden farkı not edin. Pozitif korelasyonlu sonuçları birleştirdiğimizde, sonuçlar arasındaki daha yüksek korelasyon, daha yüksek bir varyansla sonuçlanır. Buna karşılık, pozitif korelasyonlu sonuçlar arasındaki farkı hesapladığımızda, sonuçlar arasındaki daha yüksek korelasyon daha düşük bir varyansla sonuçlanır.
Nedenini anlamak için, hastaları iki farklı depresyon ölçüsü kullanarak değerlendirdiğimizi varsayalım. Bir hasta önlemler alındığında özellikle iyi bir gün geçiriyorsa, her iki puan da hastanın ortalamasından daha yüksek olma eğiliminde olacaktır. Hasta kötü bir gün geçiriyorsa, her ikisi de hastanın ortalamasından daha düşük olma eğiliminde olacaktır.
Birleşik bir etki hesaplarsak, sonuçların sayısını artırdıkça hata oluşacaktır. Bu iyi bir günse, her iki ölçüm de hastanın işlevsellik düzeyini olduğundan fazla tahmin edecektir. Buna karşılık, bir fark hesaplarsak, bir etkiyi diğerinden çıkarırız ve günlük değişim kaldırılır.
Sonuçlar arasındaki farkı hesaplama
Bunu arka plan olarak kullanarak, çalışan örneğe dönebilir ve sentetik efekt boyutunun ve varyansının hesaplanmasını tartışabiliriz. Okuma ve matematik arasındaki fark şu şekilde hesaplanır.
Bu formüller, her bir bileşik için varyansın formüle (24.11) dayalı olduğu ve ağırlığın sadece varyansın tersini oluşturmak için kullanılır.
Bu noktada bu beş (sentetik) puanı kullanarak meta-analizlere geçebiliriz. Puanlar, fark puanlarını temsil eder, ancak aynı formüller geçerlidir. Sabit etki modeli altında (11.3) ile başlayan formüller bir özet etki verir.
Okuma için etki büyüklüğü ile matematik için etki büyüklüğü arasındaki ortalama fark, varyans 0,0043 ve standart hata 0,066 ile 0,1194’tür. Ortalama fark için %95 güven aralığı 0,009 ila 0,248’dir. Boş değer testi için Z değeri 1.820’dir ve iki taraflı p değeri 0.069’dur.
AÇIMLAYICI ve doğrulayıcı faktör analizi
Faktör analizi örnekleri
Faktör analizi yorumlama
Açımlayıcı faktör analizi
Faktör analizi PDF
Keşfedici faktör analizi
Doğrulayıcı faktör analizi yorumlama
Nitel veri analizi yöntemleri
Çalışma başına ikiden fazla sonuçla çalışmak
İki sonuca dayalı bir fark için sunulan formüller, kontrastlar kullanılarak herhangi bir sayıda sonuca uyum sağlayacak şekilde genişletilebilir. Örneğin, (a) matematik puanları ile (b) okuma ve sözel puanların ortalaması arasındaki farka bakabiliriz. Ancak bu, bu cildin kapsamı dışındadır.
Korelasyonların birleşik etki üzerindeki etkisi
Göz önünde bulundurulması gereken bir konu, iki sonuç arasındaki korelasyonun bazı çalışmalarda diğerlerinden daha yüksek olması durumunda ne olacağıdır. Bu varyasyon, farklı çalışmalara atanan göreli ağırlıkları etkileyecek ve daha yüksek korelasyonla çalışmaya daha fazla ağırlık gidecektir. Çalışan örnekte okuma ve matematik için varyanslar çalışma 1 ve 3’te aynıydı, ancak okuma ve matematik arasındaki korelasyon çalışma 3’te daha yüksekti. Bu nedenle, çalışma 3 daha düşük bir varyansa sahipti ve meta-analizde daha fazla ağırlık verildi. . Bu, bir bileşik için olanın tam tersidir.
Dikkate alınması gereken ikinci bir konu, bir bütün olarak korelasyon seti 1.0’a doğru hareket ederken ne olduğudur. Bir çalışma içindeki her iki gözlemin de aynı varyansa (V) sahip olduğu basitleştirilmiş durumla devam edersek, iki gözlem birbirinden bağımsızsa, kompozitin varyansı 2V’dir. Gözlemler birbirinden bağımsız değilse, kompozitin varyansı 2V çarpı bir düzeltme faktörüdür. Bu düzeltme faktörüne varyans enflasyon faktörü (VIF) olarak değineceğiz.
Burada r, iki bileşen arasındaki korelasyondur. r’deki bir artış, farklı sonuçları birbirinden bağımsız olarak ele almakla karşılaştırıldığında, varyansın deflasyonu ile sonuçlanacaktır.
Varyans şişirme faktörünün korelasyon katsayısı olan r değerine nasıl bağlı olduğunu araştırıyoruz. Bu çizimin amaçları doğrultusunda, her sonuç için aynı varyansa (VY 5 0.2) sahip bir çalışmanın basit durumunu varsayıyoruz. Tablodaki (A-E) her sütun, bu sonuçlar arasında farklı bir korelasyon katsayısına karşılık gelir.
Tabloda soldan sağa doğru hareket ettikçe (0,00 ile 0,75 arasındaki bir korelasyondan) varyans şişirme faktörü (VIF) 1,00’den 0,25’e hareket eder. Varyansın şişirme faktörü 1,00’den 0,25’e hareket ederse, standart hata için şişirme faktörünün (varyansın karekökü olan) 1,00’den 0,50’ye hareket edeceği sonucu çıkar. Bu nedenle, güven aralığı %50 oranında daralacak ve sıfır testi için Z değeri iki katına çıkacaktır.
Not. Bu örnekte, tablodaki A-D sütunları olan 0.0 ila 0.75 aralığında korelasyonlara odaklandık. Korelasyon 1.0’a (E sütunu) yaklaştıkça varyans sıfıra yaklaşacaktır. Bu, güven aralığının genişliğinin sıfıra yaklaşacağı, Z değerinin sonsuza yaklaşacağı ve p değerinin sıfıra yaklaşacağı anlamına gelir. Bu belirgin anormallikler, denklemden tüm hatalar çıkarıldığında ne olacağını yansıtır. 1.000 olarak gösterilen korelasyon aslında 0.9999 olarak girilmektedir.
Sonuçlar arasındaki korelasyonu bilmediğimizde sentetik değişkenlerle çalışmak için bir mekanizma da sağlar. Daha önce, matematik ve okuma arasındaki korelasyonun 0,50 olarak bilindiğini varsaydık ve bu değeri, farkın standart hatasını ve ilgili istatistikleri hesaplamak için kullandık.
Söz konusu çalışmanın korelasyonunu bilmediğimiz durumlarda, korelasyon için makul bir aralık belirlemek üzere aynı alandaki diğer çalışmaları yine de kullanabilmemiz gerekir. Daha sonra bir duyarlılık analizi yapabilir ve örneğin, korelasyon 0,50 ila 0,75 aralığına düşerse, iki kuyruklu p-değerinin muhtemelen 0,046 ila 0,005 aralığına düştüğünü söyleyebiliriz.
Sonuçlar arasındaki ilişkiyi bilmeyen araştırmacılar bazen sonuçları bağımsız alt gruplardan geliyormuş gibi ele alırlar. Bu nedenle, bu seçimin pratik etkisini düşünmek öğreticidir. İki sonucu birbirinden bağımsız olarak ele almak, korelasyonu 0,00 (sütun A) olarak ayarlamakla aynı kesinliği verir.
Aslında, bu yaklaşımı bir korelasyon belirleme ihtiyacını atlamanın bir yolu olarak gören araştırmacılar, örtük olarak da olsa aslında bir korelasyonu benimsiyorlar. Ve benimsedikleri korelasyon sıfırdır. Bu nedenle, varyansı fazla tahmin etmek ve farkın kesinliğini hafife almak neredeyse kesindir. Bu bağlamda, (birleşik etki durumunda olduğu gibi) makul bir dizi korelasyonla çalışma fikri bazı açık avantajlar sunar.
AÇIMLAYICI ve doğrulayıcı faktör analizi Açımlayıcı faktör analizi Doğrulayıcı faktör analizi yorumlama Faktör analizi örnekleri Faktör analizi PDF Faktör analizi yorumlama Keşfedici faktör analizi Nitel veri analizi yöntemleri