Especificando o tamanho do efeito anterior na metanálise


13

Minha pergunta diz respeito aos anteriores dos tamanhos dos efeitos, no meu projeto a medida é o de Cohen . Ao ler a literatura, parece que vagas vagas são frequentemente usadas, como no conhecido exemplo de oito escolas de uma meta-análise bayesiana hierárquica. No exemplo das oito escolas, vi um anterior vago usado para a estimativa de mu, como μ θnormal ( 0 , 100 ) .Dμθnormal(0,100)

Minha disciplina é psicologia, onde os tamanhos dos efeitos geralmente são pequenos. Como tal, eu estava pensando em usar isso antes: . Minha lógica para um prior tão apertado é que, pelo meu entendimento dos anteriores, estou colocando uma probabilidade 95% anterior de que μ θ está entre -1 a 1, deixando uma probabilidade 5% anterior de efeitos maiores que -1 ou 1.μθnormal(0,.5)μθ

Como raramente são efeitos tão grandes, isso é justificável anteriormente?


7
Acho que seus anteriores estão bem, desde que você possa defendê-los com argumentos extra-estatísticos. No entanto, certifique-se de executar também uma análise de sensibilidade usando anteriores menos informativos, para verificar se sua distribuição posterior depende muito de suas suposições.
Joe_74

2
Um par de testes diretos de sensibilidade seria usar distribuições t de alunos com 4 ou 7 graus de liberdade e alterar a escala da distribuição. Se você suspeitar de viés de publicação em sua amostra, esses testes de sensibilidade não informarão muito. Você pode levar em consideração o viés de publicação em seu anterior. Ver o trabalho de Joachim Vandekerckhove cogsci.uci.edu/~joachim/publications.php
Stijn

1
@ Joe_74, você pode colocar seu comentário como resposta.
Morgan Ball

@MorganBall Will do
Joe_74

Respostas:


2

Como raramente são efeitos tão grandes, isso é justificável anteriormente?

Eu acho que seus priores estão bem, desde que você possa defendê-los com argumentos extra-estatísticos (por exemplo, olhando para trabalhos estabelecidos na literatura acadêmica psicológica).

No entanto, certifique-se de executar também uma análise de sensibilidade usando priors menos informativos, para verificar se sua distribuição posterior depende muito de suas suposições. Se for esse o caso, com descobertas semelhantes em termos de direção e magnitude do efeito, seus resultados parecerão muito mais robustos e válidos.

Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.