मेटा-विश्लेषण में प्रभाव आकार के लिए पूर्व निर्दिष्ट करना

Question

मेरा सवाल प्रभाव के आकार पर पुजारियों की चिंता करता है, मेरी परियोजना में उपाय कोहेन । साहित्य पढ़ने के माध्यम से, ऐसा लगता है कि अस्पष्ट पादरी अक्सर उपयोग किए जाते हैं, जैसे कि एक पदानुक्रमित बायेसियन मेटा-विश्लेषण के आठ-आठ स्कूलों के उदाहरण। आठ स्कूलों के उदाहरण में, मैंने म्यू के अनुमान के लिए एक अस्पष्ट प्रयोग किया है, जैसे ।$D$$\mu_{\theta} \sim \operatorname{normal}(0, 100)$

मेरा अनुशासन मनोविज्ञान है, जहां प्रभाव आकार आमतौर पर छोटे होते हैं। जैसे, मैं इस का उपयोग करने पर विचार कर रहा था: । इस तरह के एक तंग पूर्व के लिए मेरा तर्क यह है कि, मेरे पास पुजारियों की समझ से, मैं एक 95% पूर्व संभावना रख रहा हूं कि 1 से 1 के बीच है, प्रभाव छोड़ने के लिए 5% पूर्व संभावना को बड़ा करते हुए - 1 या 1।$\mu_{\theta} \sim \operatorname{normal}(0, .5)$$\mu_{\theta}$

जैसा कि शायद ही कभी प्रभाव इस बड़े हैं, क्या यह पहले से उचित है?

Comments

मुझे लगता है कि आपके पुजारी ठीक हैं, जब तक आप अतिरिक्त-सांख्यिकीय तर्क के साथ उनका बचाव कर सकते हैं। हालाँकि, सुनिश्चित करें कि आप कम जानकारीपूर्ण पुजारियों का उपयोग करके एक संवेदनशीलता विश्लेषण करते हैं, यह जांचने के लिए कि क्या आपका पश्च वितरण आपके अनुमानों पर बहुत अधिक निर्भर करता है।

— 15

स्वतंत्रता के 4 या 7 डिग्री के साथ छात्र टी वितरण का उपयोग करने और वितरण के पैमाने को बदलने के लिए सीधे-आगे संवेदनशीलता परीक्षणों का एक जोड़ा होगा। यदि आपको अपने नमूने में प्रकाशन पूर्वाग्रह का संदेह है, तो ये संवेदनशीलता परीक्षण आपको बहुत कुछ नहीं बताएंगे। आप अपने पूर्वाग्रह में प्रकाशन पूर्वाग्रह को ध्यान में रख सकते हैं। Joachim Vandekerckhove cogsci.uci.edu/~joachim/publications.php

— stijn

@ जो_74 आप जवाब के रूप में अपनी टिप्पणी दे सकते हैं।

— मॉर्गन बॉल

@ मॉर्गनबॉल करेगा

— जो_ organ५

Answer 1

जैसा कि शायद ही कभी प्रभाव इस बड़े हैं, क्या यह पहले से उचित है?

मुझे लगता है कि आपके पुजारी ठीक हैं, जब तक आप उन्हें अतिरिक्त-सांख्यिकीय तर्कों (जैसे मनोवैज्ञानिक विद्वानों के साहित्य में स्थापित कार्यों को देखकर) का बचाव कर सकते हैं।

हालाँकि, सुनिश्चित करें कि आप कम जानकारीपूर्ण पुजारियों का उपयोग करके एक संवेदनशीलता विश्लेषण करते हैं, यह जांचने के लिए कि क्या आपका पश्च वितरण आपके अनुमानों पर बहुत अधिक निर्भर करता है। यदि यह मामला है, तो दिशा और प्रभाव के परिमाण के समान निष्कर्षों के साथ, तो आपके परिणाम बहुत अधिक मजबूत और मान्य दिखाई देंगे।