Informacija

Je li moguće rangirati standardizirane beta koeficijente u općem linearnom mješovitom modelu?

Je li moguće rangirati standardizirane beta koeficijente u općem linearnom mješovitom modelu?



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Imam eksperimentalni tretman na 15 lokacija i želio bih izraditi modele za povezivanje stopa korištenja 4 vrste sa skupom od 6 varijabli koje objašnjavaju. Na kraju bih želio rangirati važnost ove varijable za svaku vrstu. Obično bih jednostavno uklopio modele i onda standardizirao beta koeficijent dijeljenjem sa standardnom pogreškom i poredanjem po apsolutnoj vrijednosti. Međutim, u ovom slučaju, moram modelirati nasumični učinak web-mjesta, a moja varijabla odgovora mora biti modelirana kao Poisson s nultom napuhanom, što me vodi izvan područja u kojem sam vidio da se izvodi ova komparativna analiza.

Postoji li analogan postupak rangiranja standardiziranih beta koeficijenata za generalizirane linearne mješovite modele?

Puno hvala unaprijed!

Je li moguće rangirati standardizirane beta koeficijente u generaliziranim linearnim mješovitim modelima?


FAQ: Kako su omjer vjerojatnosti, Wald i Lagrangeov multiplikator (score) testovi različiti i/ili slični?

Svrha: Ova stranica uvodi koncepte a) testa omjera vjerojatnosti, b) Waldovog testa i c) testa rezultata. Da biste vidjeli kako se test omjera vjerojatnosti i Wald test implementiraju u Stata, pogledajte Kako mogu izvesti omjer vjerojatnosti i Wald test u Stata?

Istraživač je procijenio sljedeći model, koji predviđa visoke i niske rezultate pisanja na standardiziranom testu (hiwrite), koristeći rod učenika’ (žena), i ocjene na standardiziranim rezultatima testova u čitanju (čitati), matematika (matematike), i znanost (znanost). Izlaz za model izgleda ovako:

Istraživač bi želio znati odgovara li ovaj model (s četiri prediktorske varijable) znatno bolje od modela sa samo žena i čitati kao prediktori. Kako istraživač to može postići? Postoje tri uobičajena testa koji se mogu koristiti za testiranje ove vrste pitanja, a to su test omjera vjerojatnosti (LR), Waldov test i Lagrangeov test množitelja (ponekad se naziva test bodova). Ovi se testovi ponekad opisuju kao testovi za razlike među ugniježđenim modelima, jer se za jedan od modela može reći da je ugniježđen u drugi. Nul hipoteza za sva tri testa je da je manji model “true” model, velika statistika testa pokazuje da je nulta hipoteza netočna. Iako se sva tri testa bave istim osnovnim pitanjem, malo se razlikuju. Na ovoj stranici ćemo opisati kako provesti ove testove i raspravljati o sličnostima i razlikama među njima. (Napomena: ovi testovi su vrlo općeniti i koriste se za testiranje drugih vrsta hipoteza koje uključuju testiranje da li fiksiranje parametra značajno šteti uklapanju modela.)


Evo nekoliko prijedloga.

Korištenje coefplot2 (na r-forge):

Krađa simulacijskog koda od @Thierryja:

Često sam imao problema s R-Forge konstrukcijom. Ovaj zamjenski bi trebao raditi ako R-Forge build ne radi:

Imajte na umu da ovisnost koda mora već biti instalirana.

Sviđaju mi ​​se dijagrami intervala pouzdanosti koeficijenta, ali bi moglo biti korisno razmotriti neke dodatne dijagrame kako biste razumjeli fiksne učinke.

Krađa simulacijskog koda od @Thierryja:

Pogledajte strukturu podataka. izgleda uravnoteženo..

Moglo bi biti zanimljivo pratiti korelaciju između fiksnih učinaka, osobito ako se uklapate u različite strukture korelacije. Na sljedećoj poveznici nalazi se neki cool kod.

Konačno, čini se relevantnim pogledati varijabilnost u 10 eksperimenata, kao i varijabilnost po "statusu" unutar eksperimenata. Još uvijek radim na kodu za ovo jer ga razbijam na neuravnoteženim podacima, ali ideja jest.

Konačno, već spomenuta knjiga Piniera i Batesa (2000.) snažno je favorizirala rešetku od onoga malog što sam prešao.. Stoga biste mogli pokušati. Možda nešto poput iscrtavanja sirovih podataka.


Odabir prave vrste regresijske analize samo je početak procesa. Zatim morate odrediti model. Specifikacija modela je proces određivanja koje neovisne varijable pripadaju modelu i jesu li prikladni efekti zakrivljenosti modeliranja i interakcije.

Specifikacija modela je iterativni proces. Odjeljci o tumačenju i potvrđivanju pretpostavki ovog vodiča objašnjavaju kako procijeniti svoj model i kako promijeniti model na temelju statističkih rezultata i grafikona.

    : Pregledam standardne statističke pristupe, poteškoće s kojima se možete suočiti i nudim neke savjete iz stvarnog svijeta. : Ovakav pristup odabiru modela može dovesti do pogrešnih rezultata. Naučite kako otkriti i izbjeći ovaj problem. : Dva uobičajena alata za identifikaciju varijabli kandidata tijekom istražnih faza izgradnje modela. : Prekomplicirani modeli mogu proizvesti pogrešne vrijednosti R-kvadrata, koeficijente regresije i p-vrijednosti. Naučite kako otkriti i izbjeći ovaj problem. : Kada vaši podaci ne prate ravnu liniju, model mora odgovarati zakrivljenosti. Ovaj post pokriva različite metode za postavljanje krivulja. : Kada učinak jedne varijable ovisi o vrijednosti druge varijable, morate uključiti učinak interakcije u svoj model inače će rezultati biti pogrešni. : U specifičnim situacijama, standardizacija nezavisnih varijabli može otkriti statistički značajne rezultate. : Varijable koje izostavite iz modela mogu utjecati na varijable koje uključite. : Pronađite načine za uključivanje vrijednih informacija u svoje modele i izbjegavajte zbunjujuće.

Korištenje OLS pretpostavki

Pretpostavke OLS-a iznimno su važne. Ako OLS pretpostavke 1 do 5 vrijede, tada je prema Gauss-Markovljevom teoremu, OLS procjenitelj najbolji linearni nepristrani estimator (PLAVA). Ovo su poželjna svojstva OLS procjenitelja i zahtijevaju posebnu raspravu u pojedinostima. Međutim, u nastavku fokus je na važnosti OLS pretpostavki kroz raspravu o tome što se događa kada ne uspije i kako možete paziti na potencijalne pogreške kada pretpostavke nisu navedene.

  1. Pretpostavka linearnosti (OLS pretpostavka 1) – Ako linearni model prilagodite podacima koji nisu linearno povezani, model će biti netočan i stoga nepouzdan. Kada koristite model za ekstrapolaciju, vjerojatno ćete dobiti pogrešne rezultate. Stoga uvijek trebate nacrtati graf od promatrane predviđene vrijednosti. Ako je ovaj graf simetrično raspoređen duž linije od 45 stupnjeva, onda možete biti sigurni da pretpostavka linearnosti vrijedi. Ako pretpostavke linearnosti ne vrijede, tada morate promijeniti funkcionalni oblik regresije, što se može učiniti uzimanjem nelinearnih transformacija nezavisnih varijabli (tj. možete uzeti log < X >umjesto X kao svoju nezavisnu varijablu) a zatim provjerite linearnost.
  2. Pretpostavka homoskedastičnosti (OLS pretpostavka 5) Ako su pogreške heteroskedastične (tj. OLS pretpostavka je prekršena), tada će biti teško vjerovati standardnim pogreškama OLS procjena. Stoga će intervali povjerenja biti ili preuski ili preširoki. Također, kršenje ove pretpostavke ima tendenciju davanja prevelike težine nekom dijelu (pododjeljku) podataka. Stoga je važno to popraviti ako varijacije pogreške nisu konstantne. Možete jednostavno provjeriti jesu li varijacije pogreške konstantne ili ne. Ispitajte radnju preostale predviđene vrijednosti ili zaostaci u odnosu na vrijeme (za modele vremenskih serija). Obično, ako je skup podataka velik, pogreške su više ili manje homoskedastične. Ako je vaš skup podataka mali, provjerite ovu pretpostavku.
  3. Pretpostavka neovisnosti/bez autokorelacije (OLS pretpostavka 5) – Kao što je već spomenuto, ova pretpostavka će najvjerojatnije biti narušena u modelima regresije vremenskih serija i, stoga, intuicija kaže da je nema potrebe istraživati. Međutim, još uvijek možete provjeriti autokorelaciju gledanjem rezidualna vremenska serija. Ako je autokorelacija prisutna u modelu, možete pokušati uzeti kašnjenja nezavisnih varijabli kako biste ispravili komponentu trenda. Ako ne ispravite autokorelaciju, procjene OLS-a neće biti PLAVE i neće biti dovoljno pouzdane.
  4. Pretpostavka normalnosti pogrešaka (OLS pretpostavka 6) – Ako pojmovi pogreške nisu normalni, tada standardne pogreške OLS procjena neće biti pouzdane, što znači da bi intervali povjerenja bili preširoki ili uski. Također, OLS procjenitelji neće imati poželjno PLAVO svojstvo. A dijagram normalne vjerojatnosti ili a normalni kvantilni prikaz može se koristiti za provjeru jesu li pojmovi pogreške normalno raspoređeni ili ne. Devijacijski uzorak u obliku luka na ovim dijagramima otkriva da pogreške nisu normalno raspoređene. Ponekad pogreške nisu normalne jer pretpostavka linearnosti ne vrijedi. Stoga je vrijedno ponovno provjeriti pretpostavku linearnosti ako ova pretpostavka ne uspije.
  5. Pretpostavka da nema multikolinearnosti (OLS pretpostavka 4) – Multikolinearnost možete provjeriti izradom korelacijske matrice (iako postoje i drugi složeni načini za njihovu provjeru poput faktora inflacije varijance, itd.). Gotovo siguran pokazatelj prisutnosti multi-kolinearnosti je kada dobijete suprotne (neočekivane) predznake za svoje regresijske koeficijente (npr. ako očekujete da nezavisna varijabla pozitivno utječe na vašu zavisnu varijablu, ali dobijete negativan predznak koeficijenta iz regresijski model). Vrlo je vjerojatno da regresija pati od multikolinearnosti. Ako varijabla intuitivno nije toliko važna, ispuštanje te varijable ili bilo koje od povezanih varijabli može riješiti problem.
  6. OLS pretpostavke 1, 2 i 4 neophodne su za postavljanje problema OLS-a i njegovu derivaciju. Slučajno uzorkovanje, opažanja koja su veća od broja parametara i regresija koja je linearna u parametrima dio su postavljanja OLS regresije. Pretpostavka da nema savršene kolinearnosti omogućuje rješavanje uvjeta prvog reda u izvođenju OLS procjena.

Kako izračunati indeksnu ocjenu iz faktorske analize

Jedan od uobičajenih razloga za pokretanje analize glavnih komponenti (PCA) ili faktorske analize (FA) je varijabilno smanjenje.

Drugim riječima, možete započeti s ljestvicom od 10 stavki za mjerenje nečega poput anksioznosti, što je teško točno izmjeriti jednim pitanjem.

Svih 10 stavki možete koristiti kao pojedinačne varijable u analizi–možda kao prediktore u regresijskom modelu.

Ali ćete završiti s a nered.

Ne samo da biste imali problema s tumačenjem svih tih koeficijenata, već ćete vjerojatno imati problema s multikolinearnošću.

I što je najvažnije, niste zainteresirani za učinak svaki od tih pojedinačnih 10 stavki o vašem ishodu. Zanima vas učinak anksioznosti u cjelini.

Stoga se okrećemo tehnici smanjenja varijabli poput FA ili PCA kako bismo 10 povezanih varijabli pretvorili u jednu koja predstavlja konstrukt anksioznosti.

FA i PCA imaju različite teorijske temelje i pretpostavke i koriste se u različitim situacijama, ali su procesi vrlo slični. Ovdje ćemo koristiti FA za ovaj primjer.

Recimo da ste uspješno došli do dobrog faktorskog analitičkog rješenja i otkrili da ovih 10 stavki doista predstavljaju jedan faktor koji se može protumačiti kao anksioznost. Postoje dva slična, ali teoretski različita načina kombiniranja ovih 10 stavki u jedan indeks.

Faktorske ocjene

Dio izlaza Faktorske analize je tablica faktorskih opterećenja. Učitavanje svake stavke predstavlja koliko je jako ta stavka povezana s temeljnim čimbenikom.

Neka opterećenja bit će toliko niska da bismo smatrali da ta stavka nije povezana s faktorom i ne bismo je htjeli uključiti u indeks.

Ali čak i među predmetima s razumno velikim opterećenjem, opterećenja mogu prilično varirati. Ako se ta opterećenja međusobno jako razlikuju, želite da indeks odražava da svaka stavka ima nejednaku povezanost s faktorom.

Jedan pristup kombiniranju stavki je izračunavanje indeksne varijable putem optimalno ponderiran linearnu kombinaciju stavki, nazvanu Faktorske ocjene. Težina svake stavke proizlazi iz njenog faktorskog opterećenja. Dakle, doprinos svake stavke ocjeni faktora ovisi o tome koliko je snažno povezan s faktorom.

Faktorski rezultati su u biti ponderirani zbroj stavki. Budući da su sve te težine između -1 i 1, ljestvica faktorskih rezultata bit će vrlo različita od čistog zbroja. Smatram da je korisnim razmišljati o faktorskim rezultatima kao standardiziranim ponderiranim prosjecima.

Faktorske ocjene

Drugi, jednostavniji pristup je izračunavanje linearne kombinacije zanemarujući težine. Djeluje ili zbroj ili prosjek, iako prosjeci imaju prednost jer su na istoj ljestvici kao i stavke.

U ovom pristupu izvodite Faktorsku analizu jednostavno kako biste odredili koje se stavke opterećuju na svaki faktor, a zatim kombinirate stavke za svaki faktor.

Tehnički naziv ove nove varijable je rezultat koji se temelji na faktorima.

Bodovi temeljeni na faktorima imaju smisla samo u situacijama u kojima su sva opterećenja slična. U tom slučaju, utezi ionako ne bi učinili mnogo.

Koje rezultate koristiti?

Nikada nije pogrešno koristiti faktorske rezultate. Ako su faktorska opterećenja vrlo različita, oni su bolji prikaz faktora. A sav softver će ih brzo i jednostavno spremiti i dodati u vaš skup podataka.

Postoje dvije prednosti faktorskih rezultata. Prvo, oni su općenito intuitivniji. Publika koja se ne bavi istraživanjem može lako razumjeti prosjek stavki bolje od standardizirane optimalno ponderirane linearne kombinacije.

Drugo, ne morate brinuti o različitim težinama između uzoraka. Faktorska opterećenja trebala bi biti slična u različitim uzorcima, ali neće biti identična. To će utjecati na stvarne rezultate faktora, ali neće utjecati na rezultate temeljene na faktorima.

Ali prije nego upotrijebite rezultate temeljene na faktorima, provjerite jesu li opterećenja stvarno slična. Inače možete pogrešno predstavljati svoj faktor.


Usporedba statistike veličine učinka

Ako se nalazite u polju koje koristi analizu varijance, sigurno ste čuli da p-vrijednosti same po sebi ne ukazuju na veličinu učinka. Također morate dati neku vrstu mjere veličine efekta.

Zašto? Jer s dovoljno velikom veličinom uzorka, svaka razlika u srednjim vrijednostima, bez obzira koliko mala, može biti statistički značajna. P-vrijednosti su dizajnirane da vam kažu je li vaš rezultat slučajan, a ne je li velik.

Doista najjednostavnija i najjednostavnija mjera veličine učinka je razlika između dva sredstva. I to vjerojatno već prijavljujete. Ali ograničenje ove mjere kao veličine učinka nije netočnost. To je jednostavno teško procijeniti.

Ako ste upoznati s područjem istraživanja i varijablama koje se koriste u tom području, trebali biste znati je li razlika od 3 boda velika ili mala, iako vaši čitatelji možda i nisu. A ako procjenjujete novu vrstu varijable, može biti teško reći.

Standardizirane veličine učinaka osmišljene su za lakšu evaluaciju. Oni uklanjaju mjerne jedinice, tako da ne morate biti upoznati sa skaliranjem varijabli.

Cohen’s d je dobar primjer standardiziranog mjerenja veličine učinka. To je na mnogo načina ekvivalentno standardiziranom regresijskom koeficijentu (označen beta u nekom softveru). Obje su standardizirane mjere - dijele veličinu učinka s relevantnim standardnim odstupanjima. Dakle, umjesto u terminima izvornih jedinica X i Y, i Cohenov d i standardizirani regresijski koeficijenti su u terminima standardnih devijacija.

Postoje neka lijepa svojstva standardiziranih mjera veličine učinka. Najvažnije je da ih možete usporediti među varijablama. I u mnogim situacijama, uočavanje razlika u pogledu broja standardnih devijacija vrlo je korisno.

Ali oni su najkorisniji ako možete prepoznati i njihova ograničenja. Za razliku od koeficijenata korelacije, i Cohenov d i beta mogu biti veći od jedan. Dakle, iako ih možete međusobno usporediti, ne možete samo pogledati jedan i odmah reći što je veliko ili malo. Vi samo gledate učinak nezavisne varijable u smislu standardnih devijacija.

Ovo je posebno važno napomenuti za Cohenov d, jer je u svojoj izvornoj knjizi specificirao određene d vrijednosti kao pokazatelje malih, srednjih i velikih učinaka u istraživanju ponašanja. Iako je sama statistika dobra, trebali biste uzeti ove preporuke za veličinu s rezervom (ili možda vrlo velikom zdjelom soli). Što je veliki ili mali učinak uvelike ovisi o vašem specifičnom području studija, a čak i mali učinak može biti teoretski značajan.

Drugi skup mjera veličine učinka za kategoričke neovisne varijable ima intuitivniju interpretaciju i lakše ih je procijeniti. Oni uključuju Eta Squared, Djelomična Eta Squared i Omega Squared. Poput statistike R na kvadrat, svi oni imaju intuitivno tumačenje udjela obračunate varijance.

Eta Squared izračunava se na isti način kao R Squared i ima najekvivalentniju interpretaciju: od ukupne varijacije u Y, omjer koji se može pripisati određenom X.

Eta Squared se, međutim, koristi posebno u ANOVA modelima. Svaki kategorički učinak u modelu ima svoj Eta Squared, tako da dobivate specifičnu, intuitivnu mjeru učinka te varijable.

Međutim, Eta Squared ima dva nedostatka. Jedna je da kako modelu dodate više varijabli, udio objašnjen bilo kojom varijablom automatski će se smanjiti. Zbog toga je teško usporediti učinak jedne varijable u različitim studijama.

Djelomična Eta Squared rješava ovaj problem, ali ima manje intuitivno tumačenje. Tu nazivnik nije ukupna varijacija u Y, već neobjašnjiva varijacija u Y plus varijacija objašnjena samo tim X. Dakle, svaka varijacija objašnjena drugim X-ovima uklanja se iz nazivnika. To omogućuje istraživaču da usporedi učinak iste varijable u dvije različite studije, koje sadrže različite kovarijate ili druge čimbenike.

U jednosmjernoj ANOVA, Eta Squared i Partial Eta Squared bit će jednaki, ali to nije točno u modelima s više od jedne neovisne varijable.

Nedostatak za Eta Squared je to što je to pristrana mjera objašnjene varijance populacije (iako je točna za uzorak). Uvijek ga precjenjuje.

Ova pristranost postaje vrlo mala kako se veličina uzorka povećava, ali za male uzorke nepristrana mjera veličine učinka je Omega Squared. Omega Squared ima isto osnovno tumačenje, ali koristi nepristrane mjere komponenti varijance.Budući da je to nepristrana procjena populacijskih varijacija, Omega Squared je uvijek manji od Eta Squared.

Drugi nedavni postovi sadrže jednadžbe svih tih mjera veličine učinka i popis sjajnih referenci za daljnje čitanje o veličinama učinaka.


FAQ Latentno GOLD®

Prije kupnje programa možete isprobati besplatnu demo verziju programa, koja omogućuje pristup svim značajkama programa s uzorcima podatkovnih datoteka.

Tutorijali vas vode korak po korak kroz nekoliko analiza ovih uzoraka datoteka. Ovi vodiči zajedno s raznim publikacijama dostupni su na našoj web stranici. Nakon kupnje programa korisnici mogu preuzeti Korisnički vodič od 200 stranica ili druge priručnike koji pokrivaju širok raspon tema o analizi latentne klase i latentnom GOLD®-u.

Latent GOLD® može rukovati formatima ASCII tekstualnih podataka kao i SPSS datotekama.

SAS Export može stvoriti SPSS .sav datoteku koju može otvoriti Latent GOLD®. SAS dokumentacija ilustrira funkciju izvoza. Upute potražite na stranici Relevantni izvoz.

NEMA ograničenja u pogledu broja zapisa. Vrijeme će ovisiti o nekoliko čimbenika uključujući broj varijabli i zapisa, brzinu vašeg stroja i traženi izlaz. Za mnoge modele, Latent GOLD® radi 20 ili više puta brže od ostalih programa Latent Class, a verzija 5.0 je mnogo brža od ranijih verzija. Predlažemo da isprobate demo program da vidite koliko brzo Latent GOLD® radi na vašem računalu.

Latent GOLD® implementira 3 najvažnija tipa modela latentne klase (LC). Dizajniran je tako da bude iznimno jednostavan za korištenje i da omogući ljudima bez jake statističke pozadine da na siguran i jednostavan način primjene LC analizu na vlastite podatke. LEM je alat za istraživanje naredbenog jezika koji je prof. Jeroen Vermunt razvio za primijenjene istraživače s jakim statističkim iskustvom koji žele primijeniti nestandardne log-linearne i latentne modele klasa na svoje kategoričke podatke. S LEM-om možete odrediti više struktura vjerojatnosti s mnogo više vrsta ograničenja (ako znate kako to učiniti), ali nije dizajniran da bude prilagođen Windowsima, zahtijeva stroge formate podataka i unosa i ne pruža provjere grešaka.

Uz Latent GOLD, kontinuirane varijable i varijable brojanja mogu biti uključene u model, a osiguran je i poseban LC izlaz koji nije dostupan u LEM-u, kao što su različiti grafikoni, klasifikacijska statistika i bivarijantni ostaci. Latentno GOLD® također ima brže (puni Newton-Raphson) i sigurnije (skupovi početnih vrijednosti, Bayesove konstante) metode procjene za LC modele od LEM-a. Oba programa daju informacije o neidentifikaciji i graničnim rješenjima, ali Latent GOLD®, za razliku od LEM-a, može spriječiti granična rješenja korištenjem Bayesovih konstanti.

Skup primjera datoteka s podacima na našoj web stranici sadrži različite primjere analize povijesti događaja. Postavljanje za nekoliko modela povijesti događaja može se otvoriti u Latent GOLD koristeći izbornik HELP GUI Primjer regresije. Potpuni vodiči još nisu dostupni za njih. Međutim, da biste započeli, možete pogledati podatkovnu datoteku land.sav, puna referenca za koju je " Land, KC, Nagin, DS i McCall (2001). Modeli regresije opasnosti u diskretnom vremenu sa skrivenom heterogenošću: poluparametarski mješoviti Poissonov pristup. Sociološke metode i istraživanja, 29, 342-373." Još jedan dobar primjer je jobchange.dat.

Land.sav sadrži informacije o 411 muškaraca iz radničke klase Londona koji su praćeni u dobi od 10 do 31 godine. Zavisna varijabla je "prva ozbiljna delinkvencija". Kao što se može vidjeti, postoji jedan zapis za svaku vremensku točku, koji se naziva format podataka o osobi i razdoblju. Zavisni "prvi" je nula za sve zapise osobe, očekujte posljednju ako je osoba doživjela događaj od interesa u toj dobi. Varijable age i age_sq varijable su trajanja. Oni se također mogu promatrati kao vremenski promjenjivi prediktori. Varijabla "tot" je vremenski konstantna kovarijanta/prediktor (kompozitni faktor rizika). Naravno, ID bi se trebao koristiti kao ID slučaja kako bi se naznačilo koji zapisi pripadaju istom predmetu.

Ovisni "prvi" može se tretirati kao Poissonov broj ili kao binomni broj. Prva opcija daje djelimično konstantni log-linearni model opasnosti, a druga logit s diskretnim vremenom. Ako se tretira kao Poissonov broj, najbolje je postaviti ekspoziciju na jednu polovicu (exp_half: događaj se događa u sredini intervala) za vremensku točku u kojoj se događaj događa. Uz binomni broj, ekspozicija bi trebala biti cijelo vrijeme jedna (=zadano). Dob i age_sq trebaju se koristiti kao prediktori ovisni o klasi. Identificirate dvije skupine s jasno različitim dobnim uzorkom u stopi prve delikvencije. Varijabla "tot" može se koristiti kao prediktor neovisan o klasi, ali zanimljivije je koristiti ju kao kovarijantu: određuje li faktor rizika vrstu delinkvencije?

Ovaj se primjer može modificirati.proširiti na mnogo načina. - možete uključiti druge vremenski promjenjive prediktore osim vremenskih varijabli. Za njih se može pretpostaviti da imaju iste ili različite učinke u različitim klasama. - možete uključiti informacije o drugom događaju. U tom slučaju vaši predmeti opisuju obrazac u više događaja - možete uključiti koliko god želite kovarijata (ovo će obično biti demografija, ali može biti i tretman) - možete modelirati ovisnost o vremenu kao nominalnu, dajući Cox-ovu model.

Opća referenca o povijesti događaja u kombinaciji s LC analizom je Vermunt (1997), Log-linearna analiza povijesti događaja. Kadulja Publikacije.

Latent GOLD® je Windows program, ali smo imali izvješća da je softver za emulaciju Wine omogućio korisnicima pokretanje Latent GOLD na Mac OS X strojevima. Može se instalirati putem macporta: https://www.winehq.org/, ili možete koristiti http://sourceforge.net/projects/darwine/. Zatim bi trebala postojati aplikacija koju možete otvoriti.

Alternativa je Winebottler: http://winebottler.kronenberg.org/. To omogućuje otvaranje i instalaciju Latent GOLD setup.exe kao da je sama aplikacija.

Imajte na umu da podržavamo samo proces instalacije Latent GOLD® na Windows stroj.

LC klaster analiza

LC grupiranje se temelji na modelu za razliku od tradicionalnih pristupa koji se temelje na ad-hoc mjerama udaljenosti. Opći model vjerojatnosti na kojem se temelji LC klasteriranje lakše prilagođava stvarnost dopuštajući nejednake varijance u svakom klasteru, korištenje varijabli s mješovitim tipovima ljestvice i formalne statističke postupke za određivanje broja klastera, među mnogim drugim poboljšanjima. Za detaljnu usporedbu koja pokazuje kako LC klaster nadmašuje SPSS K-means clustering i SAS FASTCLUS procedure, pogledajte Magidson i Vermunt (2002) i Kent, Jensen i Kongsted (2014).

Slučajevi se dodjeljuju u latentnu klasu s najvećom vjerojatnošću posteriornog članstva. Kovarijate se mogu dodati modelu za poboljšani opis i predviđanje latentnih klasa.

Ne, imputacija nije potrebna. Klasifikacija s nedostajućim vrijednostima funkcionira potpuno isto kao i klasifikacija bez vrijednosti koje nedostaju. Jednostavno se temelji na varijablama koje se promatraju za predmetni slučaj. Ne postoji imputacija vrijednosti koje nedostaju za pokazatelje. Jedna od lijepih stvari kod LC analize je da imputacija nije potrebna.

U Uputama za upotrebu dajemo opći oblik gustoće s nedostajućim vrijednostima. Ključna stvar je delta, koja je 0 ako nedostaje indikator. Ako se to dogodi, termin se poništava (jednak je 1 bez obzira na vrijednost y).

Dakle, s 4 indikatora y1, y2, y3 i y4 nedostaju dva klastera i y2

P(x|y1,y3,y4) = P(x) P(y1|x) P(y3|x) P(y4|x) / P(y1,y3,y4)

P(y1,y3,y4) = P(1) P(y1|1) P(y3|1) P(y4|1) + P(2) P(y1|2) P(y3|2) P( y4|2).

U neizrazito grupiranju, slučaj ima stupnjeve članstva koji su "parametri" koje treba procijeniti (Kaufman i Rousseeuw, 1990.). Nasuprot tome, u LC grupiranju, vjerojatnosti posteriornog članstva pojedinca u razredu izračunavaju se iz procijenjenih parametara modela i promatranih rezultata. Prednost LC pristupa je u tome što je moguće koristiti LC model za klasifikaciju drugih slučajeva (izvan uzorka korištenog za procjenu modela) koji pripadaju populaciji. To nije moguće sa standardnim fuzzy tehnikama grupiranja.

Kaufman, L. i Rousseeuw, P.J. 1990. Pronalaženje grupa u podacima: Uvod u klaster analizu, New York: John Wiley and Sons.

Lokalna ovisnost za model K-klase postoji ako model NE odgovara podacima. Jednu takvu mjeru uklapanja modela daju bivarijantni reziduali (BVR) povezani sa svakim parom indikatora modela. Veliki BVR (vrijednosti iznad 2) mogu se promatrati kao dokaz lokalne ovisnosti povezane s tim parom indikatora modela (pogledajte rezidualne rezultate Latentnog GOLD-a za ove statistike).

Lokalna ovisnost može se objasniti jednostavnim dodavanjem latentnih klasa ili održavanjem trenutnog broja klasa i modificiranjem modela na druge načine kao što je dodavanje izravnih učinaka povezanih s 2 varijable koje imaju velike bivarijantne ostatke. Pogledajte LG priručnik za pojedinosti o tome kako dodati izravne efekte. Vidi također dio 3 u Magidson i Vermunt (2004) za daljnje pojedinosti o različitim pristupima za rješavanje lokalne ovisnosti.

Možete procijeniti nekoliko modela i odabrati onaj koji najbolje odgovara prema BIC-u. Na primjer, šest tipova modela LC klastera prikazano je u tablici 1 Magidsona i Vermunta (2002). Ovi se modeli razlikuju s obzirom na a) specifikaciju varijansi pogreške ovisne o klasi naspram klasa neovisnih i b) 'izravne učinke' uključene u model LC klastera procijenjen od strane LatentGOLD. Model 3-klase tipa-5 najbolji je prema BIC statistici. Različite procjene parametara i standardne pogreške iz ovog 'konačnog' modela dobivaju se iz Profila i izlaznih parametara.

Diskretna faktorska (DFaktorska) analiza

Model diskretnog faktora (DFactor) pretpostavlja da svaki faktor sadrži 2 ili više uređenih kategorija za razliku od tradicionalne faktorske analize koja pretpostavlja da su čimbenici (kao i varijable) kontinuirani (intervalno skalirani). Varijable u LC faktorskoj analizi ne moraju biti kontinuirane. Mogu biti mješoviti tipovi ljestvica (nominalni, ordinalni, kontinuirani, brojači ili njihove kombinacije). LC Factor također ima blisku vezu s klaster analizom. Za uvod u LC faktorsku analizu i vidjeti kako se ona odnosi na analizu LC klastera, vidi Magidson i Vermunt (2001). Za usporedbu s tradicionalnom faktorskom analizom u rudarstvu podataka vidi Magidson i Vermunt (2003).

Kako se broj diskretnih faktora (DFfaktora) povećava, vrijeme procjene raste eksponencijalno. Iz istraživačke perspektive, možda ćete otkriti da će rješenje s 2 ili 3 faktora već biti prilično informativno -- 3 dihotomna DFaktora će segmentirati uzorak u 8 različitih klastera! S druge strane, 8 dihotomnih faktora odgovara 2 na potenciju 8 = 256 klastera. Da biste vidjeli odnos između čimbenika i klastera, vidjeti Magidson i Vermunt (2001).

Tradicionalna faktorska analiza (FA) je brža jer čini pojednostavljujuću pretpostavku da su sve varijable kontinuirane i da slijede multivarijantnu normalnu (MVN) distribuciju. Kada su ove pretpostavke točne, za procjenu modela potrebni su samo momenti drugog reda (korelacije između varijabli). Budući da ovi podaci sadrže dihotomne varijable, pretpostavke FA nisu opravdane.

Latentno GOLD® ne pretpostavlja MVN i stoga je mnogo općenitiji. Koristi informacije iz svih asocijacija višeg reda (više od srednjih vrijednosti i korelacija) u procjeni parametara. Rezultirajuće rješenje bit će izravno interpretativno i jedinstveno, za razliku od tradicionalnog FA rješenja koje zahtijeva rotaciju radi interpretacije. Vermunt i Magidson (2003) je članak programera LG-a koji se pojavljuje u knjizi o rudarenju podataka. Uspoređuje model DFactor s tradicionalnim FA i pokazuje zašto prvi često pruža uvid u podatke koji su propušteni tradicionalnim FA. Za odnos između faktorskih opterećenja prijavljenih za modele DFactor i onih iz tradicionalnih FA, vidjeti Vermunt i Magidson (2004).

LC regresijska analiza

Postoje 2 osnovne vrste razlika. Prvo, posebno regresija se automatski određuje prema vrsti skale zavisne varijable. Za kontinuiranu, tradicionalna linearna regresija se koristi za dihotomnu, logističku regresiju za ordinalnu, logitno proširenje osnovne linije/susjedne kategorije za nominalni, multinomijalni logit za brojanje, Poissonovu regresiju. koriste se modeli. Na primjer, za dihotomne zavisne varijable koristi se model logističke regresije. Drugo, LC regresija je model mješavine i stoga je općenitija od tradicionalne regresije. Poseban slučaj 1-klase odgovara pretpostavci homogene populacije napravljenoj u tradicionalnoj regresiji. U LC regresiji, odvojene regresije se procjenjuju istovremeno za svaku latentnu klasu.

Da. Modeliranje mješavine i modeliranje latentne klase su sinonimi.

Ne. Budući da latentne klase mogu biti jako ovisne o uključenim prediktorima, postupne značajke nisu implementirane u modulu regresije latentne klase.

Parametri 'gama' s oznakom "presretanje" (i drugi gama parametri koji bi se pojavili ako imate kovarijate) odnose se na model za predviđanje klasa latentnih varijabli kao funkcije kovarijata. Ako u model nisu uključene kovarijate, samo se Intercept pojavljuje pod oznakom "(gama)". Ispod gama parametara pojavljuju se parametri označeni s 'beta'. Oni se odnose na model za predviđanje zavisne varijable (koja uključuje presretanje regresije ovisne varijable). Ovaj izlaz je preuređen u Latent GOLD® kako bi se omogućilo bolje odvajanje parametara iz ova dva različita modela. Pogledajte Tutorial 3 za primjer.

Latent GOLD® također ima mnoge dodatne značajke korisne za predviđanje, kao što je automatsko generiranje predviđenih vrijednosti, mogućnost ograničavanja koeficijenata regresije na mnogo načina i R-kvadrat statistike. Pogledajte Korisnički vodič i Tehnički vodič za dodatne pojedinosti o ovim novim značajkama.

Multinomalni LC regresijski modeli procjenjuju se jednostavno specificiranjem zavisne varijable da bude nominalna. U slučaju ponovljenih mjerenja (više vremenskih točaka, više ocjena istog ispitanika, itd.) ID varijabla može se koristiti za identifikaciju zapisa povezanih s istim slučajem. (Pogledajte Tutorial 3 za primjer ponovljene zajedničke studije.)

Da. Jedan važan dodatni aspekt je procijenjeno članstvo u razredu
također poboljšava cjelokupno predviđanje i doprinosi veličini R kvadrata.

Ovo nije u potpunosti točno: ove mjere doista pokazuju koliko dobro možemo predvidjeti članstvo u razredu. No, kovarijate same po sebi ne određuju klasifikaciju - sam regresijski model igra glavnu ulogu u predviđanju članstva u klasi. Ovo predviđanje/klasifikacija temelji se na odgovorima osobe na ovisnu varijablu (dane vrijednosti prediktora). Ako pogledate formule, možete vidjeti da posteriorne vjerojatnosti članstva ne ovise samo o P(x|z), već i o P(y|x,z). Čak i bez ikakvih kovarijata (z), ovi modeli obično prilično dobro predviđaju članstvo u klasi.

Intuitivno se određuje koji model regresije specifičan za klasu najbolje odgovara odgovorima određenog slučaja. Što bolje odgovara regresijski model povezan s određenom klasom, veća je vjerojatnost pripadnosti toj klasi. Osobe osjetljive na cijene dodijeljene su klasi za koju regresija pokazuje veće učinke na cijene itd.

U Latent GOLD-u također izvještavamo o zasebnom R-kvadratu za predviđanje članstva u klasi samo na temelju kovarijacija.

Specifikacija zavisne varijable 'redne' koristi se u ovom primjeru što uzrokuje korištenje logit modela osnovne kategorije. The beta koeficijenti navedeni u stupcu izlazna datoteka parametara koji odgovaraju određenoj latentnoj klasi su b-koeficijenti u sljedećem modelu: f( j | Z1, Z2, Z3) = b0(j) + b1*Z1*y(j) + b2*Z2*y(j) + b2*Z3*y(j).

Procjene b0 su beta vrijednosti povezane sa svakom kategorijom ocjene j zavisne varijable RATING. y(j), j=1,2,3,4,5 su fiksni rezultati koji se koriste za zavisnu varijablu, (1, 2, 3, 4 i 5 u ovom primjeru). Željene vjerojatnosti se stoga izračunavaju kao: Prob(Rating = j | Z1, Z2, Z3) = exp[f(j)] / [exp(f(1))+exp(f(2))+exp(f( 3))+exp(f(4))+exp(f(5))], j = 1,…,5.

(Za dodatne tehničke informacije o ovom modelu pogledajte povezane Magidson reference)

"Procjena maksimalne vjerojatnosti kliničkih ispitivanja na temelju naređenog kategoričkog odgovora." Informacijski časopis o lijekovima, Maple Glen, PA: Drug Information Association, Vol. 30, broj 1, 1996.

"Multivarijantni statistički modeli za kategoričke podatke", 3. poglavlje u Bagozzi, Richard, Napredne metode istraživanja marketinga, Blackwell, 1994.

Dodatni koeficijenti, označeni gamama (za razliku od beta) koji se odnosi na multinomski logit model za predviđanje latentna varijabla kao funkcija kovarijata (SPOL i DOB za ovaj primjer) navedene su na dnu izlazne datoteke parametara (u Latentnom ZLATU®). U modelu koji sadrži Ne kovarijati, gama koeficijenti (označeni kao 'presjeci') odnose se na veličinu klasa koje su uvijek poredane od najveće (prva latentna klasa) do najmanje (posljednja klasa).

S aktivnim kovarijatima, posteriorne vjerojatnosti članstva izračunavaju se za slučajeve s nedostajućim odgovorima (bez obzira jesu li to 'novi' slučajevi) na temelju njihovih kovarijatnih vrijednosti, kao što je prikazano u izlazu 'kovarijatne klasifikacije' Latent GOLD-a. Te se vjerojatnosti koriste kao ponderi primijenjeni na predviđanja za svaku latentnu klasu, koristeći prediktore za takve slučajeve i regresijske koeficijente povezane s tom klasom kako bi se dobilo odgovarajuće predviđanje za svaku klasu. Bez aktivnih kovarijata, stražnje vjerojatnosti članstva uzimaju se kao ukupne veličine razreda.

U praksi, ako su novi slučajevi uključeni u podatkovnu datoteku, ali im je data težina predmeta blizu 0 (recimo 1E-49), dok se svim ostalim slučajevima daje težina 1, a koristi se opcija 'uključi nedostaje', npr. slučajevi se neće koristiti za procjenu parametara modela (tako da bi se isto rješenje dobilo bez novih slučajeva), ali zahtjevom da se predviđanja izlaze u datoteku, predviđanja za SVE slučajeve, uključujući nove slučajeve, bit će izlazna u datoteka.

Napredna/Sintaksa i tehnička pitanja

Napredna verzija Latent GOLD sastoji se od naprednog modula koji sadrži mogućnost 1) procjene modela latentne klase na više razina, 2) uključivanja složenih dizajna uzorkovanja i 3) uključivanja slučajnih učinaka s kontinuiranim faktorima (CFactors).Pregled ovih mogućnosti dat je u odjeljku 8 Tehničkog vodiča, nakon čega slijedi detaljna dokumentacija za svaku od ove 3 napredne značajke u odjeljcima 9, 10 i 11, kao i rezultat tih naprednih značajki u odjeljku 12. Možete preuzeti demo verziju koja sadrži napredni modul i koristite ga s bilo kojim od naših demo skupova podataka.

Počevši od verzije 5.1, Napredna verzija Latent GOLD također uključuje Sintaksni modul, koji korisnicima omogućuje da prilagode svoje modele s mnogim dodatnim naprednim mogućnostima. Za detalje o modulu za sintaksu pogledajte Korisnički priručnik za sintaksu.

Da, Latent GOLD Advanced (LGA) može se koristiti za procjenu širokog spektra modela mješavine IRT i IRT. Ovaj vodič opisuje veze između različitih LGA i standardnih IRT modela.

Da, ima. Ovo nije dokumentirano specifično za višestruku imputaciju, ali neparametarski bootstrap korišten u postupku višestruke imputacije (kako bi se uzela u obzir nesigurnost parametara) bavi se složenim dizajnom uzorkovanja (ponovno uzorkovanje se vrši na razini PSU). To je objašnjeno u LG-Syntax User's Guide kada se raspravlja o složenim značajkama uzorkovanja. Na stranici 85 kažemo: "U neparametrijskom bootstrapu, replicirani uzorci dobivaju se uzorkovanjem C(o) PSU-a sa zamjenom iz svakog stratuma. Vrijednosti delta(r) je 1/R."

Sve je u redu. Ono što promatrate su učinci pogrešaka pogrešne klasifikacije povezanih s dodjeljivanjem latentnoj klasi na temelju modalne (najveće) vjerojatnosti klase. Na primjer, u modelu s 3 klase ako su posteriorne vjerojatnosti članstva za slučajeve koji imaju zadani uzorak odgovora 0,2 (za klasu 1), 0,7 (za klasu 2) i 0,1 (za klasu 3), modalna vjerojatnost je 0,7. Dodjela na temelju modalne vjerojatnosti znači da svi takvi slučajevi bit će dodijeljeni u klasu 2. Međutim, očekuje se da će takva dodjela biti točna za samo 70% ovih slučajeva, budući da 20% doista pripada klasi 1, a preostalih 10% pripada klasi 3. Očekivana stopa pogrešne klasifikacije za ove slučajeve slučajeva će biti 20% + 10% = 30%. Za slučajeve s drugim obrascima odgovora, stopa pogrešne klasifikacije može biti 7% ili 2% itd. Pravilo modalnog dodjeljivanja minimizira sveukupno očekivana stopa pogrešne klasifikacije ( sveukupno očekivana stopa pogrešne klasifikacije navedena je u izlazu). U mjeri u kojoj je stopa pogrešne klasifikacije veća od 0, promatrana distribucija učestalosti članstva u razredima odražavat će učinke takve pogrešne klasifikacije. Granične distribucije u klasifikacijskoj tablici pokazuju kako se granična distribucija mijenja kada se koristi modalna dodjela klasa.

Značajno poboljšanje brzine može se postići navođenjem varijabli koje će biti kontinuirane. Alternativno, opcija grupiranja može se koristiti za smanjenje broja razina u rednim varijablama (recimo 10 ili 20).

U ovoj situaciji trebali biste koristiti težinu kućišta jer želite izmijeniti težine slučajeva.

Težina replikacije koristi se za povećanje ili smanjenje težine izbora unutar slučaja. Težina '2' znači da je ta osoba dvaput napravila ovaj izbor. Dakle, postavljanje svih težina replikacije na 2 za određeni slučaj nije isto što i težina slučaja 2:

Težina slučaja 2 znači: postoje 2 slučaja s ovim skupom izbora (moram izbrojati
ova osoba dvaput).
Niz pondera replikacije od 2 znači: ova je osoba svaki od ovih izbora napravila dvaput (imam dvostruko više informacija za jednu osobu).

U posebnom slučaju modela 1 klase, ta dva su ekvivalentna jer se pretpostavlja da su sva promatranja neovisna. U svim ostalim situacijama oni su vrlo različiti. Možete pogledati priručnik kako biste vidjeli kako ponderi ulaze u funkciju log-vjerojatnosti, koja je vrlo različita za dvije vrste pondera.

U zajedničkoj analizi, cilj je dobiti procjene udjela za različite konfiguracije proizvoda ili usluga od interesa. Te su konfiguracije definirane na temelju kombinacija razina atributa (npr. CIJENA = 499 USD, BRAND = Sony, …). U tradicionalnoj conjoint analizi, također poznatoj kao conjoint na temelju ocjena, ispitanici ocjenjuju različite proizvode/usluge/alternative/opcije. U studijama diskretnog izbora, također poznatim kao spojeni eksperimenti temeljeni na izboru (CBC), ispitanicima se postavljaju različiti konkurentski scenariji u kojima se od njih traži da biraju između 2 ili više proizvoda/usluga/alternativa/opcija. Umjesto da ocjenjuju svaku alternativu, od njih se traži da odaberu najpoželjniju ili najvažniju ili rangiraju alternative. U obje vrste zajedničkih analiza, alternative su izražene u terminima 1 ili više atributa. Model zatim procjenjuje važnost/korisnost ovih atributa.

Takvi modeli koriste prediktore koji su karakteristike ispitanika, a ne mogu prihvatiti karakteristike (atribute) izbora kao prediktora. Za ovo potonje potreban je uvjetni logit model, sada poznat i kao multinomijski logit model.

Budući da nemaju svi ispitanici iste korisnosti, pretpostavlja se da postoje K>1 latentne klase (segmenta), od kojih svaka ima svoju važnost za različite atribute, a korisnosti se procjenjuju za svaki segment. Dostupne su različite statistike koje pomažu u određivanju broja segmenata K.

Ne. Tradicionalni zajednički programi ne uključuju latentne klase i stoga obično proizvode iskrivljene procjene udjela (vidi članak). Kombinirani modeli temeljeni na ocjenama mogu se procijeniti korištenjem Latent GOLD (pogledajte LG vodič #2) ili Latent GOLD Choice. Za modele s diskretnim izborom (udruženi na temelju izbora) potreban je Latent GOLD Choice.

Da. Latent GOLD Choice omogućuje vam da odredite i aktivne i neaktivne skupove (i aktivne i neaktivne alternative) za analizu. Neaktivni skupovi (i neaktivne alternative) nisu uključeni u eksperiment tako da za njih nisu dostupne informacije o odgovoru. Koriste se jer su od interesa, a rezultirajući model se može koristiti za generiranje/simulaciju udjela.

AKTIVNI SETOVI
Kartica izlaza u programu omogućuje vam ispis u datoteku a) predviđenih vrijednosti i/ili b) pojedinačnih koeficijenata za svaki izbor postavljen za svaki slučaj. Za pojedinačne predviđene vrijednosti, ovaj izlaz se sastoji od 1) vjerojatnosti (udjela) svakog izbora i 2) najvjerojatnijeg izbora. Ako odaberete opciju "HB predviđanje", ti se udjeli izračunavaju (automatski) pomoću pojedinačnih koeficijenata sličnih HB. Alternativno, zadana opcija je izračunavanje udjela koristeći procjenu maksimalne vjerojatnosti koja se općenito malo razlikuje od HB procjena.

Što se tiče simulacije, ove pojedinačne koeficijente možete koristiti u svom Excel simulatoru kao i sada.

ODVOJITE REZULTATE PO SEGMENTIMA
Za model K-klase, standardni izlaz programa uključuje za svaku od K klasa (za svaki od K segmenata) zasebno, kao i za cjelokupni uzorak a) vrijedne pomoćne programe ("izlaz parametara") , plus b) predviđene vjerojatnosti (udjele) za svaki skup izbora ("Profil skupova").

NEAKTIVNI SKUPOVI
Što se tiče simulacije, program vam omogućuje da odredite bilo koji broj dodatnih skupova izbora koji će se simulirati (te nazivamo 'neaktivnim' skupovima) i uključuje procjene udjela za svaki od njih uz svaki od 'aktivnih' skupova u profilu skupova izlaz. Pogledajte Tutorial 2 za primjer ovoga. Ako je opcija "HB Predviđanje" postavljena na kartici Izlaz, ukupne procjene udjela u izlazu Profil skupova temelje se na pojedinačnim koeficijentima sličnim HB. Inače se temelje na maksimalnoj vjerojatnosti.

Da. Standardni agregatni model općenito pati od kršenja problema neovisnosti irelevantnih alternativa (IIA), što iskrivljuje predviđanja udjela. Uključivanje latentnih klasa kako bi se uzela u obzir činjenica da različiti segmenti imaju različite preferencije korisnosti, (a IIA vrijedi unutar svakog segmenta), način je rješavanja ovog problema i poboljšanja predviđanja udjela. Za više informacija pogledajte članak "Novi razvoji u modelima izbora latentne klase".


Odabir odgovarajućeg metodološkog okvira za analizu podataka vremenskih serija ☆

Ekonomisti se suočavaju s problemom odabira metoda dok rade s podacima vremenskih serija. Kako podaci o vremenskim serijama mogu posjedovati specifična svojstva kao što su trend i strukturni prekid, uobičajene metode koje se koriste za analizu drugih vrsta podataka možda neće biti prikladne za analizu podataka vremenskih serija. Ovaj rad raspravlja o svojstvima podataka vremenskih serija, uspoređuje uobičajene metode analize podataka i predstavlja metodološki okvir za analizu podataka vremenskih serija. Okvir uvelike pomaže u odabiru odgovarajućih metoda ispitivanja. Da bismo predstavili primjer, ispituje se odnos novca i cijene Nepala. Rezultati ispitivanja dobiveni slijedeći ovaj metodološki okvir pokazali su se robusnijim i pouzdanijim.


Statistička značajnost određuje ako rezultat možda nije uzrok slučajnih varijacija unutar podataka. Ali ne odnosi se svaki značajan rezultat na učinak s velikim utjecajem, odn. može čak opisivati ​​pojavu koja nije stvarno uočljiva u svakodnevnom životu. Statistička značajnost uglavnom ovisi o veličini uzorka, kvaliteti podataka i snazi ​​statističkih postupaka. Ako su pri ruci veliki skupovi podataka, kao što je to često slučaj f. e. u epidemiološkim studijama ili u procjenama velikih razmjera, vrlo mali učinci mogu doseći statističku značajnost. Da bi se opisali, ako učinci imaju relevantnu veličinu, koriste se veličine učinka za opisivanje jačine fenomena. Najpopularnija mjera veličine efekta zasigurno je Cohenov d (Cohen, 1988), ali ima ih mnogo više.

Ovdje ćete pronaći niz online kalkulatora za izračun različitih veličina učinaka i tablicu tumačenja na dnu ove stranice. Molimo kliknite na sive trake za prikaz kalkulatora:

1. Usporedba grupa jednake veličine (Cohenov d i Glass &Delta)

Ako dvije grupe imaju isto n, tada se veličina učinka jednostavno izračunava oduzimanjem srednjih vrijednosti i dijeljenjem rezultata sa združenom standardnom devijacijom. Rezultirajuća veličina učinka naziva se dCohen i predstavlja razliku između grupa u smislu njihove zajedničke standardne devijacije. Koristi se f. e. za izračun učinka za prije-post usporedbe u pojedinačnim skupinama.

U slučaju relevantnih razlika u standardnim devijacijama, Glass predlaže da se ne koristi skupna standardna devijacija već standardna devijacija kontrolne skupine. Tvrdi da se ne treba utjecati na standardnu ​​devijaciju kontrolne skupine, barem u slučaju kontrolnih skupina koje se ne liječe. Ova mjera veličine efekta naziva se Staklena &Delta ("Staklena Delta"). Molimo upišite podatke kontrolne skupine u stupac 2 za ispravan izračun Glassove &Delte.

Konačno, veličina učinka zajedničkog jezika (CLES McGraw & Wong, 1992.) je veličina neparametarskog učinka, koja specificira vjerojatnost da jedan slučaj nasumično izvučen iz jednog uzorka ima višu vrijednost od slučajnog slučaja iz drugog uzorka. U kalkulatoru kao referentnu točku uzimamo srednju vrijednost više grupe, ali možete koristiti (1 - CLES) za obrnuti pogled.

Grupa 1 Grupa 2
Zločin
Standardna devijacija
Veličina efekta dCohen
Veličina efekta Staklena &Delta
Veličina efekta zajedničkog jezika CLES

N
(Ukupan broj opažanja u obje grupe)
Koeficijent pouzdanosti
Interval povjerenja za dCohen

Analogno tome, veličina učinka može se izračunati za grupe s različitom veličinom uzorka, podešavanjem izračuna skupne standardne devijacije s ponderima za veličine uzorka. Ovaj pristup je općenito identičan s dCohen s korekcijom pozitivne pristranosti u združenoj standardnoj devijaciji. U literaturi se obično ovaj proračun naziva Cohenova d također. Molimo pogledajte napomene ispod tablice.

Veličina efekta zajedničkog jezika (CLES McGraw & Wong, 1992.) je veličina neparametarskog učinka, koja specificira vjerojatnost da jedan slučaj nasumično izvučen iz jednog uzorka ima višu vrijednost od slučajnog slučaja iz drugog uzorka. U kalkulatoru kao referentnu točku uzimamo srednju vrijednost više grupe, ali možete koristiti (1 - CLES) za obrnuti pogled.

Dodatno, možete izračunati interval pouzdanosti za veličinu učinka i odabrati željeni koeficijent pouzdanosti (izračun prema Hedges & Olkin, 1985, str. 86).

Grupa 1 Grupa 2
Zločin
Standardna devijacija
Veličina uzorka (N)
Veličina efekta dCohen odn. gŽivice *
Veličina efekta zajedničkog jezika CLES **

Koeficijent pouzdanosti
Interval pouzdanosti

* Nažalost, terminologija je neprecizna za ovu mjeru veličine učinka: izvorno su Hedges i Olkin spominjali Cohena i nazivali njihovu ispravljenu veličinu učinka d također. S druge strane, nazivane su korigirane veličine učinaka g od početka 80-ih godina. Pismo potječe od autora Glassa (vidi Ellis, 2010, S. 27), koji je prvi predložio ispravljene mjere. Slijedeći ovu logiku, gŽivice treba nazvati h a ne g. Obično se jednostavno zove dCohen ili gŽivice naznačiti, to je ispravljena mjera.
** Veličina učinka zajedničkog jezika (CLES) izračunava se korištenjem kumulativne vjerojatnosti podijeljene s 1,41 putem CLES = &Phi d 2

Interventne studije obično uspoređuju razvoj najmanje dvije skupine (općenito eksperimentalnu i kontrolnu skupinu). U mnogim slučajevima se predtestna sredina i standardne devijacije obiju skupina ne podudaraju i postoji niz mogućnosti za rješavanje tog problema. Klauer (2001) predlaže izračunavanje g za obje skupine i njihovo oduzimanje nakon toga. Na taj se način automatski ispravljaju različite veličine uzoraka i vrijednosti prije testiranja. Izračun je stoga jednak izračunavanju veličina učinaka obiju skupina putem obrasca 2 i nakon toga oduzimanju oba. Morris (2008) predstavlja različite veličine učinaka za nacrte ponovljenih mjera i radi simulacijsku studiju. On tvrdi da se skupna standardna devijacija prethodnog testiranja koristi za ponderiranje razlika prije-post-srednjih vrijednosti (tzv. dppc2 prema Carlson & Smith, 1999.). Na taj način intervencija ne utječe na standardnu ​​devijaciju. Osim toga, postoje ponderi za ispravak za procjenu veličine učinka populacije. Klauer (2001) i Morris (2002) obično daju slične rezultate.

Nedostatak ovog pristupa: prije-post-testovi se ne tretiraju kao ponovljene mjere već kao neovisni podaci. Za ovisne testove možete koristiti kalkulator 4 ili 5 ili 13. transformirati eta kvadrat iz ponovljenih mjera kako biste uzeli u obzir ovisnosti između mjernih točaka.

Interventna skupina Kontrolna skupina
Prije Post Prije Post
Zločin
Standardna devijacija
Veličina uzorka (N)
Veličina efekta dppc2 sensu Morris (2008.)
Veličina efekta dKorr sensu Klauer (2001.)

* Napomene: Klauer (2001) je objavio svoju predloženu veličinu efekta na njemačkom jeziku i stoga bi referencu trebalo biti teško pronaći međunarodnim čitateljima. Klauer je radio na području kognitivnih treninga i zanimao ga je usporedba učinkovitosti različitih pristupa treningu. Njegova mjera je jednostavna i jasna: dispr je jednostavno razlika između Hedge's g dvije različite skupine tretmana u nacrtima istraživanja prije postizanja. Prilikom izvješćivanja o metaanalitičkim rezultatima u međunarodnim časopisima, možda bi bilo lakše citirati Morrisa (2008).

Dok su koraci 1. do 3. usmjereni na usporedbu neovisnih skupina, posebno u intervencijskom istraživanju, rezultati se obično temelje na intra-individualnim promjenama u rezultatima testova. Morris & DeShon (2008, str. 109) predlažu postupak za procjenu veličine učinka za dizajne prije testiranja i posttestiranja jedne grupe uzimajući u obzir korelaciju između testa prije i poslije:

U slučaju da je korelacija 0,5, rezultirajuća veličina efekta je jednaka 1. Usporedba skupina jednake veličine (Cohenov d i Glass &Delta). Više vrijednosti dovode do povećanja veličine učinka. Morris & DeShon (2008) predlažu korištenje standardne devijacije pret-testa, budući da na tu vrijednost ne utječe intervencija. Sljedeći kalkulator izvještava o odgovarajućoj veličini učinka i također izvještava o veličini učinka na temelju združene standardne devijacije i veličine učinka bez ispravljanja korelacije dPojedinačne grupe (jednako dCohen):

Grupa 1 Grupa 2
Zločin
Standardna devijacija
Poveznica
Veličina efekta dPonovljene mjere
Veličina efekta dPonovljene mjere, združene
Veličina efekta dPojedinačne grupe

N
Koeficijent pouzdanosti
Interval povjerenja za dRM

Hvala Svenu van Asu što nam je ukazao na ovu veličinu efekta.

Veličine učinaka mogu se dobiti korištenjem statistike testova iz testova hipoteza, kao što je Student t testovi, također. U slučaju neovisnih uzoraka, rezultat je u biti isti kao u izračunu veličine efekta #2.

Ovisno testiranje obično daje veću snagu, jer se održava povezanost između točaka podataka različitih mjerenja. Ovo može biti relevantno f. e. kada se više puta testiraju iste osobe, ili kada se analiziraju rezultati testa podudarnih osoba ili blizanaca. Sukladno tome, više informacija može se koristiti pri izračunavanju veličina učinaka. Imajte na umu da ovaj pristup uglavnom ima iste rezultate u usporedbi s korištenjem a t-test statistike o rezultatima dobitka i korištenje pristupa neovisnog uzorka (Morris & DeShon, 2002., str. 119). Dodatno, ne postoji ONAJ d, ali da postoje različite mjere poput d s različitim značenjima. Posljedično a d iz ovisnog uzorka nije izravno usporediva s a d iz neovisnog uzorka, ali daje različita značenja (vidi bilješke ispod tablice).

Molimo odaberite način testiranja (ovisni ili neovisni) i navedite t statistički. U slučaju uzdržavanog t test, upišite broj slučajeva i korelaciju između dvije varijable. U slučaju neovisnih uzoraka, molimo navedite broj slučajeva u svakoj skupini. Izračun se temelji na formulama koje je objavio Borenstein (2009., str. 228).

Način testiranja
Vrijednost učenika
n1
n2
r
Veličina efekta d

* Koristili smo formulu tc opisano u Dunlop, Cortina, Vaslow & Burke (1996, S. 171) kako bi se izračunao d iz ovisnih t-testova. Simulacije su pokazale da ima najmanje izobličenja u procjeni d: d   =   t c 2 ( 1 - r ) n
Zahvaljujemo Franku Aufhammeru što nas je uputio na ovu publikaciju.

** Željeli bismo zahvaliti Scottu Stanleyju što je istaknuo sljedeći aspekt: ​​"Kada u padajućem izborniku odaberete 'ovisni', ovaj kalkulator zapravo ne izračunava veličinu učinka na temelju obračuna ovisnosti između dvije varijable koje se uspoređuju.Uklanja tu ovisnost već izračunatu u tako formiranu t-statistiku. To jest, ono što ovaj kalkulator radi je da uzima vrijednost t koju već imate, zajedno s korelacijom, iz ovisnog t-testa i uklanja učinak ovisnosti. Zato vraća vrijednost više sličnu kalkulatoru 2. Ovaj kalkulator će proizvesti veličinu efekta kada je odabran ovisni kao da ste podatke tretirali kao neovisne iako imate t-statistiku za modeliranje ovisnosti. Neki stručnjaci za metaanalizu izričito preporučuju korištenje veličina učinaka koje se ne temelje na uzimanju u obzir korelacije. Ovo je korisno za postizanje te vrijednosti kada je to vaša namjera, ali ono s čime počinjete je t-test i korelacija temeljena na ovisnoj analizi. Ako biste radije imali veličinu učinka uzimajući u obzir ovisnost (korelaciju između mjera), a imate podatke, trebali biste koristiti kalkulator 4." (izravna korespondencija 18. kolovoza 2019.). Daljnje rasprave o ovom aspektu Dano je u blogu Jakea Westfalla. Da sumiramo: Odluka o tome koju veličinu učinka koristiti ovisi o vašem istraživačkom pitanju i tu odluku ne mogu definitivno razriješiti sami podaci.

Veličina učinka iz analize varijance (ANOVA) je vrlo jednostavna za interpretaciju je &eta 2 koja odražava objašnjenu proporcijsku varijansu ukupne varijance. Taj se omjer može 13. pretvoriti izravno u d. Ako &eta 2 nije dostupna, može se koristiti i F vrijednost ANOVA, sve dok je poznata veličina uzorka. Sljedeće izračunavanje radi samo za ANOVA s dvije različite grupe (df1 = 1 Thalheimer & Cook, 2002.):

F-vrijednost
Veličina uzorka grupe za liječenje
Veličina uzorka kontrolne grupe
Veličina efekta d

U slučaju da su srednje vrijednosti grupe poznate iz ANOVA s više grupa, moguće je izračunati veličine učinka f i d (Cohen, 1988, S. 273 ff.) i uzeti u obzir disperziju grupnih sredstava. Prije izračunavanja veličine učinka, morate odrediti minimalnu i maksimalnu srednju vrijednost i izračunati združenu standardnu ​​devijaciju &sigmubazen različitih grupa. σ m = ∑ i = 1 k ( m i - m ) 2 k

  1. Molimo odaberite 'minimalna varijabilnost', ako postoji minimalna i maksimalna grupa, a druga grupa znači na sredini.
  2. Molimo odaberite 'srednju varijabilnost', ako su sredstva ravnomjerno raspoređena.
  3. Molimo odaberite 'maksimalna varijabilnost', ako su sredstva raspoređena uglavnom prema ekstremima, a ne u središtu raspona srednjih vrijednosti.

Najviša srednja vrijednost (mmax)
Najniža srednja vrijednost (mmin)
Uobičajena standardna devijacija (&sigmabazen svih grupa)
Broj grupa
Raspodjela sredstava
Veličina efekta f
Veličina efekta d
Imajte na umu da d jednak je učinku pri usporedbi skupina s minimalnom i maksimalnom srednjom vrijednosti.

  • Učinak dnevne doze aspirina na kardiovaskularna stanja iznosi samo d = 0,07. Međutim, ako pogledate posljedice, 34 od 1000 umire manje od infarkta srca.
  • Kemoterapija ima učinak samo na d = 0,12 na rak dojke. Prema Cohenovim smjernicama za tumačenje, terapija je potpuno neučinkovita, ali mnogim ženama osigurava život.

Rosenthal i Rubin (1982) predlažu drugi način gledanja na učinke tretmana uzimajući u obzir povećanje uspjeha kroz intervencije. Pristup je prikladan za 2x2 tablice nepredviđenih situacija s različitim skupinama tretmana u redcima i brojem slučajeva u stupcima. BESD se izračunava oduzimanjem vjerojatnosti uspjeha od intervencije i kontrolne skupine. Dobiveni postotak može se transformirati u dCohen.

Druga mjera, koja se široko koristi u medicini utemeljenoj na dokazima, je tzv Broj potreban za liječenje. Pokazuje koliko je ljudi potrebno u liječenoj skupini da bi se postigao barem još jedan povoljan ishod. U slučaju negativne vrijednosti, zove se Broj potreban za nanošenje štete.

Molimo unesite broj slučajeva sa sretnim i nesretnim ishodom u različitim ćelijama:

Uspjeh Neuspjeh Vjerojatnost uspjeha
Interventna grupa
Kontrolna skupina
Prikaz veličine binomnog efekta (BESD)
(Povećanje uspješnosti intervencije)
Broj potreban za liječenje
rPhi
Veličina efekta dcohen

Pretvorba između NNT i drugih mjera veličine učinka poput Cohenovog d nije lako moguća. Što se tiče gornjeg primjera, transformacija se vrši putem biserijske korelacije rphi što nije ništa drugo nego procjena. To dovodi do konstantnog NNT neovisnog o veličini uzorka i to je u skladu s publikacijama kao što su Kraemer i Kupfer (2006). Alternativni pristupi (komp. Furukawa & Leucht, 2011) omogućuju pretvorbu između d i NNT s većom preciznošću i obično dovode do većih brojeva. Kraemer i sur. (2006) stoga se čini da pristup vjerojatno precjenjuje učinak i čini se da daje točne rezultate u biti, kada se daje normalna distribucija sirovih vrijednosti. Za dodatne informacije pogledajte rad Furukawa i Leucht (2011):

Cohenova d Broj potreban za liječenje (NNT)

  • The Omjer rizika je količnik između rizika, odn. vjerojatnosti incidencija u dvije različite skupine. Rizik se izračunava dijeljenjem broja incidencija s ukupnim brojem u svakoj skupini i građenjem omjera između skupina.
  • The Omjer vjerojatnosti je usporediv s relativnim rizikom, ali se broj incidencija ne dijeli s ukupnim brojem, već s brojem slučajeva. Ako je f. e. 10 osoba umre u skupini, a 90 preživi, ​​nego bi izgledi u skupinama bili 10/90, dok bi rizik bio 10/(90+10). Omjer vjerojatnosti je kvocijent između izgleda dviju skupina. Mnogi ljudi smatraju da su omjeri izgleda manje intuitivni u usporedbi s omjerima rizika i ako je incidencija neuobičajena, obje mjere su otprilike usporedive. Odds Ratio ima povoljna statistička svojstva što ga čini privlačnim za izračune i stoga se često koristi u metaanalitičkim istraživanjima. Yuleovo pitanje - mjera povezanosti - transformira omjere kvota na ljestvicu u rasponu od -1 do +1.
  • The Razlika u riziku je jednostavno razlika između dva rizika. U usporedbi s omjerima, rizici se ne dijele nego se međusobno oduzimaju. Za izračun razlika u riziku koriste se samo neobrađeni podaci, čak i pri izračunu varijance i standardne pogreške. Mjera ima nedostatak: na nju uvelike utječu promjene osnovnih stopa.

Učestalost nema Incidencije N
Liječenje
Kontrolirati

Omjer rizika Omjer vjerojatnosti Razlika u riziku
Proizlaziti
Dnevnik
Procijenjena varijanca V
VLogRiskRatio

VLogOddsRatio

VRazlika u riziku
Procijenjena standardna pogreška SE
SELogRiskRatio

SELogOddsRatio

SERazlika u riziku
Yuleovo pitanje

Cohen (1988, S. 109) predlaže mjeru veličine efekta s denominacijom q koji dopušta tumačenje razlike između dvije korelacije. Dvije korelacije se transformiraju s Fisherovim Z i nakon toga oduzimaju. Cohen predlaže sljedeće kategorije za tumačenje: .5: veliki učinak.

Korelacija r1
Korelacija r2
Cohenova q
Tumačenje

Osobito u metaanalitičkim istraživanjima često je potrebno prosječiti korelacije ili provesti testove značajnosti razlike među korelacijama. Pogledajte našu stranicu Testiranje značaja korelacija za on-line kalkulatore o ovim temama.

Većina statističkih postupaka kao što je izračun Cohenova d ili eta 2 nužne su barem pretpostavke o intervalnoj skali i distribuciji. U slučaju kategoričkih ili rednih podataka, često se koriste neparametarski pristupi - u slučaju statističkih testova na primjer Wilcoxon ili Mann-Whitney-U. Distribucije njihove testne statistike aproksimiraju se normalnim distribucijama i konačno, rezultat se koristi za procjenu važnosti. Sukladno tome, statistika testa može se transformirati u veličine učinaka (komp. Fritz, Morris & Richler, 2012, str. 12 Cohen, 2008). Ovdje možete pronaći kalkulator veličine učinka za statistiku testa Wilcoxon testa signed-rank, Mann-Whitney-U ili Kruskal-Wallis-H kako biste izračunali &eta 2. Alternativno, možete izravno koristiti i rezultirajuću z vrijednost:

* Napomena: Nemojte koristiti zbroj rangova, već umjesto toga izravno upišite statistiku testa U, W ili z iz inferencijalnih testova. Budući da se Wilcoxon oslanja na ovisne podatke, trebate samo ispuniti ukupnu veličinu uzorka. Za Kruskal-Wallis također navedite ukupnu veličinu uzorka i broj grupa. Za z, molimo unesite ukupan broj opažanja (bilo ukupnu veličinu uzorka u slučaju neovisnih testova ili za ovisne mjere s pojedinačnim grupama broj pojedinaca pomnožen s brojem procjena mnogo hvala Helen Askell-Williams što nam je ukazala na ovo aspekt).

Studije temeljene na regresijskoj analizi teško je uključiti u metaanalitička istraživanja ako izvješćuju samo o standardiziranim &beta koeficijentima. Raspravlja se je li imputacija moguća i preporučljiva u ovom slučaju. S druge strane, snaga analiza se smanjuje ako se u mnoge studije ne mogu uključiti, što samo po sebi narušava reprezentativnost rezultata. Peterson i Brown (2005) predlažu postupak za pretvaranje standardiziranih &beta pondera u r, ako se &beta težine kreću između -0,5 i 0,5. r zatim se može koristiti izravno kao veličina učinka ili pretvoriti u d ili druge metrike. Peterson i Brown (2005, str. 180) zaključuju: "Međutim, unatoč potencijalnoj korisnosti predloženog pristupa imputacije, metaanalitičari se i dalje potiču da ulože sve napore kako bi dobili izvorne koeficijente korelacije."

Standardizirana &beta težina r

Da bi se izračunao Cohenov d a za ostale potrebe potrebno je odrediti srednju (pooled) standardnu ​​devijaciju. Ovdje ćete pronaći mali alat koji to čini umjesto vas. Također se ispravljaju različite veličine uzoraka i možete uključiti do 10 grupa. Molimo navedite broj prije izračuna. Ako nedostaje vrijednost za veličinu uzorka, koristi se samo kalkulator sd i ne ispravlja za veličinu uzorka.

Broj grupa Standardna devijacija (sd) Veličina uzorka (n)
Grupa 1
Grupa 2
Grupa 3
Grupa 4
Grupa 5
Grupa 6
Grupa 7
Grupa 8
Grupa 9
Grupa 10
Skupna standardna devijacija sbazen

Odaberite veličinu efekta koju želite transformirati u padajućem izborniku. Nakon toga odredite veličinu efekta u tekstualnom polju s desne strane padajućeg izbornika. Transformacija se vrši prema Cohenu (1988), Rosenthalu (1994, S. 239), Borensteinu, Hedgesu, Higginsu i Rothsteinu (2009 transformacija d u omjerima vjerojatnosti) i Dunlapu (1994 transformacija u CLES-u).

Veličina efekta
d
r
&eta 2
f
Omjer vjerojatnosti
Veličina efekta zajedničkog jezika CLES
Broj potreban za liječenje (NNT)
Napomena: Uzmite u obzir dodatna objašnjenja koja se odnose na transformaciju iz d u broj potreban za obradu u odjeljku BESD i NNT. Prilikom korištenja r kao početnu veličinu učinka, kalkulator koristi formulu koju je odredio Dunlap (1994) za pretvorbu u CLES: CLES = arcsin (r) &Pi + .5 . U svim ostalim slučajevima d primjenjuje se u skladu s McGrawom i Wongom (1992): CLES = &Phi d 2

The &chi 2 i z statistika testova iz testova hipoteza može se koristiti za izračun d i r(Rosenthal & DiMatteo, 2001., str. 71 komp. Elis, 2010., S. 28). Izračun je međutim točan samo za &chi 2 testovi s jednim stupnjem slobode. Molimo odaberite statičku mjeru testova s ​​padajućeg izbornika i navedite vrijednost i N. Transformacija iz d u r i &eta 2 temelji se na formulama korištenim u prethodnom odjeljku (13).

Statistika testa
N
d
r
&eta 2

Ovdje možete vidjeti prijedloge Cohena (1988) i Hattie (2009 S. 97) za tumačenje veličine veličina učinaka. Hattie se odnosi na stvarne obrazovne kontekste i stoga koristi benigniju klasifikaciju u usporedbi s Cohenom. Malo smo korigirali intervale, u slučaju da interpretacija nije točno odgovarala kategorijama izvornih autora.

Borenstein (2009). Veličine učinaka za kontinuirane podatke. U H. Cooperu, L. V. Hedgesu i J. C. Valentineu (ur.), Priručnik sinteze istraživanja i meta analize (str. 221-237). New York: Zaklada Russell Sage.

Borenstein, M., Hedges, L. V., Higgins, J. P. T., i Rothstein, H. R. (2009.). Uvod u metaanalizu, Poglavlje 7: Pretvaranje između veličina učinaka . Chichester, Zapadni Sussex, UK: Wiley.

Cohen, J. (1988). Statistička analiza snage za bihevioralne znanosti (2. Auflage). Hillsdale, NJ: Erlbaum.

Cohen, B. (2008). Objašnjavanje psihološke statistike (3. izd.). New York: John Wiley & Sons.

Dunlap, W. P. (1994). Generaliziranje indikatora veličine učinka zajedničkog jezika radi bivarijacije normalnih korelacija. Psihološki bilten, 116(3), 509-511 (prikaz, stručni). doi: 10.1037/0033-2909.116.3.509

Dunlap, W. P., Cortina, J. M., Vaslow, J. B., i Burke, M. J. (1996). Meta-analiza eksperimenata s podudarnim skupinama ili nacrtima ponovljenih mjera. Psihološke metode, 1, 170-177.

Elis, P. (2010). Osnovni vodič za veličine učinaka: statistička moć, meta-analiza i interpretacija rezultata istraživanja. Cambridge: Cambridge University Press.

Fritz, C. O., Morris, P. E. i Richler, J. J. (2012). Procjene veličine učinka: trenutna upotreba, izračuni i interpretacija. Časopis za eksperimentalnu psihologiju: Općenito, 141 (1), 2-18 (prikaz, stručni). https://doi.org/10.1037/a0024338

Furukawa, T. A. i Leucht, S. (2011). Kako dobiti NNT iz Cohenovog d: usporedba dviju metoda. PloS jedan, 6, e19070.

Hattie, J. (2009). Vidljivo učenje. London: Routledge.

Hedges, L. i Olkin, I. (1985). Statističke metode za meta-analizu. New York: Academic Press.

Klauer, K. J. (2001). Handbuch kognitives Training. Gêttingen: Hogrefe.

McGraw, K. O. i Wong, S. P. (1992). Statistika veličine učinka uobičajenog jezika. Psihološki bilten, 111(2), 361-365.

Morris, S. B. (2008). Procjena veličina učinaka iz dizajna grupe za prettestiranje-posttest-kontrolu. Organizacijske metode istraživanja, 11(2), 364-386 (prikaz, stručni). http://doi.org/10.1177/1094428106291059

Peterson, R. A. i Brown, S. P. (2005.). O korištenju beta koeficijenata u metaanalizi. Časopis za primijenjenu psihologiju, 90 (1), 175-181. https://doi.org/10.1037/0021-9010.90.1.175

Rosenthal, R. (1994). Parametarske mjere veličine efekta. U H. Cooperu i L. V. Hedgesu (ur.), Priručnik za sintezu istraživanja (231-244). New York, NY: Kadulja.

Rosenthal, R. & DiMatteo, M. R. (2001). Meta-analiza: nedavni razvoj kvantitativnih metoda za recenzije literature. Godišnji pregled psihologije, 52(1), 59-82 (prikaz, stručni). doi:10.1146/annurev.psych.52.1.59

Thalheimer, W., & Cook, S. (2002, kolovoz). Kako izračunati veličine učinaka iz objavljenih istraživačkih članaka: Pojednostavljena metodologija. Preuzeto 9. ožujka 2014. s http://work-learning.com/effect_sizes.htm.

U slučaju da vam je potrebna referenca na ovu stranicu u znanstvenom radu, koristite sljedeći citat:


Gledaj video: 3 ПОРУКЕ СТАРЦА ГЕОКОНА: УСКОРО КОЛАПС БАНАКА, ДОЛАРА, ЕВРА, ИНТЕРНЕТА, СТРУЈЕ, ГРАЂАНСКИ РАТОВИ.. (Kolovoz 2022).