প্রশ্নের উত্তর দেওয়া মুশকিল, কারণ এটি মেটা-বিশ্লেষণমূলক সাহিত্যের বেশিরভাগ ক্ষেত্রে একটি সাধারণ বিভ্রান্তি এবং বিশৃঙ্খলাজনিত রাষ্ট্র-বিষয়ক ইঙ্গিতযুক্ত (ওপি এখানে দোষ দেবেন না - এটি সাহিত্যের এবং পদ্ধতিগুলির বর্ণনা) , মডেল এবং অনুমান যা প্রায়শই গোলযোগ হয়)।
তবে একটি দীর্ঘ গল্প সংক্ষিপ্ত করার জন্য: না, আপনি যদি একগুচ্ছ অনুমানকে একত্রিত করতে চান (যা কোনও প্রকারের প্রভাব, একাধিক সংস্থান বা অন্য কোনও ফলাফলকে প্রাসঙ্গিক বলে মনে করা হয়) এবং এই সংখ্যাগুলি একত্রিত করা বুদ্ধিমান, তাহলে আপনি তাদের (নিরবিচ্ছিন্ন) গড় নিতে পারলেন এবং এটি পুরোপুরি ঠিক আছে। এর সাথে এবং মডেলগুলির অধীনে আমরা কোনও ধারণা করি না যখন আমরা কোনও মেটা-বিশ্লেষণ করি তখন সাধারণত এটি একটি পক্ষপাতদুষ্ট অনুমান করে (ধরে নেওয়া যায় যে অনুমানগুলি নিজেরাই পক্ষপাতিত্বহীন)। সুতরাং, না, অনুমানগুলি একত্রিত করার জন্য আপনার স্যাম্পলিং বৈকল্পগুলির প্রয়োজন নেই।
তাহলে কেন বিপরীততম ভারসাম্যটি ভারী প্রকৃতপক্ষে একটি মেটা-বিশ্লেষণ করার প্রায় সমার্থক? এটি সাধারণ ধারণার সাথে সম্পর্কিত যে আমরা ছোট অধ্যয়নের চেয়ে বৃহত্তর অধ্যয়নের (আরও বেশি নমুনা বৈকল্পের সাথে) আরও বেশি বিশ্বাসযোগ্যতা সংযুক্ত করি larger প্রকৃতপক্ষে, সাধারণ মডেলগুলির অনুমানের অধীনে, বিপরীত-ভারসাম্য ওজন ব্যবহার করা অভিন্ন ন্যূনতম বৈকল্পিক নিরপেক্ষ অনুমানের দিকে পরিচালিত করে(UMVUE) - ভাল, আবার, নিরপেক্ষ অনুমানগুলি ধরে নিয়ে এবং নমুনা বৈকল্পিকগুলি আসলে প্রায়শই সঠিকভাবে জানা যায় না তা উপেক্ষা করে, তবে তারা নিজেরাই এবং এলোমেলো-প্রভাবের মডেলগুলিতে অনুমান করা হয়, আমাদের অবশ্যই ভিন্ন ভিন্নতার জন্য বৈকল্পিক উপাদানটি অনুমান করতে হবে, তবে আমরা কেবল এটি একটি পরিচিত ধ্রুবক হিসাবে বিবেচনা করেছি, যা একেবারেই ঠিক নয় ... তবে হ্যাঁ, আমরা যদি আমাদের চোখকে খুব শক্ত করে ফেলে রাখি এবং এর মধ্যে কিছুটিকে উপেক্ষা করি তবে আমরা বিপরীত-ভারসাম্য ওজনকে ব্যবহার করি তবে আমরা ইউএমভিউ পেতে পারি of সমস্যা।
সুতরাং, এটি এখানে অনুমানকারীর দক্ষতা যা ঝুঁকির মধ্যে রয়েছে, তা নিরপেক্ষতা নিজেই নয়। তবে একটি অবিবাহিত গড়ও সাধারণত বিপরীত-ভারসাম্যযুক্ত ওজনযুক্ত গড় ব্যবহারের চেয়ে পুরোটা কম দক্ষ হবে না, বিশেষত এলোমেলো-প্রভাবের মডেলগুলিতে এবং যখন ভিন্নতার পরিমাণ বেশি হয় (এক্ষেত্রে স্বাভাবিক ওজন স্কিম প্রায় অভিন্ন ওজনের দিকে পরিচালিত করে যাহাই হউক না কেন!)। তবে এমনকি ফিক্সড-ইফেক্ট মডেলগুলিতে বা সামান্য ভিন্ন ভিন্নতা সহ, পার্থক্যটি প্রায়শই অপ্রতিরোধ্য হয় না।
এবং যেমনটি আপনি উল্লেখ করেছেন, কেউ সহজেই অন্যান্য ওজন স্কিমগুলিও বিবেচনা করতে পারে যেমন নমুনা আকার বা এর কোনও ফাংশন দ্বারা ওজন করা, তবে আবার এটি কেবল বিপরীত-বৈকল্পিক ওজনের কাছাকাছি কিছু পাওয়ার চেষ্টা করা (যেহেতু নমুনা বৈকল্পিকগুলি হয়, একটি অধ্যয়নের নমুনা আকার দ্বারা নির্ধারিত একটি বিশাল পরিমাণ)।
তবে সত্যই, ওজন এবং প্রকরণের বিষয়টি পুরোপুরি 'ডিকুয়াল' করা উচিত এবং হওয়া উচিত। এগুলি সত্যই দুটি পৃথক টুকরো যার বিষয়ে একজনকে ভাবতে হবে। তবে সাহিত্যে জিনিসগুলি সাধারণত কীভাবে উপস্থাপন করা হয় তা ঠিক তা নয়।
যাইহোক, এখানে মুল বক্তব্যটি হ'ল আপনার উভয়ের সম্পর্কে সত্যই চিন্তা করা দরকার। হ্যাঁ, আপনি আপনার সম্মিলিত প্রাক্কলন হিসাবে একটি অপ্রকাশিত গড় নিতে পারেন এবং এটি প্রকৃতপক্ষে একটি মেটা-বিশ্লেষণ হতে পারে তবে একবার আপনি এই সম্মিলিত প্রাক্কলনের উপর ভিত্তি করে সূচনাগুলি শুরু করতে চান (উদাহরণস্বরূপ, একটি অনুমান পরীক্ষা পরিচালনা করুন, একটি আত্মবিশ্বাসের ব্যবধান তৈরি করুন) ), আপনাকে নমুনা বৈকল্পিকগুলি জানতে হবে (এবং ভিন্নতার পরিমাণ)। এটিকে নিয়ে এইভাবে চিন্তা করুন: আপনি যদি একাধিক ছোট (এবং / অথবা খুব ভিন্ন ভিন্ন) অধ্যয়ন একত্রিত করেন তবে আপনি একই সংখ্যাকে খুব বড় (এবং / বা সমজাতীয়) একত্রিত করার তুলনায় আপনার পয়েন্ট আনুমানিকটি পুরোপুরি খুব কম সুনির্দিষ্ট হতে চলেছে than অধ্যয়ন - সম্মিলিত মান গণনার সময় আপনি কীভাবে আপনার অনুমানকে ওজন করেছেন তা নির্বিশেষে
আসলে, যখন আমরা অনুমানমূলক পরিসংখ্যানগুলি শুরু করি তখন নমুনার বৈকল্পগুলি (এবং ভিন্নতার পরিমাণ) না জেনেও কিছু উপায় রয়েছে। কেউ পুনরায় মডেলিংয়ের (যেমন, বুটস্ট্র্যাপিং, ক্রমুয়েশন টেস্টিং) বা এমন পদ্ধতিগুলির উপর ভিত্তি করে বিবেচনা করতে পারে যেগুলি মডেলগুলির অংশগুলি ভুলভাবে বর্ণনা করার পরেও সম্মিলিত অনুমানের জন্য সামঞ্জস্যিক মান ত্রুটিগুলি উপস্থাপন করে - তবে এই পদ্ধতিগুলি কীভাবে কাজ করতে পারে তা যত্ন সহকারে মূল্যায়নের প্রয়োজন a কেস দ্বারা কেস ভিত্তিতে।