| 整合数据分析方法在心理学研究中的应用 |
|
|
|
方法、测量工具、研究时间等方面的异质性，使IDA过程不能对数据简单合并后进行分析，而要采用特定的统计分析方法对异质性进行分析（Curran & Husson，2009；Cooper & Patall，2009），这是IDA过程中必须解决的核心问题。
3.1 IDA方法对异质性分析的一般策略
根据对合并数据集的定义不同，可分为随机效应的IDA和固定效应的IDA。
3.1.1 随机效应IDA
随机效应（Random-effect）的IDA采用随机抽样的思想，把IDA的对象看成由两层抽样而来，一是研究层面（Study-level）的抽样，每个研究是从一个大的研究总体中随机抽取的研究层面的样本；第二层是被试层面的抽样，单个研究的样本则是从该研究假设的总体中随机抽取而来，即随机样本的样本（Random Sample of Random Samples），这两层抽样产生了由研究抽样所产生的变异和由被试抽样所产生的变异。这种定义类似于阶层模型的嵌套思想，因此，可采用阶层模型对数据集进行分析。随机效应IDA最大的优点是引入研究层面的预测变量以对研究之间的变异进行建模，把研究变异分解为被试水平效应、研究水平效应以及被试水平与研究水平的交互作用（Bauer & Curran，2005；Raghunathan et al.，2003），并在分析过程中同时估计这三种效应。
随机效应IDA的运用有两个重要的条件：一是要将这些研究的数据集看作是从一个同质的数据集总体中随机抽取；二是必须有足够的研究样本，才足以对研究之间和研究内的变异进行可靠测量。若是以上条件难以满足，则需考虑固定效应IDA策略。
3.1.2 固定效应IDA
固定效应（Fixed effects）IDA中，把各研究成员属性（Study membership）看作是嵌套于研究中的被试的固定特征（Fixed characteristics），采用某种编码方式（如虚拟编码、效应编码）描述这些固定特征（如对被试的性别、种族等变量进行编码），这些虚拟或效应编码变量将作为预测变量直接进入模型进行分析。固定效应IDA的主要优点是可以估计被试特点（性别、种族）和研究群组属性（Study Group Membe上一页 [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] ... 下一页 >> |
|
|
| |
|
上一个论文： 心理学研究中潜变量空间的特性探讨
下一个论文： 计算机在心理学研究中的应用 |
|
用户登录 
新用户注册 