Contexte
Je mène une méta-analyse qui inclut des données publiées précédemment. Souvent, les différences entre les traitements sont signalées avec les valeurs P, les différences les moins significatives (LSD) et d'autres statistiques, mais ne fournissent aucune estimation directe de la variance.
Dans le contexte du modèle que j'utilise, une surestimation de la variance est acceptable.
Problème
Voici une liste de transformations vers où S E = √ (Saville 2003)que je considère,rétroaction appréciée; ci-dessous, je suppose queα=0,05donc1- α / 2=0,975 et les variables sont normalement distribuées sauf indication contraire:
Des questions:
Une fonction R pour encapsuler ces équations:
Exemples de données:
data <- data.frame(Y=rep(1,5), stat=rep(1,5), n=rep(4,5), statname=c('SD', 'MSE', 'LSD', 'HSD', 'MSD')
Exemple d'utilisation:
transformstats(data)
La
transformstats
fonction: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) }
Les références
Réponses:
Votre équation LSD semble bien. Si vous voulez revenir à la variance et que vous avez une statistique récapitulative qui dit quelque chose sur la variabilité ou la signification d'un effet, vous pouvez presque toujours revenir à la variance - il vous suffit de connaître la formule. Par exemple, dans votre équation pour LSD que vous voulez résoudre pour MSE, MSE = (LSD / t _) ^ 2/2 * b
la source
Je ne peux qu'être d'accord avec John. De plus, peut - être cet article de David Saville vous aide-t-il avec une formule pour recalculer les mesures de variabilité à partir des LSD et al.:
Saville DJ (2003). Statistiques de base et incohérence de plusieurs procédures de comparaison. Journal canadien de psychologie expérimentale, 57, 167-175
MISE À JOUR:
Si vous recherchez plus de formules pour convertir entre différentes tailles d'effet, les livres sur la méta-analyse devraient en fournir beaucoup. Cependant, je ne suis pas un expert dans ce domaine et je ne peux pas en recommander un.
Mais, je me souviens que le livre de Rosenthal et Rosnow a aidé une fois avec une formule:
Essentials of Behavioral Research: Methods and Data Analysis
De plus, j'ai entendu beaucoup de bonnes choses sur les formules dans ce livre de Rosenthal, Rosnow & Rubin (bien que Je ne l'ai jamais utilisé):
Contrastes et tailles d'effet dans la recherche comportementale: une approche corrélationnelle (vous devriez certainement l'essayer si une bibliothèque à proximité en dispose).
Si cela ne suffit pas, posez peut-être une autre question sur la littérature pour convertir les tailles d'effet pour les méta-analyses. Peut-être que quelqu'un de plus en méta-analyse a des recommandations plus fondées.
la source
Vous pouvez envisager d'essayer le package R compute.es . Il existe plusieurs fonctions pour dériver les estimations de la taille de l'effet et la variance de la taille de l'effet.
la source
compute.es
package pourraient être utilisées pour répliquer les équations et la fonction que j'ai écrites ci-dessus?