马红亮的帖子

数据分析实例 -> 数据分析实例目录 -> 系统综述，元分析/元聚合分析-systematic review，meta analysis & meta-aggregation

马红亮 -

一、理论原理

       传统文献综述通常用于回顾、讨论已有研究及存在的不足（current gaps）、新研究的原理等，特点是没有对文献如何辨别、选取以及评价的具体方法进行描述。系统性文献综述的特点是研究问题事先确定，全面检索所有相关文献，有明确纳入和排除文献的标准，有批判性分析研究质量的标准，有明确的提炼和综合研究发现的方法（定性或定量）。[1]

  1.    文献综述分类
    系统综述（systematic review）被定义为“对一个明确表述的问题的证据进行综述，使用系统和明确的方法来识别、选择和批判性评价相关的初步研究，并从综述包括的研究中提取和分析数据。”所用方法必须是可复制和透明的。[2]

    元分析（meta-analysis）与元聚合分析（meta-aggregation）都是文献综述的一种方法，都是对相关研究进行分析、评价以及综合的方法。其中，元分析专门用于对定量研究文献中的数据进行统计处理，以探索新的发现。元聚合分析，也称为meta-synthesis，是针对定性研究文献中的数据或主题编码、归类和整合，并给出行动建议。[3]

2. 文献综述操作步骤

     系统性文献综述的7个步骤：[1]

  • 组建小组（至少两名评审员，第三名评审员作为仲裁者）
  • 提问（定义一个狭窄的问题，可以使用PICO）
  • 计划（制定方案、设计方法和策略）
  • 检索/筛选（彻底、透明和可重复搜索证据/选择研究）
  • 文献管理和报告
  • 数据提取/综合相关证据
  • 总结、写作和出版

     PRISMA网站很重要，有详细的系统综述和元分析的原理声明、操作步骤、流程图等。顶级期刊Computers & Education只接受PRISMA流程的文献综述研究。[4]


二、元分析

    元分析（Meta-analysisi）是对有关同一个主题的多项独立的定量研究进行再次分析，进而得出一般性的结论。
（一）元分析的文献编码
      收集完文献之后，要逐一检查，从如下几个方面进行编码：【5】
  1. 有关文献的实质性方面。包括样本来源，人口统计学特征、个人特征，自变量、理论取向、所描述的层次、干预实施的模式等等。
  2. 量化研究的方法和步骤。包括抽样步骤或方法，调查设计，统计功效，测量的性质，数据分析形式，自变量，实验条件，控制组的性质等。
  3. 对文献的来源进行描述。
（二）资料的综合
    由于研究的目的各不相同，各项研究的指标不尽相同，因此元分析首先要将各项研究的指标转化为统一的指标，即效应量（effect sizes），它是元分析的核心概念。元分析收集的定量信息有很多类，对应每一类也存在不同的效应值。给出各个效应值之后，应该分析其分布，计算其均值，计算置信区间，对同质性进行评价（homogeneity test）。【5】
  1. 平均效应值。对这些值进行综合加权，计算合并后的平均统计量。
  2. 计算置信区间。一个平均效应值的置信区间以均值的标准误和z分布的一个临界值为基础的。
  3. 同质性检验。元分析的前提条件，即多个独立研究之间应该相似。如果各个独立的研究之间具有同质性，便可以将多个统计量进行加权合并；若不一致，可以考虑剔除特大、特小或方向相反的统计量后再综合。如果经过这一步仍然达不到要求，就不能用元分析的方法了。同质性检验的方法有图示法（直方图、茎叶图、散点图等），Q检验。【5】
    对于在研究方法存在较大差异的诸多单项研究来说，一个较好的元分析法应将这种差异考虑在内，设置必要的调节变量。另外，当代的元分析法越来越专注于效应值分布的方差，而不是这些分布的均值。也就是说关注的主要问题常常与区分出各项研究结果之间的差异的根源有关，而不是把各个结果聚焦在一起得出一个总的均值。这个关注点针对性质不同的研究结果的子群进行认真的处理，因而较少收到批评。【5】
    另外，由于元分析关注的是不同研究结果的聚集和比较，因而有必要保证对这些研究结果的比较是有意义的。这意味着这些结果必须：（1）在概念上具有可比性，即处理的是相同的因子和关系；（2）以相似的统计形式呈现。【5】

参考文献

[1] Cochrane. Background to Systematic Reviews
[2] 美国Temple大学图书馆网站：What is a Systematic Review? （详细解释了其中的7个步骤）.
[3] Florczak K L . (2019). Meta-Aggregation: Just What Is It?. Nursing Science Quarterly, 32(1):11-11.
[4] PRISMA. Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA)
[5] 马克·W·利普西、戴维·B·威尔逊著，刘军，吴春莺译. 元分析(Meta-analysis)方法应用指导[M]. 重庆:重庆大学出版社出版, 2019: 前言-2。

数据分析实例 -> 数据分析实例目录 -> 卡方检验

马红亮 -

一、原理

       不同于二项分布最多只能比较两组比率的差异，卡方检验可以同时处理一个因素的多种类别数据，或多种因素的多种类别数据。如男女人数或比例是否相同，学生优、良、中、差四个成绩的人数比率是否存在差异。卡方检验属于自由分布的非参数检验。【1】

（一）类别数据   

     类别数据是最基本、最普遍的一种数据类型，如性别、职称等人口学或背景变量的调查数据，以及学生对教学方法的态度（赞成、反对或没有意见）的意见调查结果等。通常，以名义尺度（定类数据）或顺序尺度（定序数据）进行测量的数据类型都是类别变量。然而，以等距或比率尺度所测量的数据（学业成绩或身高体重），虽然测量时是连续变量的形式，但如果进行分组处理，如将身高分为高、中、低三组，此时也属于类别变量的统计分析。【2】

（二）类别数据的呈现与检验

    类别数据采集之后，可以以次数分布或列联表（contingency table）的形式来整理、呈现。其中，次数分布表适用于单一类别变量的描述，而列联表适用于两个或多个类别变量的分布形式的描绘。次数也可以转化为百分比。类别变量的检验形式有：【2】
  • 适合度检验（goodness-of-fit test）,检验某一变量（单一类别变量）是否与某个理论分布或总体分布相符合，如学校性别比例是否为1:1。如果检验统计量未达到显著差异，则该样本在该变量的分布与理论总体无差异。【2】
  • 独立性检验（test of independence），检验两个类别变量之间的关系，例如某一群人的学历分布与性别分布的关系。如果两个类别变量的次数分布没有特殊交互作用，卡方值不显著，则两个变量相互独立；相反的，当两个类别变量次数分布具有特殊相互作用影响时，则说明这两个变量不独立，或具有相关性。【2】

（三）卡方检验

  •  类别变量的次数（或转换成百分比）分布特征，可以进行卡方检验（X2 test）。
  • 一般而言，单元格期望次数小于5时（如人数过少），可能造成统计基本假设的违反，这时需要合并单元、增加样本数或者使用校正公式。【2】
  • Kappa系数，又称同意量数（measures of agreement），适用于具有相等顺序数值的两个顺序变量的关联性分析。Kappa系数所反映的是两个顺序变量是否具有一致的等级，也就是等级一致性程度。Kappa系数可以用来计算两个评分者对同一对象是否有一样的评定的评分者信度（inter-raterreliability）。【2】

参考文献
【1】王孝玲. 教育统计学[M]. 上海：华东师范大学出版社, 2014: 171-186.
【2】邱皓政. 量化研究与统计分析：SPSS（PASW）数据分析范例解析[M]. 重庆大学出版社,2013:124-132.

数据分析实例 -> 数据分析实例目录 -> 配对和独立样本t检验- paired samples & independent samples t-test -> 回复： 配对和独立样本t检验- paired samples & independent samples t-test

马红亮 -

二、数据分析实例

1. 单样本t检验（one-sample t-test）

2. 配对样本t检验（paired samples t-test）

3. 独立样本t检验（independent samples t-test）