Menentukan sebelum untuk ukuran efek dalam meta-analisis


13

Saya keprihatinan pertanyaan prior pada efek ukuran, dalam proyek saya mengukur adalah Cohen . Melalui membaca literatur, tampaknya prior yang samar sering digunakan, seperti dalam delapan sekolah yang terkenal contoh meta-analisis Bayesian hirarkis. Dalam contoh delapan sekolah, saya telah melihat samar-samar yang sebelumnya digunakan untuk estimasi mu, seperti μ θnormal ( 0 , 100 ) .Dμθnormal(0,100)

Disiplin saya adalah psikologi, di mana efek ukuran biasanya kecil. Karena itu, saya mempertimbangkan untuk menggunakan ini sebelumnya: . Rasional saya untuk prior yang ketat seperti itu adalah, dari pemahaman saya tentang prior, saya menempatkan probabilitas 95% sebelumnya bahwa μ θμθnormal(0,.5)μθ adalah antara -1 hingga 1, meninggalkan probabilitas 5% sebelum untuk efek yang lebih besar yaitu -1 atau 1.

Seperti sangat jarang adalah efek sebesar ini, apakah ini dibenarkan sebelumnya?


7
Saya pikir prior Anda baik-baik saja, selama Anda dapat mempertahankannya dengan argumen ekstra-statistik. Namun, pastikan Anda juga melakukan analisis sensitivitas menggunakan prior yang kurang informatif, untuk memeriksa apakah distribusi posterior Anda terlalu bergantung pada asumsi Anda.
Joe_74

2
Beberapa tes sensitivitas langsung akan menggunakan distribusi t siswa dengan 4 atau 7 derajat kebebasan dan mengubah skala distribusi. Jika Anda mencurigai adanya bias publikasi dalam sampel Anda, tes sensitivitas ini tidak akan banyak memberi tahu Anda. Anda dapat mempertimbangkan bias publikasi di akun Anda sebelumnya. Lihat karya Joachim Vandekerckhove cogsci.uci.edu/~joachim/publications.php
stijn

1
@ Joe_74 dapatkah Anda menempatkan komentar sebagai jawabannya.
Morgan Ball

@MorganBall Akan melakukan
Joe_74

Jawaban:


2

Seperti sangat jarang adalah efek sebesar ini, apakah ini dibenarkan sebelumnya?

Saya pikir prior Anda baik-baik saja, selama Anda dapat mempertahankannya dengan argumen ekstra-statistik (misalnya dengan melihat karya-karya mapan dalam literatur ilmiah psikologis).

Namun, pastikan Anda juga melakukan analisis sensitivitas menggunakan prior yang kurang informatif, untuk memeriksa apakah distribusi posterior Anda terlalu bergantung pada asumsi Anda. Jika ini masalahnya, dengan temuan serupa dalam hal arah dan besarnya efek, maka hasil Anda akan tampak jauh lebih kuat dan valid.

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.