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.

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

Birincil çalışmalarda, bir ortak değişkenin etkisini tanımlamaya yönelik yaygın bir yaklaşım, o ortak değişken tarafından açıklanan varyans oranını bildirmektir. Bu indeks, R2, açıklanan varyansın toplam varyansa oranı olarak tanımlanır.

Bu indeks sezgiseldir çünkü 0 ila 1 aralığında bir oran olarak yorumlanabilir (veya %0 ila %100 aralığında bir yüzde olarak ifade edilebilir). Birçok araştırmacı bu indekse aşinadır ve farklı türdeki ortak değişkenler veya müdahalelerle açıklanabilecek varyans oranının ne kadar olduğu konusunda bir fikre sahiptir.

Bu indeks aşağıdaki nedenle doğrudan meta-analiz için uygulanamaz. Birincil bir çalışmada, bağımlı değişkendeki tüm varyasyonları açıklayan bir ortak değişken, hatayı sıfıra indirecektir (ve açıklanan varyans oranı olan R2, %100’e ulaşacaktır).
Örneğin, 10 katılımcılı bir birincil çalışmayı gösterir.

A grubundakilerin hepsi aynı puana (0,3) ve B grubundakilerin hepsi aynı puana (0,7) sahiptir. Her alt grup içindeki varyans 0.0 olduğundan, grup üyeliği orijinal varyansın %100’ünü açıklar ve R2 %100’dür. Gerçek bir çalışmada, elbette, gruplar arasında bazı farklılıklar olacaktır ve R2 %100’den az olacaktır, ancak R2’nin potansiyel olarak %100’e ulaşabileceği gerçeği, bu endeksi sezgisel yapan şeyin bir parçasıdır.

Buna karşılık, iki alt çalışma grubumuz varsa, bir meta-analizde ne olduğunu düşünün. Her alt grupta, alt grup A’daki her çalışma için 0.30’luk ve alt grup B’deki her çalışma için 0.70’lik gerçek bir özet etki (örneğin, standartlaştırılmış bir ortalama fark) ile beş çalışma olduğunu varsayıyoruz. Ancak, gerçek etki aynı olsa da kendi alt grubu içindeki her çalışma için, rastgele hata nedeniyle gözlemlenen etkiler birbirinden farklı olacaktır.

Böylece gruplar arasındaki varyans, gruplar arasındaki varyanstan daha küçük olmakla birlikte hiçbir zaman sıfıra yaklaşamaz. Çalışma içi hata, gözlemlenen toplam varyansın önemli bir kısmıysa (örneğin, %75), bu durumda R2’nin üst sınırı yalnızca %25 olacaktır. Dolayısıyla, indeksin iki önemli özelliği (%0 ile %100 arasında doğal bir ölçeğe sahip olması ve çalışmalar arasında aynı aralığa sahip olması) artık geçerli olmayacaktır.

R2 kullanımıyla ilgili sorun, bir meta-analizde çalışma düzeyinde ortak değişkenlerin yalnızca gerçek varyansı 􏰀 2 (ve çalışma içi varyansı v’yi değil) ele alabilmesi gerçeği olduğundan, mantıksal çözüm R2’yi yeniden tanımlamaktır (veya bir yeni dizin) yalnızca gerçek varyansa dayalıdır. R2’yi ortak değişkenler tarafından açıklanan toplam varyansın oranı olarak tanımlamak yerine, onu ortak değişkenler tarafından açıklanan gerçek varyansın oranı olarak tanımlayacağız. Gerçek varyans T2 olarak tahmin edildiğinden, bu bize verir.

Faktör yük değeri nedir
AÇIMLAYICI ve doğrulayıcı faktör analizi
Açımlayıcı faktör analizi
Faktör analizi örnekleri
Açımlayıcı Faktör Analizi Nasıl yapılır
Faktör analizi PDF
Faktör yükü kaç olmalı
Faktör analizi yorumlama

Alt gruplar bağlamında, (19.59)’daki pay, alt gruplar içindeki çalışmalar arası varyanstır ve payda, çalışmalar arası toplam varyanstır (alt gruplar içi artı alt gruplar arası). Bu nedenle denklem yazılabilir.

Yürütülen örnekte, çalışmaların tamamı için T2 0,0299’du ve T2, alt gruplar içinde çalışılarak hesaplandı ve ardından alt gruplar arasında havuzlama 0,0097 idi.

Her bir çalışma alt grubunda ve ayrıca on çalışmanın tamamında gerçek etkilerin dağılımı için normal bir eğri oluşturduk. Gruplar içindeki nispeten dar dağılım, 0,0097’lik T2’ye dayanırken, gruplar arasındaki nispeten geniş dağılım, 0,0299’luk T2’ye dayanır ve R2 bu değişikliği yakalar.

Aynı fikir, Şekil 19.13’te başka bir perspektiften gösterilmektedir. En üst satırda, toplam varyansın %34’ü çalışmalar içindeydi ve %66’sı çalışmalar arasındaydı (bu aynı zamanda I2’nin tanımıdır). Çalışma içi varyans, çalışma düzeyindeki ortak değişkenlerle açıklanamaz ve bu nedenle denklemden çıkarılır ve gölgeli kısma odaklanırız. Sonuç olarak, müdahale türü ilgili varyansın %67’sini açıklayabilir ve %33’ünü açıklanamaz bırakır. Kritik olarak, sadece çalışmalar arasındaki varyansla ilgilendiğimiz için %67 ve %33 toplamı %100’dür.

Not 1. Popülasyonda R2 endeksi 0 ila 1 (%0 ila %100) aralığındayken, örnekleme hatasının bu aralığın dışında kalan gözlenen bir R2 değeri vermesi mümkündür. Bu durumda, değer 0 (%0) veya 1 (%100) olarak ayarlanır.

Not 2. R2 indeksi yalnızca, araştırmalar arası varyansın bazılarını açıklamayı düşünmemize izin veren bir rastgele etkiler modeli kullanıyorsak anlamlıdır. Sabit etki modeli altında, çalışmalar arası varyans sıfıra ayarlanır ve değiştirilemez. Ayrıca, burada R2’yi tahmin etmek için önerilen hesaplama modeli sadece 􏰀2’nin tüm alt gruplar için aynı olduğunu varsaydığımız durumda çalışır.

KARMA ETKİ MODELİ

Bu yazıdaki, etkinin tüm ilgili çalışmalarda (tüm popülasyon veya bir alt grup içinde) aynı (sabit) olduğu anlamına gelen sabit etki terimini kullandık.

Aslında, meta-analiz ile bağlantılı olarak sabit etki teriminin kullanımı, istatistikteki sabit etkilerin olağan anlamı ile çelişmektedir. Sabit etkili meta-analiz için daha uygun bir terim, ortak etkili bir meta-analiz olabilir. Sabit etkiler terimi geleneksel olarak farklı bir bağlamda başka bir bağlamda kullanılmaktadır. Somut olarak, alt grupların rastgele değil sabit anlamında sabit olduklarından bahsedebiliriz.

Örneğin, yalnızca erkekleri kaydeden bir çalışma alt grubu ile yalnızca kadınları kaydeden bir çalışma alt grubu için tedavi etkisini karşılaştırmak istiyorsak, o zaman alt grupların, bu analizi yapmak isteyen herkes anlamında sabit olduğunu varsayarız. aynı iki alt grubu (erkek ve kadın) kullanması gerekir. Buna karşılık, ülkelere göre alt grup çalışmaları varsa, o zaman alt grupları rastgele olarak ele almayı da tercih edebiliriz.

ABD, İngiltere, Japonya, Avustralya ve İsveç’teki çalışmaların alt grupları arasında bir rastgele etki varsayımı, aynı rastgele etki dağılımından geldiğini varsayarak, İsrail’deki bir çalışmada etkinin ne olabileceğini anlamamıza izin verecektir. Bu bölümde, alt grupları karşılaştırmakla ilgilendiğimizde, birinci türden bir varsayımda bulunduğumuzu varsayıyoruz; bu, bu karşılaştırmayı yapan herkesin aynı alt grup kümesini kullanması gerektiği anlamına da gelir.

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