नोट: यदि आप इस निर्णय को करने के लिए विषमता परीक्षा का उपयोग करने के बारे में अपने प्रश्न का त्वरित उत्तर चाहते हैं, तो " कौन-से औचित्य उचित हैं? " पर स्क्रॉल करें ।
कुछ औचित्य हैं (कुछ और / दूसरों की तुलना में कम उचित) जो शोधकर्ताओं ने एक निश्चित प्रभाव बनाम यादृच्छिक-प्रभाव मेटा-एनालिटिक संश्लेषण के उनके चयन के लिए पेश किए हैं। बोरेनस्टीन एट अल जैसे परिचयात्मक मेटा-विश्लेषण पाठ्यपुस्तकों में इन पर चर्चा की गई है। (2009), कार्ड (2011), और कूपर (2017)।
इन औचित्य (अभी तक) की किसी भी निंदा या निंदा के बिना, वे शामिल हैं:
नियत-प्रभाव मॉडल के चयन के लिए औचित्य
- विश्लेषणात्मक सादगी : कुछ लोगों को लगता है कि यादृच्छिक-प्रभाव मॉडल की गणना / व्याख्या उनकी सांख्यिकीय समझ से परे है, और इसलिए एक सरल मॉडल से चिपके रहते हैं। निर्धारित-प्रभाव मॉडल के साथ शोधकर्ता को केवल नमूना त्रुटि द्वारा संचालित प्रभाव आकारों में परिवर्तनशीलता का अनुमान लगाने की आवश्यकता है। बेहतर या बदतर के लिए, यह कार्ड (2011) में स्पष्ट रूप से प्रोत्साहित एक व्यावहारिक अभ्यास है।
नो-स्टडी-लेवल वेरिएबिलिटी / मॉडरेटर्स में पिछला विश्वास: यदि एक शोधकर्ता का मानना है कि उनके नमूने में सभी प्रभाव आकार केवल नमूनाकरण त्रुटि के कारण भिन्न होते हैं - और यह कि कोई व्यवस्थित अध्ययन-स्तरीय परिवर्तनशीलता नहीं है (और इसलिए कोई मॉडरेटर्स नहीं है - वहाँ होगा) एक यादृच्छिक-प्रभाव मॉडल को फिट करने के लिए थोड़ा जरूरी है। मुझे लगता है कि यह औचित्य और पूर्व कभी-कभी हाथ से चलना, जब एक शोधकर्ता लगता है कि यादृच्छिक-प्रभाव मॉडल फिटिंग करना उनकी क्षमता से परे है, और फिर बाद में दावा करके इस निर्णय को तर्कसंगत बनाता है, के बाद तथ्य यह है कि, वे किसी भी अध्ययन-स्तर की व्यापक मात्रा की आशंका नहीं रखते हैं।
सिस्टमेटिक मॉडरेटर्स का अत्यधिक विचार किया गया है : कुछ शोधकर्ता एक निश्चित-प्रभाव विश्लेषण का उपयोग कर सकते हैं क्योंकि उन्होंने जांच की और प्रत्येक मॉडरेटर को ध्यान में रखा जिसे वे सोच सकते हैं। यहाँ अंतर्निहित तर्क यह है कि एक बार एक शोधकर्ता ने अध्ययन-स्तर की परिवर्तनशीलता के प्रत्येक बोधगम्य / सार्थक स्रोत के लिए जिम्मेदार है, जो सभी को छोड़ दिया जा सकता है, नमूना त्रुटि है, और इसलिए एक यादृच्छिक-प्रभाव मॉडल अनावश्यक होगा।
- गैर-महत्त्वपूर्ण विषमता परीक्षण (जैसे, स्टेटिस्टिक)क्यू : एक शोधकर्ता एक निश्चित-प्रभाव मॉडल को अपनाने में अधिक सहज महसूस कर सकता है यदि वे प्रभाव के आकार के एक समरूप नमूने की अशक्तता को अस्वीकार करने में विफल होते हैं।
- मेक लिमिटेड / विशिष्ट संदर्भों पर ध्यान दें : प्रभाव के नमूने के भीतर सख्ती से प्रभाव के पैटर्न को बोलने के लिए निश्चित-प्रभाव वाले मॉडल उपयुक्त हैं । इसलिए एक शोधकर्ता एक निश्चित-प्रभाव वाले मॉडल को फिट करने का औचित्य सिद्ध कर सकता है यदि वे केवल अपने नमूने में जो चल रहा है उसके बारे में बोलने में सहज हैं, और उनकी समीक्षा से छूटे हुए अध्ययनों में, या उनकी समीक्षा के बाद आने वाले अध्ययनों में क्या हो सकता है, इसके बारे में अनुमान लगाने के लिए नहीं।
एक यादृच्छिक-प्रभाव मॉडल के चयन के लिए औचित्य
अध्ययन-स्तरीय भिन्नता / मध्यस्थों में पूर्व विश्वास : औचित्य के विपरीत 2. (निश्चित-प्रभाव मॉडल के पक्ष में), यदि शोधकर्ता यह अनुमान लगाता है कि अध्ययन-स्तर की परिवर्तनशीलता (और इसलिए मॉडरेशन) की कुछ सार्थक मात्रा होगी, तो वे करेंगे एक यादृच्छिक प्रभाव मॉडल निर्दिष्ट करने के लिए डिफ़ॉल्ट। यदि आप एक मनोविज्ञान पृष्ठभूमि (आई डू) से आते हैं, तो यह प्रभाव के आकार के बारे में सोचने का एक त्वरित दिनचर्या / प्रोत्साहित डिफ़ॉल्ट तरीका बन रहा है (उदाहरण के लिए, कमिंग, 2014 देखें)।
महत्वपूर्ण विषमता परीक्षण (अर्थात, स्टेटिस्टिक)क्यू : जिस तरह एक शोधकर्ता एक गैर-महत्वपूर्ण परीक्षण का उपयोग निश्चित-प्रभाव मॉडल के अपने चयन को सही ठहराने के लिए कर सकता है, उसी प्रकार वे एक महत्वपूर्ण परीक्षण (समरूप प्रभाव के आकार को अस्वीकार करते हुए) का उपयोग कर सकते हैं ) एक यादृच्छिक-प्रभाव मॉडल के उनके उपयोग को सही ठहराने के लिए।क्यूक्यू
विश्लेषणात्मक व्यावहारिकता : यह पता चला है, यदि आप एक यादृच्छिक-प्रभाव मॉडल फिट करते हैं और कोई महत्वपूर्ण विषमता नहीं है (यानी, महत्वपूर्ण नहीं है), तो आप निश्चित-प्रभाव अनुमानों पर पहुंचेंगे; केवल महत्वपूर्ण विविधता की उपस्थिति में ये अनुमान बदल जाएंगे। इसलिए कुछ शोधकर्ता एक यादृच्छिक-प्रभाव वाले मॉडल के लिए डिफ़ॉल्ट हो सकते हैं जो यह अनुमान लगाते हैं कि उनका विश्लेषण अंतर्निहित डेटा के गुणों के आधार पर जिस तरह से उन्हें "काम" करना होगा।क्यू
विस्तृत / सामान्य बनाने की चेष्टा करें : निर्धारित-प्रभाव वाले मॉडल के विपरीत, यादृच्छिक-प्रभाव वाले मॉडल एक शोधकर्ता को उनके नमूने से परे (कुछ हद तक) बोलने के लिए लाइसेंस देते हैं, प्रभावों / मॉडरेशन के पैटर्न के संदर्भ में जो एक व्यापक साहित्य में दिखाई देंगे। यदि एक शोधकर्ता के लिए इस स्तर का अनुमान वांछनीय है, तो वे इसलिए यादृच्छिक-प्रभाव वाले मॉडल को पसंद कर सकते हैं।
गलत मॉडल को निर्दिष्ट करने का परिणाम
हालांकि आपके प्रश्न का स्पष्ट हिस्सा नहीं है, लेकिन मुझे लगता है कि यह निर्धारित करना महत्वपूर्ण है कि शोधकर्ता के लिए यह महत्वपूर्ण क्यों है कि वह "सही तरीके से समझें" जब तय-प्रभाव और यादृच्छिक-प्रभाव मेटा-विश्लेषण मॉडल के बीच चयन किया जाता है: यह मोटे तौर पर अनुमान के नीचे आता है। सटीक और सांख्यिकीय शक्ति ।
कृत्रिम रूप से सटीक अनुमान लगाने के जोखिम पर स्थिर-प्रभाव वाले मॉडल अधिक सांख्यिकीय रूप से शक्तिशाली हैं; यादृच्छिक-प्रभाव वाले मॉडल कम सांख्यिकीय रूप से शक्तिशाली होते हैं, लेकिन यदि वास्तविक विषमता है तो संभवतः अधिक उचित है। मध्यस्थों के परीक्षणों के संदर्भ में, निश्चित-प्रभाव वाले मॉडल त्रुटि विचरण की सीमा को कम कर सकते हैं, जबकि यादृच्छिक-प्रभाव वाले मॉडल त्रुटि विचरण की सीमा को कम कर सकते हैं (यह निर्भर करता है कि क्या उनके मॉडलिंग अनुमान मिलते हैं या उल्लंघन किए जाते हैं, ओरेसन, 1998 देखें)। फिर से, मनोविज्ञान साहित्य के भीतर, एक बढ़ती हुई भावना है कि क्षेत्र ने निश्चित-प्रभाव मेटा-विश्लेषणों पर बहुत अधिक भरोसा किया है, और इसलिए हमने अपने प्रभाव में खुद को निश्चितता / सटीकता की अधिक समझ में डाल दिया है (देखें श्मिट एट अल देखें) ।, 2009)।
कौन से औचित्य उचित हैं?
सीधे अपनी विशेष जांच का जवाब देने के लिए: कुछ (जैसे, बोरेनस्टीन एट अल।, 2009; कार्ड, 2001) एक निश्चित-प्रभाव या यादृच्छिक-प्रभाव मॉडल निर्दिष्ट करने के उद्देश्य से यह निर्धारित करने के लिए विषमता की परीक्षा सांख्यिकीय के उपयोग के खिलाफ सावधानी। औचित्य 4. और औचित्य 7. )। इन लेखकों का तर्क है कि आपको यह निर्णय मुख्य रूप से वैचारिक आधार पर करना चाहिए (यानी, औचित्य 2. या औचित्य 6. )। इस उद्देश्य के लिए सांख्यिकीय की गिरावट भी विशेष रूप से छोटे (या विशेष रूप से बड़े) सिंथेस के संदर्भ में एक निश्चित मात्रा में सहज ज्ञान युक्त समझ में आता है, जहांक्यू क्यू?क्यूक्यूक्यू सार्थक विषमता का पता लगाने के लिए कम संचालित होने की संभावना है (या विषमता की तुच्छ मात्रा का पता लगाने के लिए अति-संचालित)।
विश्लेषणात्मक सादगी ( औचित्य 1. ) फिक्स्ड-प्रभाव मॉडल के लिए एक और औचित्य की तरह लगता है जो सफल होने की संभावना नहीं है (उन कारणों के लिए जो मुझे लगता है कि अधिक स्पष्ट हैं)। यह तर्क देते हुए कि सभी संभव मध्यस्थ समाप्त हो गए हैं ( औचित्य 3. ), दूसरी ओर, कुछ मामलों में अधिक सम्मोहक हो सकता है, यदि शोधकर्ता यह प्रदर्शित कर सकते हैं कि उन्होंने कई प्रकार के मॉडरेटर चर को माना है। यदि उन्होंने केवल कुछ मॉडरेटर्स को कोडित किया है, तो इस औचित्य को बहुत ही विशिष्ट / आकर्षक के रूप में देखा जाएगा।
डेटा को डिफॉल्ट रैंडम-इफेक्ट्स मॉडल ( जस्टिफिकेशन 8. ) के माध्यम से निर्णय लेने दें , एक ऐसा है जिसके बारे में मुझे अनिश्चितता है। यह निश्चित रूप से एक सक्रिय / राजसी निर्णय नहीं है, लेकिन एक डिफ़ॉल्ट के रूप में यादृच्छिक-प्रभाव वाले मॉडल को प्राथमिकता देने की दिशा में मनोविज्ञान क्षेत्र के बदलाव के साथ मिलकर यह एक स्वीकार्य (हालांकि विशेष रूप से विचारशील नहीं) औचित्य साबित हो सकता है।
यह प्रभाव (वितरण 2. और औचित्य 6. ) के वितरण (ओं) के बारे में पूर्व मान्यताओं से संबंधित औचित्य को छोड़ देता है , और शोधकर्ता के प्रकारों से संबंधित उन निष्कर्षों को बनाने के लिए लाइसेंस प्राप्त करना चाहते हैं ( औचित्य 5. और औचित्य 9।)। प्रभावों के वितरण के बारे में पूर्व मान्यताओं की बहुलता काफी हद तक आपके द्वारा संश्लेषित अनुसंधान की सुविधाओं के लिए कम हो जाएगी; कूपर (2017) नोट्स के रूप में, यदि आप बड़े पैमाने पर समान संदर्भों / नमूनों से एकत्र किए गए यांत्रिकीय / सार्वभौमिक प्रक्रियाओं के प्रभावों का संश्लेषण कर रहे हैं, और कसकर नियंत्रित वातावरण में, एक निश्चित प्रभाव विश्लेषण पूरी तरह से उचित हो सकता है। एक ही प्रयोग की प्रतिकृति से परिणामों का संश्लेषण एक अच्छा उदाहरण होगा जब यह विश्लेषणात्मक रणनीति वांछनीय हो सकती है (देखें। गोह एट अल।, 2016)। यदि, हालांकि, आप एक ऐसे क्षेत्र का संश्लेषण कर रहे हैं जहां डिजाइन, जोड़तोड़, उपाय, संदर्भ, और नमूना विशेषताओं में काफी भिन्नता है, तो यह तर्क देना मुश्किल हो जाता है कि एक बिल्कुल अध्ययन कर रहा हैप्रत्येक उदाहरण में समान प्रभाव। अंत में, एक प्रकार की इंफ़ेक्शंस, जिसे कोई व्यक्ति बनाना चाहता है, व्यक्तिगत पसंद / स्वाद का मामला लगता है, इसलिए मुझे यकीन नहीं है कि जब तक यह वैचारिक रूप से रक्षात्मक लग रहा था, तब तक इस तर्क के खिलाफ कोई कैसे तर्क / विरोध करना शुरू कर देगा।
संदर्भ
बोरेंस्टीन, एम।, हेजेज, एलवी, हिगिंस, जेपीटी और रोथस्टीन, एचआर (2009)। मेटा-विश्लेषण का परिचय । वेस्ट ससेक्स, यूके: विली।
कार्ड, एनए (2011)। सामाजिक विज्ञान अनुसंधान के लिए एप्लाइड मेटा-विश्लेषण। न्यूयॉर्क, एनवाई: गिलफोर्ड प्रेस।
कूपर, एच। (2017)। अनुसंधान संश्लेषण और मेटा-विश्लेषण: एक कदम-दर-चरण दृष्टिकोण। थाउज़ेंड ओक्स, सीए: सेज।
कमिंग, जी। (2014)। नए आँकड़े: क्यों और कैसे। मनोवैज्ञानिक विज्ञान , 25 (1), 7-29।
गोह, जेएक्स, हॉल, जेए, और रोसेंथल, आर। (2016)। मिनी मेटा Met अपने खुद के अध्ययन का विश्लेषण: क्यों और कैसे पर एक प्राइमर पर कुछ तर्क। सामाजिक और व्यक्तित्व मनोविज्ञान कम्पास , 10 (10), 535-549।
ओवरटन, आरसी (1998)। मॉडरेटर चर प्रभावों के मेटा-विश्लेषण परीक्षणों के लिए निश्चित-प्रभाव और मिश्रित (यादृच्छिक-प्रभाव) मॉडल की तुलना। मनोवैज्ञानिक तरीके , 3 (3), 354-379।
श्मिट, एफएल, ओह, आईएस, और हेस, टीएल (2009)। मेटा Model विश्लेषण में फिक्स्ड ‐ बनाम यादृच्छिक models प्रभाव मॉडल: मॉडल गुण और परिणामों में अंतर की एक आनुभविक तुलना। ब्रिटिश जर्नल ऑफ मैथमैटिकल एंड स्टैटिस्टिकल साइकोलॉजी , 62 (1), 97-128।