Dikkate alınması gereken bir konu, korelasyon 1.0’a doğru ilerledikçe ne olduğudur. Bir çalışmadaki tüm gözlemlerin aynı varyansa (V) sahip olduğu ve çalışma içindeki tüm gözlem çiftlerinin aynı korelasyona (r) sahip olduğu basitleştirilmiş durumla devam edilir, eğer m gözlem birbirinden bağımsız ise (r 5 0) , kompozitin varyansı V/m’dir. Eğer m gözlem birbirinden bağımsız değilse, o zaman kompozitin varyansı V/m çarpı bir düzeltme faktörüdür. Bu düzeltme faktörüne varyans enflasyon faktörü (VIF) olarak değineceğiz.

Burada m gözlem sayısı ve r her bir çift arasındaki korelasyondur. m veya r’deki (veya her ikisindeki) bir artış, farklı sonuçların birbirinden bağımsız olarak ele alınmasına kıyasla, varyansın daha yüksek şişmesine neden olacaktır.

Varyans şişirme faktörünün korelasyon katsayısı olan r değerine nasıl bağlı olduğunu araştırıyoruz. Bu çizimin amaçları doğrultusunda, her sonuç için aynı varyansa (V 5 0.2) sahip sadece iki sonucu (m 5 2) olan 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’den 1.00’e bir korelasyon) varyans şişirme faktörü (VIF) ve (tanım gereği) varyans ikiye katlanır. Varyans için şişirme faktörü 1.00’den 2.00’ye hareket ederse, standart hata (varyansın karekökü olan) için şişirme faktörünün 1.00’den 1.44’e hareket edeceği sonucu çıkar. Bu nedenle, güven aralığının genişliği 1,44 faktörü kadar artacaktır (ve buna bağlı olarak, bu çalışma için sıfır hipotezinin testi için Z değeri 1,44 faktörü kadar azalacaktır).

Korelasyon Bilinmezliği

Bu tablo ayrıca, sonuçlar arasındaki korelasyonu bilmediğimizde sentetik değişkenlerle çalışmak için bir mekanizma sağlar. Daha önce, matematik ve okuma arasındaki korelasyonun 0,50 olarak bilindiğini varsaydık ve bu değeri, birleşik etkinin standart hatasını ve ilgili istatistikleri hesaplamak için de 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, standart hatanın muhtemelen 0,39 ila 0,42 aralığına düştüğünü de varsayabiliriz (tabloda C ila D sütunları).

Çoklu korelasyon katsayısı
Kontenjans katsayısı formülü
Korelasyon katsayısı
Korelasyon katsayısı yorumlama
Korelasyon düzeyleri
Lineer korelasyon
Pearson korelasyon katsayısı
Korelasyon analizi

Sonuçlar arasındaki ilişkiyi bilmeyen araştırmacılar bazen iki ‘varsayılan’ konumdan birine geri dönerler. Bazıları analize hem matematik hem de sözel puanları dahil edecek ve bunları bağımsız olarak değerlendirecektir. Diğerleri, okuma varyansının ve matematik varyansının ortalamasını kullanır. Bu nedenle, bu seçimlerin pratik etkisini düşünmek de öğreticidir.

İki sonucu birbirinden bağımsız olarak ele almak, korelasyonu 0,00 olarak ayarlamakla aynı kesinliği verir (sütun A). Buna karşılık, iki varyansın ortalamasını kullanmak, korelasyonu 1,00 (E sütunu) olarak ayarlamakla aynı kesinliği verir. Bu durumda, aslında, bir korelasyon belirleme ihtiyacını atlamanın bir yolu olarak bu konumlardan herhangi birini benimseyen araştırmacılar, örtük olarak da olsa aslında bir korelasyonu da benimsiyorlar.

Ve benimsedikleri korelasyon, olası aralığın her iki ucunda (sıfır veya 1.0) düşer. İlk yaklaşımın, varyansı hafife alması ve kesinliği olduğundan fazla tahmin etmesi neredeyse kesindir. İkinci yaklaşımın, varyansı olduğundan fazla tahmin ettiği ve kesinliği olduğundan az tahmin ettiği neredeyse kesindir. Bu bağlamda, olası aralıktan ziyade makul bir korelasyon aralığıyla çalışma fikri, bazı açık avantajlar da sunar.

Başta belirttiğimiz gibi, tamamen aynı yaklaşım, birden çok sonucu olan ve birden çok zaman noktası olan çalışmalar için geçerlidir. Bununla birlikte, makul bir korelasyon aralığının ne olduğuna karar vermek söz konusu olduğunda, ikisi arasında bir ayrım olabilir. Zaman içinde tek bir noktada farklı sonuçlarla çalıştığımızda, makul korelasyon aralığı sonuçların benzerliğine bağlı olacaktır. Aynı sonuçla birden fazla zaman noktasında çalıştığımızda, makul korelasyon aralığı, değerlendirmeler arasında geçen süre ve bu zaman periyodu boyunca göreceli puanların istikrarı gibi faktörlere de bağlı olacaktır.

Dikkate alınması gereken bir konu, birden fazla sonuç arasındaki korelasyonların bazı çalışmalarda diğerlerinden daha yüksek olması durumunda ne olacağıdır. Bu varyasyon, farklı çalışmalara atanan göreli ağırlıkları etkileyecektir ve daha fazla ağırlık, daha düşük bir korelasyonla çalışmaya 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 yüksek bir varyansa sahipti ve meta-analizde de daha az ağırlık verildi. 

BİR ÇALIŞMA İÇİNDE ÇIKTILARIN VEYA ZAMAN NOKTALARININ KARŞILAŞTIRILMASI

Şimdi sonuçlar arasındaki veya zaman noktaları arasındaki farklılıkları araştırma sorununa dönüyoruz. Mevcut örneği genişletmek için, her çalışmanın matematik ve okumaya yönelik müdahalenin etkisini bildirdiğini ve bu sonuçlardan biri için etkinin diğerinden daha güçlü olup olmadığını bilmek istediğimizi varsayalım. Veya her çalışma, etkiyi 6. ay ve 12. ayda bildirir ve etkinin zaman içinde değişip değişmediğini de bilmek isteriz.

Amacımız, her iki sonuca dayalı birleşik bir etkiyi hesaplamak olduğunda, yaklaşımımız her çalışma için (etki büyüklüklerinin ortalaması olarak tanımlanan) sentetik bir değişken oluşturmak ve bunu analizde etki büyüklüğü olarak kullanmaktı. Sentetik değişkenin ortalamalarından ziyade etki büyüklüklerindeki fark olarak tanımlanması dışında burada da aynı yaklaşımı izleyeceğiz.

Yaklaşım da gösterilmektedir. Daha önce olduğu gibi, iki sonuç (matematik ve okuma) için özet verilerle başlıyoruz ve her biri için bir etki büyüklüğü ve varyansı hesaplıyoruz. Ardından, aşağıda açıklandığı gibi, şimdi iki etki ile varyansı arasındaki fark olan sentetik bir etki boyutu da hesaplıyoruz.

Bu yaklaşım, sentetik değişkenin varyansı için formül, sonuçlar arasındaki korelasyonu hesaba katacağından, korelasyonlu hata sorununu ele almamızı da sağlar.

The post Korelasyonların Birleşik Etki Üzerindeki Etkisi – Meta-Analiz Ödevleri – Meta-Analiz Alanında Tez Yaptırma – Meta-Analiz Tez Yaptırma Ücretleri first appeared on Online (Parayla Ödev Yaptırma).

Daha genel olarak, herhangi bir çalışma için gözlenen etki Yi, genel ortalama, çalışmanın gerçek etkisinin genel ortalamadan sapması ve çalışmanın gözlemlenen etkisinin çalışmanın gerçek etkisinden sapması ile verilir.

Bu nedenle, herhangi bir çalışmada Yi’nin gözlemlenen etkisinin 􏰑’den ne kadar düşeceğini tahmin etmek için hem 􏰌i’nin varyansını hem de “i’nin varyansını dikkate almamız gerekir.

􏰑’den (üçgen) her 􏰎i’ye (daireler) olan mesafe, çalışmalar arasındaki gerçek etkilerin dağılımının 􏰔 (tau) (veya varyansı için 􏰔 2) olarak adlandırılan standart sapmasına bağlıdır. Aynı 􏰔 2 değeri, meta-analizdeki tüm çalışmalar için geçerlidir ve Şekil 12.4’te, alttaki normal eğri ile temsil edilir ve bu, kabaca 0,50’den 0,70’e kadar uzanır.

􏰎i’den Yi’ye olan mesafe, 􏰎i ile ilgili örnek etkilerinin örnekleme dağılımına bağlıdır. Bu, her çalışmadan gözlemlenen etki büyüklüğünün varyansına bağlıdır, VYi ve dolayısıyla bir çalışmadan diğerine değişecektir. Şekil 12.4’te Çalışma 1’in eğrisi nispeten genişken Çalışma 2’nin eğrisi nispeten dardır.

BİR RASTGELE ETKİ META-ANALİZİN YAPILMASI

Gerçek bir meta-analizde, elbette, nüfus etkisi ile başlamak ve gözlenen etkiler hakkında tahminler yapmak yerine, gözlenen etkilerle başlar ve nüfus etkisini tahmin etmeye çalışırız. Başka bir deyişle amacımız, genel ortalamayı, 􏰑 tahmin etmek için Yi koleksiyonunu kullanmaktır. Genel ortalamanın en kesin tahminini elde etmek için (varyansı en aza indirmek için), her bir çalışmaya atanan ağırlığın o çalışmanın varyansının tersi olduğu bir ağırlıklı ortalama hesaplarız.

Rastgele etkiler modeli altında bir çalışmanın varyansını hesaplamak için, çalışmanın toplam varyansı bu iki değerin toplamı olduğundan, hem çalışma içi varyansı hem de 􏰔2’yi bilmemiz gerekir. Çalışma içi varyansı hesaplamak için formüller Bölüm 3’te sunulmuştur. Çalışmalar arası varyansı tahmin etmeye yönelik bir yöntem, çalışılan örnekle devam edebilmemiz için burada verilmiştir, ancak bu yöntemin tam bir tartışması ertelenmiştir. heterojenlik konusunu biraz ayrıntılı olarak ele alacağız.

Tau-kare Tahmini

2 parametresi (tau-kare), çalışmalar arası varyanstır (etki büyüklüğü parametrelerinin çalışma popülasyonu üzerindeki varyansı). Başka bir deyişle, her çalışma için gerçek etki büyüklüğünü bir şekilde bilseydik ve bu etki büyüklüklerinin varyansını hesaplarsak (sonsuz sayıda çalışma boyunca), bu varyans 􏰔2 olurdu. 􏰔2’yi tahmin etmek için bir yöntem, aşağıdaki gibi momentler yöntemi (veya DerSimonian ve Laird) yöntemidir.

Ortalama etki büyüklüğünü tahmin etme

Sabit etki analizinde her çalışma, varyansının tersi ile ağırlıklandırılmıştır. Rastgele etkiler analizinde de her çalışma, varyansının tersi ile ağırlıklandırılacaktır. Aradaki fark, varyansın artık orijinal (çalışma içi) varyansı artı çalışmalar arası varyansın tahminini, T 2’yi içermesidir. Genel kuralına uygun olarak, parametreye atıfta bulunmak için 􏰔 2’yi ve atıfta bulunmak için T 2’yi kullanırız. 

Forest plot yorumlama
Orman grafiği yorumlama
Meta analiz örnekleri
Metaanaliz nasıl yapılır
Meta analiz Nedir
Kontenjans katsayısı formülü
Meta-analiz özellikleri
Meta standart nedir

Buradaki formüller (rastgele efektler) ile önceki bölümdekiler (sabit efekt) arasındaki paralelliği vurgulamak için aynı gösterimleri kullanıyoruz, ancak rastgele efekt versiyonunu temsil etmek için bir yıldız işareti (*) ekledik.

ÖZET NOKTALAR

• Gizli etkiler modeli,çalışmalardaki gerçek etkilerin, gerçek etkilerin dağılımından örneklendiği varsayılır.
• Özetetki, ilgili gerçek etkilerin tahmini için geçerlidir ve boş hipotez, bu etkilerin ortalamasının 0.0 (oran ölçüleri için 1.0 oranına eşdeğer) olmasıdır.
• Amacımız dağılımın ortalamasını tahmin etmek olduğundan, iki varyans kaynağını hesaba katmamız gerekiyor. İlk olarak, her çalışmada etkiyi tahmin etmede çalışma içi hata vardır. İkincisi (çalışmalarımızın her birinin gerçek ortalamasını bilsek bile), çalışmalar arasında gerçek etkilerde farklılıklar vardır. Çalışma ağırlıkları, her iki varyans kaynağını da en aza indirmek amacıyla atanır.

Sabit Etki ve Rastgele Etki Modelleri

Sabit etki ve rastgele etki modellerini tanıttık. Burada, aralarındaki kavramsal ve pratik farklılıkları vurguluyoruz. Orman arazilerini düşünün. Aynı altı çalışmayı içerirler, ancak ilki sabit etki analizini, ikincisi ise rastgele etki analizini kullanır. Bu grafikler, aşağıdaki tartışma için bir bağlam sağlar.

ÖZET ETKİNİN TANIMI

Her iki grafik de alt satırda bir özet etkisi gösterir, ancak bu özet etkisinin anlamı iki modelde farklıdır. Sabit etki analizinde, gerçek etki büyüklüğünün tüm çalışmalarda aynı olduğunu ve özet etkinin bu ortak etki büyüklüğüne ilişkin tahminimiz olduğunu varsayıyoruz. Rastgele etkiler analizinde, gerçek etki büyüklüğünün bir çalışmadan diğerine değiştiğini ve analizimizdeki çalışmaların gözlemlenebilecek rastgele bir etki büyüklüğü örneğini temsil ettiğini varsayıyoruz. Özet etki, bu etkilerin ortalamasına ilişkin tahminimizdir.

ÖZET ETKİNİN TAHMİNİ

Sabit etki modeli altında, tüm çalışmalar için gerçek etki büyüklüğünün aynı olduğunu ve etki büyüklüğünün çalışmalar arasında değişmesinin tek nedeninin örnekleme hatası olduğunu varsayıyoruz (etki büyüklüğü tahmininde hata). Bu nedenle, daha büyük çalışmalarda aynı etki büyüklüğü hakkında daha iyi bilgiye sahip olduğumuz için, farklı çalışmalara ağırlıklar atarken, daha küçük çalışmalardaki bilgileri büyük ölçüde görmezden gelebiliriz.

Buna karşılık, rastgele etkiler modelinde amaç, tek bir gerçek etkiyi tahmin etmek değil, etkilerin dağılımının ortalamasını tahmin etmektir. Her çalışma farklı bir etki büyüklüğü hakkında bilgi sağladığından, tüm bu etki büyüklüklerinin özet tahminde gösterildiğinden emin olmak istiyoruz. Bu, küçük bir çalışmayı ona çok küçük bir ağırlık vererek indiremeyeceğimiz anlamına gelir (sabit etki analizinde yaptığımız gibi).

Bu çalışma tarafından sağlanan tahmin kesin olmayabilir, ancak başka hiçbir çalışmanın tahmin etmediği bir etki hakkında bilgidir. Aynı mantıkla, çok büyük bir çalışmaya çok fazla ağırlık veremiyoruz (sabit etki analizinde yapabileceğimiz gibi). Amacımız, bir dizi çalışmadaki ortalama etkiyi tahmin etmektir ve bu genel tahminin herhangi birinden aşırı derecede etkilenmesini istemiyoruz.

Bu grafiklerde, her etüde atanan ağırlık, o etüd için kutunun (özellikle alan) boyutuna yansıtılır. Sabit etki modelinde (kutuların boyutunda yansıtıldığı gibi) geniş bir ağırlık aralığı bulunurken, rastgele etkiler modelinde ağırlıklar nispeten dar bir aralığa düşmektedir.

Örneğin, en büyük çalışmaya (Donat) atanan ağırlığı, iki model altındaki en küçük çalışmaya (Peck) atanan ağırlıkla karşılaştırın. Sabit etki modeli altında Donat’a Peck’in yaklaşık beş katı ağırlık verilir. Rastgele etkiler modeli altında Donat’a Peck’in sadece 1.8 katı ağırlık verilir.

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