নির্ভরশীল নমুনা টি-পরীক্ষার জন্য কোহেনের ডি

Question

তাত্ক্ষণিক প্রশ্ন: আমি কোহেনের ডি নির্ভরশীল নমুনা টি-টেস্টের জন্য দুটি ভিন্ন উপায় গণনা করে দেখেছি (উদাহরণস্বরূপ, প্রাক / পোস্ট টাইমপয়েন্টগুলির সাথে কোনও ওষুধের কার্যকারিতা পরীক্ষা করার জন্য-নমুনাগুলির ডিজাইন)।

1. কোহেনের d এর সমীকরণের ডিনোমিনেটরে পরিবর্তনের স্কোরের প্রমিত বিচ্যুতি ব্যবহার করে।
2. কোহেনের d এর সমীকরণের ডিনোমিনেটরে প্রিমেট স্কোরের প্রমিত বিচ্যুতি ব্যবহার করে।

আমি খুব সামান্য সাহিত্য পেয়েছি যা প্রকৃতপক্ষে বর্ণনামূলক যা কোনটি ব্যবহার করতে হবে এবং / অথবা কখন কোনও বিকল্প ব্যবহার করতে হবে।

কোন দ্রুত চিন্তা?

Comments

আপনি কী আবিষ্কার করেছেন কীভাবে জোড়যুক্ত নমুনা টি-পরীক্ষার জন্য কোহেনের ডি গণনা করবেন?

— ব্যবহারকারী 552231

@ user552231 কোচেন ডি এর জন্য ওপেন সোর্স আর কোড আছে আপনি কি দেখেছেন?

— হ্যালো ওয়ার্ল্ড

নিম্নলিখিত কাগজের পরিপূরক ডেটা শীটটি আরও ভালভাবে ব্যবহার করুন : লাকেন্স ডি (২০১৩) ক্রমবায়ু বিজ্ঞানের সুবিধার্থে প্রভাব আকারগুলি গণনা এবং প্রতিবেদন করা: টি-টেস্ট এবং আনোভাগুলির জন্য ব্যবহারিক প্রাইমার। সামনের সাইকোল 4: 863।

— ড্যানিয়েল

Answer 1

জিওফ কামিং এ বিষয়ে কিছু মন্তব্য করেছেন ( কামিং, ২০১৩ থেকে নেওয়া ):

$s_1$$s_{diff}$$s_{diff}$$s_1$$s_{diff}$

$s_{pre}$

Answer 2

$t$$N$

$$d = \frac{t}{\sqrt{N}}$$

• লাকেন্স, ডি (2013)। ক্রমবায়ু বিজ্ঞানের সুবিধার্থে প্রভাব আকারগুলি গণনা করা এবং প্রতিবেদন করা: টি-টেস্ট এবং এএনওওএগুলির জন্য ব্যবহারিক প্রাইমার । মনোবিজ্ঞানে ফ্রন্টিয়ার্স, 4 ।

Comments

নোট করুন যে এটি আপনাকে স্ট্যান্ডার্ডযুক্ত গড় পরিবর্তন দেবে যেখানে পরিবর্তনের স্কোরগুলির মান বিচ্যুতির (প্রশ্নে ১ হিসাবে চিহ্নিত করা হয়) যেখানে গড় পরিবর্তনকে মানিক করা হয়।

— ওল্ফগ্যাং

Answer 3

এখানে একটি প্রস্তাবিত আর ফাংশন দেওয়া হয়েছে যা হেজেসের জি (কোহেনের ডি এর নিরপেক্ষ সংস্করণ) এর সাথে বা সাবজেক্ট ডিজাইনের মধ্যে বা এটির মধ্যে আত্মবিশ্বাসের ব্যবধানটি গণনা করছে:

gethedgesg <-function( x1, x2, design = "between", coverage = 0.95) {
  # mandatory arguments are x1 and x2, both a vector of data

  require(psych) # for the functions SD and harmonic.mean.

  # store the columns in a dataframe: more convenient to handle one variable than two
  X <- data.frame(x1,x2)

  # get basic descriptive statistics
  ns  <- lengths(X)
  mns <- colMeans(X)
  sds <- SD(X)

  # get pairwise statistics
  ntilde <- harmonic.mean(ns)
  dmn    <- abs(mns[2]-mns[1])
  sdp    <- sqrt( (ns[1]-1) *sds[1]^2 + (ns[2]-1)*sds[2]^2) / sqrt(ns[1]+ns[2]-2)

  # compute biased Cohen's d (equation 1) 
  cohend <- dmn / sdp

  # compute unbiased Hedges' g (equations 2a and 3)
  eta     <- ns[1] + ns[2] - 2
  J       <- gamma(eta/2) / (sqrt(eta/2) * gamma((eta-1)/2) )
  hedgesg <-  cohend * J

  # compute noncentrality parameter (equation 5a or 5b depending on the design)
  lambda <- if(design == "between") {
    hedgesg * sqrt( ntilde/2)
  } else {
    r <- cor(X)[1,2]
    hedgesg * sqrt( ntilde/(2 * (1-r)) )
  }

  # confidence interval of the hedges g (equations 6 and 7)
  tlow <- qt(1/2 - coverage/2, df = eta, ncp = lambda )
  thig <- qt(1/2 + coverage/2, df = eta, ncp = lambda )

  dlow <- tlow / lambda * hedgesg 
  dhig <- thig / lambda * hedgesg 

  # all done! display the results
  cat("Hedges'g = ", hedgesg, "\n", coverage*100, "% CI = [", dlow, dhig, "]\n")

}

এটি কীভাবে ব্যবহার করা যেতে পারে তা এখানে:

x1 <- c(53, 68, 66, 69, 83, 91)
x2 <- c(49, 60, 67, 75, 78, 89)

# using the defaults: between design and 95% coverage
gethedgesg(x1, x2)

# changing the defaults explicitely
gethedgesg(x1, x2, design = "within", coverage = 0.90 )

আমি আসা করি এটা সাহায্য করবে.