Vorgabe der Effektgröße in der Metaanalyse

Meine Frage betrifft priors auf Effektgrößen, in meinem Projekt die Maßnahme Cohens . Durch das Lesen der Literatur scheint es, dass vage Prioritäten häufig verwendet werden, wie in den bekannten acht Schulen am Beispiel einer hierarchischen Bayes'schen Metaanalyse. Im Beispiel der acht Schulen habe ich ein vages Prior gesehen, das für die Schätzung von mu verwendet wurde, z. B. . $D$ $\mu_{\theta} \sim \operatorname{normal}(0, 100)$

Meine Disziplin ist Psychologie, wo die Effektgrößen normalerweise klein sind. Aus diesem Grund habe ich überlegt, Folgendes zu verwenden: . Mein Grund für einen so engen Prior ist, dass ich nach meinem Verständnis der Prioritäten eine 95% ige Wahrscheinlichkeit vorschreibe, dass zwischen -1 und 1 liegt. 1 oder 1. $\mu_{\theta} \sim \operatorname{normal}(0, .5)$ $\mu_{\theta}$

Wie selten sind die Auswirkungen so groß, ist dies im Vorfeld zu rechtfertigen?

bayesian meta-analysis effect-size

— D_Williams
quelle

Ich denke, deine Vorgesetzten sind in Ordnung, solange du sie mit extra-statistischen Argumenten verteidigen kannst. Stellen Sie jedoch sicher, dass Sie auch eine Sensitivitätsanalyse mit weniger informativen Prioritäten durchführen, um zu überprüfen, ob Ihre posteriore Verteilung zu stark von Ihren Annahmen abhängt.

— Joe_74

Ein paar einfache Sensitivitätstests würden darin bestehen, Student-t-Verteilungen mit 4 oder 7 Freiheitsgraden zu verwenden und den Maßstab der Verteilung zu ändern. Wenn Sie vermuten, dass in Ihrer Stichprobe ein Publikationsfehler vorliegt, sagen Ihnen diese Empfindlichkeitstests nicht viel. Sie können die Publikationsverzerrung in Ihrer vorherigen berücksichtigen. Siehe die Arbeit von Joachim Vandekerckhove cogsci.uci.edu/~joachim/publications.php

— stijn

@ Joe_74 kannst du deinen Kommentar als Antwort platzieren.

— Morgan Ball

@ MorganBall Will do

— Joe_74

Wie selten sind die Auswirkungen so groß, ist dies im Vorfeld zu rechtfertigen?

Ich denke, Ihre Vorgesetzten sind in Ordnung, solange Sie sie mit außerstatistischen Argumenten verteidigen können (z. B. indem Sie sich etablierte Werke in der psychologischen Fachliteratur ansehen).

Stellen Sie jedoch sicher, dass Sie auch eine Sensitivitätsanalyse mit weniger informativen Prioritäten durchführen, um zu überprüfen, ob Ihre posteriore Verteilung zu stark von Ihren Annahmen abhängt. Wenn dies der Fall ist, mit ähnlichen Ergebnissen in Bezug auf Richtung und Stärke der Wirkung, dann werden Ihre Ergebnisse viel robuster und valider erscheinen.

— Joe_74
quelle