MARC

 008260311s2025        us                                    eng  d
■001000017361219
■00520260311091539.5
■006m          o    d                
■007cr|nu||||||||
■020    ▼a9798270232054
■040    ▼aMiAaPQD▼beng▼cMiAaPQD▼erda
■082    ▼a000
■1001  ▼aRodgers,  Melissa  A.▼eauthor.
■24510▼aEvaluating  Selective  Reporting  Methods  in  Meta-Analysis:  Considering  Dependent  Effect  Sizes  When  Estimating  Adjusted  Effect  Sizes  ▼cMelissa  A  Rodgers
■260    ▼a[Sl]▼bThe  University  of  Texas  at  Austin▼c2025
■264  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a1  electronic  resource  (169  pages)
■336    ▼atext▼btxt▼2rdacontent
■337    ▼acomputer▼bc▼2rdamedia
■338    ▼aonline  resource▼bcr▼2rdacarrier
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-06,  Section:  B.
■500    ▼aAdvisors:  Beretvas,  S.  Natasha;  Pustejovsky,  James  E.    Committee  members:  Whittaker,  Tiffany;  Yan,  Veronica.
■5021  ▼bPh.D.▼cThe  University  of  Texas  at  Austin▼d2025.
■520    ▼aSelective  reporting  detection  tests  and  adjustment  methods  evaluate  the  presence  of  selective  reporting  and  estimate  bias-adjusted  average  effect  sizes  to  address  its  impact  on  meta-analytic  results.  Available  tests  and  adjustment  methods  are  univariate  by  design,  meaning  they  only  handle  a  single  effect  size  per  primary  study,  but  meta-analyses  of  education  research  typically  include  multiple  effect  sizes  per  study.  Extending  previous  methodological  studies  evaluating  the  performance  of  detection  tests  when  dependent  effect  sizes  are  present,  this  study  evaluates  approaches  to  estimating  bias-adjusted  average  effect  sizes  in  meta-analyses  involving  dependent  effects.  This  simulation  study  examines  the  performance  of  three  adjustment  methods  (i.e.,  Regression-based  methods,  Trim  &  Fill,  and  3-parameter  selection  models)  to  estimate  bias-adjusted  effect  sizes  under  various  conditions.  In  practice,  researchers  may  or  may  not  report  adjusted  average  effect  sizes  using  either  a  contingent  or  non-contingent  strategy  based  on  the  statistical  significance  of  selection  bias  detection  tests.  To  this  end,  this  simulation  study  also  compares  the  accuracy  of  adjusted  effect  sizes  when  they  are  reported  if  contingent  versus  non-contingent  on  the  statistical  significance  of  tests  for  the  presence  of  selection  bias.  When  selective  reporting  censoring  is  high,  in  general,  results  indicate  poor  estimation  performance  for  all  selective  reporting  adjustment  methods  regardless  of  approach  used  to  handle  dependent  effect  sizes.  Variation  by  study  conditions  is  reported,  including:  overall  average  effect  size,  amount  of  between-study  heterogeneity,  within  to  between-study  heterogeneity  ratio,  and  average  sample  sizes  from  primary  studies.  Performance  differences  between  the  contingent  and  non-contingent  strategies  for  adjusted  estimates  were  primarily  observed  within  the  regression-based  methods  -  specifically  the  aggregating  and  two  modeling  approaches  -  with  minimal  differences  identified  in  the  other  estimation  methods  or  approaches  to  dependency.  Results  can  help  guide  researchers  on  the  best  practices  for  selective  reporting  tests  and  methods  to  use  given  certain  study  conditions.  Future  research  is  needed  to  improve  current  methods  or  identify  new  methods  to  estimate  adjusted  effect  sizes,  particularly  when  the  amount  of  selective  reporting  is  suspected  to  be  at  a  higher  probability.
■546    ▼aEnglish
■590    ▼aSchool  code:  0227
■650  4▼aStatistics
■650  4▼aInformation  science
■653    ▼aMeta-analytic  results
■653    ▼aHeterogeneity  ratio
■653    ▼aRegression-based  methods
■653    ▼aStatistical  significance
■7102  ▼aThe  University  of  Texas  at  Austin▼bEducational  Psychology.▼edegree  granting  institution.
■7201  ▼aBeretvas,  S.  Natasha▼edegree  supervisor.
■7201  ▼aPustejovsky,  James  E.▼edegree  supervisor.
■7730  ▼tDissertations  Abstracts  International▼g87-06B.
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17361219▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서