7.12 Meta-analysis 2在线视频

那么这个时候大家可以看到

我们有一个变量

就是说

其实每一篇研究

因为研究者他在执行他的研究过程中

他其实会有差异

有一个什么差异呢

在有的研究里面

研究者找到老师去跟他做干预的时候

就告诉他 你看这些孩子是

这几年这些孩子是更聪明的那些

孩子就不如这些孩子聪明

当他去做这样的一个影响

教师

对孩子的预测预期这样的一个干预的时候

那么其实老师

按说是还没有跟学生见面

还不了解这些学生

那么但实际上有一些研究

当研究者去做这个事情的时候

这个教师已经跟学生已经见面了

已经有过一段时间的接触了

那么大家可以看到就这一列

第一列它其实就报告了

当老师去做干预的时候

教师跟学生接触的

星期

数量

那么0就是说它确实没见面

1 就是说当研究者去做干预的时候

其实老师跟学生已经接触一周了

最高的是三周

也就是说

研究者去说这事的时候

老师已经跟学生接触三周了

大家想

哪种情况

下

研究者说这话老师会更容易信

肯定是没有见面的时候是吧

还有同学有聊天

mickey说是不是有伦理问题

我认为是有伦理问题的

大家看这个研究是不是很早

一九七几年的那个时候可能

对伦理问题还没有

这么高的要求

这个是有可能有伦理问题

Ok大家来接着看这个

显然就是说老师对学生

没有任何了解的时候

研究者去说这个话

他可能会对老师有一定的影响

对不对

当老师对跟学生已经相处了三星期

对学生都已经认识了

能叫上名字

大概知道他的特点的时候

研究者再拿去这么一个名单

上面随机的勾了一些人

说这些人更聪明

那么研究老师可能就不信了

对不对

所以说这个就是不同研究之间

的一个系统性的差异

那么

我们做元分析的时候

应该敏锐的去发现这种系统性的差异

把它也总结出来

它就变成一个变量

来去建模分析

那么事实上大家来看这张图

这张图就是根据横轴

老师跟学生接触的

时间长短就是在研究者来去

干预的时候

来画的

纵轴就是 dj就是 effect

size

确实就正如我们所猜的

那么确实接触时间为0的

这些

研究

标一下

结束时间未定的这些研究

那么他们的

effect size确实会更高一点

基本上就是

好吧

同学的麦克没关

那么

在这些接触

大家看最右边的这些就是接触了三周的

more than

two weeks

两三周及以上的

那么这些点

他们的 effect size

确实就趋近于0了

对不对

在零附近有负的有正的

但是正的话也不会有太高的值

所以这个就跟我们刚才讲

的这个是非常吻合的

刚才那个是

这个设想是对的

好

这就是一个散点图

那么既然这样的话我就可以建模了

那么我们在第二层就建模

加入一个变量就是weeks

老师跟学生已经接触几周了这么一个变量

他来去解释为什么不同的study

之间 δj δj是

剥离掉抽样误差之后的

每一篇研究的估算值

就估计的 effects

它为什么会不一样

这个就变得非常有意义

这个就建模

那么

首先是combined model

我们可以把它合成一层

大家可以看到

dj

等会我本来是要一个注释的

dj

它就等于

γ0 true value

真实值

加上每一篇研究

这种系统性的差异变量

以及

剩下的研究之间的残差

以及抽样误差

那么这个是这样子

我们来看这个结果

来看这个结果

首先来看这个点估计

点估计就是γ0 γ1这两个参数

那么分别是0.4

负的0.1

而且它是显著的

t检验是显著的 说明什么呢

说明

这个γ1是负的

说明什么 确实

week越大

也就是说接触的时间越长

那么

它对我们参数估算值的影响

它就会把拉低估算值

对不对

这个刚才观测跟我们推理的都是吻合的

老师跟学生接触的时间越长

那么

我们估算值会越小

那么剥离掉这个γ1之后

大家看γ0的值怎么样

这个变化是非常大的 刚才是多少

0.08

现在是0.4

这个不是一个数量级的

也就是说

真实的γ0它应该是0.4

这是很高的一个值

它是一个标准化的值

对不对

那么这个就是我们

剥离掉

week带来影响之后的真实值

那么同时我们可以看

当我们加入了第二阶段的这样

一个变量week之后

我们方差的一个估算

dj的方差

dj的方差

变成0了

当然它肯定不会严格的等于0

那么它就是一个非常小的值

我们在这样的一个精确度下

千分位下面它就是0.000

它等于0了 也就说明什么

刚才我们看到的

δj的所有的方差

基本上都被week

这一个变量解释掉了

对不对

这是非常好的

因为我非常敏锐的

发现了这样的一个影响

并且把它

全部的

给控制掉了

把μj的

这个里面的这些变化都控制掉了

所以

我们建模之后对文献的分析

确实就是更加精确了

Ok那么这个就是贝叶斯估计

conditional model

和unconditional

model

结果它可以反过来对每一个

个体就每一篇文章

具体他会给他返回一个拟合值

那么大家可以看到

这张图就是显示的

实际上

它会

收敛到

具体的这几组值上去了

那么

它就体现出一个非常鲜明的

组间差异 也就是说

周次是一样的

周次是一样的 比如说

周次都是零周的

等会儿我的注释

周次都是零周的

他其实都集中到这了

也就是说所有的这些研究里面

如果他们的师生之间没有接触

他们的估算值都收缩到了0.4

这样的一个effect size

那么周次是一周的结束了

一周的收缩到了0.2

周次是两周的收缩到了0.09

周次是两周以上的

就是三周及以上

收缩到了负的

0.064

那么

估算出来拟合值的一个效果

当然了

如果这4组我们在求加权 grand mean

刚才我们说过了是0.4已经说过了

ok

那么这个就是我们可以看到

用一个非常有意思的

建模

来对一组相同回答同一个问题的实证研究

它们的系数的差异

以及差异的原因

进行了一个非常好的分析

这个就是元分析

大家感兴趣

其实你都可以对你

关注的文献

做这种分析

你看这篇文章就是19篇文章

19篇文章他就能做出一个元分析来

那么你们也可以尝试

做其他的元分析

也是蛮有意思

练手很容易 数据都是现成的

老师

可以打断一下吗

可以

我已经讲完了你就问

我想请问的

这样的分析是不是要求这些我找的

文章它们采用的模型是一样的

比如说方程形式上都需要采用rd

或者说更严格一点

要求他们的协变量控制甚至都是一样的

你这个问题很好

这个不需要

他需要的就是说这个问题本身就是说这个

就是这个关键解释变量是同一个变量

关键解释变量是一样的

然后我就可以对它的系数进行分析

你刚才就是说的模型的差异

比如说他用了因果推断模型

还是没有因果推断模型

以及他用了哪些

重要的控制变量

或者没有哪些重要的控制变量

这些都可以成为你的建元分析里面

建模的第二层的这些变量

就刚才weeks

一些week

周次

你在研究就可以用 比如说

我们说

随便举个例子 课外辅导班

我们说课外辅导班对学生

的成绩到底有没有影响

那么很多大量的实证研究都在做这个问题

但是有相当多的研究

他没有考虑自选择问题

有的研究考虑 有的人就没考虑

所以你会看到

他得出来的系数就是差别特别大

所以这个时候你就完全可以在

第二层模型里面

我不加weeks了

因为weeks是一个非常有

针对性的这样的一个

这样的一个分析了

所以这个时候你加的是什么

你加的就是是否采用比如说因果推断模型

因为因果推断模型给我们是一个无偏估计

如果不用的话就会带来

有偏内生性问题等等

所以你刚才说的那些东西都可以加到

你对

文章之间差异的估计的变量里面去

这个问题很好

好 谢谢老师 我明白了

不客气

同学们还有没有什么问题我已经讲完了

好

你们如果没有问题的话

我们就

结束了

最后一个就是元分析

所以大家可以看到其实

hlm建模思想

还是很有意义的

能够帮助我们做

很多

非常实用的大家感兴趣的这些研究

增长模型

元分析

那么包括我们基本上所有的

说白了所有的分析

大部分都是具备这种嵌套数据结构的

我们也不得不考虑分层的

这个方差结构

所以说还是非常重要的

大家回去认真复习

还是我们明天

大家每个人提一个问题

你没有听明白的

或者你认为很重要的问题

我们还是邀请两个小组来去回答

说过了这次是自愿

大家

希望大家积极自愿的去

报名来去做这次答疑

好不好

我们今天

讲到这儿

下堂课会有一个课堂小测

有答疑

然后有workshop

好吧