জেলম্যান এবং কার্লিন বোঝা "পাওয়ার গণনার বাইরেও ..." (2014)

Question

আমি জেলম্যান এবং কার্লিন "পাওয়ার গণনার বাইরেও: টাইপ এস (সাইন) এবং টাইপ এম (ম্যাগনিটিউড) ত্রুটিগুলি" (2014) পড়ছি । আমি মূল ধারণাটি, মূল টেকওয়েটি বোঝার চেষ্টা করছি তবে আমি বিভ্রান্ত। কেউ কি আমাকে সারাতে সাহায্য করতে পারে?

কাগজটি এরকম কিছু যায় (যদি আমি এটি সঠিকভাবে বুঝতে পারি)।

• মনোবিজ্ঞানের পরিসংখ্যানগত অধ্যয়নগুলি প্রায়ই ছোট নমুনাগুলিতে জর্জরিত থাকে।
• প্রদত্ত গবেষণায় একটি পরিসংখ্যানগতভাবে গুরুত্বপূর্ণ ফলাফলের শর্তসাপেক্ষে,
  (1) সত্য প্রভাবের আকার মারাত্মকভাবে অত্যধিক পর্যালোচনা করা হতে পারে এবং
  (2) প্রভাবের চিহ্নটি উচ্চ সম্ভাবনার সাথে বিপরীত হতে পারে - যদি না নমুনার আকারটি যথেষ্ট বড় না হয়।
• উপরের জনসংখ্যায় প্রভাবের আকারের পূর্ব অনুমান ব্যবহার করে দেখানো হয়েছে, এবং সেই প্রভাবটি সাধারণত ছোট হিসাবে নেওয়া হয়।

আমার প্রথম সমস্যাটি হল, পরিসংখ্যানগতভাবে গুরুত্বপূর্ণ ফলাফলের শর্ত কেন? এটা কি প্রকাশনা পক্ষপাত প্রতিফলিত হয়? তবে বিষয়টি মনে হয় না। তাহলে কেন?

আমার দ্বিতীয় সমস্যাটি হ'ল, যদি আমি নিজেই অধ্যয়ন করি তবে আমার ফলাফলগুলি আমার ব্যবহারের চেয়ে আলাদাভাবে আচরণ করা উচিত (আমি ঘন ঘনবাদী পরিসংখ্যান করি, বায়েশিয়ার সাথে খুব বেশি পরিচিত না)? উদাহরণস্বরূপ, আমি কোনও ডেটা নমুনা নেব, একটি মডেলটি অনুমান করবো এবং আগ্রহের কিছু প্রভাব এবং তার চারপাশে আবদ্ধ একটি আত্মবিশ্বাসের জন্য একটি পয়েন্ট আনুমানিক রেকর্ড করব। আমার এখন কি আমার ফলাফল অবিশ্বাস করা উচিত? বা যদি এটি পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ হয় তবে আমার এটি বিশ্বাস করা উচিত? কোনও প্রদত্ত পূর্বের পরিবর্তন কীভাবে হয়?

পরিসংখ্যানগত গবেষণার "প্রযোজক" এবং প্রয়োগকৃত পরিসংখ্যান সংক্রান্ত গবেষণাপত্রের পাঠকের জন্য (2) প্রধান অবলম্বন কী?

তথ্যসূত্র:

• গেলম্যান, অ্যান্ড্রু এবং জন কার্লিন। "পাওয়ার গণনার বাইরেও: টাইপ এস (সাইন) এবং টাইপ এম (ম্যাগনিটিউড) ত্রুটিগুলি মূল্যায়ন করে" " মনস্তাত্ত্বিক বিজ্ঞানের উপর দৃষ্টিভঙ্গি 9.6 (2014): 641-651।

পিএস আমি মনে করি যে এখানে আমার জন্য নতুন উপাদানটি পূর্বের তথ্যের অন্তর্ভুক্তি, যা আমি কীভাবে চিকিত্সা করব তা নিশ্চিত নই (ঘনঘনবাদী দৃষ্টান্ত থেকে আসা)।

Comments

যেমন আপনি দেখতে পাচ্ছেন, আমি বেশ বিভ্রান্ত, তাই আমার প্রশ্নগুলি সুসংগত বা বোধগম্য নয়। আমি যে কাগজটি অধ্যয়ন করছি তার মধ্যে আরও জ্ঞান অর্জনের জন্য আমি কোনও ইঙ্গিতকে প্রশংসা করব। আমি আশা করি যে বিষয়টি সম্পর্কে আমার বোঝার অগ্রগতি হওয়ায় আরও বুদ্ধিমান প্রশ্ন উত্থাপন করতে সক্ষম হবেন।

— রিচার্ড হার্ডি

নোট তারা সঠিক শুরুতে কাগজ পর্যন্ত প্রতিজ্ঞা সেট: " আপনি শুধু একটি পরীক্ষা চলমান শেষ করেছি আপনি ফলাফল বিশ্লেষণ, এবং আপনি। উল্লেখযোগ্য প্রভাব খুঁজে । সাফল্য কিন্তু অপেক্ষা করুন-কী পরিমাণ তথ্য আছে আপনার অধ্যয়ন সত্যিই আপনি দিতে! " আপনার ফলাফলগুলিতে আপনার কতটা বিশ্বাস করা উচিত? " --- তারা যখন আপনার তাত্পর্যপূর্ণ থাকে তখন কী ঘটে / কী বোঝায় তা বর্ণনা করছেন। তাত্পর্য ছাড়া অন্য বিষয়গুলিতে মনোনিবেশ করার জন্য তারা এই পরিণতিগুলি ব্যবহার করে।

— Glen_b -Rininstate মনিকা

আপনার ফলাফলটিকে অবিশ্বাস করা উচিত - হ্যাঁ - আপনি যদি একাধিক তাত্পর্য পরীক্ষা চালান এবং তাত্পর্যপূর্ণ তাত্পর্যপূর্ণ যা ফিল্টার আউট করে; এটি একটি "প্রকাশনার পক্ষপাতিত্ব" ধরণের তবে এটি কোনও প্রকাশনা ছাড়াই ঘটতে পারে, বেশ কয়েক মাস 'বা কয়েক বছর ধরে' পরীক্ষাগুলির মধ্যে এক ব্যক্তির ল্যাবের ভিতরে inside প্রত্যেকে নির্দিষ্ট পরিমাণে এর মতো কিছু করে, অতএব উল্লেখযোগ্য ফলাফলের জন্য কন্ডিশনার বিষয়ে শিক্ষাগত আগ্রহ।

— অ্যামিবা

@ অ্যামিবা, ঠিক আছে, তবে যদি (অনুমানের ভিত্তিতে) আমি কেবলমাত্র একটি মডেল অনুমান করি এবং কেবলমাত্র একটি পূর্বনির্ধারিত প্যারামিটারে ফোকাস করি (তাই একেবারে কোনও একাধিক পরীক্ষায় নেই), গেলম্যান এবং কার্লিনের ফলাফল কি কিছু পরিবর্তন করবে? পূর্বের তথ্য সহ কীভাবে?

— রিচার্ড হার্ডি

মিথ্যা আবিষ্কারের হার নির্ধারণের জন্য পূর্বের তথ্যের প্রয়োজন; তাত্পর্যপূর্ণ পরীক্ষার সাধারণ যুক্তি কেবল ধরণের আই ত্রুটি হার পি (সিগনিফ | নাল) এর গ্যারান্টি দেয়। পি (নাল | সিগনিফ) অনুমান করার জন্য আপনাকে কিছুটা আগে ডাকতে হবে। এখানে জেলম্যান এবং কার্লিন যা করছেন। আপনি যদি কেবলমাত্র একটি মডেল অনুমান করেন তবে "মিথ্যা আবিষ্কারের হার" অর্থহীন (ঘনতান্ত্রিক পদ্ধতির ক্ষেত্রে); তবে সাধারণত লোকেরা অনেকগুলি মডেল অনুমান করে :-) বা কমপক্ষে তারা এমন সাহিত্য পড়ে যা অন্যান্য লোকেরা অনেকগুলি মডেলের অনুমান করে।

— অ্যামিবা

Answer 1

আমি কাগজটি পুনরায় পড়ি এবং এবার এটি আরও পরিষ্কার। এখন @ গ্লেন_বি এবং @ আমেবা দ্বারা সহায়ক মন্তব্যগুলিও প্রচুর অর্থবোধ করে।

পুরো আলোচনাটি একটি প্রারম্ভিক পয়েন্টের উপর ভিত্তি করে যে একটি পরিসংখ্যানগতভাবে গুরুত্বপূর্ণ ফলাফল প্রাপ্ত হয়েছে। শর্তসাপেক্ষ যে, আমরা আনুমানিক প্রভাব আকার ভিন্নভাবে বিতরণ করেছে তুলনায় এটি কন্ডিশনার অনুপস্থিত কাগজ দুটি সমস্যা লক্ষ্য করে বলে মনে হচ্ছে:

$$P_{\hat\beta}(\cdot|\hat\beta \text{ is statistically significant})\neq P_{\hat\beta}(\cdot).$$

1. প্রকাশনা পক্ষপাত (শুধুমাত্র পরিসংখ্যানগতভাবে গুরুত্বপূর্ণ ফলাফল প্রকাশিত হয়) এবং
2. নতুন অধ্যয়নের জন্য ডিজাইন গণনার ক্ষেত্রে বায়াস (খুব বড় প্রত্যাশিত এফেক্ট মাপকে মানদণ্ড হিসাবে গ্রহণ করা)।

সুসংবাদটি হ'ল, উভয় সমস্যাই সন্তোষজনক উপায়ে সমাধান করা যেতে পারে।

1. $\beta^{plausible}$$\hat\beta$$s.e.(\hat\beta)$$t$$P_{\hat\beta}(\cdot)$
2. $\beta^{plausible}$

সংক্ষেপে আমার নিজের দুটি প্রশ্নের উত্তর দিতে:

1. এটি প্রকাশনার পক্ষপাত সম্পর্কে, যদিও ডেটা ড্রেজিংয়ের অর্থে নয় তবে ক্ষুদ্র বিদ্যুৎ সংক্রান্ত গবেষণার প্রসঙ্গে; সেখানে একটি পরিসংখ্যানগতভাবে উল্লেখযোগ্য ফলাফল সম্ভবত নলের অধীনে 5% প্রত্যাখ্যানের সাথে সম্পর্কিত বলে মনে হচ্ছে (এভাবে নালটি আসলে সত্য তবে আমরা ঘটনাক্রমে এটি থেকে অনেক দূরে শেষ হয়েছি) বিকল্পের অধীনে প্রত্যাখ্যান না করে (যেখানে নাল সত্য নয় এবং ফলাফল "জেনুইন")।
2. নালটিকে প্রত্যাখ্যান করার বিষয়ে আমার সতর্ক হওয়া উচিত, কারণ পরিসংখ্যানগতভাবে উল্লেখযোগ্য ফলাফল সম্ভবত "জেনুইন" প্রভাবের কারণে (স্বল্প শক্তির কারণে) সুযোগের পরিবর্তে (যদিও সুযোগটি সীমাবদ্ধ, বলুন, 5%) সীমাবদ্ধ হতে পারে is ।

Comments

গ্লেন_বি এর এই উত্তরটিও খুব সহায়ক।

— রিচার্ড হার্ডি

$\beta^{plausible}$$D$

@ পেট্রিকবি।, আপনাকে ধন্যবাদ আমি একটু পরে তাকান। (আমি দেখতে পাচ্ছি যে এর আগেও আপনার উত্তরটি আমি উড়িয়ে দিয়েছি; এর অর্থ আমি ইতিমধ্যে এটি সহায়ক বলে মনে করেছি))

— রিচার্ড হার্ডি

রিচার্ড, আমি প্রভাব আকারের আরও সাধারণ ক্ষেত্রে "এস" এবং টাইপ "এম" ত্রুটিটি অনুমান করার জন্য একটি আর ফাংশন বিকাশ করেছি , গ্যালম্যান সাধারণ বিতরণে যা দেখায় তা নয়। আপনি যখন কাগজটি পড়েছেন তখন আগের থেকে একটি সহজ পুনরুদ্ধার প্রক্রিয়া এবং পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ অনুসন্ধান। তবে পুরো প্রক্রিয়া সম্পূর্ণরূপে একটি শক্তি বিশ্লেষণের ভিত্তিতে। সংক্ষেপে, ছোট কোলাহলপূর্ণ পড়াশোনার জন্য এসই বড় এবং বোধগম্য যাচাইযোগ্য প্রশংসনীয় প্রভাব আকারগুলি দ্বারা বেশ কয়েকটি যুক্তিসঙ্গত বিবেচনা করে আপনি যুক্তিসঙ্গত অর্জন করতে পারেন ...

— rnorouzian

... ভবিষ্যতের গবেষণায় "এস" প্রকারের উচ্চ হার এবং উচ্চ অতিরঞ্জিত হার (যেমন, "এম" টাইপ করুন) পেতে উচ্চতর হার এড়াতে প্রয়োজনীয় নমুনা আকারের শর্তাবলী অন্তর্ভুক্ত করা উচিত হিসাবে অনুমান করা উচিত। রেকর্ডগুলির জন্য, জেলম্যানের প্রকার "এস" হ'ল অন্তর্নিহিত প্রভাব আকার বিতরণের অন্তর্ভুক্ত যা টুকরোটি শক্তি দ্বারা বিভক্ত অন্তর্নিহিত প্রভাবের বিপরীত দিকে থাকে। যাইহোক, ফাংশনটি দেখুন যদি এটি সাহায্য করতে পারে at

— rnorouzian

Answer 2

এই কাগজের আরও একটি কোণ রয়েছে যা আপনি যদি ইতিমধ্যে কোনও বায়সিয়ান বিশ্লেষণ প্রয়োগ করে থাকেন এবং পরিসংখ্যানগত তাত্পর্যপূর্ণ অংশটির বিষয়ে চিন্তা না করেন তবে সহায়ক হতে পারে।

$P$$\beta$$V$$\beta$

$$p(\beta | V) \sim p(V | \beta)p(\beta)$$

$V$$V$$p(V | \beta)$

$\beta^{plausible}$$P(V | \beta)$$\beta = \beta^{plausible}$$V$$\beta^{plausible}$ সত্য প্রভাব আকার।

$V$$\beta$

$V$$V$

$\beta$$\beta^{plausible}$

$\beta^{plausible}$

$\beta^{plausible}$

আপনাকে সাবধান হতে হবে যে কেউ এই "পাওয়ার" মেট্রিকের অপব্যবহার করে না যেমন এটি বারবারবাদী শক্তি গণনার মতো একই জিনিস, যা বেশ শক্ত। তবে পুরো মডেলিং পদ্ধতিটি বেয়েশিয়ান হলেও এমন কোনও মেট্রিকগুলি সম্ভাব্য এবং পূর্ববর্তী নকশা বিশ্লেষণের জন্য বেশ কার্যকর and