Ağırlıklar, çalışma korelasyonlarının hem ortalamasını hem de varyansını hesaplamada ve yapay yapı çarpanı Ai’ye katkıda bulunan yapay nesneler için yapay ortalama ve varyansı hesaplamada kullanılır. Ayrı ayrı etütler hakkında verilen bilgilerle tek yapaylığın dikotomizasyon olduğu durumda, bu, o etütteki bölünmeye bağlı bir etüt ağırlığı kullanılarak tahmin edilebilir. i etüdünde bölünme oranları Pi ve Qi = 1 – Pi ile verilsin. O zaman yaklaşık ağırlıklar olacaktır.

25/9 = 2,78 oranı, optimal ağırlıklar için 1,84 oranından biraz farklıdır. Üçüncüsü, optimal strateji iki aşamalı bir meta-analiz yapmaktır. İlk adımda, bireysel olarak bilinen eserler düzeltilir. İkinci adımda, ara sıra verilen artefaktlar düzeltilir. Şimdi bu yöntem sunulacak.

İlk olarak, bireysel olarak bilinen eserler, bireysel çalışma düzeltmesi kullanılarak bir meta-analiz yapmak için kullanılır. Bu meta-analiz, tek tek bilinen eserler için düzeltilmiş bir ortalama korelasyon ve bu eserler ve örnekleme hatası için düzeltilmiş bir varyans üretir. Kısmen düzeltilmiş ortalamayı ve varyansı sırasıyla PR ve PV ile belirtin. Artefakt dağıtım yöntemleri daha sonra
kalan eserler için doğrudur.

İlk adım, ortalama korelasyonu düzeltmektir. Bu, kalan artefaktlar için ortalama zayıflama faktörünü hesaplayarak ve bu faktörü ilk meta-analizden kısmen düzeltilmiş ortalama korelasyonu düzeltmek için kullanarak yapılır. Sporadik olarak bulunan her bir artefaktı ayrı ayrı düşünün.

Her artefakt için karşılık gelen zayıflama faktörünün ortalamasını ve standart sapmasını hesaplayın. Ayrı sporadik artefaktların etkilerini çarpma yoluyla birleştirin; ortalama bileşik zayıflama faktörü, ayrı eserlerin araçlarının ürünüdür. Sporadik eserler a, b, c, olarak belirtilirse. . . , daha sonra bileşik zayıflama faktörü A’nın ortalaması ile verilir.

Sonraki adım, sporadik artefaktların etkileri için kısmen düzeltilmiş varyans PV’sini düzeltmektir. İlk olarak, sporadik artefakt varyansından dolayı kısmen düzeltilmiş korelasyonlardaki varyansı tahmin edin. Ayrı sporadik zayıflama faktörleri boyunca karesi alınmış varyasyon katsayılarının toplamını hesaplayın.

Bu kalıntı varyansın tümü olmasa da bir kısmının kayıt, hesaplama ve transkripsiyon hataları ve diğer hatalı veriler gibi kontrolsüz yapaylıklardan kaynaklandığını unutmayın.

Gerçek bağıntıların varyansının üst sınır tahmini, daha sonra artık varyanstan hesaplanabilir. Artık varyansın bir kısmı kontrolsüz yapaylıklardan kaynaklandığından, artık varyans, çalışma korelasyonlarındaki açıklanamayan varyans için bir üst sınırdır. Bu sayı, gerçek korelasyonların varyansının tahmininin payıdır. Bu sayı bir üst sınır tahmini olduğundan, oran aynı zamanda bir üst sınır tahminidir. Gerçek korelasyonların varyansı, orandan daha az olmalıdır.

Moderator değişken analizi
Moderator değişken örnekleri
Aracı ve düzenleyici değişken
Aracı değişken ne demek
Kontrol değişkeni
Moderator Mediator değişken
Karıştırıcı değişken nedir
Düzenleyici Değişken nedir

Bir Örnek: Her İki Değişkenin İkiye Ayrılması

Görev süresi, bir kişinin bir işverende kaldığı sürenin uzunluğudur. Firmadan fesih gönüllü veya gönülsüz olabilir. Burada, işi kendi istekleriyle bırakan gönüllü fesihlere odaklanıyoruz. Görev süresini belirleyen birçok faktör vardır, ancak ana faktörlerden biri performanstır. Düşük performansa sahip kişiler, başkalarına yol açabilecekleri çeşitli problemler için sıklıkla amirlerinden ve/veya akranlarından baskı altındadırlar. Bu baskı genellikle bırakmaya yol açar. Dolayısıyla performans ve görev süresi arasındaki ilişkinin varsayımsal bir meta-analizini ele alıyoruz.

Çalışma koşulları kötüyse, işçiler bu nedenle işten ayrılabilirler, bu da görev süresi ile performans arasındaki ilişkiyi azaltır. Bu nedenle, iyi çalışma koşullarına sahip işlerde, kötü çalışma koşullarına sahip işlere göre performans ve kıdem arasındaki ilişkinin daha yüksek olacağını varsayıyoruz ve çalışma koşulları için yapılan çalışmaları potansiyel bir moderatör değişken olarak kodluyoruz.

24 varsayımsal çalışma için temel bilgileri sunar. Hem bağımsız hem de bağımlı değişken için yapılan tüm çalışmalarda, değişkenin dikotomize edilip edilmediğine dair bilgiler mevcuttur. Dikotomize edilmişse, elde edilen bölünme verilir. Öte yandan, güvenilirlik bilgisi her iki değişken için de düzensizdir.

Kusurlu yapı geçerliliği veya yabancı faktörler gibi diğer potansiyel eserler hakkında hiçbir bilgi mevcut değildi. Bu verilerde menzil kısıtlaması yoktur, bu nedenle doğrudan ve dolaylı menzil kısıtlaması ayrımından kaynaklanan komplikasyonlar ortaya çıkmaz. (Özellikle, eserlerin bağımsızlığı varsayımları ile ilgili herhangi bir sorun yoktur.)

Zayıflama faktörleri olarak kaydedilen artefakt bilgilerini sunar. Bir değişken dikotomize edilmemişse, dikotomizasyon zayıflatma faktörünün 1.00 olduğuna dikkat edin. 1 ile çarpmak, korelasyonu değişmeden bırakmaktır (bu faktör tarafından zayıflatılmamış).

Çalışmaların ilk meta-analizi için çalışma sayfasını, hem bağımsız hem de bağımlı değişkenler üzerinde dikotomizasyon artefaktı için bireysel çalışma düzeltmesini kullanan bir meta-analiz sunar. Düzeltilmiş korelasyonlar dikotomizasyon için düzeltilir, ancak ölçüm hatası için düzeltilmez. Bu nedenle, kısmen düzeltilmiş korelasyonlardır.

Gerçek korelasyonların standart sapması bu nedenle .175’tir. Bu, 0,575’lik bir ortalama korelasyonla karşılaştırıldığında bile oldukça büyük bir standart sapmadır. Bu, ana moderatör değişken hipotezi ile tutarlıdır. Çalışma koşullarının, performans ve görev süresi arasındaki korelasyonun bir moderatörü olduğu önceden varsayıldı. Bu hipotezi test etmek için, her bir çalışma grubu içinde ayrı ayrı bir meta-analiz gerçekleştirebiliriz.

Moderatör Değişkeni 

İyi çalışma koşullarına sahip işler için, ortalama korelasyon .77’dir ve standart sapma .14’tür. Bu koşuldaki korelasyonların dağılımı normal ise, %95 güvenilirlik aralığı olacaktır.

Ortalama korelasyonlar oldukça farklıdır, .77’ye karşı .35. Bu bulgu, çalışma koşullarının moderatör değişken olduğunu göstermektedir. Bu kalan varyansın ne kadarının bilinmeyen ve düzeltilmemiş eserlerden kaynaklandığını bilemesek de, her bir çalışma grubu içinde artık varyasyon vardır. Güvenilirlik aralıklarının gösterdiği gibi, iki dağılım örtüşmektedir, ancak bu, moderatör değişkenin (çalışma koşulları) aslında ortancada bölünmüş bir süreklilik olduğu gerçeğiyle açıklanabilir.

Böylece, bir kümenin üst ucu diğerinin alt ucudur. Kalan varyasyonun çoğu, çalışma koşullarındaki daha ince derecelerin kodlanmasıyla açıklanabilir.

Bu meta-analizleri hesaplarken, her iki alt küme meta-analizinin örnekleme hatası varyansı hesaplamalarında genel ortalama düzeltilmemiş r .290’ı kullandık. Sonuçlar, gösterilen ayrı ortalama rs kullanılarak hesaplanabilir (iyi ve kötü çalışma koşulları için .414 ve .167). Bu biraz daha doğru sonuçlar verecektir. Bunu okuyucu için bir alıştırma olarak bırakıyoruz.

Son olarak, uygun ayarlanmış Ni girilirse, kısmen düzeltilmiş korelasyonların meta analizinin INTNL bilgisayar programı (bakınız Ek A) kullanılarak yapılabileceğini not ediyoruz. 

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

Çalışmalar arasında sonuçlarda büyük, gerçek farklılıklar varsa, yalnızca özet sonuca dayalı herhangi bir sonuç, belirli bir miktarda hata gerektirir. Bu, etkileşimleri veya moderatör etkilerini görmezden gelmenin bilinen sorunudur. Bununla birlikte, artefaktların neden olduğu varyasyon, var olmayan metodolojik ve asli moderatörlere atfedilirse, daha da büyük hatalar yapılabilir.

Örneğin, meta-analiz çağından önce, tanınmış bir psikolog, çeşitli araştırma alanlarındaki sonuçlardaki farklılıklar nedeniyle cesaretini o kadar kırmıştı ki, psikolojideki herhangi bir bulgunun bir nesilden diğerine geçmesinin pek olası olmadığı sonucuna vardı. her kohort, araştırma sonuçlarını değiştirecek bazı sosyal boyutlarda her zaman farklılık gösterecektir.

Böyle bir konum, örnekleme hatası varyansının ve diğer yapay varyansın somutlaştırılmasını yansıtır. Böyle bir şeyleştirme, yalnızca epistemolojik hayal kırıklığına değil, aynı zamanda, soruyu cevaplamak için yeterli veri mevcutken, çalışmaları sonsuz bir şekilde tekrarlamak için harcanan muazzam çabaya da yol açar.

Büyük bir düzeltilmiş standart sapma varsa, çalışmaları aralarındaki ilgili farklılıklar temelinde gruplara ayırarak çalışmalar arasındaki varyasyonu açıklamak mümkün olabilir. Bu döküm, çalışmaların kategorilere açık bir alt bölümü olabilir veya çalışma özelliklerinden çalışma sonuçlarını tahmin etmek için regresyon yöntemlerini kullanan örtük bir döküm olabilir.

Bunların her ikisi de ayrıntılı olarak ele alınacaktır. Ancak, bir sonraki bölümde böyle bir dökümün yalnızca önemli bir düzeltilmiş varyans varsa denenmesi gerektiğini göstereceğiz. Aksi takdirde, moderatör arayışı, örneklem hatalarının büyük harf kullanımı nedeniyle çalışmaların yorumlanmasına ciddi hatalar getirebilir.

Moderatör Analizinde Örnekleme Hatasında Kodlama Çalışması Özellikleri ve Büyük Harf Kullanımı

Meta-analiz süreci Glass ve arkadaşları tarafından bileşik bir süreç olarak tanımlandı: (1) çalışmalar arasında tanımlayıcı istatistiklerin kümülasyonu; (2) çalışma tarihi, iç geçerliliğe yönelik tehditlerin sayısı ve benzeri gibi belki de 50 ila 100 çalışma özelliğinin kodlanması; ve (3) çalışma sonucunun kodlanmış çalışma özellikleri üzerine regresyonu.

Bu tür kodlamalar, araştırma entegrasyon sürecinde işin %90 ila %95’ini oluşturabilir. Yine de bu kodlama işi tamamen boşa gidebilir. Örnekleme hatası ve diğer artefaktlar için düzeltmeler yaptığımız kendi araştırmamızda, bu düzeltmelerden sonra kalan çalışmalar arasında genellikle çok az kayda değer farklılıklar bulduk.

Diğer bir deyişle, örnekleme hatası ve diğer artefaktlar çıkarıldıktan sonra çalışma sonuçlarında genellikle önemli bir değişiklik olmadığı deneyimimize göre (çalışmalar arasında varyasyona neden olan tüm artefaktları düzeltmenin hiçbir zaman mümkün olmamasına rağmen). Bu gibi durumlarda, çalışma özellikleriyle gözlemlenen tüm korelasyonlar, az sayıda çalışma nedeniyle örnekleme hatasının kapitalizasyonunun sonucu olacaktır.

Düzenleyici değişken nedir
Aracı değişken analizi nedir
Moderator Mediator değişken
Düzenleyici değişken analizi
Aracı değişken nedir
Aracı ve düzenleyici değişken
Aracı değişken örnekleri
Moderator değişken örnekleri

Örnekleme hatası dışında çok az varyasyon varsa, bağımlı değişken (çalışma sonucu: r veya d istatistiği) düşük güvenilirliğe sahiptir. Örneğin, korelasyonlardaki çalışma arası varyansın %90’ı yapaylıktan kaynaklanıyorsa, çalışma sonucu değişkeninin güvenilirliği yalnızca .10’dur ve bu nedenle herhangi bir çalışma özelliği ile çalışma sonucu arasındaki maksimum korelasyon .10’un karekökü olur. 

Bu nedenle, çalışma özellikleri ve çalışma sonuçları arasında gözlemlenen büyük korelasyonlar, yalnızca örnekleme hatası nedeniyle meydana gelebilir. Çalışma özellikleri ile çalışma sonuç istatistikleri (rs veya d değerleri) arasında ilişki kurmak, istatistiksel olarak anlamlı olacak kadar büyük korelasyonlar ex post facto tanımlandığında, şans eseri büyük harf kullanımına yol açar.

Örnekleme hatası çok büyüktür çünkü bu analiz için örneklem büyüklüğü çalışmalardaki kişi sayısı değil, çalışma sayısıdır. Örneğin, gözlem olarak yalnızca 50 çalışma (mevcut meta-analizlerin tipik özelliği) ile çalışma sonucunun 40 çalışma özelliği (mevcut meta-analizlerin tipik özelliği) üzerine çoklu regresyonu, örnekleme hatası üzerinde büyük harf kullanımıyla 1.00 civarında bir çoklu korelasyona yol açacaktır. Gerçekten de, bazı çalışmalar çalışmalardan daha fazla çalışma özelliğine sahiptir, bu durumda çoklu korelasyonun fiat ile her zaman 1.00 olduğu bir durumdur.

Birçok meta-analiz aşağıdaki şekilde yapılır. Araştırmacılar, çalışma sonuçlarıyla en yüksek düzeyde ilişkili olan 5’i bulmak için önce 40 çalışma özelliğini inceler. Ardından, 5 tahmin edici için bir küçülme formülü (eğer kullanılıyorsa) kullanarak bu 5 ile çoklu regresyon kullanırlar.

Bununla birlikte, 40’tan en iyi 5’i seçmek, yaklaşık olarak 40 tahmin ediciden artan bir regresyon yapmakla aynıdır ve bu nedenle, büzülme formülünde 5 yerine 40 kullanılmalıdır. Çoğu durumda, uygun büzülme düzeltmesi, gerçek çoklu korelasyonun 0’a yakın olması.

Yyalnızca çalışma sonuçlarıyla en yüksek korelasyona sahip olan çalışma özellikleri korunduğunda ve regresyon analizine girildiğinde, şansa dayalı kapitalizasyon sorununun ne kadar ciddi olduğunu göstermektedir. Tablo 2.4, her çalışma karakteristiğinin çalışma sonuçlarıyla 0 bağıntılı olduğu ve tüm çalışma özelliklerinin birbiriyle 0 bağıntılı olduğu bir durumu göstermektedir.

Bu nedenle,  tüm çoklu bağıntıların gerçek değeri 0’dır; tablodaki tüm çoklu korelasyonlar yalnızca örnekleme hatasında büyük harf kullanımıyla üretilir. Tipik bir örnek düşünün. Kodlanan çalışma özelliklerinin sayısının 20 olduğunu ve çalışma korelasyonlarıyla en yüksek korelasyona sahip 4’ünün tutulduğunu ve regresyon analizinde kullanıldığını varsayalım. Çalışma sayısı 100 ise, beklenen çoklu R .36’dır, bu da yüksek oranda “istatistiksel olarak anlamlı” bir değerdir (p = .0002)

60 çalışma varsa, sahte çoklu R ortalama olarak .47 olacaktır. Sadece 40 çalışma varsa, .58 olacaktır. Tablo 2.4’teki her hücrede gerçek çoklu R’nin 0 olduğunu unutmayın. Tablo 2.4’teki değerler ortalama değerlerdir; bunlar en büyük değerler değildir. Gözlemlenen çoklu R’lerin yaklaşık yarısı, Tablo 2.4’teki değerlerden daha büyük olacaktır.

20 çalışma özelliğinden 4’ünün korunduğu durum, bazı gerçek meta-analizleri temsil etmektedir. Ancak, daha fazla sayıda çalışma özelliği genellikle kodlanır; örneğin, 40 ila 50 özelliğin kodlanması olağandışı değildir. 40’ı kodlanır ve 4’ü korunursa, sahte çoklu R’nin 40 çalışma ile .68, 60 çalışma ile .55 ve 80 çalışma ile .48 olması beklenebilir.

Çoklu R’nin sahte bir şekilde büyük olmasının nedeni, korunan çalışma karakteristik korelasyonlarının (şans) örnekleme hatasında büyük harf kullanımı ile gerçek 0 değerlerinden yukarı doğru saptırılmasıdır. Örneğin, 60 çalışma varsa ve 40 çalışma özelliği kodlanmışsa ancak yalnızca ilk 4 korunuyorsa, tutulan 4’ün korelasyonu ortalama .23 olacaktır. Bu korunan özellikler daha sonra .55’lik sahte bir R çarpımı verir.

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