Là các công thức cho chuyển P, LSD, MSD, HSD, CI, để SE như một / ước tính dè dặt chính xác hoặc thổi phồng của

Lý lịch

Tôi đang tiến hành phân tích tổng hợp bao gồm dữ liệu được công bố trước đó. Thông thường, sự khác biệt giữa các phương pháp điều trị được báo cáo với giá trị P, sự khác biệt nhỏ nhất có ý nghĩa (LSD) và các thống kê khác nhưng không cung cấp ước tính trực tiếp về phương sai.

Trong bối cảnh của mô hình mà tôi đang sử dụng, việc đánh giá quá cao phương sai là được.

Vấn đề

Dưới đây là danh sách các biến đổi để nơi S E = $SE$ (Saville 2003)mà tôi đang xem xét, phản hồi đánh giá cao; bên dưới, tôi giả sử rằngα=0,05nên1- α / 2=0,975 và các biến thường được phân phối trừ khi có quy định khác:$SE=\sqrt{MSE/n}$ $\alpha=0.05$$1-^{\alpha}/_2=0.975$

Câu hỏi:

1. cho , n và phương tiện điều trị có nghĩa là ˉ X 1 và ˉ X 2 S E = ˉ X 1 - ˉ X$P$$n$$\bar X_1$$\bar X_2$

   $$SE=\frac{\bar X_1-\bar X_2}{t_{(1-\frac{P}{2},2n-2)}\sqrt{2/n}}$$

2. $\alpha$$n$$b$$b$$n=b$

   $$SE = \frac{LSD}{t_{(0.975,n)}\sqrt{2bn}}$$

3. $n$$\alpha$$2n-2$

   $$SE = \frac{MSD}{t_{(0.975, 2n-2)}\sqrt{2}}$$

4. $\alpha$$n$

   $$SE = \frac{CI}{t_{(\alpha/2,n)}}$$

5. $n$$q$

   $$SE = \frac{HSD}{q_{(0.975,n)}}$$

Hàm R để đóng gói các phương trình này:

1. Dữ liệu mẫu:

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

2. Ví dụ sử dụng:

   transformstats(data)    
   

3. Các transformstatschức năng:

   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)
   }
   

Người giới thiệu

Saville 2003Can J. Exptl Tâm lý. (pdf)

Rosenberg và cộng sự 2004 (liên kết)

Wang và cộng sự. Năm 2000 Độc. và Hóa 19 (1): 113-117 (liên kết)

Phương trình LSD của bạn trông ổn. Nếu bạn muốn quay trở lại phương sai và bạn có một thống kê tóm tắt nói lên điều gì đó về tính biến thiên hoặc tầm quan trọng của hiệu ứng thì bạn hầu như luôn có thể quay lại phương sai - bạn chỉ cần biết công thức. Ví dụ: trong phương trình của bạn cho LSD bạn muốn giải cho MSE, MSE = (LSD / t _) ^ 2/2 * b

Tôi chỉ có thể đồng ý với John. Hơn nữa, có lẽ bài báo này của David Saville giúp bạn một số công thức để tính toán lại các biện pháp biến đổi từ LSDs và cộng sự:
Saville DJ (2003). Thống kê cơ bản và sự không nhất quán của nhiều thủ tục so sánh. Tạp chí Tâm lý học Thực nghiệm Canada, 57, 167 Đ175175

CẬP NHẬT:
Nếu bạn đang tìm kiếm thêm các công thức để chuyển đổi giữa các kích cỡ hiệu ứng khác nhau, sách về phân tích tổng hợp sẽ cung cấp rất nhiều trong số này. Tuy nhiên, tôi không phải là một chuyên gia trong lĩnh vực này và không thể đề xuất một.
Nhưng, tôi nhớ rằng cuốn sách của Rosenthal và Rosnow đã từng giúp một số công thức:
Yếu tố cần thiết của nghiên cứu hành vi: Phương pháp và phân tích dữ liệu
Ngoài ra, tôi đã nghe rất nhiều điều hay về các công thức trong cuốn sách này của Rosenthal, Rosnow & Rubin (mặc dù Tôi chưa bao giờ sử dụng nó): Độ
tương phản và kích thước hiệu ứng trong nghiên cứu hành vi: Cách tiếp cận tương quan (Bạn chắc chắn nên thử nếu thư viện gần đó có nó).

Nếu điều này là không đủ, có lẽ hỏi một câu hỏi khác về tài liệu để chuyển đổi kích thước hiệu ứng cho các phân tích tổng hợp. Có lẽ ai đó nhiều hơn vào phân tích tổng hợp có nhiều khuyến nghị có căn cứ hơn.

Bạn có thể xem xét thử gói compute.es . Có một số hàm để lấy ước tính kích thước hiệu ứng và phương sai của kích thước hiệu ứng.