द्विपद प्रभाव आकार प्रदर्शन (BESD) प्रभाव आकार का एक भ्रामक प्रतिनिधित्व है?

Question

मेरे लिए यह स्वीकार करना कठिन है कि डोनाल्ड रुबिन कभी भी एक तकनीक के सच्चे नींबू के साथ आएगा। फिर भी, यह BESD [ 1 , 2 , 3 ] की मेरी धारणा है ।

रोसेन्थल और रुबिन (1982) के मूल पेपर ने दावा किया कि "किसी भी उत्पाद-पल के सहसंबंध को ऐसे [2x2] प्रदर्शन में कैसे फिर से लाना है, यह दिखाने में मूल्य था कि क्या मूल डेटा निरंतर या श्रेणीबद्ध हैं।"

नीचे दी गई तालिका p से है। ऊपर दिए गए 2 लिंक के 451:

यह तकनीक लगभग किसी भी प्रभाव आकार की भयावहता को पार करती हुई प्रतीत होती है। यहां, मूल डेटा = .01 से , लेकिन जब 2x2 आकस्मिक तालिका में "अनुवादित" किया जाता है, तो हम एक अधिक मजबूत प्रभाव के साथ सामना करने लगते हैं। मैं इस बात से इनकार नहीं करता कि, जब डेटा को इस तरह से श्रेणीबद्ध प्रारूप में पुनर्गठित किया जाता है, तो वास्तव में = .1, लेकिन मुझे लगता है कि कुछ अनुवाद में बहुत विकृत हो गया है।$R^2$$\phi$

क्या मुझे यहाँ कुछ सचमुच याद आ रहा है? इसके अलावा, मुझे यह आभास है कि पिछले 10 या इतने वर्षों में सांख्यिकीय समुदाय द्वारा और बड़े ने इसे एक वैध विधि के रूप में खारिज कर दिया है-क्या मैं उस पर गलत हूं?

प्रयोगात्मक ( ) और नियंत्रण ( ) सफलता दर ( ) की गणना करने के लिए समीकरण$E$$C$$sr$क्रमशः ) की है:

$E_{sr} = .50 + r/2$

तथा

$C_{sr} = .50 - r/2$

---

संदर्भ:

रोसेन्थल, आर।, और रुबिन, डीबी (1982)। प्रायोगिक प्रभाव के परिमाण का एक सामान्य सामान्य उद्देश्य प्रदर्शन। जर्नल ऑफ़ एजुकेशनल साइकोलॉजी, 74 , 166–169।

Comments

$r$

आपके अच्छे विचार केवल प्रतिक्रिया या उत्तर मैंने देखे हैं।

— रोलैंडो 2

मैंने इसे नहीं पढ़ा है, लेकिन यह अत्यधिक प्रासंगिक लगता है: हंस, एलएम (2004)। द्विपद प्रभाव आकार में प्रदर्शित सफलता दर के अंतर को प्रदर्शित करता है। मनोवैज्ञानिक तरीके, 9 (2), 183-197। कुछ आलोचनाओं पर भी चर्चा की जाती है: Randolph, JJ, & Edmondson, RS (2005)। मूल्यांकन के दर्शकों के लिए प्रभाव आकारों की भयावहता को प्रस्तुत करने के लिए द्विपद प्रभाव आकार प्रदर्शन (BESD) का उपयोग करना। व्यावहारिक मूल्यांकन, अनुसंधान और मूल्यांकन, 10 (14)।

— वोल्फगैंग

Answer 1

मैं यह प्रदर्शित कर सकता हूं कि यह पक्षपाती है (मुझे लगता है), लेकिन मैं यह नहीं समझा सकता कि क्यों। मुझे उम्मीद है कि कोई मेरा जवाब देख सकता है और इसे और अधिक समझाने में मदद कर सकता है।

कई मेटा-विश्लेषणों और आपके द्वारा पोस्ट की गई छवि के रूप में, बहुत से लोग BESD की व्याख्या करते हैं: यदि आप दोनों चर विभाजित करने के लिए थे, तो आप सटीक रूप से 2 x 2 आकस्मिक तालिका की "सही" कोशिकाओं में लोगों को एक प्रतिशत प्रतिशत देंगे। समय।

$.50 + r/2 = .70$$r$

$r$

$r = .38$$.50 + r/2$

मैंने तब इन वैक्टरों में से प्रत्येक की औसत और मानक विचलन 10,000 की लंबाई में ले लिया। कोड:

library(MASS)
# set population params
mu <- rep(0,2)
Sigma <- matrix(.38, nrow=2, ncol=2) + diag(2)*.62
# set seed
set.seed(1839)
# generate population
pop <- as.data.frame(mvrnorm(n=1000000, mu=mu, Sigma=Sigma))
# initialize vectors
besd_correct <- c()
actual_correct <- c()
# actually break up raw data by median split, see how it works
for (i in 1:10000) {
  samp <- pop[sample(1:1000000, 100),]
  besd_correct[i] <- round(100*(.50 + cor(samp)[1,2]/2),0)
  samp$V1_split <- ifelse(samp$V1 > median(samp$V1), 1, 0)
  samp$V2_split <- ifelse(samp$V2 > median(samp$V2), 1, 0)
  actual_correct[i] <- with(samp, table(V1_split==V2_split))[[2]]
}
# cells for BESD
mean(besd_correct)
100 - mean(besd_correct)
# cells for actual 2 x 2 table with median split
mean(actual_correct)
100 - mean(actual_correct)

BESD के आधार पर हम इस तालिका, मिल जहां v1और v2चर देखें और lowऔर highनीचे और मंझला क्रमश: ऊपर का संदर्भ लें:

+---------+--------+---------+
|         | v2 low | v2 high |
+---------+--------+---------+
| v1 low  | 69     | 31      |
+---------+--------+---------+
| v1 high | 31     | 69      |
+---------+--------+---------+

कच्चे डेटा के साथ वास्तव में एक मध्य विभाजन करने के आधार पर, हमें यह तालिका मिलती है:

+---------+--------+---------+
|         | v2 low | v2 high |
+---------+--------+---------+
| v1 low  | 62     | 38      |
+---------+--------+---------+
| v1 high | 38     | 62      |
+---------+--------+---------+

इसलिए जब कोई BESD का उपयोग करते हुए तर्क दे सकता है, कि "नियंत्रण और प्रायोगिक में 38 प्रतिशत का अंतर है," वास्तविक मंझला विभाजन 24 में यह संख्या है।

मुझे यकीन नहीं है कि ऐसा क्यों होता है, या अगर यह नमूना आकार और सहसंबंध पर निर्भर करता है (कोई आसानी से पता लगाने के लिए अधिक सिमुलेशन कर सकता है), मुझे लगता है कि यह पक्षपाती है। मुझे अच्छा लगेगा अगर कोई गणित के साथ-साथ कम्प्यूटेशनल स्पष्टीकरण के बजाय झंकार कर सके।

Answer 2

मार्क व्हाइट का अंतर्ज्ञान गलत है। BESD वास्तव में एक माध्य विभाजन को मॉडलिंग नहीं कर रहा है। एक मध्ययुगीन विभाजन वास्तविक सांख्यिकीय जानकारी हानि के साथ जुड़ा हुआ है - यह संबंधों को व्यवस्थित रूप से दर्शाता है (देखें http://psycnet.apa.org/record/1990-24322-001), यही वजह है कि मंझला विभाजन मूल्य BESD की तुलना में एक छोटी सटीकता दिखाते हैं। बीईएसडी वर्गीकरण सटीकता का प्रदर्शन कर रहा है, क्योंकि चर वास्तव में द्विबीजपत्री थे, न कि कृत्रिम रूप से एक मध्ययुगीन विभाजन के माध्यम से। इसे देखने के लिए, माध्य विभाजन डेटा पर सहसंबंध की गणना करें। आप देखेंगे कि यह मूल चर के सहसंबंध से छोटा है। यदि चर मूल रूप से द्विआधारी थे, तो दोनों विधियां सहमत होंगी। अपनी प्रकृति से, BESD वैरिएबल प्रदर्शित कर रहा है जैसे कि वे वास्तव में द्विआधारी थे। जब इसका उपयोग निरंतर चर के लिए किया जाता है, तो यह आवश्यक रूप से एक अमूर्तता का प्रतिनिधित्व करता है - वास्तव में "सफलता" और "विफलता" या "उपचार" और "नियंत्रण" समूह नहीं हैं,

BESD पक्षपाती नहीं है। यदि हम दो बाइनरी चर के साथ काम कर रहे थे तो यह वर्गीकरण सटीकता पर एक विशेष उपचार के प्रभाव को दर्शाता है। यह एक उपाय या उपचार के संभावित व्यावहारिक मूल्य को प्रदर्शित करने के लिए एक उपयोगी प्रदर्शन है, और, हाँ, यह प्रदर्शित करता है कि आँकड़ों के लिए हिसाब किए गए छोटे विचरण के साथ भी प्रभाव सार्थक रूप से महत्वपूर्ण हो सकते हैं। बीईएसडी व्यापक रूप से लागू मनोवैज्ञानिक और संगठनात्मक अभ्यास में उपयोग किया जाता है, और यह दृढ़ता से अन्य व्यावहारिक प्रभाव आकार के डिस्प्ले (जैसे, कि टॉप-डाउन का चयन करता है, जिसमें r = .25 की वैधता सहसंबंध के साथ एक माप का उपयोग करके समूह का चयन होता है)। चयनित समूह बनाम अचयनित समूह के बीच परिणाम प्रदर्शन में एसडी वृद्धि)।

वेरिएंस के आंकड़ों के अनुसार लगातार गलतफहमी पैदा होती है और चर संबंधों के आकार के बारे में कम आंका जाता है क्योंकि स्क्वेरिंग ऑपरेशन अरेखीय है। कई लागू कार्यप्रणाली (जैसे, https://us.sagepub.com/en-us/nam/methods-of-meta-analysis/book240589 ) अपने वर्गमूलों के पक्ष में उनके उपयोग को दृढ़ता से हतोत्साहित करते हैं (जो इसके आकार को और अधिक स्पष्ट करते हैं) प्रभाव)।

Answer 3

एक विस्तृत जवाब के लिए, जब यह एक अंतर करता है, और एक बेहतर समाधान का विश्लेषण, कृपया मेटा-एनालिटिक इफेक्ट साइज से एक डाइकोटोमस आउटकम में कम्प्यूटिंग प्रतिशत बदलने के लिए सटीक तरीका देखें J Derzon, D Hendrie, मूल्य स्वास्थ्य में, 14: 1, 144-151, 2011. यहाँ उस लेख के सार में सारांश उत्तर दिया गया है। OBJECTIVES: मेटा-एनालिसिस आमतौर पर एक उपचार प्रभाव आकार (कोहेन डी) की गणना करते हैं, जो आसानी से एक और सामान्य उपाय, द्विपद प्रभाव आकार प्रदर्शन (BESD) में परिवर्तित हो जाता है। BESD सहसंबंध गुणांक है और एक हस्तक्षेप के कारण परिणाम में प्रतिशत अंतर का प्रतिनिधित्व करता है। डी और बीईएसडी दोनों मनमानी इकाइयों में हैं; न तो हस्तक्षेप से उत्पन्न पूर्ण परिवर्तन को मापता है। BESD से पूर्ण परिवर्तन का अनुमान लगाने के लिए उपयोग की जाने वाली विधि परिणाम के 50-50 विभाजन और एक संतुलित डिजाइन दोनों मानती है। नतीजतन, गलत अनुमान एक हस्तक्षेप (और इसकी लागत प्रभावशीलता) से उत्पन्न लाभ के अधिकांश मेटा-विश्लेषणात्मक अनुमानों को रेखांकित करते हैं। यह लेख इन धारणाओं के बिना एक सटीक सूत्र विकसित करता है। विधि: सूत्र 1 से बीजगणितीय रूप से विकसित किया गया है) उपचार और नियंत्रण समूहों के सापेक्ष आकार से निर्मित 2-बाई -2 आकस्मिक तालिका के रूप में प्रतिनिधित्व सहसंबंध गुणांक के लिए सूत्र और उन लोगों का प्रतिशत जिनके पास हालत अनुपस्थित हस्तक्षेप होगा, और 2) बीईएसडी सहसंबंध गुणांक सूत्र उपचार के साथ सफलता की संभावना में परिवर्तन दिखा रहा है। परिणाम: सिमुलेशन से पता चलता है कि बीईएसडी केवल एक परिणाम में कमी का अनुमान लगाता है जब 35% -65% मामलों में समस्या का परिणाम होने पर एक हस्तक्षेप अच्छी तरह से प्राप्त हो सकता है। कम आम परिणामों के लिए, BESD काफी हद तक एक हस्तक्षेप के प्रभाव को कम कर देता है। यहां तक ​​कि जब BESD परिणाम में संभावित प्रतिशत परिवर्तन का सटीक अनुमान लगाता है, तो यह उन मामलों के अनुपात की भ्रामक तस्वीर को पेंट करता है जो सकारात्मक परिणाम प्राप्त करेंगे।

Comments

और पूरा पाठ scirectirect.com/science/article/pii/S1098301510000148 पर है । धन्यवाद @Ted मिलर

— rolando2