Khi nào (nếu có) là một ý tưởng tốt để làm một phân tích sức mạnh bài hoc?


12

Hiểu biết của tôi là một phân tích sức mạnh là bài hoc nếu và chỉ khi nó sử dụng kích thước hiệu ứng quan sát được làm kích thước hiệu ứng dân số mục tiêu.

Câu trả lời:


7

Trong lĩnh vực của tôi, tôi thấy những người thực hiện các phân tích sức mạnh sau đại học khi mục đích của bài viết là cho thấy một số hiệu ứng mà người ta có thể mong đợi sẽ có mặt (vì vì văn học trước đây, thông thường, v.v.), ít nhất là theo đến một số thử nghiệm quan trọng.

Tuy nhiên, trong những tình huống này, nhà nghiên cứu có một chút ràng buộc - anh ta hoặc cô ta có thể đã thu được một kết quả không đáng kể vì hiệu ứng thực sự không có trong dân số hoặc vì nghiên cứu không đủ sức để phát hiện có hiệu lực ngay cả khi nó đã có mặt. Sau đó, mục đích của phân tích sức mạnh là chỉ ra rằng, dù chỉ là một hiệu ứng nhỏ trong dân số, nghiên cứu sẽ có xác suất cao để phát hiện ra hiệu ứng đó.

Đối với một ví dụ cụ thể của việc sử dụng này phân tích năng lượng sau hoc, xem này giấy được liên kết.


1
Điều đó chắc chắn nghe có vẻ hợp lý. Dựa trên câu trả lời của bạn, tôi sẽ kết luận rằng đôi khi có một lý do chính đáng để thực hiện các phân tích sức mạnh bài hoc. Đó là trừ khi có một số phương pháp ưu việt cho thấy rằng ngay cả một hiệu ứng dân số nhỏ không đáng kể, một nghiên cứu sẽ có xác suất cao để phát hiện ra hiệu ứng đó. Bạn có biết phương pháp nào như vậy không?
user1205901 - Phục hồi Monica

Tôi nghĩ rằng phương pháp đó chính xác là một phân tích sức mạnh hậu hoc. Tôi cho rằng một phương pháp thay thế có thể là sử dụng các phương pháp Bayes thay vì kiểm tra giả thuyết Pearsonian, nhưng trong lĩnh vực của tôi (tâm lý học), kiểm tra giả thuyết Pearsonian vẫn là mô hình thống kê thống trị.
Patrick S. Forscher

Có một vấn đề lớn với cách tiếp cận được mô tả. Phương tiện luôn khác nhau do biến thể lấy mẫu, do đó, hầu như, bất kỳ thử nghiệm nào cũng có thể phát hiện ngay cả một hiệu ứng nhỏ tầm thường được đưa ra một mẫu lớn (tăng n của bạn lên 99999999999 và mọi thứ đều có thể có ý nghĩa). Ngoài ra, trong trường hợp giả thuyết bị bác bỏ, tôi không chắc lắm nhưng có khả năng "sức mạnh thu được" sẽ luôn <0,5 luôn (hoặc, ít nhất là nhiều lần). Vì vậy, nó luôn dẫn đến kết luận rằng mẫu không đủ.
Bruno

α

4

Bạn luôn có thể tính xác suất để một nghiên cứu tạo ra kết quả quan trọng cho kích thước hiệu ứng tiên nghiệm nhất định. Về lý thuyết, điều này nên được thực hiện trước khi một nghiên cứu được thực hiện bởi vì không có điểm nào trong việc thực hiện một nghiên cứu với công suất thấp có cơ hội thấp để tạo ra kết quả đáng kể khi có hiệu lực. Tuy nhiên, bạn cũng có thể tính toán sức mạnh sau nghiên cứu để nhận ra rằng một nghiên cứu có công suất thấp hoặc, không chắc, công suất cao để phát hiện ngay cả một hiệu ứng nhỏ.

Thuật ngữ công suất hậu hoc hoặc quan sát được sử dụng để phân tích công suất sử dụng kích thước hiệu ứng quan sát được trong mẫu để tính công suất theo giả định rằng kích thước hiệu ứng quan sát được là ước tính hợp lý của kích thước hiệu ứng thực. Nhiều nhà thống kê đã chỉ ra rằng sức mạnh quan sát được trong một nghiên cứu không có nhiều thông tin vì kích thước hiệu ứng không được ước tính với độ chính xác đủ để cung cấp thông tin. Gần đây, các nhà nghiên cứu đã bắt đầu kiểm tra sức mạnh quan sát đối với một loạt các nghiên cứu để kiểm tra mức độ trung bình của các nghiên cứu và liệu các nghiên cứu có báo cáo kết quả quan trọng hơn so với sức mạnh thực tế của các nghiên cứu sẽ chứng minh.

https://replicationindex.wordpress.com/tag/observed-power/


Vì vậy, @ Dr-r, làm thế nào ai đó có thể đề cập đến loại nghiên cứu được đề cập đầu tiên? Có một tên chính xác cho điều đó? Tôi đã sử dụng chức năng "post hoc" của G * Power, nhưng tôi đã sử dụng kích thước hiệu ứng tiên nghiệm. Lý do tôi đang làm là vì ban đầu, tôi đã lên kế hoạch sử dụng sự khác biệt trung bình "đoán" và độ lệch chuẩn "đoán" và chúng khác rất nhiều so với thu được. Ngoài ra, tôi không thể đạt được kích thước mẫu dự định của mình trong cả hai nhóm. Tôi không muốn sử dụng thuật ngữ "bài hoc" trong bài viết của mình vì mọi người có thể hiểu sai. Vì vậy, bạn có bất kỳ đề nghị?
Bruno
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.