Post-Post Tasarım – Meta-Analiz Ödevleri – Meta-Analiz Alanında Tez Yaptırma – Meta-Analiz Tez Yaptırma Ücretleri
Konu İçi Deneysel Tasarımlar
Gücü arttırmanın başka bir yolu, ön-post tasarım gibi denek içi veya tekrarlanan ölçümler tasarımı kullanmaktır. Parçacıklar üreten bir departman düşünün ve departmana kalite çemberlerinin dahil edileceğini varsayalım. Müdahaleden önce ve müdahaleden sonraki birkaç aşamada verimliliği ölçebiliriz. Basitlik için, üretkenlik için yalnızca bir son ölçümümüz olduğunu varsayalım.
Çalışmadaki her bir çalışan için, “ön test puanı” olarak adlandırılan bir müdahale öncesi ölçüme ve “son test puanı” olarak adlandırılan bir müdahale sonrası ölçüme sahibiz. Ardından, ön test puanını son test puanından çıkararak performanstaki değişiklikleri kontrol edebiliriz. Yani, bireysel işçi düzeyinde değişiklikleri analiz edebiliriz. Bu puanlara çeşitli şekillerde değişiklik puanları, fark puanları veya kazanç puanları denir.
Kullanılan özel terim önemli değildir çünkü istatistiksel ve ölçüm ilkeleri ve denklemleri aynıdır. Bu tür puanlarla ilgili temel sorun, ölçüm hatasıdır. Verimlilik ölçüsü mükemmel olsaydı, değişim puanı o işçi için tedavi etkisinin kesin bir ölçümü olurdu. Bununla birlikte, eğer ölçüm hatası varsa, o zaman gözlemlenen fark skoru, gerçek fark (değişim) skorundan rastgele bir miktar farklılık gösterecektir.
Ölçüm hatası yeterince büyükse ve tedavi etkisi yeterince küçükse, değişiklik puanındaki hata bireysel denekler için gerçek kazancı gölgeleyebilir. Bu durumda, tedavi etkisi yalnızca denekler arasında ortalama değişiklik puanı düzeyinde güvenilir bir şekilde gözlemlenebilir. Bu durumda, denek içi tasarımın gücü, denekler arası tasarımın gücünden daha yüksek olmayacaktır.
Post-Post Tasarımın Potansiyel Olarak Mükemmel Gücü
Varyans analizindeki kural, daha yüksek mertebeden bir etkileşim varsa, bir ana etkinin asla ayrı olarak yorumlanmaması gerektiğidir. Bağımsız gruplar tasarımı durumunda, grup ortalamaları arasındaki fark, tedavinin ana etkisidir. Bu ana etkinin yorumunun doğru olduğundan emin olmak için daha yüksek düzeyde bir etkileşim olmamalıdır. Özellikle, bu, denekler arası tasarımın geleneksel yorumunun, denek etkileşimi tarafından herhangi bir tedavi olmadığını varsaydığı anlamına gelir.
Yani, geleneksel bağımsız grup tasarımı, tedavi etkisinin her denek için aynı olduğunu varsayar. Şimdi bu varsayımın denek içi tasarım için etkilerini ele alacağız. Tedavi etkisi her denek için aynıysa ve bağımlı değişken mükemmel bir şekilde ölçülürse, o zaman karşılık gelen t testinin kazanç (veya değişim) puanları üzerindeki gücünün çok küçük örneklem boyutları için bile mükemmel olacağını göreceğiz.
Yani, denek etkileşimi tarafından herhangi bir tedavi olmasaydı, denek içi tasarımın kullanılması bizi örnekleme hatası probleminden potansiyel olarak kurtarabilirdi. Pratikte olmamasının nedeni ise ölçüm hatasının bulunmasıdır. Ölçüm hatasının farklı bir biçimde örnekleme hatası sorununu yeniden ortaya çıkardığını gösteren örnekler sunacağız.
PRISMA Checklist Türkçe
meta-analiz çalışması örneği
PRISMA akış şeması 2020
PRISMA 2020 Checklist Türkçe
Google Akademik
PROSPERO
Sistematik derleme
Ulusal Tez Merkezi
Kalite çemberlerinin tanıtılmasının, widget’ların günlük üretimini 5.2 oranında artırdığını varsayalım. Üç işçinin üretimini mükemmel bir şekilde ölçtüğünü düşünün.
Bu verilerde, tedavi etkisi herhangi bir tek deneğin kazancına yansır. Bir denek popülasyonunu gözlemlemeye gerek yoktur. Bu verilerde denekler arası bir tedavi etkileşiminin olmaması, kazanım skorunun tüm denekler için birebir aynı olması gerçeğinde görülmektedir. Böylece, N = 3 kadar küçük deneklerden oluşan bir örneklemde, bu çalışmayla ilgili her iki temel olgu da örnekleme hatası olmadan gösterilmiştir.
Denek içi tasarım için olağan istatistiksel analiz, kazanım veya değişim puanları üzerinde bir t testidir. Kazanç puanlarının ortalaması ve standart sapması bulunur. ∞’nin t değeri herhangi bir alfa seviyesinde önemlidir. Bu nedenle, üç denekten oluşan bir örnek için bile t testi mükemmel güce sahiptir. Ne yazık ki, herhangi bir ölçüm hatası varsa mükemmel gücün kaybolduğunu ve her zaman bir ölçüm hatası olduğunu göreceğiz.
Denekler Arası Tasarımın Eksiklikleri
Deneklerin etkileşimi ile tedavi yoksa, denek içi tasarımın potansiyel olarak mükemmel gücü vardır. Denekler arası tasarımın gücü neden bu kadar düşük? Cevap eksik verilerde yatıyor. Bağımsız grup tasarımında, her konu için iki puandan biri olmak üzere, verilerin yarısının eksik olduğu algısı vardır. Aslında, tüm verilerin eksik olduğu bir anlam var: Herhangi bir konu için gözlemlenen bir kazanım puanı yoktur.
Widget üreten departmanı tekrar düşünün. Kalite çemberlerinin etkisini değerlendirmek için bağımsız bir grup tasarımı kullanmak amacıyla onu iki (coğrafi olarak ayrılmış) alt departmana ayırdığımızı varsayalım. Her işçi, kalite çemberi grubuna veya kontrol grubuna rastgele atanır. Bu örneğin amaçları için bağımlı değişkende ölçüm hatası olmadığını varsayıyoruz. Denek içi tasarım için düşünülen üç kişilik verilere karşılık, her grupta üçer tane olmak üzere altı çalışanımız var.
Bu yeni verilerle ilgili birkaç sorun var. İlk olarak, tedavi etkisi yanlıştır. Ortalamalar arasındaki fark 5.2 yerine 7.0’dır. İkincisi, fark anlamlı değildir ve bu nedenle anlamlılık testi bir Tip II hatası kaydetmiştir.
Bağımsız gruplar tasarımındaki hatalar nereden geldi? Bir ön-son çalışma yaptığımızı varsayalım (kontrol grubu olmadan). Örneğimizin varsayımları altında, veriler olurdu.
Bir ön-post çalışma yapsaydık, kazanım puanı her konu için 5,2 olacaktı. (Kontrol grubu olmadığı için tüm deneklerin tedavi gördüğünü unutmayın.) Bunun yerine, bağımsız gruplar tasarımında kontrol grubundaki denekler için herhangi bir müdahale yoktu ve bu nedenle “sontest” puanı aslında ön test puanı. Deney grubundaki denekler için ön test puanı gözlenmemiştir.
Bu anlamda, bağımsız gruplar tasarımı bir tasarımdır. Ancak daha da ciddi bir sorun var. Kazanç puanı hiçbir konu için gözlenmez. Bu anlamda, bağımsız bir grup tasarımı için, bireysel tedavi etkilerine ilişkin tüm veriler eksiktir.
Bağımsız gruplar tasarımında, iki grup ortalamasını karşılaştırarak tedavi farkını tahmin ederiz. Deney grubu ortalaması deney grubu son test ortalaması, kontrol grubu ortalaması kontrol grubu ön test ortalamasıdır. Denek içi veriler göz önüne alındığında, bunun yerine her grup için ayrı ayrı son test ve ön test ortalamasını karşılaştırabiliriz. Bu tasarımda tüm deneklerin tedavi gördüğünü unutmayın. (Kontrol grubu yoktur.)
Google Akademik meta-analiz çalışması örneği PRISMA 2020 Checklist Türkçe PRISMA akış şeması 2020 PRISMA Checklist Türkçe PROSPERO Sistematik derleme Ulusal Tez Merkezi