Bir dizi çalışmada sıfır hipotezi doğruysa, anlamlılık için temel oran %50 değil %5’tir. 20 çalışmada 1’den fazlası anlamlılık bulursa, bazı çalışmalarda sıfır hipotezi yanlış olmalıdır. O halde, %5 taban oranı bilen bazı yorumcular tarafından yapılan bir hatadan kaçınmalıyız.

%35 anlamlı bulgu göz önüne alındığında, bazıları “%5 şans eseri önemli olacağından, bu, sıfır hipotezinin gerçekten yanlış olduğu araştırmaların sayısının 35 -5 = %30 olduğu anlamına gelir” sonucuna varmıştır. Varsayımsal örneğimiz bu akıl yürütmenin yanlış olduğunu göstermektedir. Her çalışmada popülasyon korelasyonu .20 ise ve örneklem büyüklüğü her zaman 40 ise, sıfır hipotezi her durumda yanlış olsa bile, çalışmaların sadece %35’inde anlamlı bulgular olacaktır.

Önemlilik testi sonuçlarının tipik kullanımı, geleneksel inceleme çalışmalarında büyük hatalara yol açar. Bu tür incelemelerin çoğu, literatürdeki “çatışan sonuçları” çözmek için daha fazla araştırmaya ihtiyaç olduğu konusunda yanlış bir sonuca varıyor. Gözden geçirme çalışmalarında bu hatalar ancak anlamlılık testlerinin yorumlanmasındaki hatalar ortadan kaldırılabilirse ortadan kaldırılabilir. Yine de, nesilden nesile yüksek lisans öğrencilerine güç öğreten bizler, akıl yürütme süreçlerini ve% 5 hata oranına olan yanlış inancı değiştiremedik.

Bu örnek kritik bir noktayı göstermektedir. Çalışmaları yorumlarken istatistiksel anlamlılık testlerine geleneksel olarak güvenmek, çalışma sonuçlarının ne anlama geldiği konusunda yanlış sonuçlara yol açar; aslında, veri analizine yönelik geleneksel yaklaşım, çoğu araştırma alanında doğru sonuçlara ulaşmayı neredeyse imkansız hale getirir.

Önem testine geleneksel güvenin bu eleştirisine ortak bir tepki şuna benzer: “Açıklamanız açık ama bu kadar önemli bir konuda bu kadar uzun süredir bu kadar çok araştırmacının (ve hatta bazı metodolojistlerin) nasıl bu kadar yanılmış olabileceğini anlamıyorum. Verileri analiz etmenin doğru yolu olarak mı? Psikologlar ve diğerleri, önem testinin tuzaklarını nasıl göremediler?” Yıllar boyunca, bir dizi metodoloji uzmanı bu soruyu ele aldı.

Birincisi, istatistik derslerinde genç araştırmacılara tipik olarak Tip I hata hakkında çok şey öğretildi ve Tip II hata ve istatistiksel güç hakkında çok az şey öğretildi. Bu nedenle, tipik çalışmada hata oranının çok büyük olduğunun farkında değiller; hata oranının kullanılan alfa seviyesi olduğuna inanma eğilimindedirler.

Ek olarak, ampirik araştırmalar, çoğu araştırmacının, anlamlılık testlerinin kullanılmasının, verilerini anlamada kendilerine var olmayan birçok fayda sağladığına inandığını göstermektedir. Çoğu araştırmacı, istatistiksel olarak anlamlı bir bulgunun, yeni bir çalışma yapıldığında tekrarlanacağı anlamında “güvenilir” bir bulgu olduğuna inanmaktadır.

İstatistik SONUÇLARININ YORUMU: p değeri ve güven aralığı nedir
P değeri 0.05 eşitse
Anlamlılık düzeyi formülü
P değeri yorumlama
İstatistiksel anlamlılık Nedir
Anlamlılık düzeyi Nedir
Anlamlılık nedir
0.01 anlamlılık düzeyi

Örneğin, bir sonuç .05 düzeyinde anlamlıysa, sonraki çalışmalarda (eğer yürütülürse) tekrarlanma olasılığının 1.00 − .05 = .95 olduğuna inanırlar. Bu inanç tamamen yanlıştır. Tekrarlama olasılığı, çalışmanın istatistiksel gücüdür ve neredeyse her zaman 0,95’ten çok daha düşüktür (örneğin, tipik olarak 0,50 veya daha az).

Çoğu araştırmacı aynı zamanda yanlış bir şekilde, eğer bir sonuç önemsizse, bunun muhtemelen tesadüften kaynaklandığı sonucuna varılabileceğine inanır, örneğimizde gösterildiği gibi, başka bir yanlış inanç. Önem testleri tarafından sağlanan bilgilerin yararlılığı hakkında yaygın ancak yanlış inanışlar da vardır.

Bu noktada başka bir gerçek daha önemlidir: Fizik ve kimya gibi fizik bilimleri, verilerini yorumlarken istatistiksel anlamlılık testi kullanmazlar. O halde, bu bilimlerin, araştırmacılar anlamlılık testlerine güvendiklerinde kaçınılmaz olan, burada açıklanan zayıflatıcı sorunları yaşamamış olmaları tesadüf değildir.

Fizik bilimlerinin, önem testine güvenmeyi bilim dışı olarak kabul ettiği göz önüne alındığında, pek çok psikoloğun, bu tür testlerin veri analizi ve yorumunda nesnel ve bilimsel olarak doğru bir yaklaşım olduğu gerekçesiyle, anlam testlerinin kullanımını savunması ironiktir.

Aslında, anlamlılık testini savunmaya çalışan psikologların ve diğer davranış bilimcilerinin genellikle boş hipotez istatistiksel anlamlılık testini genel olarak bilimsel hipotez testiyle eşitledikleri deneyimimiz olmuştur. Hipotez testinin bilim için merkezi olduğunu ve anlamlılık testinin terk edilmesinin, hipotez testi olmaksızın bir bilime sahip olma girişimi anlamına geleceğini savunuyorlar.

Bilimde önem testi ve hipotez testinin bir ve aynı şey olduğuna yanlış bir şekilde inanıyorlar. Bu inanç, fizik, kimya ve diğer fizik bilimlerinin hipotez testi üzerine inşa edilmedikleri için meşru bilimler olmadığını söylemekle eşdeğerdir.

Bu inancın bir başka mantıklı anlamı, 1930’larda Fisher (1932) tarafından sıfır hipotezi anlamlılık testinin getirilmesinden önce, hiçbir meşru bilimsel araştırmanın mümkün olmadığıdır. Gerçek şu ki, elbette, bilimsel hipotezleri test etmenin birçok yolu vardır ve anlamlılık testi, bunu yapmanın en az etkili yöntemlerinden biridir.

İstatistiksel Güç Çözüm Müdür?

Bazı araştırmacılar, anlamlılık testiyle ilgili tek sorunun düşük güç olduğuna ve bu sorun çözülebilirse, anlamlılık testine güvenmeyle ilgili hiçbir sorun olmayacağına inanmaktadır. Bu bireyler, çözümü daha büyük örneklem boyutları olarak görmektedir. Her araştırmacı, her çalışmayı yapmadan önce “yeterli” güç için gereken denek sayısını hesaplarsa ve sonra bu örnek büyüklüğünü kullanırsa sorunun çözüleceğine inanıyorlar.

Bu pozisyonun gözden kaçırdığı şey, bu gerekliliğin çoğu çalışmanın yürütülmesini imkansız kılacağıdır. Belirli bir alanda araştırmanın başlangıcında, sorular genellikle “A Tedavisinin bir etkisi var mı?” şeklindedir. (örneğin, kişilerarası beceri eğitiminin bir etkisi var mı? Bu yordayıcının herhangi bir geçerliliği var mı?).

A Tedavisinin gerçekten önemli bir etkisi varsa, yeterli güç için gereken örneklem büyüklüğü engelleyecek kadar büyük olmayabilir. Ancak araştırmalar geliştikçe, sonraki sorular “A Tedavisinin etkisi, B Tedavisinin etkisinden daha büyük mü?” şeklini alma eğilimindedir. (örneğin, yeni eğitim yönteminin etkisi eski yöntemin etkisinden daha mı büyük? Öngörücü A, Öngörücü B’den daha mı geçerli?).

Efekt boyutu daha sonra iki efekt arasındaki fark olur. Bu tür etki büyüklükleri genellikle küçük olacaktır ve bu nedenle gerekli örnek büyüklükleri genellikle oldukça büyüktür – 1.000 veya 2.000 veya daha fazla. Ve bu sadece .80’lik bir güce ulaşmak içindir; bu, sıfır hipotezi yanlış olduğunda hala %20’lik bir Tip II hata oranına izin verir – çoğu kişinin yüksek kabul edeceği bir hata oranı. Pek çok araştırmacı ne kadar uğraşırsa uğraşsın bu kadar konuyu elde edemez; ya kaynaklarının ötesindedir ya da konular ne pahasına olursa olsun kullanılamaz. Bu nedenle, bu pozisyonun sonucu, o kadar çok -belki de çoğu- çalışmanın hiç yapılmayacağı olacaktır.

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

Oy sayımı, istatistiksel olarak anlamlı olan ve olmayan çalışmaların sayısının sayılması ve ardından kazananın seçilmesi işlemidir. Bu yaklaşım, neden hiçbir geçerliliği olmadığını açıkladığımız tartışılmaktadır. Burada sadece geçerli bir yaklaşım olan işaret testi (aşağıda) ile karıştırılmaması için değiniyoruz.

İŞARET TESTİ

Bir işaret testinde, bulguların istatistiksel olarak anlamlı olup olmadığına bakılmaksızın, bir yönde bulguları olan araştırmaların sayısını sayar ve bunu diğer yönde bulguları olan çalışmaların sayısıyla karşılaştırırız. İşaret testi, ne çalışmalarda gözlemlenen gerçek etki büyüklüklerini ne de her bir çalışma içindeki kanıt miktarını (örneğin, örneklem büyüklükleri) hesaba katmaz. Bu nedenle çok sınırlı bir değere sahiptir. Ancak, aşağıdaki durumlardan herhangi birinde düşünülebilir.

• Çalışmalardan sayısal olmayan veriler sağlandığında, ancak etki yönleri sağlanmıştır.
• Sayısal veriler, istatistiksel olarak birleştirilemeyecek kadar farklı türde olduğunda
• Çalışmalar popülasyonlarında veya diğer özelliklerde farklı olduğunda, birleştirilmiş etki büyüklüğü anlamsızdır, ancak çalışmalar hala etkinin yönünün anlamlı olduğu kadar benzer bir soruyu ele almaktadır.

Bir tedavi gerçekten etkisiz ise, çalışmaların yarısının etkisiz çizginin her iki tarafında yer almasını bekleriz. Bunu, bir yöndeki çalışmaların sayısını %50’lik boş değerle karşılaştırarak resmi olarak test edebiliriz.

Örneğin, streptokinaz meta-analizinde, 33 çalışmadan 25’i tedaviyi destekledi (yani risk oranı için nokta tahmini 1.0’dan azdı) ve 8 çalışma kontrolü tercih etti (yani nokta tahmini vardı) 1.0’dan büyük risk oranı).

İşaret testi için iki taraflı p değeri 0,00455’tir (Excel’de 5 2*BİNOM-DAĞ(8,33,0,5,DOĞRU) işlevi 0,00455 döndürür). Veya işaret testi için tek taraflı p değeri 0,0023’tür (5BINOMDAĞ(8,33,0,5;DOĞRU) işlevi 0,0023 döndürür). Excel’de iki sayıdan küçüğünü ve toplamı (burada, 8 ve 33) girmemiz gerektiğini unutmayın.

p -DEĞERLERİNİN BİRLEŞTİRİLMESİ

Efekt boyutlarıyla çalışmak istemediğimizde başka bir seçenek de, genel bir p değeri elde etmek için her testten alınan p değerleriyle doğrudan çalışmaktır. Her ikisi de çalışmalar arasındaki ortalama etkinin sıfır olduğunu (veya bir oran için 1.0) sıfırı test eden bir özet etki büyüklüğü için işaret testi veya p-değerinden farklı olarak, p-değerlerini birleştirmeye dayalı testler, boş değeri test eder. tüm çalışmalarda etki büyüklüğü sıfırdır. Başka bir deyişle, p-değerlerini birleştirir ve anlamlı bir etki elde edersek, dahil edilen çalışmaların en az birinde etkinin gerçek olduğu sonucuna varırız.

Hangi yaklaşımın kullanılacağına karar verirken (etki büyüklüklerinin veya p değerlerinin bir meta analizi), bazı (veya tüm) çalışmaların p değerleri bildirmiş olması (etki büyüklüğü değil) bir faktör olmamalıdır. Bunun nedeni, p değeri ve bazı ek bilgilerle (örnek boyutu gibi) başlayarak, genellikle etki büyüklüğünü ve varyansını geri hesaplayabilmemiz ve ardından etki büyüklüklerinin bir meta-analizini gerçekleştirebilmemizdir.

P değeri nasıl hesaplanır
P değeri yorumlama
P değeri ve güven aralığı
P değeri 0.05 ten büyükse
P değeri formülü
P değeri nedir
P değeri hesaplama programı
Excel p değeri hesaplama

Bunun yerine, p-değerlerini birleştirme yaklaşımı aşağıdaki koşullar altında düşünülebilir.

• Eğer test etmek istiyorsak, bu etki tüm çalışmalarda sıfırdır. Bu, örneğin, her çalışma bir ilaç için farklı bir ciddi yan etki arıyorsa ve biz bu yan etkilerden herhangi birinin mevcut olduğuna dair kanıt olup olmadığını bilmek istiyorsak durum böyle olabilir.
• Burada ayrı testlerin yeterli güce sahip olduğunu varsayıyoruz.
• Her çalışmadan p değerlerine sahip olduğumuzda ancak örneklem büyüklüklerine sahip olmadığımızda (ve bu nedenle etki büyüklüğünü geriye dönük hesaplayamadığımızda)
• Çalışmalar kendi popülasyonlarında veya diğer özelliklerde farklı olduğunda, havuzlanmış etki büyüklüğü anlamsızdır, ancak etkilerden herhangi birinin sıfırdan farklı olup olmadığını sormak anlamlıdır.

Bu noktalardan son ikisi, işaret testi için listelediklerimizle aynıdır, ancak burada her çalışmadan daha fazla bilgiye sahibiz (p değeri ve etki yönü). Sıfır hipotezi, işaret testi için (ortalamada sıfırdan farklı bir etki) birleşik p değerleri testinden (en az bir çalışmada sıfırdan farklı bir etki) farklı olduğundan, sıfır hipotezimize uyan testi seçerdik.

p değerlerinin meta analizini gerçekleştirmek için iki yöntem açıklıyoruz. Her iki yöntem için de analizin başlangıç ​​noktasının bir dizi kesin tek uçlu (veya tek taraflı) p-değeri olması çok önemlidir. Bu, bir yöndeki bir etkinin 0.0 ila <0.5 aralığında bir p değeri verirken, diğer yöndeki bir etkinin > 0.5 ila 1.0 aralığında bir p değeri verdiği anlamına gelir. Her iki grupta da etkinin aynı olduğu bir çalışma, tam olarak 0,50 p değerine sahip olacaktır.

Tek kuyruklu p değerleri, etki yönü hakkında bilgi içerirken, iki kuyruklu p değerleri içermez. Örneğin, çalışmaları düşünün. İlk iki çalışma (A ve B) aynı iki taraflı p-değerine sahiptir, ancak zıt yönlerde etkileri vardır: ilki kontrolü, ikincisi ise tedaviyi tercih eder. Tek kuyruklu p değeri bunu yansıtır.

Aynı şey C ve D çalışmaları için de geçerlidir. Bu ekstra çalışmaları, p-değerlerini birleştirmek için tanımladığımız yöntemlerin A ve C çalışmalarını tam olarak aynı şekilde ele aldığını ve B ve D çalışmalarını tam olarak ele aldığını hatırlatmak için şemaya dahil ediyoruz. aynı yol. Başka bir deyişle, küçük bir çalışmada büyük bir etkiden kaynaklanan bir p değeri ile daha büyük bir çalışmada daha küçük bir etkiden kaynaklanan aynı p değeri arasında ayrım yapmazlar.

Efekt boyutlarıyla çalışırken (ve efekt boyutunu hesaplamak için bir p değeri kullanırken) olduğu gibi, gerçek p değeriyle başlamamız gerekir. Yalnızca p-değerinin 0,05’in altına düştüğü söylenirse (örneğin) 0,05 ile çalışmayı veya çalışmayı analizden çıkarmayı seçebiliriz. Gerçek değer 0,05’ten çok daha düşük olduğunda 0,05 kullanmak, boş değer doğruysa tip I hata olasılığını düşürür, ancak boş değer yanlışsa tip II hata olasılığını artırır.

Yani, kaydedilen p-değerlerinin toplamının eksi 2 katıdır, burada pi, (i) çalışmasından gelen tek taraflı p-değeridir ve k, etütlerin sayısıdır. Her çalışmada hiçbir etkisi olmayan sıfır hipotezi altında, X2, 2 􏰉 k’ye eşit serbestlik dereceleriyle merkezi bir ki-kare dağılımını izleyecektir, bu nedenle çalışmalar arasında birleştirilmiş kanıtlar için bir p-değeri bildirebiliriz.

İkinci yöntem Stouffer yöntemi olarak bilinir. Her bir tek taraflı p-değerinden standart bir normal sapma, Zi hesaplarız (bu standart normal sapma, genellikle p-değeri yerine doğrudan etki büyüklüğünden ve bunun standart hatasından hesaplanır).

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