পি, এলএসডি, এমএসডি, এইচএসডি, সিআই, এসই তে রূপান্তর করার জন্য এই সূত্রগুলি কি সঠিক বা স্ফীত / রক্ষণশীল অনুমান হিসাবে সঠিক?

11

পটভূমি

আমি একটি মেটা-বিশ্লেষণ পরিচালনা করছি যা আগে প্রকাশিত ডেটা অন্তর্ভুক্ত। প্রায়শই, চিকিত্সার মধ্যে পার্থক্যগুলি পি-মানগুলি, কমপক্ষে উল্লেখযোগ্য পার্থক্য (এলএসডি) এবং অন্যান্য পরিসংখ্যানগুলির সাথে রিপোর্ট করা হয় তবে ভিন্নতার কোনও সরাসরি অনুমান সরবরাহ করে না।

আমি যে মডেলটি ব্যবহার করছি তার প্রসঙ্গে, বৈকল্পিকতার একটি অতিমাত্রায় ধারণা ঠিক আছে।

সমস্যা

এখানে রূপান্তরগুলির একটি তালিকা রয়েছে যেখানে (সাভিল 2003) যা আমি বিবেচনা করছি, প্রতিক্রিয়া প্রশংসিত; নীচে, আমি ধরে নিলাম যে সুতরাং এবং ভেরিয়েবলগুলি সাধারণত বিতরণ করা হয় যদি না অন্যথায় বলা হয়: $SE$ $SE=\sqrt{MSE/n}$ $\alpha=0.05$ $1-^{\alpha}/_2=0.975$

প্রশ্নাবলী:

প্রদত্ত , , এবং চিকিত্সার অর্থ এবং $P$ $n$ $\bar X_1$ $\bar X_2$
$S E = \frac{{\bar{X}}_{1} - {\bar{X}}_{2}}{t_{(1 - \frac{P}{2}, 2 n - 2)} \sqrt{2 / n}}$ $SE=\frac{\bar X_1-\bar X_2}{t_{(1-\frac{P}{2},2n-2)}\sqrt{2/n}}$
প্রদত্ত এলএসডি (রোজেনবার্গদ 2004) , , , যেখানে ব্লক সংখ্যা, এবং RCBD জন্য ডিফল্ট $\alpha$ $n$ $b$ $b$ $n=b$
$S E = \frac{L S D}{t_{(0.975, n)} \sqrt{2 b n}}$ $SE = \frac{LSD}{t_{(0.975,n)}\sqrt{2bn}}$
প্রদত্ত এমএসডি (ন্যূনতম উল্লেখযোগ্য পার্থক্য) (ওয়াং 2000) , , , ডিএফ = $n$ $\alpha$ $2n-2$
$S E = \frac{M S D}{t_{(0.975, 2 n - 2)} \sqrt{2}}$ $SE = \frac{MSD}{t_{(0.975, 2n-2)}\sqrt{2}}$
একটি 95% আত্মবিশ্বাস অন্তর্বর্তী (সাভিল 2003) দেওয়া হয়েছে (গড় থেকে উচ্চ বা নিম্ন আত্মবিশ্বাসের সীমা পর্যন্ত পরিমাপ করা হয়েছে), এবং $\alpha$ $n$
$S E = \frac{C I}{t_{(α / 2, n)}}$ $SE = \frac{CI}{t_{(\alpha/2,n)}}$
টুকির এইচএসডি, , যেখানে হল 'স্টাটিজাইজড রেঞ্জ স্ট্যাটিস্টিকস', $n$ $q$
$S E = \frac{H S D}{q_{(0.975, n)}}$ $SE = \frac{HSD}{q_{(0.975,n)}}$

এই সমীকরণগুলি encapsulate করতে একটি আর ফাংশন:

উদাহরণ ডেটা:

data <- data.frame(Y=rep(1,5), 
                   stat=rep(1,5), 
                   n=rep(4,5), 
                   statname=c('SD', 'MSE', 'LSD', 'HSD', 'MSD')

উদাহরণ ব্যবহার:
```
transformstats(data)    
```

transformstatsফাংশন:

transformstats <- function(data) {
  ## Transformation of stats to SE
  ## transform SD to SE
  if ("SD" %in% data$statname) {
    sdi <- which(data$statname == "SD")
    data$stat[sdi] <- data$stat[sdi] / sqrt(data$n[sdi])
    data$statname[sdi] <- "SE"
      }
  ## transform MSE to SE
  if ("MSE" %in% data$statname) {
    msei <- which(data$statname == "MSE")
    data$stat[msei] <- sqrt (data$stat[msei]/data$n[msei])
    data$statname[msei] <- "SE"
  }
  ## 95%CI measured from mean to upper or lower CI
  ## SE = CI/t
  if ("95%CI" %in% data$statname) {
    cii <- which(data$statname == '95%CI')
    data$stat[cii] <- data$stat[cii]/qt(0.975,data$n[cii])
    data$statname[cii] <- "SE"
  }
  ## Fisher's Least Significant Difference (LSD)
  ## conservatively assume no within block replication
  if ("LSD" %in% data$statname) {
    lsdi <- which(data$statname == "LSD")
    data$stat[lsdi] <- data$stat[lsdi] / (qt(0.975,data$n[lsdi]) * sqrt( (2 * data$n[lsdi])))
    data$statname[lsdi] <- "SE"
  }
  ## Tukey's Honestly Significant Difference (HSD),
  ## conservatively assuming 3 groups being tested so df =2
  if ("HSD" %in% data$statname) {
    hsdi <- which(data$statname == "HSD" & data$n > 1)
    data$stat[hsdi] <- data$stat[hsdi] / (qtukey(0.975, data$n[lsdi], df = 2))
    data$statname[hsdi] <- "SE"
  }              
  ## MSD Minimum Squared Difference
  ## MSD = t_{\alpha/2, 2n-2}*SD*sqrt(2/n)
  ## SE  = MSD*n/(t*sqrt(2))
  if ("MSD" %in% data$statname) {
    msdi <- which(data$statname == "MSD")
    data$stat[msdi] <- data$stat[msdi] * data$n[msdi] / (qt(0.975,2*data$n[lsdi]-2)*sqrt(2))
    data$statname[msdi] <- "SE"
  }
  if (FALSE %in% c('SE','none') %in% data$statname) {
    print(paste(trait, ': ERROR!!! data contains untransformed statistics'))
  }
  return(data)
}

তথ্যসূত্র

স্যাভিল 2003 ক্যান জে এক্সপটল সাইক। (PDF)

রোজনবার্গ এট আল 2004 (লিঙ্ক)

ওয়াং এট আল। 2000 এনভি। Tox ডাউনলোড। এবং কেম 19 (1): 113-117 (লিঙ্ক)

— ডেভিড
সূত্র

আমি নিশ্চিত নই যে বেশিরভাগ সিআই সত্যই টি-মানগুলির মাধ্যমে বা জেড-মানগুলির মাধ্যমে গণনা করা হয়েছে। তবে বৃহত্তর এনএস (> 30) এ এটিকে খুব বেশি পার্থক্য করা উচিত নয়।

— হেনরিক

@Henrik ছোট , টি-পরিসংখ্যাত উপযুক্ত, এবং তুমি বলেছিলে, যেমন বৃদ্ধি, টি জেড দেখুন পরিমাপক math.stackexchange.com/q/23246/3733

n

$n$

n

$n$

— ডেভিড LeBauer

7

আপনার এলএসডি সমীকরণটি দুর্দান্ত দেখাচ্ছে। আপনি যদি বৈকল্পিকতায় ফিরে যেতে চান এবং আপনার একটি সংক্ষিপ্ত পরিসংখ্যান রয়েছে যা তার প্রভাবের পরিবর্তনশীলতা বা তাত্পর্য সম্পর্কে কিছু বলছে তবে আপনি প্রায় সবসময় বৈকল্পিকতায় ফিরে আসতে পারেন —- আপনাকে কেবল সূত্রটি জানতে হবে। উদাহরণস্বরূপ, এলএসডি-র জন্য আপনার সমীকরণে আপনি এমএসই, এমএসই = (এলএসডি / টি _) ^ 2/2 * বি সমাধান করতে চান

— জন
সূত্র

এমএসডি-র জন্য, যদি এমএসডি = t_ {আলফা, 2 এন-2} * এসডি স্কোরিট (2 / এন), এসই = এমএসডি এন / (টি_ {আলফা, এন} * স্ক্র্যাট (2)) সঠিক?

— ডেভিড লেবাউর

7

আমি কেবল জনের সাথে একমত হতে পারি। তদ্ব্যতীত, সম্ভবত ডেভিড সাবিলের এই কাগজটি আপনাকে এলএসডি এবং অন্যান্য থেকে পরিবর্তনশীলতাগুলি পুনঃনির্মাণের জন্য কিছু সূত্রের সাহায্য করে:
সাভিল ডিজে (2003)। বুনিয়াদি পরিসংখ্যান এবং একাধিক তুলনা পদ্ধতির অসঙ্গতি। কানাডিয়ান জার্নাল অফ এক্সপেরিমেন্টাল সাইকোলজি, 57, 167–175

আপডেট:
আপনি যদি বিভিন্ন ইফেক্টের আকারের মধ্যে রূপান্তর করার জন্য আরও সূত্র খুঁজছেন, মেটা-বিশ্লেষণের বইগুলিকে এগুলির প্রচুর সরবরাহ করা উচিত। তবে, আমি এই অঞ্চলে বিশেষজ্ঞ নই এবং একটির প্রস্তাব দিতে পারি না।
তবে, আমার মনে আছে রোজেন্থাল এবং রোসনো বইটি একবারে কিছু সূত্র নিয়ে সহায়তা করেছিল:
আচরণগত গবেষণার প্রয়োজনীয়তা: পদ্ধতি এবং ডেটা বিশ্লেষণ
তদ্ব্যতীত, রোজেন্থাল, রোসনউ এবং রুবিনের এই বইয়ের সূত্রগুলি সম্পর্কে আমি অনেক ভাল জিনিস শুনেছি (যদিও আমি এটি কখনও ব্যবহার করি নি):
আচরণীয় গবেষণায় বৈপরীত্য এবং প্রভাব আকার: একটি সম্পর্কযুক্ত পদ্ধতির (কাছাকাছি কোনও লাইব্রেরি থাকলে আপনার অবশ্যই এটি চেষ্টা করে দেখা উচিত)।

যদি এটি পর্যাপ্ত না হয় তবে মেটা-বিশ্লেষণের জন্য এফেক্ট আকারগুলি রূপান্তর করার জন্য সম্ভবত সাহিত্যের উপর আরও একটি প্রশ্ন জিজ্ঞাসা করুন। মেটা-বিশ্লেষণে আরও কারও কাছে সম্ভবত আরও ভিত্তিযুক্ত সুপারিশ রয়েছে।

— হেনরিক
সূত্র

0

আপনি আর প্যাকেজ কম্পিউট.স চেষ্টা করে বিবেচনা করতে পারেন । প্রভাব আকারের অনুমান এবং প্রভাবের আকারের বৈকল্পিকতা অর্জনের জন্য কয়েকটি কার্যকারিতা রয়েছে।

— রেভস , 2 জন ব্যবহারকারী 75% ব্যবহারকারী 3752
সূত্র

এটি আপনার লেখা একটি দুর্দান্ত প্যাকেজ, তবে আমি নমুনা এসই অনুমান করতে আগ্রহী, এবং এই ফাংশনগুলি মেটা বিশ্লেষণ প্রভাবের আকারগুলির জন্য বৈকল্পিক অনুমান দিতে বলে মনে হচ্ছে, যেখানে আমি জনসংখ্যার বৈচিত্র্য নির্ধারণ করতে চাই (উদাহরণস্বরূপ এটিকে ছোট করে দেখিয়েছি) মূল ডেটা)। compute.esপ্যাকেজের ফাংশনগুলি কীভাবে আমি উপরে লিখেছি সমীকরণ এবং ফাংশনটির অনুলিপি করতে ব্যবহৃত হতে পারে তার একটি উদাহরণ আপনি সরবরাহ করতে পারেন?

— ডেভিড লেবাউর