Uç durumda ikamenin etkisi, etki büyüklüğü korelasyonunu yapı geçerliliği ile çarpmak yerine, etki büyüklüğü korelasyonunu yapı geçerliliğine de bölmek olacaktır. Önceki örneklerdeki çarpım kuralının anahtarı, bağımlı değişken ile temsili değişken arasındaki tek nedensel bağlantının amaçlanan bağımsız değişken olduğu da varsayımıdır.

İlk örnekte, amaçlanan bağımsız değişken (yetenek) nedensel olarak proxy değişkenden öncedir ve proxy değişkenin bağımlı değişkenle hiçbir bağlantısı da yoktur. Proxy değişkeninin nedensel olarak amaçlanan değişkenden önce olması da mümkündür. Ancak, vekil değişkenden bağımlı değişkene, amaçlanan değişkenden geçmeyen herhangi bir yol varsa, çarpım kuralı başarısız olur.

Üçüncü bir örnek düşünün. Kısmen araştırma görevlerini ortadan kaldırarak daha fazla zaman kazanmaları ve kısmen sunum için daha fazla bilişsel seçeneğe sahip olmaları vb. nedeniyle kendi konularıyla ilgili güçlü bir bilgiye sahip öğretmenlerin daha iyi bir öğretim işi yapacaklarını varsaydığımızı da varsayalım. Büyük bir metropol lise sistemi, öğrenciler için her sınıf için ortalaması alınabilecek ulusal sınav puanlarına da sahiptir.

Böylece, öğrenci performansı için bir bağımlı değişkenimiz var. Ancak, tüm öğretim alanları için bilgi testleri oluşturmak da pratik değildir. Bir uzmanlıkta öğrenilen miktarın, öncelikle öğretmenin ne kadar iyi öğrendiğinin ve öğretmenin genel olarak ne kadar çalıştığına bağlı olduğunu varsayın.

Genel olarak öğrenme, kolej not ortalaması (GPA) ile ölçülecektir. Bu nedenle, özel bir bilgi testi yerine, alan bilgisi için bir vekil değişken olarak öğretmenin kolej not ortalamasını kullanıyoruz. Toplam not mevcut değildir, ancak temel eğitim kurslarındaki notlar için bir kod bilgisayarda da saklanır. Bu yapı geçerliliği probleminin tasarımı bir yol diyagramı olarak da gösterilmiştir.

Öğretmenin genel not ortalamasından öğretmenin alan bilgisine bir ok gösterir. Böylece, vekil değişken nedensel olarak amaçlanan bağımsız değişkenden önce gelir. GPA’dan bağımlı değişkene giden başka bir yol yoktur. GPA’dan bilgiye giden yol katsayısı, uzmanlık bilgisinin bir ölçüsü olarak GPA’nın yapı geçerliliğidir.

Bu yol katsayısı, GPA ölçüsündeki sistematik hatanın boyutunu ölçer. Temel eğitim derslerinde genel not ortalamasından not ortalamasına bir ok vardır. Bu yol katsayısının boyutu, çalışma değişkenindeki rastgele hatanın boyutunu ölçer. Çalışma notu değişkeni X ile performans ölçüsü Y arasındaki korelasyon çarpımdır.

a bir kesir olduğundan, bu bir zayıflama formülüdür. Gözlenen korelasyon, faktör a tarafından zayıflatılır. Yani, çalışma bağımsız değişkeninin operasyonel kalitesi ne kadar düşükse, bağımsız ve bağımlı değişken arasındaki çalışma korelasyonunun zayıflaması da o kadar fazladır.

İlginç korelasyonlar
Korelasyon formülü
Negatif korelasyon
Korelasyon nedir
Korelasyon katsayısı
Korelasyon türlerine örnekler
Korelasyon hesaplama
Spearman korelasyon

Şimdi, bağımsız değişkenin yapı geçerliliğinin nicelleştirilebildiği ve sistematik ölçüm hatasının kolayca düzeltilebildiği en yaygın iki durumu özetleyebiliriz. Kusurlu yapı geçerliliği, eğer kusurlu ölçü veya vekil değişken, amaçlanan bağımsız değişken ve bağımlı değişken ile iki nedensel ilişkiden birinde yer alıyorsa da düzeltilebilir.

Yol diyagramlarının kusurlu değişkeni amaçlanan bağımsız değişkene nedensel olarak bağımlı olarak ve bağımlı değişkenle başka bir bağlantısı olmayan olarak gösterdiğini düşünün. Kusurlu değişkeni, amaçlanan bağımsız değişkene nedensel olarak öncül olarak ve bağımlı değişkenle başka bir bağlantısı olmayan olarak gösterir. Her iki yol diyagramının anahtarı, kusurlu değişkenden bağımlı değişkene, amaçlanan bağımsız değişkenden geçmeyen hiçbir yabancı nedensel yolun olmadığı da varsayımıdır.

Amaçlanan bağımsız değişkenin, çalışma bağımsız değişkeninden önce geldiği durumu gösterir. Bu durum, çalışma değişkeninin “dış faktörlerden” etkilendiği söylenerek de açıklanabilir.

Bu, bir proxy değişkeni için en yaygın durumdur. Örneğin, birçok işveren, genel bilişsel yetenek için bir vekil değişken olarak eğitimsel kimlik bilgilerini kullanır. Bilişsel yetenek, eğitim miktarının önemli bir belirleyicisi olmasına rağmen, eğitim diğer birçok değişkenden de (aile zenginliği gibi) etkilenmektedir. Buradaki yol diyagramı, bu diğer etkilerin bağımlı değişkenle (örneğin iş performansı) ilişkili olmadığını ve dolayısıyla çalışma değişkenini bir vekil değişken olarak kullanma bakış açısından “dış faktörler” olduğunu da varsayar.

Çalışma değişkeninin amaçlanan değişkenden nedensel olarak öncel olduğu durumu gösterir. Örneğin, bir siyasi değerler çalışmasında amaçlanan değişken “politik bilgi” olabilir. Çalışma değişkeni genel bilişsel yetenek olabilir. Bilişsel yetenek, gelişmişliğin önemli bir belirleyicisi olmasına rağmen, politik olarak aktif ebeveynlerin politik sosyalleşmesi gibi politik gelişmişliğin diğer nedensel belirleyicilerini de ölçmez.

X’, X’in mükemmel bir ölçüsü olsaydı, o zaman b’nin değeri 1.00 olurdu ve üçlü çarpım, rastgele ölçüm hatası denklemine de indirgenirdi. Ölçü kusurluysa, b 1.00’den küçük olacak ve üçlü çarpım, ölçüm hatasından kaynaklanan azalmanın ötesinde bir azalmayı temsil edecektir. Yani, ab, X’ mükemmel bir şekilde inşa geçerli olmadığı ölçüde a’dan da küçük olacaktır.

Bu yol diyagramında X’in mükemmel bir şekilde ölçüldüğü varsayılır. Bu nedenle yol katsayısı b, rastgele ölçüm hatası nedeniyle zayıflama için düzeltilmiş X’ ve X arasındaki korelasyondur. A parametresinin, X′′ deki hatadan kaynaklanan zayıflama için rX′′Y’yi düzeltmek için kullanılacak olan X′′ güvenilirliğinin olağan karekökü olduğuna dikkat edin. Üçüncü faktör b’nin varlığı, kusurlu yapı geçerliliği modeli ile rastgele ölçüm hatası modeli arasındaki farkı da temsil eder.

Örnek olarak, eğitimin genel bilişsel yetenek için bir vekil olarak kullanıldığını ve eğitimdeki “yabancı” faktörlerin bağımlı değişkenle ilişkisiz olduğunu da varsayalım. Yetenek ve eğitim arasındaki ilişkinin .50 olduğunu ve çalışma eğitimi ölçümünün güvenirliğinin .90 olduğunu da varsayın. Çarpanlar, √ .90 = .95 ve b = .50 ile gerçek korelasyona bağlı olarak a = ile de verilecektir. Çalışma korelasyonu ro = abr = (.95)(.50) r = .48r olacaktır. Bu örnekte, rastgele hata yoksayılırsa (%5 hata) çok az hata olur, ancak kusurlu yapı geçerliliği yoksayılırsa büyük bir hata olur.

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

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).