ইফেক্ট আকারের মেট্রিকের জন্য কোহেনের ডি এবং হেজেস-এর মধ্যে পার্থক্য

19

একটি প্রভাব আকার বিশ্লেষণের জন্য, আমি লক্ষ করছি যে কোহেনের ডি, হেজেসস এর জি এবং হেজেসস জি * এর মধ্যে পার্থক্য রয়েছে।

এই তিনটি মেট্রিক কি সাধারণত খুব একই রকম হয়?
এমন ক্ষেত্রে কী ঘটবে যেখানে তারা বিভিন্ন ফলাফল আনবে?
এছাড়াও আমি পছন্দসই বিষয় যা আমি ব্যবহার করি বা রিপোর্ট করছি?

effect-size cohens-d

1

যদি কোনও সম্ভাব্য উত্তরদাতার সূত্রগুলির জন্য এটি দরকারী তবে এখানে তালিকাভুক্ত করা হয়েছে: en.wikedia.org/wiki/Effect_size

— জেরোমি অ্যাংলিম

এন 1, এন 2, এস 1, এস 2 এবং জনসংখ্যার পার্থক্যের সাথে আর এর একটি সিমুলেশন একটি দুর্দান্ত অনুশীলন করবে। যে কেউ?

— জেরোমি অ্যাংলিম

1

এই উপাদানটি এখানেও আচ্ছাদিত রয়েছে: হেজসের জি এবং কোহেনের ডি এর মধ্যে পার্থক্য কী ।

— গুং - মনিকা পুনরায়

18

কোহেনের ডি এবং হেজেসের জি পুল উভয়ই সমান জনসংখ্যার বৈকল্পিকের ধারনা অনুসারে, তবে জি পুলগুলি এন-এর পরিবর্তে প্রতিটি নমুনার জন্য এন - 1 ব্যবহার করে, যা আরও ভাল প্রাক্কলন সরবরাহ করে, বিশেষত ছোট আকারের নমুনার আকার। ডি এবং জি উভয়ই কিছুটা ইতিবাচক পক্ষপাতদুষ্ট, তবে কেবলমাত্র মাঝারি বা বৃহত্তর নমুনার আকারের জন্য তুচ্ছ। জি * ব্যবহার করে পক্ষপাত হ্রাস করা হয়। গ্লাস বাই ডি সমান রূপগুলি গ্রহণ করে না, সুতরাং এটি দুটি মাধ্যমের মধ্যে পার্থক্যের জন্য স্ট্যান্ডার্ডাইজার হিসাবে একটি নিয়ন্ত্রণ গ্রুপ বা বেসলাইন তুলনা গ্রুপের এসডি ব্যবহার করে।

এই প্রভাব আকারগুলি এবং ক্লিফ এবং অন্যান্য ননপ্যারমেট্রিক প্রভাবগুলির আকারগুলি আমার বইতে বিস্তারিত আলোচনা করা হয়েছে:

গ্রিসম, আরজে, এবং কিম, জে, জে (2005)। গবেষণার জন্য প্রভাব আকার: একটি বিস্তৃত ব্যবহারিক পদ্ধতির। মাহওয়াহ, এনজে: এরলবাউম।

— রবার্ট জে গ্রিসম
সূত্র

8

আমার বোধগম্য হেজস এর জি কোহেন ডি এর কিছুটা আরও সঠিক সংস্করণ (পুলড এসডি সহ) এতে আমরা ছোট নমুনার জন্য একটি সংশোধন ফ্যাক্টর যুক্ত করেছি। উভয় পদক্ষেপ সাধারণত সমকামী অনুমানের লঙ্ঘন না করলে একমত হয়, তবে আমরা এমন পরিস্থিতি খুঁজে পেতে পারি যেখানে এটি ঘটেনি , উদাহরণস্বরূপ ম্যাকগ্রাথ অ্যান্ড মায়ার, সাইকোলজিকাল মেথডস 2006, 11 (4) : 386-401 ( পিডিএফ )। অন্যান্য উত্তরপত্র আমার উত্তর শেষে তালিকাভুক্ত করা হয়।

আমি সাধারণত দেখতে পেলাম যে প্রায় প্রতিটি মনস্তাত্ত্বিক বা বায়োমেডিকাল স্টাডিতে এই কোহেনের ডি রিপোর্ট করা হয়; এটি সম্ভবত এর প্রশস্ততা ব্যাখ্যা করার জন্য থাম্বের সুপরিচিত নিয়ম থেকে দাঁড়িয়েছে (কোহেন, 1988)। আমি হেজস-এর জি (বা ক্লিফ ডেল্টাকে একটি নন-প্যারাম্যাট্রিক বিকল্প হিসাবে বিবেচনা করে) বিবেচনা করে সাম্প্রতিক কোনও কাগজ সম্পর্কে জানি না। ব্রুস থম্পসনের এপিএ বিভাগের আকারের পরিবর্তিত সংস্করণ রয়েছে has

প্রভাব আকারের পদক্ষেপগুলি সম্পর্কে মন্টি কার্লো অধ্যয়ন সম্পর্কে গুগলিং, আমি এই কাগজটি পেয়েছি যা আকর্ষণীয় হতে পারে (আমি কেবল বিমূর্ত এবং সিমুলেশন সেটআপটি পড়েছি): প্রভাব আকারের জন্য দৃust় আত্মবিশ্বাসের ব্যবস্থাগুলি: কোহেনের ডি এবং ক্লিফের ডেল্টার তুলনামূলক অধ্যয়ন অ-স্বাভাবিকতা এবং ভিন্ন ভিন্ন ভিন্নতা (পিডিএফ)।

আপনার ২ য় মন্তব্য সম্পর্কে, MBESSআর প্যাকেজটিতে ES গণনার জন্য বিভিন্ন ইউটিলিটি রয়েছে (যেমন, smdএবং সম্পর্কিত ফাংশন)।

অন্যান্য রেফারেন্স

জাকজানিস, কে (2001) সত্য বলার পরিসংখ্যান, পুরো সত্য, এবং সত্য ছাড়া কিছুই নয়: সূত্র, বর্ণনামূলক সংখ্যাসূচক উদাহরণ এবং প্রভাব আকারের হিউরিস্টিক ব্যাখ্যা নিউরোপাইকোলজিকাল গবেষকদের জন্য বিশ্লেষণ করে। ক্লিনিকাল নিউরোপসাইকোলজির আর্কাইভস , 16 (7), 653-667। ( পিডিএফ )
দুরলাক, জেএ (২০০৯) কীভাবে নির্বাচন করুন, গণনা করুন এবং প্রভাবের আকারগুলি ব্যাখ্যা করুন। পেডিয়াট্রিক সাইকোলজির জার্নাল ( পিডিএফ )

— chl
সূত্র

2

একজন বেনাম ব্যবহারকারী তাদের জন্য সমকামীতার নিম্নলিখিত সংজ্ঞাটি যুক্ত করতে চেয়েছিলেন যারা অপরিচিত W / শব্দটি হতে পারে: "এলোমেলো ভেরিয়েবলগুলির একটি সংস্থার সম্পত্তি যেখানে প্রতিটি ভেরিয়েবলের একই সীমাবদ্ধ বৈকল্পিক থাকে"।

— গুং - মনিকা পুনরায়

5

লোকেরা যখন কোহেনের কথা বলে তখন মনে হয় তাদের বেশিরভাগ অর্থ:

d = \frac{{\bar{x}}_{1} - {\bar{x}}_{2}}{s}

$d = \frac{\bar{x}_1 - \bar{x}_2}{s}$

কোথায় pooled করা হয় স্ট্যানডার্ড ডেভিয়েশন $s$

s = \sqrt{\frac{\sum (x_{1} - {\bar{x}}_{1})^{2} + (x_{2} - {\bar{x}}_{2})^{2}}{n_{1} + n_{2} - 2}}

$s = \sqrt{\frac{\sum(x_1 - \bar{x}_1)^2 + (x_2 - \bar{x}_2)^2}{n_1 + n_2 - 2}}$

পোল্ড স্ট্যান্ডার্ড বিচ্যুতির জন্য অন্যান্য অনুমানকারী রয়েছে, সম্ভবত উপরেরটি বাদে সবচেয়ে সাধারণ:

s^{*} = \sqrt{\frac{\sum (x_{1} - {\bar{x}}_{1})^{2} + (x_{2} - {\bar{x}}_{2})^{2}}{n_{1} + n_{2}}}

$s^* = \sqrt{\frac{\sum(x_1 - \bar{x}_1)^2 + (x_2 - \bar{x}_2)^2}{n_1 + n_2}}$

এখানে স্বরলিপিটি উল্লেখযোগ্যভাবে বেমানান, তবে কখনও কখনও লোকেরা বলে যে (অর্থাত্, সংস্করণ) সংস্করণটিকে কোহেন বলা হয় , এবং যে সংস্করণটি ব্যবহার করা হয় জন্য হেজের নাম সংরক্ষণ করুন (যেমন, বেসেলের সংশোধন সহ, n1 + n2−2 সংস্করণ)। যেমন কোহেন pooled স্ট্যানডার্ড ডেভিয়েশন জন্য উভয় estimators রূপরেখা এটি কিছুক্ষণ অদ্ভুত (যেমন, উপর পি। 67, কোহেন, 1977 সংস্করণ) সামনে হেজেস তাদের (হেজেস, 1981) সম্পর্কে লিখেছেন। $s^*$ $n_1 + n_2$ $d$ $g$ $s$ $s$

অন্যান্য সময় হেজের জি হেজস বিকাশকৃত মানযুক্ত পার্থক্যের পক্ষপাত সংশোধিত সংস্করণগুলির উভয়টিকেই উল্লেখ করতে সংরক্ষিত থাকে। হেজেস (1981) দেখিয়েছিল যে কোহেনের d wardর্ধ্বমুখী পক্ষপাতদুষ্ট ছিল (অর্থাত্, এর প্রত্যাশিত মানটি সত্য জনসংখ্যার প্যারামিটার মানের তুলনায় বেশি), বিশেষত ছোট নমুনায় এবং কোহেনের ডি'র পক্ষপাতদুটি সংশোধন করার জন্য একটি সংশোধন ফ্যাক্টরের প্রস্তাব করেছিলেন:

হেজেসের জি (নিরপেক্ষ অনুমানক):

g = d * (\frac{Γ (d f / 2)}{\sqrt{d f / 2} Γ ((d f - 1) / 2)})

$g = d * (\frac{\Gamma(df/2)}{\sqrt{df/2 \,}\,\Gamma((df-1)/2)})$ কোথায় জন্য একটি স্বতন্ত্র গ্রুপ নকশা, এবং গামা ফাংশন। (মূলত হেজেস 1981, এই সংস্করণটি হেজস এবং অলকিন 1985, পৃষ্ঠা 104 থেকে বিকাশিত)

d f = n_{1} + n_{2} - 2

$df = n_1 + n_2 -2$

Γ

$\Gamma$

তবে এই সংশোধন ফ্যাক্টরটি মোটামুটি গণনার ক্ষেত্রে জটিল, সুতরাং হেজেস একটি গণনাভিত্তিক তুচ্ছ অনুমানও সরবরাহ করেছিলেন যা কিছুটা পক্ষপাতদুষ্ট হলেও প্রায় সমস্ত অনুমেয় উদ্দেশ্যেই ঠিক আছে:

হেজেসের (গণনা তুচ্ছ অনুমান): $g^*$

g^{*} = d * (1 - \frac{3}{4 (d f) - 1})

$g^* = d*(1 - \frac{3}{4(df) - 1})$ যেখানে একটি স্বতন্ত্র গ্রুপ নকশার জন্য

d f = n_{1} + n_{2} - 2

$df = n_1 + n_2 -2$

(মূলত হেজেস, 1981, বোরেনস্টাইন, হেজেস, হিগিংস, এবং রোথস্টেইন, 2011, পৃষ্ঠা 27 এর এই সংস্করণ)

তবে, লোকেরা যখন কোহেনের ডি বনাম হেজেস-এর বনাম জি * বলে তখন কী বোঝায়, লোকেরা এই তিনটি অনুমানের যে কোনওটিকে হেজের জি বা কোহেনের ডি পরিবর্তনীয় হিসাবে উল্লেখ করেছেন বলে মনে হয়, যদিও আমি কখনও কাউকে " " লিখতে দেখিনি। অ-পদ্ধতি / পরিসংখ্যান গবেষণা কাগজে "। যদি কেউ "নিরপেক্ষ কোহেনের ডি" বলেন, আপনাকে কেবল শেষ দুটির মধ্যে আপনার সেরা অনুমানটি নিতে হবে (এবং আমার ধারণা হেজের জন্যও ব্যবহার করা হয়েছে এমন আরও একটি প্রাক্কলন হতে পারে !)। $g^*$ $g^*$

বা তার বেশি হলে এগুলি সমস্তই কার্যত অভিন্ন এবং সমস্তকে একইভাবে ব্যাখ্যা করা যায়। সমস্ত ব্যবহারিক উদ্দেশ্যে, যদি না আপনি সত্যিই ছোট নমুনা আকারগুলির সাথে কাজ করে থাকেন তবে আপনি যা ব্যবহার করেন তা সম্ভবত বিবেচনা করে না (যদিও আপনি বেছে নিতে পারেন তবে আপনি সেইসাথে ব্যবহার করতে পারেন যা আমি হেজেসকে বলেছি, যেমন এটি পক্ষপাতহীন)। $n > 20$

তথ্যসূত্র:

বোরেনস্টাইন, এম।, হেজেস, এলভি, হিগিংস, জেপি, এবং রোথস্টেইন, এইচআর (2011)। মেটা-বিশ্লেষণের ভূমিকা। পশ্চিম সাসেক্স, যুক্তরাজ্য: জন উইলি অ্যান্ড সন্স।

কোহেন, জে। (1977)। আচরণ বিজ্ঞানের জন্য পরিসংখ্যানগত শক্তি বিশ্লেষণ (২ য় সংস্করণ)। হিলসডেল, এনজে, মার্কিন: লরেন্স এরলবাউম অ্যাসোসিয়েটস, ইনক।

হেজেস, এলভি (1981)। গ্লাসের প্রভাব আকার এবং সম্পর্কিত অনুমানকারীগুলির অনুমানের জন্য বিতরণ তত্ত্ব। শিক্ষাগত পরিসংখ্যান জার্নাল, 6 (2), 107-128। ডোই: 10.3102 / 10769986006002107

হেজেস এলভি, অলকিন আই। (1985)। মেটা-বিশ্লেষণের জন্য পরিসংখ্যানগত পদ্ধতি। সান দিয়েগো, সিএ: একাডেমিক প্রেস

— FelixST
সূত্র

3

যদি আপনি কেবল হেজস এর জি এর মূল অর্থটি বোঝার চেষ্টা করছেন তবে আপনিও এটি সহায়ক মনে করতে পারেন:

কোহেনের (1988 [2]) কনভেনশনটি ছোট (0.2), মাঝারি (0.5) এবং বৃহত্তর (0.8) হিসাবে ব্যবহার করে হেজেস-এর জি এর परिमाणটি ব্যাখ্যা করা যেতে পারে। [1]

তাদের সংজ্ঞা সংক্ষিপ্ত এবং স্পষ্ট:

হেজেজস জি কোহেন ডি এর একটি প্রকরণ যা ছোট নমুনা আকারের কারণে পক্ষপাতদুদের সংশোধন করে (হেজস এবং অলকিন, 1985)। [1] পাদটীকা

আমি অল্প সংখ্যক সামাজিক বিজ্ঞান এবং মনোবিজ্ঞান গবেষণায় ব্যবহৃত হেজেসের জি সংখ্যার ভুল ব্যাখ্যা করতে এড়াতে সহায়তা করার জন্য, ছোট (0.2) মাঝারি (0.5) এবং বৃহত্তর (0.8) দাবির সাথে কোনও গুরুত্বপূর্ণ ক্যাভ্যাট যোগ করার জন্য এটি সম্পাদনা করার পরিসংখ্যান বিশেষজ্ঞদের প্রশংসা করব।

[১] http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2848393/ উদ্বেগ এবং হতাশার উপর মনস্ততা ভিত্তিক থেরাপির প্রভাব: একটি মেটা-অ্যানালিটিক পর্যালোচনা স্টিফান জি। হোফম্যান, অ্যালিস টি। সাওয়ার, অ্যাশলে এ। উইট এবং ডায়ানা ওহ। জে পরামর্শ ক্লিন সাইকোল। 2010 এপ্রিল; 78 (2): 169–183। doi: 10.1037 / a0018555

[২] কোহেন জে। আচরণ বিজ্ঞানের জন্য পরিসংখ্যানগত শক্তি বিশ্লেষণ। দ্বিতীয় সংস্করণ। Erlbaum; হিলসডেল, এনজে: 1988 (উদ্ধৃত [1])

— joshoff
সূত্র

4

+1 টি। পুনরায়: ছোট-মাঝারি-বড়, 1 ম পাস হিসাবে, যদি আপনার কাছে কোনও প্রাসঙ্গিক জ্ঞান বা প্রসঙ্গ না থাকে তবে এই 'টি-শার্টের মাপ' ঠিক আছে, তবে বাস্তবে, ছোট বা বৃহত্তর প্রভাব কী তা শৃঙ্খলা বা বিষয় অনুসারে পৃথক হবে will । অধিকন্তু, কেবল কারণ একটি প্রভাব 'বৃহত' এর অর্থ এটি ব্যবহারিকভাবে গুরুত্বপূর্ণ বা তাত্ত্বিকভাবে অর্থবহ নয় doesn't

— গুং - মনিকা পুনরায়

1

অন্যান্য পোস্টারগুলিতে জি এবং ডি এর মধ্যে সাদৃশ্য এবং পার্থক্যের বিষয়টি haveাকা পড়েছে। কেবল এটি যুক্ত করার জন্য, কিছু বিদ্বান মনে করেন যে কোহেনের দ্বারা প্রদত্ত এফেক্ট আকারের মানগুলি খুব বেশি উদার, যার ফলে দুর্বল প্রভাবগুলির অত্যধিক ব্যাখ্যা করা যায়। এগুলি আর-র সাথেও আবদ্ধ নয় যে সম্ভাবনাগুলি পণ্ডিতরা আরও অনুকূলভাবে ব্যাখ্যাযোগ্য প্রভাবের আকারগুলি পেতে পিছনে পিছনে রূপান্তর করতে পারে। ফার্গুসন (২০০৯, পেশাদার মনোবিজ্ঞান: গবেষণা এবং প্র্যাকটিস) g এর ব্যাখ্যার জন্য নিম্নলিখিত মানগুলি ব্যবহার করার পরামর্শ দিয়েছিল:

.41, "ব্যবহারিক তাত্পর্য" হিসাবে প্রস্তাবিত সর্বনিম্ন হিসাবে। 1.15, মাঝারি প্রভাব 2.70, শক্তিশালী প্রভাব

এগুলি অবশ্যই আরও কঠোর / অর্জন করা কঠিন এবং অনেকগুলি সামাজিক বিজ্ঞানের পরীক্ষাগুলি শক্তিশালী প্রভাব ফেলতে চলেছে ... যা সম্ভবত এটি হওয়া উচিত।

— সময় ভ্রমণ
সূত্র

0

ব্রুস থম্পসন কোহেনের (০.২) ছোট (০.০) মাঝারি হিসাবে এবং (০.৮) বড় হিসাবে ব্যবহার সম্পর্কে সতর্ক করেছিলেন। কোহেন কখনই এগুলি কঠোর ব্যাখ্যা হিসাবে ব্যবহার করা উচিত নয়। সমস্ত প্রভাব মাপ সম্পর্কিত সাহিত্যের প্রেক্ষাপটের উপর ভিত্তি করে ব্যাখ্যা করা আবশ্যক। যদি আপনি আপনার বিষয়টিতে সম্পর্কিত সম্পর্কিত প্রভাবের আকারগুলি বিশ্লেষণ করে থাকেন এবং সেগুলি হয় (0.1) (0.3) (0.24) এবং আপনি (0.4) এর একটি প্রভাব উত্পাদন করেন তবে এটি "বড়" হতে পারে। বিপরীতে, যদি সম্পর্কিত সমস্ত সাহিত্যের (0.5) (0.6) (0.7) এর প্রভাব থাকে এবং আপনার (0.4) এর প্রভাব থাকে তবে এটি ছোট হিসাবে বিবেচিত হতে পারে। আমি জানি এটি একটি তুচ্ছ উদাহরণ কিন্তু অত্যাবশ্যকভাবে গুরুত্বপূর্ণ। আমি বিশ্বাস করি যে থম্পসন একবার একটি গবেষণাপত্রে বলেছিলেন, "আমরা যখন কেবল ভিন্ন মেট্রিকে বোকা হয়ে থাকি" তখন যখন প্রভাবশালীদের মাপের ব্যাখ্যার সাথে সামাজিক বিজ্ঞানীরা কীভাবে পি মানগুলি ব্যাখ্যা করছিল।

— user136666
সূত্র