1 के बारे में: हाँ, vi
एक मॉडरेटर के रूप में जोड़ना वास्तव में एगर के परीक्षण को और अधिक जटिल मॉडल में विस्तारित करने का तार्किक तरीका है।
वास्तव में, एक नमूना के रूप में नमूने के रूपांतरों का उपयोग करते हुए "फ़नल प्लॉट असममितता के लिए प्रतिगमन परीक्षण" आयोजित करने की सिर्फ एक संभावना है। अन्य लोगों ने नमूने के प्रकारों के व्युत्क्रम या मानक त्रुटियों (नमूना variances के वर्गमूल) या उनके व्युत्क्रमों या कुल नमूना आकार (या कुछ फ़ंक्शन) को मॉडरेटर्स के रूप में उपयोग करने का सुझाव दिया है। यह पूरी तरह से स्पष्ट नहीं है कि कौन सा भविष्यवक्ता "सर्वश्रेष्ठ" विकल्प है (और यह इस बात पर निर्भर कर सकता है कि आप अपने मेटा-विश्लेषण के लिए किस परिणाम को मापते हैं)। उदाहरण के लिए, कुछ उपायों के लिए, हम जिस नमूने का उपयोग करते हैं, उसका अनुमान लगाने के लिए / नमूनाकरण का अनुमान वास्तव में देखे गए परिणामों का एक कार्य है, जो स्वचालित रूप से प्रकाशन पूर्वाग्रह (या "छोटे अध्ययन पूर्वाग्रह" की अनुपस्थिति में भी दोनों के बीच संबंध बनाता है) या जो भी हम इसे कॉल करना चाहते हैं)। उस स्तिथि में,
लेकिन मुख्य बिंदु यह है: हां, मॉडल के लिए एक उपयुक्त मॉडरेटर जोड़कर अधिक जटिल मॉडल के साथ काम करते समय प्रतिगमन परीक्षण आसानी से लागू किया जा सकता है।
फ़नल प्लॉट उपयोगी होते हैं या नहीं जब डेटा में अंतर्निहित बहुस्तरीय / बहुभिन्नरूपी संरचनाएँ डिबेट होती हैं। उदाहरण के लिए, अंकों के सेट सांख्यिकीय निर्भरता के कारण एक साथ क्लस्टर कर सकते हैं (जो कि एक उपयुक्त बहुस्तरीय / बहुभिन्नरूपी मॉडल का उपयोग करते समय हिसाब किया जाता है), लेकिन फ़नल प्लॉट में, अंक बस हैं: अंकों का एक गुच्छा। यह फ़नल प्लॉटों की व्याख्या को और अधिक कठिन बनाता है क्योंकि (जब तक आप विभिन्न रंगों या प्रतीकों का उपयोग करके अतिरिक्त कदम नहीं उठाते हैं) आप उन अंतर्निहित निर्भरताओं को नहीं देख सकते हैं - ऐसा नहीं है कि ज्यादातर लोग (स्वयं शामिल) सरलतम में भी फ़नल प्लॉटों की व्याख्या करने में किसी भी अच्छे हैं मामलों (अनुभवजन्य अनुसंधान है कि प्रदर्शन!)।
2 के बारे में: हाँ, पोस्ट मॉडल फिटिंग फ़ंक्शन का एक गुच्छा वर्तमान में rma.mv
मॉडल ऑब्जेक्ट्स के साथ काम नहीं करता है । मैं अभी इसे लागू करने के लिए आस-पास नहीं गया हूं और इनमें से कुछ को वास्तव में कुछ सोच की आवश्यकता होगी। उदाहरण के लिए, leave1out()
एक समय में एक अध्ययन को हटाता है - एकतरफा संदर्भ में, यह एक बार में प्रत्येक देखे गए परिणाम को हटाने के बराबर है, लेकिन बहुस्तरीय / बहुभिन्नरूपी डेटा के बारे में क्या? एक बार में प्रत्येक देखे गए परिणाम को भी हटा दें? या अंकों के सेट हटा दें? या अलग-अलग विकल्प उपलब्ध कराएं? ट्रिम-एंड-फिल के संबंध में (यह विधि वास्तव में कितनी उपयोगी है, इस सवाल को छोड़कर): मल्टीलेवल / मल्टीवीरेट डेटा के लिए विधि का विस्तार करना एक संपूर्ण पेपर लिखने के लायक होगा।
तो, यह बहुत अच्छा है कि आप संवेदनशीलता विश्लेषण करना चाहते हैं, लेकिन अभी के रूप में, आपको मैन्युअल रूप से इसमें से कुछ करना होगा। लीव-वन-आउट विश्लेषण आसानी से एक सरल-पाश के साथ किया जाता है और ध्यान से सोच रहा है कि "एक" क्या है (उदाहरण के लिए, प्रत्येक मनाया परिणाम, प्रत्येक क्लस्टर / अध्ययन)। आप प्रतिगमन परीक्षण कर सकते हैं और शायद ट्रिम-एंड-फ़िल को छोड़ दें। मानकीकृत अवशिष्ट के माध्यम से उपलब्ध हैं rstandard()
, इसलिए आप संभावित आउटलेर्स के लिए डेटा की जांच कर सकते हैं। आप के माध्यम से टोपी मान प्राप्त कर सकते हैं hatvalues()
(बस विकर्ण या पूरे टोपी मैट्रिक्स के साथ उत्तोलन ) जो आपको एक संकेत देता है जो परिणामों पर एक मजबूत प्रभाव डालता है। इस संदर्भ में एक और वास्तव में उपयोगी उपाय कुक की दूरी है , जिसे आप वस्तुओं के cooks.distance()
लिए भी प्राप्त कर सकते rma.mv
हैं।