SDρ Tahmini – Meta-Analiz Ödevleri – Meta-Analiz Alanında Tez Yaptırma – Meta-Analiz Tez Yaptırma Ücretleri
SDρ Tahmininin Doğruluğunu Artıracak İyileştirmeler
Tüm nicel tahminler yaklaşık değerlerdir. Bu tahminler oldukça doğru olsa bile, mümkünse onları daha doğru hale getirmek her zaman arzu edilir. Meta-analiz yöntemleriyle gerçekleştirilen en karmaşık görev, popülasyon korelasyonlarının SD’sinin (SDρ ) tahminidir.
Bu tahmini daha doğru yapmanın bir yolu, meta-analizde korelasyon katsayısının örnekleme hatası varyansının daha doğru bir tahminini bulmaktır. Hunter ve Schmidt (1994b), analitik olarak korelasyon katsayısı için örnekleme hatası varyans formülünde r yerine ortalama r (r ̄) kullanılmasının homojen durumda (yani, SDρ = 0 olduğu durumda) bu tahminin doğruluğunu arttırdığını gösterdi. ). Matematiğin karmaşıklığı nedeniyle, heterojen durum (yani, SDρ > 0 olduğu durum) için böyle bir analitik gösterim mümkün değildi.
Bu nedenle, bilgisayar simülasyonu kullanarak heterojen durumu test ettik ve orada da, ortalama r kullanımının geleneksel örnekleme hatası varyans formülüne göre doğruluğu artırdığını bulduk. Aguinis (2001), yine bilgisayar simülasyonunu kullanarak, bu gerçeğin daha da eksiksiz ve kapsamlı bir gösterimini sağlamıştır.
Geleneksel formülün örnekleme hatası varyansını olduğundan daha az tahmin ettiği ve eldeki bireysel çalışmadan gözlemlenen r yerine formülde r ̄ kullanılarak doğruluğunun iyileştirilebileceği bulgusu önemlidir, çünkü geleneksel formül istatistikler boyunca kabul edilmiştir.
Bununla birlikte, aralık kısıtlaması olan çalışmalarda, daha doğru formül bile örnekleme hatası varyansını hala hafife almaktadır (ve bunun için eksik düzeltme yapmaktadır). Millsap (1989), doğrudan menzil kısıtlamasının varlığının, örnekleme hatası varyansını artırdığını ve bu nedenle formülün, örnekleme varyansının miktarını küçümsemesine neden olduğunu göstermiştir. Aguinis ve Whitehead (1997), dolaylı menzil kısıtlaması için de aynı şeyi gösterdi.
Bu nedenle, son düzeltilmiş SDρ tahminleri, geçerlilik genelleme çalışmalarında (ve aralık kısıtlamalı diğer meta-analizlerde) hala fazla tahmin edilmektedir ve geçerlilik genellenebilirliği de buna paralel olarak hafife alınmaktadır. (Ancak, VG dışı meta-analizlerde aralık kısıtlaması olmayabilir ve varsa bu sorun oluşmaz.)
Normatif bağlılık nedir
Meta Bağlılık nedir
Devamlılık BAĞLILIĞI nedir
Önceki iyileştirme, kalıntı SD (SDres) tahmininin doğruluğunu artırır – artefaktlardan kaynaklanan varyasyon çıkarıldıktan sonra gözlemlenen rs’nin SD’si. Doğruluğu geliştirmek için başka bir fırsat, SDρ veya operasyonel (gerçek) geçerliliklerin SD’sini (SDρxyt) tahmin etmek için kalan SD’nin düzeltildiği adımda ortaya çıkar. Bu fırsat, menzil kısıtlaması düzeltmesi ile ilgili olarak ortaya çıkar.
Menzil kısıtlama düzeltmesi, gözlemlenen korelasyonun bir sabitle çarpılması olarak düşünülebilir. Örneğin, düzeltme r’yi %30 arttırırsa, düzeltme sabiti 1.30’dur. Daha önceki yöntemlerimizde, ortalama r için aralık kısıtlaması düzeltme sabiti, örneğin 1.30 ise, aynı sabiti artık dağılımdaki tüm değerlere uyguladık.
Yani, (yaklaşık olarak) aralık kısıtlama düzeltmesinin tüm r değerlerini %30 artıracağını varsaydık. Aslında, aralık kısıtlama düzeltmesi (ölçüm hatası düzeltmesinden farklı olarak) doğrusal değildir: Küçük r değerlerini (bu örnekte) %30’dan fazla ve büyük değerleri (bu örnekte) %30’dan daha az artırır. Bu nedenle, ortalama r’nin aralık kısıtlama düzeltmesi sabitinin tüm rs’lere uygulanması, SDρ’nun fazla tahmin edilmesine neden oldu.
Bu nedenle, artık dağılımdaki her bir ayrı r değeri için aralık kısıtlama düzeltmesini bağımsız olarak hesaplayan bir iyileştirme ekledik ve bu iyileştirmeyi bilgisayar simülasyon yöntemlerini kullanarak test ettik. Bu çalışma, bunu yapmanın SDρ tahminlerinin doğruluğunu arttırdığını gösterdi.
Doğruluğu artıran bu iyileştirmelerin her ikisi de daha sonra etkileşimli meta-analiz programına eklendi ve bu program daha sonra Pearlman ve diğerlerinin kapsamlı veritabanını yeniden analiz etmek için kullanıldı. (1980). Bu araştırma, geçerliliğin Pearlman ve diğerlerine göre daha genellenebilir olduğunu göstermiştir. (1980) sonucuna vardı. Spesifik olarak, gerçek geçerlilik SD’leri önemli ölçüde daha küçüktü, %90 güvenilirlik değerleri önemli ölçüde daha büyüktü ve yapay eserler tarafından açıklanan varyans yüzdesi önemli ölçüde daha büyüktü.
Bu gelişmeler, psikolojik araştırma standartlarına göre çok doğru olan köklü yöntemlerin bile doğruluğunun iyileştirilebileceğini göstermektedir. Bulgular ayrıca geçerliliğin durumsal özgüllüğü teorisinin altını oymaktadır. Aslında, açıklanan ortalama varyans miktarı o kadar büyüktü ki (%87) ve ortalama SDρ değeri o kadar küçüktü (.097) ki, Schmidt ve ark. (1993), bulgularını yetenek ve yetenek testleri için durumsal özgüllük hipotezini (SDp > 0 olduğu hipotezi) tamamen onaylamadığı şeklinde yorumladı.
Geriye kalan çok küçük miktardaki varyansın (ortalama olarak .0094), düzeltilemeyen altı yapay varyans kaynağıyla açıklanabileceğini düşündüler (bu makalenin 8-11. sayfalarına bakın; ayrıca bkz. Bölüm 5). (Not: Bu çalışmada odak noktası SDρ olduğundan ve yer sınırlamaları nedeniyle, bu çalışmada ortalama gerçek geçerlilik tahminleri rapor edilmemiştir; ancak bunlar Hunter ve Schmidt’te bulunabilir)
Burada, gözlemlenen tüm varyansın yapaylık tarafından açıklandığı sonucunun, geçerlilik genellenebilirliği için gerekli olmadığına dikkat edilmelidir. SDρ >0 olsa bile, elde edilen gerçek geçerlilik dağılımındaki %90 güvenilirlik değeri 0’dan büyük olduğu sürece geçerlilik hala genellenir. Ancak , çok çeşitli araştırmacılar tarafından altmış yılı aşkın bir süre boyunca oluşturulan geniş bir geçerlilik veri tabanında (600’den fazla çalışma), esasen tüm geçerlilik varyanslarının istatistiksel ve ölçüm artefaktlarıyla açıklanabilmesi çarpıcı bir bilimsel bulgudur. Büyük değişkenlik veya karmaşıklığın yüzey görünümlerine rağmen, doğanın temel (derin yapısı) düzeyinde gerçekten ne kadar cimri olabileceğini gösterir.
Artifaktlar İçin Düzeltmelerin Doğruluğu
Bazı geçerlilik genelleme çalışmalarında, artefakt dağılımlarında kullanılan artifakt değerleri doğrudan meta-analizin geçerliliğine katkıda bulunan çalışmalardan alınmıştır; yani, bu bölümde daha önce açıklanan prosedür kullanıldı. Ancak diğer çalışmalarda, analiz edilen çalışmalardan elde edilen eserler hakkındaki bilgiler çok seyrekti. Bu çalışmalarda, genel olarak personel seçimi literatürüne aşinalık temelinde tahmin edilen artefakt dağılımları kullanılmıştır.
Örneğin, bir bütün olarak bu araştırma literatürü için tipik olduğuna inanılan bir uX değerleri dağılımı (uX = sX/SX) oluşturulmuştur. Daha sonra, bu artefakt dağılımlarından bazılarını araştırma çalışmaları gruplarından ampirik olarak kümülatif dağılımlarla karşılaştırmak mümkün olduğunda, oluşturulmuş yapay dağılımların ampirik dağılımlarla oldukça yakından eşleştiği bulundu.
Devamlılık BAĞLILIĞI nedir Meta Bağlılık nedir Normatif bağlılık nedir