सांख्यिकीविदों और शोधकर्ताओं के बढ़ते शरीर के जवाब में, जो एक संचयी प्रयास के रूप में विज्ञान के लिए अशक्त-परिकल्पना परीक्षण (NHT) की उपयोगिता की आलोचना करते हैं, अमेरिकी मनोवैज्ञानिक एसोसिएशन टास्क फोर्स ऑन स्टेटिक इन्वेंशन ने NHT पर एक समान प्रतिबंध लगाने से परहेज किया, लेकिन इसके बजाय शोधकर्ताओं ने सुझाव दिया कि एनएचटी से प्राप्त पी-वैल्यू के अलावा रिपोर्ट प्रभाव आकार।
हालांकि, प्रभाव आकार आसानी से अध्ययन भर में जमा नहीं होते हैं। मेटा-एनालिटिक दृष्टिकोण प्रभाव आकारों के वितरण को जमा कर सकते हैं, लेकिन प्रभाव आकारों को आम तौर पर किसी दिए गए प्रयोग के डेटा में कच्चे प्रभाव परिमाण और अस्पष्टीकृत "शोर" के बीच अनुपात के रूप में गणना की जाती है, जिसका अर्थ है कि प्रभाव आकारों का वितरण केवल इससे प्रभावित होता है अध्ययनों में प्रभाव की कच्ची परिमाण में परिवर्तनशीलता, लेकिन अध्ययनों में शोर के प्रकटीकरण में भी परिवर्तनशीलता।
इसके विपरीत, प्रभाव शक्ति, संभावना अनुपातों का एक वैकल्पिक माप, एक अध्ययन-दर-अध्ययन के आधार पर दोनों सहज व्याख्या की अनुमति देता है, और मेटा-विश्लेषण के लिए अध्ययनों में आसानी से एकत्र किया जा सकता है। प्रत्येक अध्ययन के भीतर, संभावना मॉडल के सापेक्ष दिए गए प्रभाव वाले मॉडल के लिए साक्ष्य के भार का प्रतिनिधित्व करता है जिसमें प्रभाव नहीं होता है, और आमतौर पर रिपोर्ट की जा सकती है, उदाहरण के लिए, "एक्स के प्रभाव के लिए एक संभावना अनुपात की गणना। अपने संबंधित अशक्त की तुलना में प्रभाव के लिए 8 गुना अधिक सबूत का खुलासा किया। इसके अलावा, संभावना अनुपात 1 के नीचे संभावना अनुपात के रूप में अशक्त निष्कर्षों की शक्ति के सहज प्रतिनिधित्व को भी अनुमति देता है, जहां परिदृश्य इष्ट हैं और इस मूल्य का पारस्परिक लेना प्रभाव पर शून्य के लिए सबूत के वजन का प्रतिनिधित्व करता है। विशेष रूप से, संभावना अनुपात को गणितीय रूप से दो मॉडल के अस्पष्टीकृत रूपांतरों के अनुपात के रूप में दर्शाया जाता है, जो केवल प्रभाव द्वारा समझाया गया विचरण में भिन्न होता है और इस प्रकार एक प्रभाव आकार से एक विशाल वैचारिक प्रस्थान नहीं होता है। दूसरी ओर, एक मेटा-एनालिटिकल संभावना अनुपात की गणना, पूरे अध्ययन में एक प्रभाव के लिए सबूत के वजन का प्रतिनिधित्व करते हैं, बस अध्ययनों में संभावना अनुपात के उत्पाद लेने की बात है।
इस प्रकार, मैं तर्क देता हूं कि विज्ञान किसी प्रभाव / मॉडल के पक्ष में सकल साक्ष्य की डिग्री स्थापित करने की कोशिश कर रहा है, संभावना अनुपात अनुपात है।
ऐसे अधिक बारीक मामले हैं जहां मॉडल केवल एक प्रभाव के विशिष्ट आकार में भिन्न होते हैं, इस मामले में अंतराल के प्रतिनिधित्व के कुछ प्रकार जिस पर हमारा मानना है कि डेटा प्रभाव पैरामीटर के अनुरूप हैं, को प्राथमिकता दी जा सकती है। वास्तव में, एपीए टास्क फोर्स आत्मविश्वास अंतराल की रिपोर्ट करने की भी सिफारिश करता है, जिसका उपयोग इस अंत तक किया जा सकता है, लेकिन मुझे संदेह है कि यह भी एक गलत विचार है।
आत्मविश्वास के अंतराल को अक्सर छात्रों ( शोधकर्ताओं और शोधकर्ताओं द्वारा समान रूप से गलत समझा जाता है )। मुझे यह भी डर है कि एनएचटी में उपयोग की उनकी क्षमता (सीआई के भीतर शून्य को शामिल करने के आकलन से) केवल एनएचटी के विलोपन के रूप में विलोपन अभ्यास में और देरी करने के लिए काम करेगी।
इसके बजाय, जब सिद्धांत केवल प्रभावों के आकार से भिन्न होते हैं, तो मेरा सुझाव है कि बायेसियन दृष्टिकोण अधिक उपयुक्त होगा, जहां प्रत्येक प्रभाव का पूर्व वितरण प्रत्येक मॉडल द्वारा अलग-अलग परिभाषित किया जाता है, और परिणामी पश्च वितरण की तुलना की जाती है।
क्या यह दृष्टिकोण, संभावना अनुपातों के साथ पी-मान, प्रभाव आकार और आत्मविश्वास अंतराल की जगह लेता है, और यदि आवश्यक हो, तो बायेसियन मॉडल की तुलना, पर्याप्त लगती है? क्या यह कुछ आवश्यक हीनतापूर्ण विशेषता को याद करता है जो कि यहां के विकृत विकल्प प्रदान करते हैं?