Yalnızca örnekleme hatası yapaylığını kontrol etmeye çalışan ikinci meta-analiz yaklaşımı, daha önce çıplak meta-analiz olarak adlandırdığımız şeydir. Bu yaklaşım, standart hatanın bilindiği korelasyonlara, d değerlerine veya herhangi bir başka etki büyüklüğü istatistiğine uygulanabilir. Örneğin, istatistik korelasyon ise, ilk önce r ̄ hesaplanır. Daha sonra korelasyon setinin varyansı hesaplanır. Daha sonra, örnekleme hatası varyansının miktarı hesaplanır ve bu gözlemlenen varyanstan çıkarılır.

Sonuç 0 ise, örnekleme hatası gözlemlenen tüm varyansı hesaba katar ve r değeri meta-analizdeki tüm çalışmaları doğru bir şekilde özetler. Değilse, kalan varyansın karekökü, örnekleme hatası varyansı kaldırıldıktan sonra ortalama r etrafında kalan değişkenlik indeksidir.

Her zaman düzeltilmesi gereken başka artefaktlar (ölçüm hatası gibi) olduğu için, çıplak kemik meta-analiz yönteminin eksik ve yetersiz olduğunu yazılarımızda tutarlı bir şekilde belirttik. Yeni başlayanlara meta-analizi açıklamak ve öğretmek için öncelikle ilk adım olarak yararlıdır.

Ancak, yalnızca çıplak kemik yöntemlerine dayanan meta-analizler yayınlanmıştır; Bu araştırmaların yazarları, örnekleme hatasının ötesinde, eserleri düzeltmek için gereken bilgilerin kendileri için mevcut olmadığını her zaman iddia etmişlerdir. Deneyimlerimize göre, bu nadiren olur.

Artefakt değerlerinin tahminleri (örneğin, ölçeklerin güvenilirliği) daha önce belirtildiği gibi genellikle literatürden, test kılavuzlarından veya diğer kaynaklardan elde edilebilir. Bu değerler, artefakt dağılımına dayalı meta-analizde kullanım için artefakt dağılımları oluşturmak için kullanılabilir, böylece örnekleme hatasına ek olarak ölçüm hatası ve diğer artefaktların sapma etkilerini düzeltir.

Psikometrik Meta-Analiz: Çoklu Artifaktların Düzeltilmesi

Üçüncü meta-analiz türü psikometrik meta-analizdir. Bu yöntemler yalnızca örnekleme hatasını (sistematik olmayan bir artefakt) değil, aynı zamanda ölçüm hatası, aralık kısıtlaması veya geliştirmesi, ölçülerin ikiye ayrılması vb. gibi diğer sistematik artefaktları da düzeltir. Bu diğer artefaktların sistematik olduğu söylenir, çünkü çalışmalar arasında yapay varyasyon yaratmanın yanı sıra, tüm çalışmaların sonuçlarında sistematik aşağı yönlü önyargılar da yaratırlar.

Örneğin, ölçüm hatası sistematik olarak tüm korelasyonları aşağı doğru saptırır. Psikometrik meta-analiz, yalnızca çalışmalar arasındaki yapay varyasyonu değil, aynı zamanda aşağı yönlü önyargıları da düzeltir. Psikometrik meta-analiz, hem istatistiksel hem de ölçüm artefaktlarını hesaba katan tek meta-analiz yöntemidir. Bu prosedürlerin iki varyasyonu daha önce açıklanmıştır.

İlkinde, her r veya d değeri eserler için ayrı ayrı düzeltilir; ikincisinde, artefakt dağılımları kullanılarak düzeltme gerçekleştirilir. Callender ve Osburn (1980) ve Raju ve Burke (1983) ayrıca psikometrik meta-analiz için yöntemler geliştirdiler. Bu yöntemler, hesaplama ayrıntılarında biraz farklılık gösterir, ancak hemen hemen aynı sonuçları ürettiği gösterilmiştir.

meta-analiz örnek çalışma
CMA ile Meta-Analiz
Meta analiz avantaj dezavantaj
Meta-analiz çalışmaları
Meta-analiz özellikleri
Meta analiz araştırması nedir
Meta-analiz Kitap
Meta-Analiz Kursu 2022

Her meta-analiz yöntemi, zorunlu olarak bir veri teorisine dayanır. Verileri analiz etmek için kullanılan meta-analiz yöntemlerini belirleyen bu teoridir (veya verilerin anlaşılması). Eksiksiz bir veri teorisi, örnekleme hatası, ölçüm hatası, önyargılı örnekleme (menzil kısıtlaması ve menzil geliştirme), dikotomizasyon ve etkileri, veri hataları ve araştırma çalışmalarında gördüğümüz ham verileri çarpıtan diğer nedensel faktörlerin anlaşılmasını içerir.

Bu faktörlerin verileri nasıl etkilediğine dair teorik bir anlayış geliştirildiğinde, etkilerini düzeltmek için yöntemler geliştirmek mümkün hale gelir. Psikometri dilinde, ilk süreç – bu faktörlerin (eserlerin) verileri etkilediği süreç, zayıflama modeli olarak modellenir. Bu artefakt kaynaklı önyargıları düzeltme sürecine yönelik ikinci işleme, zayıflama modeli adı verilir.

Bir meta-analiz modeli yönteminin dayandığı veri teorisi eksikse, bu yöntem bu yapaylıkların bir kısmı veya tamamı için düzeltme yapamayacak ve dolayısıyla yanlı sonuçlar üretecektir. Örneğin, ölçüm hatasını fark etmeyen bir veri teorisi, ölçüm hatasını düzeltmeyen meta-analiz yöntemlerine yol açacaktır. Bu tür yöntemler daha sonra zorunlu olarak önyargılı meta-analiz sonuçları üretecektir. Bu bölümde tartışıldığı gibi, bazı güncel meta-analiz yöntemleri aslında ölçüm hatasını düzeltmez.

Örnekleme hatası ve ölçüm hatası, meta-analizin ilgilenmesi gereken istatistiksel ve ölçüm artefaktları arasında benzersiz bir konuma sahiptir: Bunlar her zaman tüm gerçek verilerde bulunurlar. Menzil kısıtlaması, sürekli değişkenlerin yapay olarak ikiye ayrılması veya veri transkripsiyon hataları gibi diğer artefaktlar, meta-analize tabi tutulan belirli bir dizi çalışmada bulunmayabilir.

Ancak her zaman örnekleme hatası vardır, çünkü örnek boyutları asla sonsuz değildir. Aynı şekilde, her zaman ölçüm hatası vardır, çünkü tamamen güvenilir ölçümler yoktur. Aslında, nispeten basit psikometrik meta-analizlerin bile karmaşık görünmesini sağlayan şey, hem örnekleme hatası hem de ölçüm hatası ile aynı anda uğraşmanın gerekliliğidir. Bu iki tür hatayı ayrı ayrı ele almaya alışkınız.

Örneğin, psikometrik metinler ölçüm hatasını tartışırken, sonsuz (veya çok büyük) bir örneklem boyutu varsayıyorlar, böylece dikkat odağı, aynı anda örnekleme hatasıyla uğraşmaya gerek kalmadan yalnızca ölçüm hatası üzerinde olabilir. İstatistik metinleri örnekleme hatasını tartışırken, onlar ve okuyucunun yalnızca örnekleme hatasına odaklanabilmeleri için örtük olarak mükemmel güvenilirliği (ölçüm hatasının yokluğu) varsayıyorlar.

Her iki varsayım da son derece gerçekçi değildir, çünkü tüm gerçek veriler aynı anda her iki tür hatayı da içerir. Her iki tür hatayı aynı anda ele almak kuşkusuz karmaşıktır, ancak doğru sonuçlar üretmek için meta-analizin yapması gereken budur.

Bir meta-analiz yönteminin altında hangi veri teorisinin yattığı sorusu, meta-analizin genel amacının ne olduğu sorusuyla güçlü bir şekilde ilişkilidir. Glass (1976, 1977), amacın bir araştırma literatüründeki çalışmaları basitçe özetlemek ve açıklamak olduğunu belirtmiştir.

Bizim görüşümüz, alternatif görüş, amacın popülasyondaki yapı düzeyindeki ilişkileri mümkün olduğunca doğru bir şekilde tahmin etmektir (yani, popülasyon değerlerini veya parametrelerini tahmin etmek), çünkü bunlar bilimsel ilginin ilişkileridir.

Bu tamamen farklı bir görevdir; bu, tüm çalışmalar mükemmel bir şekilde yürütülmüş olsaydı (yani, metodolojik sınırlamalar olmadan) bulguların ne olacağını tahmin etme görevidir. Bunu yapmak, çalışma sonuçlarını bozan örnekleme hatası, ölçüm hatası ve (varsa) diğer artefaktların düzeltilmesini gerektirir. Literatürdeki çalışmaların içeriklerini basitçe açıklamak, bu tür düzeltmeler gerektirmez, ancak bilimsel açıdan ilgi çekici parametrelerin tahmin edilmesine izin vermez.

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

Spector ve Levine’in oranlarının tersini kullanmış olsalardı aynı sonuca varamayacaklarına dikkat edilmelidir. Yani, Se2/Sr2 yerine Sr2/Se2 kullanmış olsalardı, ortalama oranın 1.00 olduğunu bulurlardı. Bu tersine çevrilmiş oran ile, olası en uç değer 0’dır (∞ yerine) ve oranların dağılımı çok daha az çarpıktır.

Bu nokta, ikinci dereceden meta-analizler, yani meta-analizlerin meta-analizleri için önemli çıkarımlara sahiptir. Daha önce belirtildiği gibi, ikinci mertebeden meta-analiz, benzer meta-analizler üzerinden artefaktların açıkladığı varyans yüzdesinin ortalaması alınarak gerçekleştirilir. Herhangi bir meta-analizde, bu yüzde, artefakt tarafından tahmin edilen varyansın (örnekleme varyansı artı diğer artefaktlardan kaynaklananlar) gözlemlenen varyansa oranıdır.

Bu oranın bir bölü tersine çevrilmiş Sr2/Se2 oranıdır. İkinci derece meta-analizde, bu tersine çevrilmiş oranın çalışmalar arasında ortalaması alınmalı ve ardından bu ortalamanın tersi alınmalıdır. Bu prosedür, Spector-Levine çalışmasında ortaya çıkan yukarı yönlü yanlılığı önler ve artefaktlardan kaynaklanan meta-analizlerde ortalama varyans yüzdesinin tarafsız bir tahminiyle sonuçlanır. 

Meta-analiz, (birinci dereceden) örnekleme hatasının bozucu etkisi nedeniyle tekli çalışmalarda ne kadar az bilgi olduğunu açıkça ortaya koymuştur. İkinci mertebeden örnekleme hatasının incelenmesi, meta-analitik olarak birleştirilmiş birçok çalışmanın bile (ortalamalar hakkında önemli bilgiler sağlasalar da) çalışmalar arası varyans hakkında sınırlı bilgi içerdiğini göstermektedir.

Çalışmalar arası varyansın doğru analizleri, ya önemli sayıda çalışmaya dayanan meta-analizleri ya da benzer meta-analizlerin meta-analizlerini (ikinci derece meta-analizleri) gerektirir. Bunlar davranışsal ve sosyal bilimlerde (veya başka herhangi bir alanda, örneğin tıpta) küçük örneklem araştırmalarının gerçekleri ve doğal belirsizlikleridir. Bu problemlerin mükemmel bir çözümü yoktur, ancak meta-analiz mevcut en iyi çözümdür. Çalışma sayısı arttıkça, ardışık meta-analizler giderek daha doğru hale gelecektir.

Büyük-N Çalışmaları ve Meta-Analiz

Bazıları, meta-analiz ihtiyacının yalnızca, tipik olarak düşük istatistiksel güç seviyelerine sahip küçük örneklemli çalışmaların bir sonucu olduğunu savundu. Araştırmacıların yalnızca büyük örneklemli çalışmalar yapması gerektiği ve bu tür çalışmaların daha yüksek istatistiksel güçleri ile meta-analizi gereksiz kılacağı iddiası ileri sürülmektedir.

Bu pozisyonu üç nedenden dolayı sorguluyoruz: (1) Korelasyonların ve etki büyüklüklerinin kalibrasyonu için literatürde mevcut olan toplam bilgi miktarında bir azalmaya yol açar, (2) potansiyel moderatörlerin varlığını tespit etme kabiliyetini azaltır, ve (3) meta-analiz ihtiyacını ortadan kaldırmaz.

Meta-analiz özellikleri
Meta-analiz çalışmaları
Meta-analiz pdf
Bilgi güvenliği risk analizi Tablosu
meta-analiz çalışması örneği
Meta-analiz Sistematik derleme farkı
Meta analiz Nedir
Meta-analiz Kitap

Analizde Bilgi Kaybı

Pratik nedenlerden dolayı birçok araştırmacı, tüm çabalarına rağmen büyük örneklem büyüklükleri elde edemez. Büyük N’ler için bir gereklilik getirilirse, aksi takdirde yürütülecek ve yayınlanacak olan birçok çalışma, sonraki meta-analizlere faydalı bilgilere katkıda bulunabilecek çalışmalar yapılmayacaktır.

Personel psikolojisinde geçerlilik çalışmaları alanında olan da budur. Schmidt, Hunter ve Urry’nin (1976) geleneksel geçerlilik araştırmalarındaki istatistiksel gücün ortalama sadece yaklaşık .50 olduğunu gösteren çalışmasının yayınlanmasından sonra, yayınlanan çalışmaların ortalama örneklem büyüklüğü 70’ten 300’ün üzerine çıktı.

Bununla birlikte, geçerlilik genelleme çalışmalarına giriş için yılda veya on yılda (bir meta-analizde Ns olarak ifade edilen) oluşturulan toplam bilgi miktarının azalmasıyla sonuçlanarak, çalışmaların sayısı önemli ölçüde azaldı. Yani, çok sayıda küçük örneklemli çalışmalardan önceki dönemde üretilen toplam bilgi miktarı, daha sonraki dönemde çok daha az sayıda büyük örneklemli çalışmalarda üretilenden daha fazlaydı. Dolayısıyla, geçerlilikleri kalibre etme yeteneğinde net bir kayıp vardı.

Potansiyel Moderatörleri Tespit Etme Yeteneği

Daha önce açıklanan durum, tespit edilecek moderatör değişkenler olmasa bile, yani çalışılan tüm geçerlilik alanlarında SDρ = 0 olsa bile net bir bilgi kaybı yaratır. SDρ = 0, yetenek ve yetenek testlerinin yordayıcı alanlarında geçerli bir hipotez olmasına rağmen, bu hipotez diğer bazı yordayıcı alanlarda (örneğin, değerlendirme merkezleri, üniversite notları) geçerli olmayabilir.

Ve personel seçimi dışında pek çok araştırma alanında kesinlikle geçerli değildir.SDρ = 0 ise, toplam çalışma sayısının bir önemi yoktur; VG çalışmasının doğruluğunu belirlemede önemli olan tek şey, VG analizindeki tüm çalışmalarda toplam N’dir. Daha önce açıklandığı gibi, bu toplam N son yıllarda azalmıştır. Ancak SDρ > 0 ise, doğru bir SDρ tahminine sahip olmak çok önemlidir.

SDρ tahmininde N, çalışmaların sayısıdır. Bu nedenle, meta-analizde toplam N’yi sabit tutarak, az sayıda büyük çalışma, çok sayıda küçük çalışmaya göre daha az doğru SDρ tahmini sağlar. Çok sayıda küçük çalışma, çok daha fazla sayıda potansiyel moderatör dizisini örneklemektedir—aslında, her küçük çalışma, SDρ > 0’a katkıda bulunabilecek farklı potansiyel moderatörleri örneklemektedir.

Örneğin, VG çalışması için toplam N’nin 5.000 olduğunu varsayalım. Bu toplam N, her biri N = 1.250 olan dört çalışmadan oluşuyorsa, SDρ tahmini yalnızca dört veri noktasına dayanır: ρ dağılımından dört örnek. Öte yandan, bu toplam N, her biri N = 100 olan 50 çalışmadan oluşuyorsa, o zaman SDρ tahmini, ρ dağılımından örneklenen 50 veri noktasına dayanır ve bu nedenle çok daha doğru olması muhtemeldir. Bu, Cook ve Campbell’in “dış geçerlilik” dediği şeyi büyük ölçüde artırır.

Bobko ve Stone-Romero (1998), SDρ için bu aynı düzeydeki tahmin kesinliğinin, tek bir büyük-N çalışmasıyla, aslında büyük bir çalışmayı birçok küçük çalışmaya bölerek elde edilebileceğini savundu. Bunun doğru olması pek olası değil. Tek bir büyük çalışma, tek bir araştırmacının veya bir dizi araştırmacının tek bir çalışmayı yürütme şeklini yansıtır: aynı ölçümler, aynı popülasyon, aynı analiz prosedürleri vb.

Bağımsız olarak yürütülen 50 çalışmada bulunan yöntemlerdeki ve potansiyel moderatör değişkenlerdeki varyasyon türlerini kendi içinde içermesi pek olası değildir. Bunu görmenin başka bir yolu, çalışmaların farklı türde tekrarlarının sürekliliğini göz önünde bulundurmaktır. Gerçek bir tekrarda, aynı araştırmacı yeni çalışmayı orijinal çalışmadakiyle tamamen aynı şekilde yürütür.

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

Bu bölüm meta-analiz için genel olan teknik konuları tartışmaktadır. Yani, bu sorunlar, meta-analizin korelasyonlara, d değerlerine veya diğer istatistiklere (örn. Ayrıca, kullanılan yöntemler bu kitapta sunulanlar, Hedges ve Olkin’inkiler (1985), Rosenthal’ınkiler veya başka herhangi bir yöntem olsun, bu hususlar geçerlidir.

Meta-analizde rastgele veya sabit etkili modellerin kullanılıp kullanılmaması, bu tür ilk konudur. Bu konu ilk olarak ele alındı ​​ve burada biraz daha kavramsal ayrıntılarla ele alındı.

İkinci teknik konu, meta-analizde ikinci dereceden örnekleme hatasıdır. İlk önce bu fenomene kavramsal bir genel bakış sunuyoruz; daha sonra, bölümün sonuna doğru teknik işlemi ve denklemleri sunuyoruz. Bu konu, ikinci dereceden örnekleme hatasının, önceden varsayılmayan moderatörleri tespit etmenin zor görevi üzerindeki etkisini içerir.

Üçüncü teknik konu, ikinci dereceden meta-analizdir: meta-analizlerin meta-analizi. Bu konu, tek bir büyük örneklemli çalışmanın mı yoksa birçok küçük örneklemli çalışmanın meta-analizinin mi daha iyi olduğuna dair bir tartışmayı içerir. Son olarak, okuyucuya bir alıştırma sunuyoruz: ikinci dereceden bir meta-analiz yürütmek.

Meta-Analizde Sabit Etkiler ve Rastgele Etki Modelleri

Meta-analiz yöntemleri içinde, sabit etkiler (FE) modelleri ile rastgele etkiler (RE) modelleri arasında bir ayrım vardır. Bu modeller, ortalama etki büyüklükleri (ortalama r, ortalama d, vb.) için farklı önem testleri ve güven aralıklarına yol açar. Ayrıca meta-analizde moderatör değişkenler (etkileşimler) için farklı anlamlılık testleri, yani çalışma özellikleri ve çalışma sonuçları (etki büyüklükleri) arasındaki ilişki için farklı anlamlılık testleri sağlarlar.

Hedges, meta-analizde bu iki model arasındaki farklara kısa ve öz bir genel bakış sağladı. Bu ayrımın diğer tedavileri Hedges, Ulusal Araştırma Konseyi (1992), Raudenbush (1994) ve Shadish ve Haddock (1994)’de bulunabilir.

FE anlamlılık testleri ve güven aralıklarının uygulanması, analiz edilen çalışmaların çalışma popülasyonu etki büyüklükleri düzeyinde homojen olduğu varsayımına dayanmaktadır. Örneğin, kullanılan etki büyüklüğü indeksi d değeri ise, FE modeli, d’nin popülasyon değeri olan δ’nin meta-analize dahil edilen tüm çalışmalarda aynı olduğunu varsayar. RE modelleri bu varsayımı yapmaz. RE modelleri, popülasyon parametre değerlerinin (δs veya ρs) çalışmadan çalışmaya değişiklik göstermesi olasılığına izin verir.

Hunter, Schmidt ve Jackson (1982), Hunter ve Schmidt (1990a), Callender ve Osburn (1980) ve Raju ve Burke (1983)’de açıklanan yöntemler RE modelleridir. Bu yöntemler, yayınlanmış literatürdeki önemli sorulara kapsamlı bir şekilde uygulanmıştır.

Hedges (1988), Hedges ve Olkin, Raudenbush ve Bryk (1985) ve Rubin (1980, 1981)’de açıklanan yöntemler de RE yöntemleridir. Bu son yöntemler meta-analizde daha az sıklıkla kullanılmıştır. Örneğin, psikolojideki başlıca inceleme dergisi Psychological Bulletin birçok meta-analiz yayınlamış olmasına rağmen, o dergide bu yöntemleri kullanan hiçbir meta-analiz yayınlayamadık.

Meta analizi Nedir
meta-analiz örnek çalışma
Meta regresyon nedir
meta-analiz makale örneği
Meta-analiz pdf
Meta-analiz özellikleri
CMA meta-Analiz programı indir
Meta-analiz çalışmaları

Cooper (1997) şunları belirtmiştir: “Pratikte çoğu meta-analist, analitik olarak yönetilmesi daha kolay olduğu için sabit etkiler varsayımını tercih eder”. Ulusal Araştırma Konseyi (1992) raporu, birçok meta-analiz kullanıcısının “kavramsal ve hesaplama basitlikleri” nedeniyle FE modellerini tercih ettiğini belirtti.

Ortalama etki büyüklüklerinin ve moderatör ilişkilerinin istatistiksel önemi için RE formülleri, hem popülasyon parametre değerleri (ρ veya δ) tüm çalışmalarda hem de tüm çalışmalarda aynı olduğunda ve .05 olarak belirlenmiş bir alfa için %5, uygun Tip I hata oranına sahiptir.

Bununla birlikte, popülasyon parametreleri çalışmalar arasında değiştiğinde, FE formülleri, nominal değerlerden genellikle çok daha yüksek olan Tip I hata oranlarına sahiptir. Ayrıca, FE standart hatalarına dayalı güven aralıkları kullanılıyorsa, güven aralıkları çok dardır.

Örneğin, nominal bir %95 güven aralığı aslında %60’lık bir güven aralığı, önemli bir yanlışlık ve meta-analiz sonuçlarının kesinliğinin önemli ölçüde abartılması olabilir. Hunter ve Schmidt (2000), FE modelleri tarafından üretilen bu türden çok sayıda hata örneği sunmuştur.

FE modellerinin popülasyon etki büyüklükleri çalışmalar arasında sabit olmadıkça yanlış sonuçlar üretmesi önemlidir çünkü tüm araştırma alanlarında çalışma popülasyon parametrelerinde en azından bir miktar varyasyon olması muhtemeldir. Pek çoğu, teorik veya temel nedenlerle, çalışmalar arasında popülasyon parametre değerlerinde her zaman bir miktar farklılık olduğunu iddia edecektir.

Yani, araştırmalar arasında farklı δi veya ρi değerleri yaratan en azından bazı gerçek (yani metodolojik olmayan, asli) moderatör değişkenlerin her zaman olduğunu iddia edeceklerdir.

Bu konumu tartışmıyoruz, çünkü deneyimlerimize dayanarak, bazı çalışma alanları, önemli nüfus parametreleri düzeyinde homojen görünüyor. Bununla birlikte, bunun doğru olup olmadığı, yalnızca heterojenlik düzeyini tahmin etmek için RE modelleri kullanılarak belirlenebilir. FE modelleri, homojenliği a priori varsaydıkları için Sρ2 veya Sδ2 tahminine izin vermez. Yani, Sρ2 = 0 ve Sδ2 = 0 varsayıyorlar.

Popülasyon parametrelerinde varyasyona neden olan asli moderatörler olmasa bile, çalışmalar arasında çalışma popülasyonunda ρi veya δi varyasyona neden olan metodolojik farklılıklar vardır. Örneğin, kullanılan ölçümlerdeki ölçüm hatasının miktarı çalışmalar arasında farklılık gösteriyorsa, bu değişiklik çalışma popülasyonu parametrelerinde farklılıklar yaratır; daha fazla ölçüm hatası olan çalışmalar, δi veya ρi olarak daha küçük çalışma popülasyon değerlerine sahip olacaktır.

Dolayısıyla, popülasyon parametrelerinde önemli bir varyasyon olmasa bile, ölçümün güvenilirliği, aralık varyasyonu veya sürekli değişkenlerin ikiye ayrılması gibi metodolojik faktörlerdeki çalışmalar arasındaki farklılıklar, çalışma popülasyonu parametrelerinde farklılıklar yaratacaktır. Bu tür bir varyasyon tipik olarak mevcut olacaktır; bu nedenle, homojen çalışma popülasyonu etki büyüklükleri veya korelasyonları varsayımı yalnızca bu nedenle genellikle yanlış olacaktır.

Hedges-Olkin (1985) ve Rosenthal-Rubin (1982a, 1982b) meta-analiz yöntemlerinin yayınlanmış uygulamalarında kullanılan istatistiksel anlamlılık formülleri hemen hemen her zaman FE formülleridir. Tamamı psikolojinin önde gelen genel inceleme dergisi Psychological Bulletin’de yer alan sonraki yazıda yer alan meta-analizler bazı yeni örneklerdir.

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

Bu d istatistiğindeki örnekleme hatasının, bağımsız gruplar tasarımı için d’nin örnekleme hatasıyla aynı olmadığına dikkat edin. Bu nedenle, meta-analiz denek içi ve denek arası tasarımları karıştırıyorsa, örnekleme hatası iki çalışma grubu için ayrı ayrı hesaplanmalıdır. Bu tür d-değerleri ile d-değeri meta-analiz programlarımızın nasıl kullanılacağına dair bir ipucuna bakın. Programlar, bağımsız grup tasarımına dayalı olarak örnekleme hatasını hesaplar. Denklem (8.114)’deki örnekleme hatasıyla başlamalı ve N için bağımsız grup örnekleme hatası denklemini çözmelidir. Bu N daha sonra programa girilir.

Denek Etkileşimine Göre Tedavi

Bağımsız gruplar tasarımı, denek etkileşimi tarafından ele alınmadığını varsayar. Ayrıca, daha önce gördüğümüz gibi, bağımsız grup tasarımında bu varsayımı test etmenin bir yolu yoktur. Grup içi tasarım için, etkileşim için bir anlamlılık testi mevcuttur, yani:

• F = SV(OG)/Tah. Var(f )

Serbestlik dereceleriyle (N − 1, N − 1). Ancak, bu etkileşim için güven aralıkları da mevcuttur ve anlamlılık testi yerine kullanılmalıdır. (Bağımsız grup tasarımı durumunda, etkileşim için ne bir güven aralığı ne de anlamlılık testi mevcuttur.)

Burada α ve β sabittir. Pay ve payda popülasyon varyanslarının farklı olması gerçeği olmasaydı, varyans oranı SV(OG)/SV(Y1) yaklaşık bir F oranına sahip olacaktı. Yaklaşık bir F dağılımına sahip olan değiştirilmiş bir oran vardır. Serbestlik dereceleriyle (N − 1, N − 1). Güven aralığı için karşılık gelen uç noktalar, çoğu çalışmanın serbestlik derecesi karakteristiği için bu değere sahip birkaç tablo olmasına rağmen, p = .025 altında tablolanan F uç noktasından elde edilir. Yakın bir yaklaşımla, üst uç nokta ile verilir.

Etkileşim s için güven aralığı, her bitiş noktasının karekökü alınarak elde edilir. Bu s tahmininin standart hatasını tahmin etmek için, son güven aralığının genişliğini hesaplayın. Karşılık gelen standart hata, genişliğin 2(1.96) = 3.92’ye bölümüdür. Örnekleme hatası varyansı, standart hatanın karesidir. Yani örnekleme hatasını tanımlayan denklemi e olarak yazılır.

t İstatistik. Önceki tartışma, çalışmanın standart sapmalar bildirdiğini varsayıyordu. Ancak, standart sapmalar genellikle raporun dışında bırakılır. Bunun yerine, yazarlar t gibi anlamlılık testi istatistiklerini bildirirler. Bağımsız gruplar durumuna benzeterek, bir δ tahmini sağlamak için t’nin değerini dönüştürmenin bir yolunu arayabiliriz. Standart sapmalar olmadan, etkileşim s’yi tahmin etmenin bir yolu yoktur.

CMA meta-Analiz programı indir
meta-analiz çalışması örneği
Meta analizi
Meta-analiz yöntemi
Meta-analiz çalışmaları
meta-analiz eğitim bilimleri
meta-analiz makale örneği
meta-analiz nedir nasıl yapılır

Tedavi ana etkisi olmasaydı, bu t istatistiği N -1 serbestlik dereceli merkezi bir t dağılımına sahip olacaktı ve değeri geleneksel şekilde geleneksel t tablosundaki değerlerle karşılaştırılabilecekti. Bir tedavi ana etkisi varsa, bu t istatistiği, merkezi olmayan parametresi, gözlemlenen kazanç veya değişiklik puanlarının standart sapmasına göre tedavi ana etkisinin boyutuna bağlı olan, merkezi olmayan bir t dağılımına sahip olacaktır.

Örnekleme için ilgili standart sapmanın, seviye puanlarının standart sapması yerine kazanım puanlarının standart sapması olduğuna dikkat edin. Bu, t’nin bu değerini geleneksel denek içi güç parametresine dönüştürmenin yanlış paydaya sahip bir oran oluşturduğu anlamına gelir. Bunu görmek için, t’yi örnek boyutunun kareköküne bölün ve çok büyük örnekler için değeri göz önünde bulundurun.

İki formül yalnızca β2 = 1 özel durumunda, yani rYY = .33 özel durumu için anlaşacaktır. Daha yüksek güvenilirlik için, bağımsız gruplar formülü d’deki örnekleme hatasını abartacaktır.

İki Tasarımda İstatistiksel Güç

Yüksek ölçüm güvenilirliğine sahip denek içi tasarımın bağımsız gruplar tasarımından daha yüksek istatistiksel güce sahip olduğunu gösteren önemli bir argüman verdik. Ancak gücün ne kadar yüksek olduğunu gösteren ne formüller ne de örnekler verdik. Bu bölümde bu tür formülleri sunacağız. Sunum kolaylığı için, bağımsız grup tasarımının doğrulanabilir olduğunu varsayacağız; yani, özne etkileşimi tarafından bir tedavi varsa, o zaman bu etkileşimin görmezden gelinecek kadar küçük olduğunu varsayacağız. Yani, geleneksel ders kitaplarında olduğu gibi, özne etkileşimi yoluyla bir muamele olmadığını varsayacağız.

Tasarımları eşleştirmede anahtar soru örneklem büyüklüklerini eşleştirmektir. Bunu yapmanın iki farklı yolu vardır: denek sayısını eşleştirme veya puan sayısını eşleştirme. Bağımsız gruplar tasarımında, puan sayısı kişi sayısına eşittir. Yani, grup 1’deki N1 kişiler bağımlı değişkende N1 puan alırken, grup 2’deki N2 kişiler N2 puan almaktadır. Böylece N1+N2 kişiler ve N1+N2 puanları vardır.

Bununla birlikte, denek içi tasarımda, N kişi ve 2N puan vardır, çünkü her kişi iki puan alır, birinci koşul için bir puan ve ikinci koşul için bir puan (tartışmamızda bir ön test ve bir son test puanı). Bu nedenle, karşılaştırmaları mümkün kılmak için eşleştirme tasarımlarında, kişi (denek) sayısını eşleştirebilir veya eşitleyebilir veya puan sayısını (alınan ölçüm) eşleştirebilir veya eşitleyebiliriz.

Seçim basit değil. Uygulamada, eşleştirme bir “kaynak eşleşmesi” ile belirlenecektir. İki aşırı durum var. Çoğu saha çalışmasında, örneklem büyüklüğü, çalışmaya uygun kişi sayısına göre belirlenir. Örneğin, kalite çemberlerinin Acme imalatının makinist departmanına girişini incelemek istiyorsak, o zaman örneğimiz o anda orada çalışan en fazla 32 kişiyi içerecektir.

Bununla birlikte, çoğu laboratuvar çalışmasında, numune boyutu, laboratuvarın müsait olduğu saat sayısına (veya mevcut asistan saatlerinin sayısına) göre belirlenir. Laboratuar 40 saat boyunca müsaitse ve bir deneği bir koşulda çalıştırmak 30 dakika sürüyorsa, çalışma 80 puana sahip olacaktır.

Tipik saha çalışmasını düşünün. Mevcut N konumuz var. Tasarım seçimimiz şudur: (1) Tüm N deneği bir ön tasarımda çalıştırın veya (2) N deneği her biri N/2 kişiden oluşan iki yarım örneğe rastgele ayırın ve örneğin yarısını kontrole atayın grubuna ve diğer yarım örnek deney grubuna. Böylece, tasarımları denek sayısına göre eşleştiriyoruz, ancak ön son tasarımda bağımsız grup tasarımına göre iki kat daha fazla puan alıyoruz.

Tipik laboratuvar çalışmasını düşünün. N adet gözlem süremiz var. O halde bizim seçimimiz (1) iki koşulun her birinde N/2 denek çalıştırmak veya (2) bir koşulda rastgele seçilmiş bir özne grubunu çalıştırmak ve diğer koşulda rastgele seçilmiş ikinci bir özne grubunu çalıştırmaktır. Böylece, tasarımları puan sayısına göre eşleştiriyoruz, ancak bağımsız gruplar tasarımında iki kat daha fazla insan var.

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

Sabit c ile ilgili önceki tartışma daireseldi. c’yi tahmin etmek için A’nın ortalama değerini ve çalışmalar arasında δ’nin ortalama değerini hesapladığınızı söylemiştik. Ancak, ortalama fiili tedavi etkisini (ortalama δ) hesaplamak için, zayıflama için zayıflatılmış çalışma tedavi etkilerini düzeltmeniz gerekir. Zayıflama için çalışma tedavi etkilerini düzeltmek için c değerine ihtiyacınız vardır. Bu sonsuz bir gerileme gibi görünüyor, ancak kolay bir sayısal çözüm var.

Bu nedenle, Ave(c)’yi hesaplamak için Ave(A) ve Ave(δ)’yi hesaplamamız gerekir. Artefakt bilgisinin meta-analizin bir parçası olarak verildiği varsayıldığından, Ave(A)’nın hesaplanması kavramsal bir problem oluşturmaz. Bununla birlikte, Ort(δ) ortalama gerçek etki iken, orijinal veriler yalnızca zayıflatılmış çalışma etkilerini sağlar. Bu nedenle, Ave(δ)’nin hesaplanması meta-analizin bir yan ürünüdür ve meta-analizi hesaplamak için Ave(c)’yi tahmin etmeliyiz. Çözüm, ana meta-analizi yapmadan önce küçük bir meta-analiz yapmaktır.

Artefaktların boyutunu belirleyen temel süreçler, gerçek tedavi etkisini belirleyen temel süreçlerden bağımsız olduğundan, A ve δ sayıları çalışmalar arasında bağımsız olacaktır.

Şimdi iki denklemimiz var: biri Ave(c)’yi Ave(δ)’den hesaplayan ve diğeri Ave(δ)’yi Ave(c)’den hesaplayan. Bunlar iki bilinmeyenli iki denklemdir. Bu kadar doğrusal olmamasalardı, bunları sıradan cebirle çözebilirdik. Ancak, yinelemeli kolay bir çözüm var. Ave(c) = 1 yaklaşımıyla başlayın. Ardından Ave(δ) için karşılık gelen yaklaşıklığı hesaplamak için Ave(δ) denklemini kullanın.

Ave(c) için yeni bir yaklaşıklık oluşturmak için Ave(c) denkleminde Ave(δ)’nin bu değerini kullanın. Ave(c)’nin bu yeni tahmini, orijinal Ave(c) = 1 yaklaşımından daha doğru olacaktır. Ave(c)’nin yeni tahmini, daha sonra, kullanılabilecek yeni bir Ave(δ) tahmini oluşturmak için kullanılabilir. Ave(c) için yeni bir tahmin oluşturun, vb. Bu süreç hızla istenen tahmine yakınsar.

Yinelemeyi yapacak bir bilgisayar programı yazarlardan temin edilebilir. Bir örnek düşünün. Ortalama etüt etkisinin Ave(δo) = .30 ve ortalama artifakt çarpanının Ave(A) = .50 olduğunu varsayalım. Ave(c) = 1 tahmininden, tahmini elde ederiz.

Bireysel Düzeltilmiş Çalışmaların Meta Analizi

Her bir bireysel çalışma için artefakt bilgisinin bilindiğini varsayalım. Daha sonra gözlemlenen çalışma değerleri bireysel olarak düzeltilebilir ve düzeltilmiş dc istatistikleri üzerinde meta-analiz yapılabilir.

Her çalışma için düzeltme yapılmadan önce, tahmin için gerekli bilgileri sağlamak için bir ön meta-analiz yapılmalıdır c. Hesaplanacak iki sayı Ave(doi) ve Ave(Ai)’dir. Bu ortalamalar için en iyi ağırlıklar olacaktır.

Artifakt Dağılımları ile Meta-Analiz

Artefakt bilgisi ara sıra verilirse, ana meta-analiz, örnekleme hatasının etkisini ortadan kaldıran çıplak kemik meta-analizdir (çalışma sayısı fazlaysa). Daha sonra sistematik artefaktların etkisi için çıplak kemik meta-analizini düzeltmek gerekir.

Çıplak Kemikler Meta-Analiz. Çıplak kemik meta-analizi, daha önce verilen yöntemler kullanılarak gerçekleştirilir. Ortalama düzeltilmemiş etki büyüklüğünü d ̄o ile ve nüfus çalışması etki büyüklüklerinin tahmini varyansını Vo ile ifade edin. Örnekleme hatası varyansını ve ile belirtin.

meta-analiz nedir örneği
Meta analiz Nasıl yapılır
meta-analiz nedir nasıl yapılır
cma ile meta-analiz
Meta analiz Nedir
meta-analiz eğitim bilimleri
Meta analiz nasıl yazılır
Meta-analiz çalışmaları

Artefakt Dağıtımları

Eğer yapay bilgi düzensiz ise, o zaman bilgi genellikle bir seferde bir yapay nesne verilir. Bu nedenle, bileşik artifakt çarpanının dağılımı, bireysel eserler üzerindeki dağılım bilgisinden oluşturulmalıdır. Bu süreç Bölüm 4’te ayrıntılı olarak tartışılmıştır ve burada çok kısaltılmış biçimde sunulacaktır. Her bir yapay yapı a için, üç sayı hesaplayın: Ave(a), Var(a) ve kareli varyasyon katsayısıdır.

Artefakt bilgisini birleştirmek için, bireysel artifakt çarpanlarını a1, a2 olarak numaralandıralım. Bileşik artifakt çarpanı, bireysel çarpanların ürünüdür.

d Değerlerinin Meta-Analizinin Özeti

İstatistikçiler sürekli olarak buna karşı uyarmış olsalar da, deneylerin ve programların geleneksel değerlendirmesi istatistiksel anlamlılık testi olmuştur. İki gruplu bir tasarımda bu, yayınlanma olasılığı en yüksek sayının t istatistiği olduğu anlamına gelir. t değeri en alakalı soruya cevap vermiyor: Tedavi etkisi ne kadar büyüktü? Bunun yerine, t’nin değeri şu soruyu yanıtlar: Popülasyon tedavi etkisinin 0 olduğu varsayımı altında gözlemlenen tedavi etkisi ne kadar uzaktadır?

Bu bölüm, tedavi etkisinin boyutunun alternatif ölçümlerini sunarak başladı: ham puan ortalama farkı, standart puan ortalama farkı (d veya δ) ve nokta ikili korelasyonu (r veya ρ). Farklı yazarlar bağımlı değişkenin farklı ölçümlerini kullandığından, ham puan farkı genellikle meta-analiz için makul değildir. Olasılık oranı da çoğu sosyal bilim araştırmasında uygun bir istatistik değildir.

Bu nedenle, tedavi etkisinin boyutunu karakterize etmek için kullanılan genel istatistikler d ve r’dir. Nokta çift seri korelasyonu kullanılıyorsa (ve formüller açısından ikisinden daha kolaysa), ilgili bölümler Bölüm 2’den 4’e kadardır. Bu bölümde, d istatistiğini kullanarak meta-analiz için formüller sunulmuştur. d istatistiği, Bölüm 6’da listelendiği gibi bir dizi hata faktöründen veya yapaylıktan etkilenir: örnekleme hatası, her iki değişkende ölçüm hatası, her iki değişkende de kusurlu yapı geçerliliği, bağımlı değişkenin yapay olarak ikiye ayrılması vb.

Bu tür her bir yapıt için, meta-analizde bu yapıyı kontrol etmeyi mümkün kılacak yapı bilgisi vardır. Bununla birlikte, birincil araştırmacılar, eserleri kontrol etmek için gereken bilgilerin toplanmasını ve sunulmasını içerecek şekilde yayın uygulamalarını yönlendirmeye yeni başlıyorlar. Bu nedenle, çoğu zaman mevcut olan tek yapay bilgi parçası, örnekleme hatasının etkisini kontrol etmek için gereken sayı olan örnek boyutu N’dir.

Örnek boyutu, belirli bir araştırma alanında mevcut olan tek yapay bilgi parçasıysa, yapılabilecek tek meta-analiz, örnekleme hatasından başka hiçbir yapay yapıyı kontrol etmeyen tam anlamıyla bir meta-analizdir. Diğer artefaktlar kontrol edilmediğinden, çıplak kemik meta-analizi, ortalama tedavi etkisini büyük ölçüde hafife alacak ve çalışmalar arasında, özellikle ortalama (yani, tedavi etkilerinin varyasyon katsayısı) ile ilişkili olarak, tedavi etkilerinin standart sapmasını büyük ölçüde abartacaktır. fazlasıyla abartılacaktır).

d istatistiğinin temel meta-analizi için anahtar formül, d için örnekleme hatası varyans formülüdür. Tam formül gama işlevini kullanır ve matematiksel olarak anlaşılmazdır. Bununla birlikte, örnek boyutu küçüldükçe giderek daha karmaşık hale gelen yaklaşık formüller mevcuttur. Yaklaşım formülü seçildikten sonra, çıplak kemik meta-analizi çok basittir. Ortalama popülasyon d, çalışmalar genelindeki ortalama d istatistiği ile tahmin edilir; burada ortalama, her çalışmayı örnek boyutuna göre tartarak hesaplanır.

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