Bu prosedür, bir bütün olarak çalışmalar kümesi için genel bir p değeri (anlam düzeyi) üretmek için çalışmalar arasında anlamlılık düzeylerini toplamaya çalışır. Bu değer yeterince küçükse, incelemeyi yapan kişi, etkinin varlığının tespit edildiği sonucuna varır. Bu yöntemler Mosteller ve Bush (1954) tarafından Stouffer, Suchman, DeVinney, Star ve Williams’ın (1949) daha önceki çalışmalarından geliştirilmiştir. Bu yöntemin en son savunucuları Rosenthal ve arkadaşları olmuştur.

Bölüm 13’te tartışıldığı gibi, bu yöntemde, her çalışmadan alınan tek uçlu anlamlılık testinden elde edilen p değeri, z ile gösterilen standartlaştırılmış normal sapmaya dönüştürülür. Bu z değerleri ya doğrudan toplanır ya da z’lerin ağırlıklı toplamını hesaplamak için kullanılır. Daha sonra bu z’lerin ortalaması hesaplanır ve ortalama z değerinin anlamlılık düzeyi (p değeri) belirlenir. Bu, bir bütün olarak çalışma grubu için p değeridir.

Bu yöntemle ilgili önemli bir sorun, homojen durumu varsaymasıdır. Yani, Sρ2 = 0 (veya Sδ2 = 0) olduğunu varsayar. Bu, sabit etkiler modeli olduğu ve bu nedenle Bölüm 5 ve 9’da tartışıldığı gibi sabit etkiler meta-analiz yöntemlerinin tüm sorunlarına sahip olduğu anlamına gelir. Özellikle, sabit etkiler varsayımı geçerli değilse ve Sρ2 > 0 (veya Sδ2 > 0), ardından testin alfa seviyesi şişirilir. Örneğin, bir dizi çalışma için birleşik p değeri, aslında .10 iken, p = .01 olarak hesaplanabilir. Bölüm 5 ve 9’da belirtildiği gibi, homojenliğin sabit etkiler varsayımı, gerçek çalışmalarda nadiren karşılanır.

Bu yöntemle ilgili bir diğer önemli sorun, çoğu çalışma grubunda birleşik p değerinin anlamlı olacağı, ancak bu gerçeğin etkinin büyüklüğü hakkında hiçbir şey söylememesidir. Açıktır ki, bir etkinin pratik ve teorik sonuçları, varlığına olduğu kadar büyüklüğüne de bağlıdır. Rosenthal (1978a, s. 192) p değerleri ile birlikte etki büyüklüklerinin analizinin gerekliliğini fark etti ve daha sonraki önemli incelemelerinde p değeri ve etki büyüklüğü analizinin bir kombinasyonunu kullandı.

Bu yöntem—ortalama etki büyüklüğünün (r ̄ veya d ̄) hesaplanmasıyla birlikte p değerlerinin toplanması Bangert-Drows (1986) tarafından birleşik olasılık yöntemi olarak adlandırılmıştır. Bangert-Drowns, birleşik olasılık yönteminin en iyi meta-analizin “geçiş” biçimi olarak kabul edildiğini kaydetti.

Ortalama etki büyüklüğünün tanıtılması, Rosenthal ve meslektaşlarının, çalışma sonuçlarının büyüklüğüne ilişkin bir indekse olan ihtiyacı tanımalarından kaynaklanmıştır; Bununla birlikte, aynı zamanda, yöntem, çalışmalar arasında etki büyüklüklerinin değişkenliği hakkında hiçbir bilgi sağlamaz ve bu nedenle, diğer bazı meta-analiz biçimlerinde bulunan önemli bir bileşenden yoksundur.

Birleşik olasılık yönteminin tanıtılmasıyla birlikte, p değerlerinin tek başına toplanması yöntemi, önemli savunuculardan yoksun bırakıldı. Rosenthal (1984), çalışmalar arasında p değerlerini toplamak için kapsamlı bir yöntem tartışması sağladı. Ek bilgiler Rosenthal (1983) ve Rosenthal ve Rubin’de (1979a, 1983) bulunabilir.

Gözlem sayısı nedir
Kolmogorov Smirnov testi nedir
Kolmogorov-Smirnov ve Shapiro-Wilk farkı
kolmogorov-smirnov testi p değeri
kolmogorov-smirnov testi neden yapılır
Gözlem sayısı hesaplama
kolmogorov-smirnov testi özellikleri
Kolmogorov Smirnov testi nasıl yapılır

Rosenthal tarafından tercih edilen p değerlerinin birleştirilmesine ilişkin özel yöntemin bir tartışmasını sunuyoruz (Stouffer yöntemi), ancak az önce tartışılan problemler nedeniyle bu kitapta bu yöntemleri vurgulamıyoruz. Diğerleri, birleşik p-değeri yöntemleriyle ilgili sorunları da tartışmışlardır. Bu sorunların bir sonucu olarak, Ulusal Araştırma Konseyi (1992) raporu, p-değeri yöntemlerinin kullanımının “durdurulmasını” tavsiye etmiştir. Aslında bu yöntemler günümüzde literatürde nadiren kullanılmaktadır.

Bu arada, Rosenthal tarafından çalışmalar arasında p değerlerinin toplanması konusundaki çalışmasının bir sonucu olarak geliştirilen bir tekniği not ediyoruz. Bu teknik, “dosya çekmecesi sorunu” olarak adlandırılan sorunu çözmek için geliştirildi. Bir araştırmacının, incelenen çalışmalarda birleşik p değerinin, diyelim ki .0001 olduğunu gösterdiğini ve gerçek bir etkinin var olduğu sonucuna vardığını varsayalım.

Bir eleştirmen, daha sonra, bir etki göstermeyen çalışmaların gözden geçiren tarafından bulunmasının çok daha az olası olduğu gerekçesiyle, bu bulgunun incelenen çalışmaların temsili olmamasından kaynaklandığını iddia edebilir. Yani, olumsuz bulguları olan çalışmalar, dağıtılmak veya yayınlanmak yerine dosya çekmecelerinde saklanmaya eğilimlidir. Araştırmacı, Rosenthal’ın (1979) tekniğini kullanarak, birleşik p değerini .05, .10 veya başka herhangi bir düzeye getirmek için var olması gereken sıfır etki büyüklüğü gösteren eksik çalışmaların sayısını hesaplayabilir. Bu sayı tipik olarak çok büyük, örneğin 65.000 gibi çıkıyor.

Herhangi bir konuda 65.000 “kayıp” çalışma olması pek olası değildir. Bu dosya çekmecesi analizi formunun istatistiksel formülleri ve mantığı Bölüm 13’te verilmiştir. Bununla birlikte, birleşik p-değeri yöntemi gibi dosya çekmecesi tekniği de sabit etkiler modelidir ve bu nedenle, yalnızca aşağıdaki durumlarda doğru sonuçlar verir. temel korelasyon (veya d değeri) tüm çalışmalarda aynıdır.

ρ ve δ popülasyon değerleri çalışmalar arasında farklılık gösteriyorsa (bu genellikle Bölüm 5 ve 9’da belirtildiği gibi), birleşik p-değerini çok az anlamlı hale getirmek için gereken çalışma sayısı, çalışma tarafından sağlanan sayıdan çok daha küçüktür. dosya çekmecesi analizi. Bir başka yanlışlık kaynağı, çalışma grubu için başlangıçta hesaplanan p değerinin aynı zamanda sabit etkiler varsayımına bağlı olması ve bu nedenle de tipik olarak yanlış olmasıdır. Rosenthal dosya çekmecesi analizine yönelik diğer önemli eleştiriler Begg tarafından verilmektedir. Bu sorunlar, dosya çekmecesi analizinin kullanışlılığını azaltır.

İstatistiksel Olarak Doğru Oy Sayma Prosedürleri

Geleneksel oy sayma yöntemi istatistiksel ve mantıksal olarak yetersiz olmasına rağmen, oy sayımına dayalı çalışmalar arasında istatistiksel olarak doğru olan araştırma bulgularını toplama yöntemleri vardır. Bu yöntemler iki kategoriye ayrılır: (1) çalışmaların bütünü için yalnızca istatistiksel bir anlamlılık düzeyi verenler ve (2) ortalama etki büyüklüğünün nicel bir tahminini sağlanlar.

Yalnızca Önem Düzeyleri Getiren Oy Sayma Yöntemleri

Sıfır hipotezi doğruysa, popülasyon korelasyonu veya etki büyüklüğü aslında 0’dır. Bu nedenle, çalışma sonuçları p değerleri şeklinde verildiğinde, yarısının .50’den büyük ve yarısının .50’den küçük olması beklenir. 50. İşaret testi, pozitif ve negatif yönlerde gözlemlenen bulguların sıklıklarının sıfır hipotezi altında beklenen 50-50 bölünmeden önemli ölçüde farklı olup olmadığını test etmek için kullanılabilir.

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

d için Standart Hata

Etki büyüklüğü istatistiğinin popülasyon değerini δ ile gösterelim. Gözlenen d değeri, örnekleme hatasıyla δ değerinden sapacaktır. Korelasyonlarda olduğu gibi, örnekleme hatası formülünü şu şekilde yazabiliriz.

N, toplam örnek boyutudur. Bu formül, N1 ve N2’nin aşırı derecede tutarsız olmadığını varsayar (N = N1 + N2); daha büyük Ni’nin toplam N’nin %80’inden fazla olmadığını varsayar. Bu formül, N = 50 (her grupta 25) veya daha fazla numune boyutları için doğrudur. Bununla birlikte, sonraki birkaç paragrafta daha doğru yaklaşımlar belirtilmiştir.

Önemli değişiklik, örnekleme hatası varyansı için daha doğru bir formüldür. Daha doğru tahmin şu şekildedir;

• Var(e) = [(N − 1)/(N − 3)] [(4/N)(1 + δ2/8)] (7.23)

Bu formül, büyük örnek formülünden yalnızca [(N − 1)/(N − 3)] çarpanıyla farklıdır. Bu çarpan, N > 50 için 1.00’den sadece biraz farklıdır. Ancak, 20 veya daha küçük numune boyutları için daha büyük bir fark yaratır. Denklem (7.22) ile olduğu gibi, Denklem (7.23) N1 ve N2’nin aşırı derecede tutarsız olmadığını (yani, %80-20’den fazla olmayan bir bölünme) varsayar.

Örneklem büyüklüklerinin iki grupta aşırı derecede farklı olması nadiren olacaktır; sonuç olarak Denklem (7.23) tipik olarak oldukça doğrudur. İki gruptaki numune boyutları çok eşit değilse (yani, iki gruptan daha büyük olan N, toplam N’nin %80’inden fazlaysa), d istatistiğinin örnekleme hatası varyansının daha doğru bir tahmini sağlanır.

Laczo, Sackett, Bobko ve Cortina (baskıda), örneklem büyüklüğünün çok aşırı olduğu vakaların bir tartışmasını sundular. Bu, örneğin, bir grup (azınlık grubu) toplam örneklemin %20’sinden az olduğunda (yani, 5 katından daha fazla sayıda grup varken) bir iş gücündeki iki grup arasındaki standartlaştırılmış farkı (d değeri) hesaplarken olabilir. bir gruptaki insanlar diğerinden daha fazla). Bu gibi durumlarda, Denklem (7.23) örnekleme hatasını olduğundan daha az tahmin eder, bu da muhafazakar meta-analiz sonuçlarıyla sonuçlanır.

Yani sonuç, örnekleme hatası için bir eksik düzeltme ve d değerlerinin (SDδ) düzeltilmiş standart sapmasının fazla tahmin edilmesidir. Böyle bir durumda, Meta-analizdeki bu muhafazakar önyargı, Denklem (7.23a) kullanılarak önlenebilir. Bununla birlikte, böyle bir durumda bile, Denklem (7.23) kullanılmasından kaynaklanan muhafazakar önyargı oldukça küçüktür ve nihai meta-analiz sonuçları üzerinde çok az etkisi vardır.

d’nin çok küçük örnek boyutu değerlerinde örnekleme hatasının mükemmel bir tartışması Hedges ve Olkin’de (1985) sunulmuştur. Ancak okuyucu, geleneksel olarak d ile gösterilen istatistiğin Hedges ve Olkin tarafından g olarak adlandırıldığı konusunda uyarılır. Yaklaşık olarak yansız tahmin edicileri için d sembolünü saklı tutarlar. Yaklaşık yansız tahmin ediciyi d ile göstereceğiz. Numune çoğaltmaları boyunca d’nin ortalama değeridir.

Gözlem sayısı nedir
İstatistik gözlem sayısı nedir
Gözlem sayısı hesaplama
İstatistikte sınıf aralığı hesaplama
Örnekleme hatası Nedir
Standart sapma varyans
ÖRNEKLEME TEORİSİ Soruları
İstatistik Range hesaplama

Örnekleme Hatası Varyansının Kümülasyonu ve Düzeltilmesi

Bu noktada, d’nin meta-analizinin tartışmasına başlıyoruz. Ölçüm hatası gibi artefaktlar için ortalama veya varyansta herhangi bir düzeltme yapmayan “temiz” bir meta-analiz ile başlıyoruz. Bu meta-analiz biçimi, yalnızca örnekleme hatası varyansını düzeltir. Çalışma örneklemi etki büyüklükleri di hakkındaki bilgilerden, düzeltilmemiş popülasyon etki büyüklüklerinin δi dağılımını tahmin eden bir meta-analizi de ele alıyoruz.

Diğer eserlerin değerlendirilmesine sonraki bölümlerde döneceğiz. Ancak okuyucu, d istatistiği için son yapıt kapsamımızın korelasyon kapsamımızdan daha az kapsamlı olacağını not etmelidir. Bu, d için r için olduğundan daha fazla düzeltme formüllerinin karmaşıklığını yansıtır. Bu bölümün başında belirtildiği gibi, bu bölümde sunulan tüm meta-analiz yöntemleri rastgele etki modelleridir.

Yani, burada sunulan yöntemlerin hiçbiri, sabit etkiler modellerinin yaptığı gibi popülasyon delta (δ) değerlerinde değişkenlik olmadığını önceden varsaymaz. Aslında, burada sunulan modellerin temel amacı, çalışmalar arasında popülasyon δ değerlerinin değişkenliğini tahmin etmektir. Yine, okuyucuyu Bölüm 5 ve 9’da sunulan sabit etkiler ile rastgele etkiler meta-analiz modelleri tartışmasına da yönlendiriyoruz.

Dikotomizasyon ve kusurlu yapı geçerliliği gibi artefaktları düzelten bir meta-analiz yapmanın en basit yolu, meta-analizi r kullanarak yapmaktır. Bu dört adımda yapılır.

1. Bu bölümde daha önce verilen formülü kullanarak tüm ds’leri rs’ye dönüştürün. Maksimum olabilirlik formülü
2. Tüm olası yapaylıkları düzelterek, r üzerinde tema analizi yapmak için Bölüm 3 ve 4’te açıklanan yöntemleri kullanın.
3. r’den d’ye dönüşüm formülünü kullanarak ortalama korelasyon için nihai sonuçları ortalama etki büyüklüğüne dönüştürün. Maksimum olabilirlik formülü
4. Formülü kullanarak korelasyonların standart sapmasını, etki büyüklükleri için standart sapmaya dönüştürün

Örneğin, r üzerindeki meta-analizin Ort(ρ) = .50’lik bir ortalama tedavi korelasyonu ve SD(ρ) = .10’luk bir standart sapma verdiğini varsayalım. Ortalama etki büyüklüğüne dönüşüm farklı da olacaktır.

Çıplak Kemikler Meta Analizi

Temel kümülasyon süreci, d değerleri için korelasyonlarla aynıdır: Çalışmalar üzerindeki etki büyüklüğünün frekans ağırlıklı ortalama ve varyansı hesaplanır ve ardından örnekleme hatası için varyans düzeltilir. Yine, sunulacak modelin rastgele etkiler modeli olduğuna dikkat çekiyoruz. Çalışmalar arasında etki büyüklüklerinde gerçek bir değişkenlik olabileceğini varsayar ve bu değişkenliğin büyüklüğünü tahmin etmeye çalışır. Bu, önceden böyle bir değişkenlik olmadığını varsayan tüm sabit etkili modellerin aksinedir.

Herhangi bir ağırlık setini düşünün. Hesaplanacak üç ortalama vardır: (1) d’nin ağırlıklı ortalaması, (2) d’nin karşılık gelen ağırlıklı varyansı ve (3) ortalama örnekleme hatası varyansı. d’nin ortalama değerini d ̄ ile gösterirsek, ortalamalar aşağıdaki gibidir.

Zor hesaplama, ortalama örnekleme hatası varyansıdır.  Sorun şu ki, her çalışma içindeki örnekleme hatası varyansı, o çalışma için etki büyüklüğü bilgisini de gerektiriyor.

Bilinmeyen popülasyon etki büyüklüğüne δi bağlıdır. Çoğu durumda iyi bir yaklaşım, her çalışmada δi yerine ortalama d değerini koymaktır. Frekans ağırlıklı ortalama durumunda, bu şu denkleme yol açar.

The post Örnekleme Hatası Varyansının Kümülasyonu – Meta-Analiz Ödevleri – Meta-Analiz Alanında Tez Yaptırma – Meta-Analiz Tez Yaptırma Ücretleri first appeared on Online (Parayla Ödev Yaptırma).