पी बदलने के लिए इन सूत्रों हैं, एलएसडी, एमएसडी, एचएसडी, सीआई, एसई के लिए एक सटीक या फुलाया / के रूढ़िवादी अनुमान के रूप में

11

पृष्ठभूमि

मैं एक मेटा-विश्लेषण कर रहा हूं जिसमें पहले प्रकाशित डेटा शामिल है। अक्सर, उपचार के बीच अंतर को पी-मूल्यों, कम से कम महत्वपूर्ण अंतर (एलएसडी) और अन्य आंकड़ों के साथ सूचित किया जाता है, लेकिन विचरण का कोई प्रत्यक्ष अनुमान नहीं देता है।

मेरे द्वारा उपयोग किए जा रहे मॉडल के संदर्भ में, विचरण का एक बड़ा हिस्सा ठीक है।

मुसीबत

यहाँ के परिवर्तनों की एक सूची है जहाँ (Saville 2003) जिसे मैं विचार कर रहा हूं, प्रतिक्रिया की सराहना की जा रही है; नीचे, मैं मानता हूं कि तो और चर आमतौर पर वितरित किए जाते हैं जब तक कि यह नहीं कहा जाता है: $SE$ $SE=\sqrt{MSE/n}$ $\alpha=0.05$ $1-^{\alpha}/_2=0.975$

प्रशन:

दिए गए , , और उपचार का अर्थ है और $P$ $n$ $\bar X_1$ $\bar X_2$
$S E = \frac{{\bar{X}}_{1} - {\bar{X}}_{2}}{t_{(1 - \frac{P}{2}, 2 n - 2)} \sqrt{2 / n}}$ $SE=\frac{\bar X_1-\bar X_2}{t_{(1-\frac{P}{2},2n-2)}\sqrt{2/n}}$
दिया एलएसडी (रोसेनबर्ग 2004) , , , जहां ब्लॉक की संख्या है, और आरसीबीडी लिए डिफ़ॉल्ट रूप से $\alpha$ $n$ $b$ $b$ $n=b$
$S E = \frac{L S D}{t_{(0.975, n)} \sqrt{2 b n}}$ $SE = \frac{LSD}{t_{(0.975,n)}\sqrt{2bn}}$
दिया गया MSD (न्यूनतम महत्वपूर्ण अंतर) (वांग 2000) , , , df = $n$ $\alpha$ $2n-2$
$S E = \frac{M S D}{t_{(0.975, 2 n - 2)} \sqrt{2}}$ $SE = \frac{MSD}{t_{(0.975, 2n-2)}\sqrt{2}}$
दिया गया एक ९ ५% कॉन्फिडेंस इंटरवल (सैविले २००३) (माध्य से ऊपरी या निचले आत्मविश्वास की सीमा तक मापा जाता है), , और $\alpha$ $n$
$S E = \frac{C I}{t_{(α / 2, n)}}$ $SE = \frac{CI}{t_{(\alpha/2,n)}}$
Tukey का HSD, , जहाँ 'स्टूडेंटाइज्ड रेंज स्टेटिस्टिक' है, $n$ $q$
$S E = \frac{H S D}{q_{(0.975, n)}}$ $SE = \frac{HSD}{q_{(0.975,n)}}$

इन समीकरणों को एनकोप करने के लिए एक आर फ़ंक्शन:

उदाहरण डेटा:

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

उदाहरण का उपयोग करें:
```
transformstats(data)    
```

transformstatsसमारोह:

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)
}

संदर्भ

सैविले 2003 कै जे। एक्सप्टल साइक। (पीडीएफ)

रोसेनबर्ग एट अल 2004 (लिंक)

वांग एट अल। 2000 एन.वी. Tox। और केम 19 (1): 113-117 (लिंक)

— डेविड
स्रोत

मुझे यकीन नहीं है कि अधिकांश सीआई वास्तव में टी-मूल्यों के माध्यम से या जेड-मूल्यों के माध्यम से गणना की जाती हैं। हालाँकि, बड़े ns (> 30) पर यह बहुत फर्क नहीं करना चाहिए।

— हेनरिक

@ छोटे लिए हेनरिक , टी-स्टेटिस्टिक उपयुक्त है, और जैसा कि आपने कहा था, बढ़ता है, टी अनुमानित करता है। यह भी देखें math.stackexchange.com/q/23246/3733

n

$n$

n

$n$

— डेविड लेबॉयर

7

आपका एलएसडी समीकरण ठीक दिखता है। यदि आप विचरण के लिए वापस आना चाहते हैं और आपके पास एक सारांश आँकड़ा है जो परिवर्तनशीलता या प्रभाव के महत्व के बारे में कुछ कहता है तो आप लगभग हमेशा विचरण करने के लिए वापस आ सकते हैं —- आपको केवल सूत्र जानना आवश्यक है। उदाहरण के लिए, LSD के लिए अपने समीकरण में आप MSE, MSE = (LSD / t _) ^ 2/2 * b के लिए हल करना चाहते हैं

— जॉन
स्रोत

MSD के लिए, यदि MSD = t_ {अल्फ़ा, 2n-2} * sd sqrt (2 / n), SE = MSD n / (t_ {अल्फ़ा, n} * sqrt (2)) सही है?

— डेविड लेबॉउर

7

मैं केवल जॉन के साथ सहमत हो सकता हूं। इसके अलावा, शायद डेविड सेविले का यह पत्र आपको LSDs et al .:
Saville DJ (2003) से परिवर्तनशीलता उपायों को फिर से बनाने के लिए कुछ फॉर्मूला के साथ मदद करता है । बुनियादी आँकड़े और कई तुलना प्रक्रियाओं की विसंगति। कनाडाई जर्नल ऑफ़ एक्सपेरिमेंटल साइकोलॉजी, 57, 167-175

अद्यतन:
यदि आप विभिन्न प्रभाव आकारों के बीच परिवर्तित करने के लिए अधिक सूत्रों की तलाश कर रहे हैं, तो मेटा-विश्लेषण पर पुस्तकों को इनमें से बहुत कुछ प्रदान करना चाहिए। हालांकि, मैं इस क्षेत्र का विशेषज्ञ नहीं हूं और किसी की सिफारिश नहीं कर सकता।
लेकिन, मुझे याद है कि रोसेन्थल और रोसावे की पुस्तक ने एक बार कुछ फार्मूले के साथ मदद की थी:
एसेंशियल ऑफ़ बिहेवियरल रिसर्च: मेथड्स एंड डेटा एनालिसिस
इसके अलावा, मैंने रोसेन्थल, रोसावेन और रुबिन द्वारा इस पुस्तक में सूत्रों के बारे में बहुत सारी अच्छी बातें सुनी हैं (हालाँकि मैंने इसका इस्तेमाल कभी नहीं किया है):
व्यवहार अनुसंधान में विरोधाभास और प्रभाव आकार: एक सहसंबंधी दृष्टिकोण (यदि पास के पुस्तकालय में है, तो आपको निश्चित रूप से यह कोशिश करनी चाहिए)।

यदि यह पर्याप्त नहीं है, तो शायद मेटा-विश्लेषण के लिए प्रभाव आकारों को परिवर्तित करने के लिए साहित्य पर एक और प्रश्न पूछें। शायद मेटा-एनालिसिस में कोई और अधिक ग्राउंडेड सिफारिशें हैं।

— हेनरिक
स्रोत

0

आप आर पैकेज कंप्यूट की कोशिश कर सकते हैं । प्रभाव आकार अनुमान और प्रभाव आकार के विचरण के लिए कई कार्य हैं।

— रेव्स , 2 उपयोगकर्ता 75% user3752
स्रोत

यह एक अच्छा पैकेज है जो आपने लिखा है, लेकिन मैं नमूना एसई का अनुमान लगाने में दिलचस्पी रखता हूं, और ये फ़ंक्शन मेटा विश्लेषण प्रभाव आकारों के लिए भिन्नता अनुमान लगाते हैं, जबकि मैं जनसंख्या के विचरण का अनुमान लगाना चाहता हूं (जैसे कि स्केल किया गया) मूल डेटा)। क्या आप एक उदाहरण प्रदान कर सकते हैं कि compute.esपैकेज में फ़ंक्शन का उपयोग समीकरणों और फ़ंक्शन को दोहराने के लिए कैसे किया जा सकता है जो मैंने ऊपर लिखा है?

— डेविड लेबॉउर