Sepertinya pertanyaan yang cukup mudah, tetapi ketika saya benar-benar memikirkannya, metode Stouffer tidak masuk akal bagi saya. Ini sebabnya:
Asumsikan hipotesis dua sisi. Anda pertama-tama menghitung dari nilai- . Jadi mari kita ambil contoh yang cukup sederhana. Mari kita ambil dua -nilai . Ini berarti bahwa dan keduanya . Menurut metode Stouffer, dan digabungkan sedemikian rupa sehingga:
Nilai- ini kemudian dikonversi menjadi nilai- sekali lagi, menghasilkan nilai- dari , sedangkan nilai- dari masing-masing individual adalah sekitar .
Dalam pengertian ini, sepertinya tes Stouffer secara artifisial mengubah nilai nilai yang dihasilkan menjadi nilai yang berbeda dengan nilai -masing-masing , yang bagi saya, tidak masuk akal.
Apakah saya salah memahami tes ini atau dapatkah seseorang membantu saya memahami bagaimana / mengapa kerjanya?
R
, hitung menggunakanprop.test(535,1000)
, dll.)Jawaban:
Ukuran sampel keseluruhan yang lebih tinggi mengarah ke kekuatan yang lebih tinggi dan dengan demikian ke nilai p yang lebih kecil (setidaknya jika hipotesis kerja didukung oleh data).
Ini biasanya merupakan poin utama dari setiap analisis meta: banyak bukti lemah yang mendukung hipotesis digabungkan dengan bukti kuat untuk itu.
sumber
Untuk kesederhanaan, pikirkan dalam hal tes sarana. Misalkan di bawah H0 efek pengobatan adalah nol, sehingga setiap nilai z adalah estimasi tertimbang dari efek pengobatan θ i. Metode Stouffer memberikan rata-rata tertimbang efek pengobatan ini sehingga akan memberikan perkiraan yang lebih tepat (dan karenanya nilai p lebih kecil) daripada masing-masing nilai z yang terpisah. Perkiraan tidak tertimbang dari efek pengobatan ini bias tetapi metode Stouffer tertimbang adalah mungkin, dan jika bobot sebanding dengan 1 / standard error (θi) estimasi efek pengobatan tidak bias. Namun ini hanya masuk akal jika nilai z yang terpisah adalah ukuran dari kuantitas yang sama. Keuntungan dari metode Stouffer dan Fisher adalah bahwa mereka juga dapat diterapkan pada meta-analisis di mana variabel respons yang berbeda telah dipilih - sehingga mereka dapat '
sumber
Pikirkan itu dari sudut pandang meta-analisis: Jika tidak ada efek (H0 ), hal nilai akan terdistribusi secara merata antara 0 dan 1. Jadi jika Anda mendapatkannya hal < 0,1 di lebih dari 10% dari semua analisis tunggal (berpotensi banyak dari mereka), ini dapat mencapai kesimpulan bahwa H0 mungkin harus ditolak.
Saya bahkan tidak melihat masalah untuk tes dua sisi: Dalam hal ini hasilnya harus ditafsirkan sebagai: Tidak mungkin bahwa mean sebenarnya adalah 0 (dalam contoh gaussian sekitar 0), tetapi saya tidak tahu (dari salah satu sebelumnya atau gabunganhal value) jika mean sebenarnya berada di atas atau di bawahnya.
sumber
Saya pikir tidak apa-apa untuk menggabungkan hasil 2-tailed karena itu berarti bahwa hasilnya akan berjumlah nol (jika ada bukti bahwa pengobatan meningkatkan [kanan-ekor] penyakit pasien tetapi juga bukti bahwa itu memburuk [kiri] -tail], hasil bersih tidak ada bukti terhadap hipotesis tertentu karena mereka membatalkan dan pengamatan lebih lanjut diperlukan.
sumber