タグ付けされた質問 「cohens-d」

エフェクトサイズ分析では、Cohenのd、Hedgesのg、Hedgesのg *に違いがあることに気付きました。 これらの3つのメトリックは通常非常に似ていますか？ それらが異なる結果を生成する場合はどうなりますか？ また、私が使用または報告するのは好みの問題ですか？

19 effect-size  cohens-d 

メタ分析で結果をプールし、それがどのように機能するかを期待して、回帰係数（t統計から）、オッズ比、平均値の差についてCohenのdを計算しました。ただし、Stataでは、Cohenのdの信頼区間なしでこれらの結果をプールすることはできないようです。そのため、私の質問はこれをどのように回避するかです。それを計算する方法はありますか、またはこの情報なしでStataの結果をプールする方法はありますか？ 私はこの種のメタ分析にはいくつかのマイナス面があることを知っていますが、特定の効果サイズのいくつかの小さな分析と比較して、これがどのように機能するのか興味をそそられます。

16 cohens-d 

Cohenのは、エフェクトのサイズを測定する最も一般的な方法の1つです（Wikipediaを参照）。プールされた標準偏差に関して2つの平均間の距離を単純に測定します。Cohenのdの分散推定の数式をどのように導出できますか？ dddddd 2015年12月編集：この質問に関連するのは、dの周りの信頼区間を計算するという考え方です。この記事ではddd σ2d=n+n×+d22n+σd2=n+n×+d22n+\sigma_{d}^2 = \dfrac{n_{+}}{n_{\times}} + \dfrac{d^2}{2n_{+}} ここで、は2つのサンプルサイズの合計であり、n ×は2つのサンプルサイズの積です。n+n+n_{+}n×n×n_{\times} この式はどのように導出されますか？

12 variance  effect-size  cohens-d 

混合ANOVAを使用して、連続従属変数を使用して治療前後の制御デザインを分析する場合、治療グループにいることの効果を定量化するさまざまな方法があります。相互作用効果は1つの主要なオプションです。 一般的に、私はコーエンのdタイプのメジャー（つまり、）が特に好きです。結果はグループの相対的なサンプルサイズなどの無関係な要因に基づいて変化するため、分散説明メジャーは好きではありません。μ1- μ2σμ1−μ2σ{\frac{\mu_1 - \mu_2}{\sigma}} そこで、次のように効果を数値化できると考えていました Δのμc= μc 2- μc 1Δμc=μc2−μc1\Delta\mu_c = \mu_{c2} - \mu_{c1} Δのμt= μt 2- μt 1Δμt=μt2−μt1\Delta\mu_t = \mu_{t2} - \mu_{t1} したがって、効果サイズはとして定義できますΔのμt- Δ μcσΔμt−Δμcσ\frac{\Delta\mu_t - \Delta\mu_c}{\sigma} ここで、はコントロール、は治療、1と2はそれぞれ前と後を示します。 は、時間1のプールされた標準偏差である可能性があります。ccctttσσ\sigma 質問： この効果の大きさの測定にラベルを付けることは適切dですか？ このアプローチは合理的ですか？ そのようなデザインの効果サイズ測定の標準的な方法は何ですか？

11 anova  mixed-model  effect-size  cohens-d 

のmgcvパッケージにRは、テンソル積の相互作用をフィッティングするための2つの関数がte()ありti()ます。私は2つの作業の基本的な分業を理解しています（非線形の相互作用を当てはめるか、この相互作用を主効果と相互作用に分解するか）。私が理解していないのは、なぜte(x1, x2)、そしてti(x1) + ti(x2) + ti(x1, x2)（わずかに）異なる結果を生成するのかということです。 MWE（から適応?ti）： require(mgcv) test1 <- function(x,z,sx=0.3,sz=0.4) { x <- x*20 (pi**sx*sz)*(1.2*exp(-(x-0.2)^2/sx^2-(z-0.3)^2/sz^2)+ 0.8*exp(-(x-0.7)^2/sx^2-(z-0.8)^2/sz^2)) } n <- 500 x <- runif(n)/20;z <- runif(n); xs <- seq(0,1,length=30)/20;zs <- seq(0,1,length=30) pr <- data.frame(x=rep(xs,30),z=rep(zs,rep(30,30))) truth <- matrix(test1(pr$x,pr$z),30,30) f <- test1(x,z) y <- f + rnorm(n)*0.2 par(mfrow = c(2,2)) # …

11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 

ブートストラップされたサンプルの中心傾向（つまり、平均値および/または中央値）が観測値に類似していることを常に期待する必要がありますか？ この特定のケースでは、被験者の2つの条件に指数関数的に分布する応答があります（私は実験を実行せず、データしかありません）。私は効果サイズをブートストラップするタスクを課されました（コーエンのdの観点から、1サンプルの式、つまりは、母標準偏差のサンプル推定です。これのフォーラムはRosenthal＆Rosnow（2008）のpg 398、式13.27で提供されています。これらは分母にを使用しています。これは歴史的に正しいためですが、標準的な実務ではdをを使用するように誤って定義しているため、上記の計算でそのエラーを続けています。MD¯sDMD¯sD\bar{M_D}\over{s_D}σσ\sigmasss 参加者内（つまり、参加者のRTが複数回サンプリングされる場合がある）と被験者全体（参加者が複数回サンプリングされる場合がある）の両方をランダム化したため、参加者1が2回サンプリングされても、両方のサンプルの平均RTはありそうにありません完全に等しい。ランダム化/リサンプリングされたデータセットごとに、dを再計算します。この場合、です。私が観察しているのは、コーエンのdの観測値が、シミュレートされた観測値の2.5パーセンタイルよりも通常97.5パーセンタイルに近い傾向です。また、ブートストラップの中央値よりも0に近い傾向があります（シミュレートされた分布の密度の5％〜10％）。Nsim=10000Nsim=10000N_{sim} = 10000 これを説明できるものは何ですか（私が観察している効果の大きさを覚えておいてください）？それは、リサンプリングの際の平均値の端部と比較して観察されたものよりも極端な分散を取得するほうが、リサンプリングの際に「簡単」であるためですか？これは、過度にマッサージ/選択的にトリミングされたデータを反映しているのでしょうか？このリサンプリングアプローチはブートストラップと同じですか？そうでない場合、CIを作成するために他に何をする必要がありますか？

8 bootstrap  simulation  effect-size  cohens-d