P dönüştürmek için bu formüller, bir tam veya şişirilmiş / muhafazakar bir tahmin olarak LS, MSD, SE HSD, Cl,

Arka fon

Daha önce yayınlanmış verileri içeren bir meta-analiz yürütüyorum. Genellikle, tedaviler arasındaki farklar P-değerleri, en az anlamlı farklılıklar (LSD) ve diğer istatistikler ile rapor edilir, ancak varyansın doğrudan bir tahmini yoktur.

Kullandığım model bağlamında, varyansın fazla tahmin edilmesi doğru.

Sorun

İşte için dönüşümler listesidir S E = $SE$ (2003 Saville)ı düşünüyorum bu, geri takdir; Aşağıda,α=0.05yani1- α / 2=0.975 olduğunu ve değişkenlerin normalde aksi belirtilmedikçe dağıtıldığınıvarsayıyorum:$SE=\sqrt{MSE/n}$ $\alpha=0.05$$1-^{\alpha}/_2=0.975$

Sorular:

1. verilen , n ve tedavi yöntemleri ˉ X 1 ve 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$

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

Bu denklemleri kapsüllemek için bir R işlevi:

1. Örnek Veriler:

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

2. Örnek Kullanım:

   transformstats(data)    
   

3. transformstatsfonksiyon:

   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)
   }
   

Referanslar

Saville 2003 Can J. Exptl Psych. (Pdf)

Rosenberg ve ark. 2004 (bağlantı)

Wang ve diğ. 2000 Çevre Tox. ve Chem 19 (1): 113-117 (bağlantı)

LSD denkleminiz iyi görünüyor. Varyansa geri dönmek istiyorsanız ve bir efektin değişkenliği veya önemi hakkında bir şeyler söyleyen bir özet istatistiğiniz varsa, neredeyse her zaman varyansa geri dönebilirsiniz - sadece formülü bilmeniz gerekir. Örneğin, LSD denkleminizde MSE için çözmek istediğiniz, MSE = (LSD / t _) ^ 2/2 * b

Sadece John'la hemfikir olabilirim. Ayrıca, belki de David Saville'in bu makalesi, LSD ve ark.'nın
Saville DJ (2003) değişkenlik ölçümlerini yeniden hesaplamak için bazı formüllerle size yardımcı olur . Temel istatistikler ve çoklu karşılaştırma prosedürlerinin tutarsızlığı. Kanada Deneysel Psikoloji Dergisi, 57, 167-175

GÜNCELLEME:
Çeşitli efekt boyutları arasında dönüştürmek için daha fazla formül arıyorsanız, meta analizdeki kitaplar bunlardan birçoğunu sağlamalıdır. Ancak, bu alanda bir uzman değilim ve bir tavsiye edemez.
Ancak, Rosenthal ve Rosnow'un kitabının bir zamanlar bazı formüllere yardımcı olduğunu hatırlıyorum:
Davranışsal Araştırmanın Temelleri: Yöntemler ve Veri Analizi
Dahası, bu kitaptaki formüller hakkında Rosenthal, Rosnow & Rubin ( Daha önce hiç kullanmadım):
Davranışsal Araştırmalarda Kontrastlar ve Etki Boyutları: Korelasyonel Bir Yaklaşım (Yakındaki bir kütüphanede varsa kesinlikle denemelisiniz).

Bu yeterli değilse, meta-analizler için etki büyüklüklerini dönüştürmek için belki de literatür hakkında başka bir soru sorun. Belki meta-analize daha fazla bakan birinin daha temelli önerileri vardır.

R paketi compute.es dosyasını denemeyi düşünebilirsiniz . Etki büyüklüğü tahminleri ve etki büyüklüğünün varyansı türetmek için çeşitli işlevler vardır.