Chỉ định trước cho kích thước hiệu ứng trong phân tích tổng hợp


13

Mối quan tâm câu hỏi của tôi priors trên kích thước thực tế, trong dự án của tôi biện pháp này là của Cohen . Thông qua việc đọc các tài liệu, có vẻ như các linh mục mơ hồ thường được sử dụng, chẳng hạn như trong tám trường học nổi tiếng ví dụ về phân tích tổng hợp Bayesian phân cấp. Trong ví dụ tám trường, tôi đã thấy một trước mơ hồ được sử dụng để ước tính của mu, chẳng hạn như L q ~ bình thường ( 0 , 100 ) .Dμθ~bình thường(0,100)

Kỷ luật của tôi là tâm lý, trong đó kích thước hiệu ứng thường nhỏ. Như vậy, tôi đã được xem xét sử dụng này trước: . Lý do của tôi cho một ví dụ chặt chẽ trước là, từ sự hiểu biết của tôi về priors, tôi đặt một xác suất trước 95% rằng L q là giữa -1 đến 1, để lại một xác suất trước 5% cho các hiệu ứng là lớn hơn -1 hoặc 1.μθ~bình thường(0,.5)μθ

Vì rất hiếm khi các hiệu ứng này lớn như vậy, điều này có hợp lý trước không?


7
Tôi nghĩ rằng các linh mục của bạn vẫn ổn, miễn là bạn có thể bảo vệ họ bằng các lập luận ngoài thống kê. Tuy nhiên, hãy chắc chắn rằng bạn cũng thực hiện phân tích độ nhạy bằng cách sử dụng các linh mục ít thông tin hơn, để kiểm tra xem phân phối sau của bạn có phụ thuộc quá nhiều vào các giả định của bạn hay không.
Joe_74

2
Một vài bài kiểm tra độ nhạy thẳng sẽ là sử dụng các bản phân phối của học sinh với 4 hoặc 7 độ tự do và thay đổi quy mô phân phối. Nếu bạn nghi ngờ sai lệch xuất bản trong mẫu của mình, các thử nghiệm độ nhạy này sẽ không cho bạn biết nhiều. Bạn có thể đưa sự thiên vị xuất bản vào tài khoản của bạn trước. Xem tác phẩm của Joachim Vandekerckhove cogsci.uci.edu/~joachim/publications.php
stijn

1
@ Joe_74 bạn có thể đặt bình luận của bạn làm câu trả lời.
Bóng Morgan

@MorganBall Sẽ làm
Joe_74

Câu trả lời:


2

Vì rất hiếm khi các hiệu ứng này lớn như vậy, điều này có hợp lý trước không?

Tôi nghĩ rằng các linh mục của bạn vẫn ổn, miễn là bạn có thể bảo vệ họ bằng các lập luận ngoài thống kê (ví dụ bằng cách xem xét các tác phẩm đã được thiết lập trong tài liệu học thuật tâm lý học).

Tuy nhiên, hãy chắc chắn rằng bạn cũng thực hiện phân tích độ nhạy bằng cách sử dụng các linh mục ít thông tin hơn, để kiểm tra xem phân phối sau của bạn có phụ thuộc quá nhiều vào các giả định của bạn hay không. Nếu đây là trường hợp, với những phát hiện tương tự về phương hướng và mức độ hiệu quả, thì kết quả của bạn sẽ xuất hiện mạnh mẽ và hợp lệ hơn nhiều.

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.