 |
 |
 |
 |
|
 |
 |
опубликованных научных данных.
Во-вторых, М. критиковали как метод, нечувствительный к различиям качества анализируемых
исслед. Так, результаты анализа может быть сложно интерпретировать, если данные из хорошо
спланированных исслед. объединяются с данными, полученными на основе неудачного
экспериментального плана. Метааналитические процедуры можно ориентировать на эту проблему,
используя кодирование исслед. соответственно качеству плана, с последующим введением этой
кодированной переменной в анализ. В итоге можно заметить, будут ли результаты анализа различаться
в зависимости от изменений качества планирования исслед. Т. о., М. можно приспособить и к влиянию
различий экспериментальных планов.
В-третьих, в публикациях часто сообщаются множественные данные (multiple findings).
Поскольку эти данные не являются независимыми, озабоченность вызвал вопрос о том, как учитывается
зависимость между ними в ходе М. Одни исследователи выполняют анализ раздельно для каждой меры
зависимой переменной, выявленной в научных публикациях, тогда как другие, в таком же М.,
объединяют данные, касающиеся значимости и воздействия независимой переменной на все меры
зависимой переменной. Однако, если такие множественные данные включаются в анализ, его
результаты могут выглядеть более надежными, чем это оправдано проведенными исслед., так как не все
использованные в нем данные являются независимыми. Хотя и не существует правила,
предписывающего в таких случаях выбор единственно правильного метода, то, каким эмпирическим
способом решается эта проблема, может оказывать влияние на результаты М. Если множественные
данные из одних и тех же исслед. включаются в анализ, число критериев значимости и величины
эффектов будет больше числа независимых исслед. Несмотря на то, что такой способ повышает
мощность М., он не только усложняет определение ошибки, связанной со статистическими
результатами анализа, но, что гораздо серьезнее, может способствовать возникновению концептуальной
неопределенности и путаницы. Бесспорно, полезно знать общую значимость и общее влияние заданной
независимой переменной на весь спектр зависимых переменных, однако знание дифференциальной
значимости и частного влияния независимой переменной на отдельные группы зависимых переменных
может иметь более важное значение для понимания поведенческих феноменов. Тем не менее, споры по
поводу относительных достоинств противоположных подходов к проблеме множественных зависимых
переменных продолжаются до сих пор.
Вычислительные процедуры для объединения данных научных исследований
Прежде чем обрисовать в общих чертах вычислительные процедуры М., важно разграничить две
области применения этого метода: а) объединение данных, полученных в разных исслед., б) сравнение
таких данных. Каждая из этих областей требует использования различных метааналитических методов.
Что касается рассмотрения процедур, посредством к-рых данные разных исслед. сравниваются в явном
виде, независимо от того, проводится ли это сравнение в расплывчатой или сфокусированной форме,
следует обратиться к Розенталю.
В контексте объединения данных из разных исслед., посвященных изучению одного и того же
конкретного вопроса, встречаются две основные стратегии: а) определение общего уровня значимости
объединенных данных и б) определение величины отмеченных эффектов. Для каждой из этих стратегий
было разработано множество конкретных процедур.
Общая значимость данных
При объединении результатов, полученных в независимых работах, оценивающих одинаково
направленную конкретную гипотезу, в распоряжении исследователя имеется множество процедур,
называемых сложными критериями. В этой статье мы ограничиваемся рассмотрением методов,
разработанных Фишером, Вайнером и Стауффером с соавторами.
Известный под названием метода суммирования логарифмов
(adding logs method), сложный
критерий Фишера является одной из наиболее популярных и часто используемых процедур проверки
гипотез и задается следующим уравнением:
?² = ? - 2 ln p.
Эта процедура заключается в суммировании со знаком минус удвоенных натуральных
логарифмов соответствующих значений р односторонних критериев, приведенных в анализируемых
исслед. Получающаяся в результате стат., к-рая и положена в основу данного критерия, имеет ?²-
распределение с числом степеней свободы (df), равным удвоенному числу исследований (N),
включенных в анализ (т. е. df = 2N). Метод Фишера особенно эффективен, когда число анализируемых
исслед. относительно невелико (не более 5). Хотя было доказано, что эта процедура яв-ся в большей
степени асимптотически оптимальной, чем др. методы объединения, она обнаруживает довольно
