Указание априора для размера эффекта в мета-анализе

Мой вопрос касается настоятели о размерах эффекта, в моем проекте мера Коэна . При чтении литературы кажется, что часто используются расплывчатые приоры, как, например, в хорошо известном примере иерархического байесовского мета-анализа в восьми школах. В примере с восемью школами я видел неопределенный априор, использованный для оценки mu, такой как . $D$ $\mu_{\theta} \sim \operatorname{normal}(0, 100)$

Моя дисциплина - психология, где размеры эффектов обычно невелики. Поэтому я подумывал об использовании этого предварительного: . Мое обоснование для такого жесткого априора заключается в том, что, исходя из моего понимания априоров, я полагаю 95% -ую априорную вероятность того, что находится в диапазоне от -1 до 1, оставляя 5% -ную априорную вероятность для эффектов, которые больше, чем - 1 или 1. $\mu_{\theta} \sim \operatorname{normal}(0, .5)$ $\mu_{\theta}$

Как очень редко эффекты настолько велики, оправдан ли этот априор?

bayesian meta-analysis effect-size

— D_Williams
источник

Я думаю, что ваши приоры в порядке, если вы можете защитить их с помощью дополнительных статистических аргументов. Однако убедитесь, что вы также выполняете анализ чувствительности с использованием менее информативных априорных значений, чтобы проверить, слишком ли сильно ваше апостериорное распределение зависит от ваших предположений.

— Joe_74

Пара простых тестов на чувствительность будет заключаться в использовании t-распределений Стьюдента с 4 или 7 степенями свободы и изменении масштаба распределения. Если вы подозреваете смещение публикации в вашем образце, эти тесты на чувствительность не скажут вам много. Вы можете принять во внимание предвзятость публикации в вашем предыдущем. Смотрите работу Joachim Vandekerckhove cogsci.uci.edu/~joachim/publications.php

— Стейн

@ Joe_74 Вы можете разместить свой комментарий в качестве ответа.

— Морган Бол

@MorganBall сделает

— Joe_74

Как очень редко эффекты настолько велики, оправдан ли этот априор?

Я думаю, с вашими настоятелями все в порядке, если вы можете защищать их с помощью экстрастатических аргументов (например, просматривая устоявшиеся труды в психологической научной литературе).

Однако убедитесь, что вы также выполняете анализ чувствительности с использованием менее информативных априорных значений, чтобы проверить, слишком ли сильно ваше апостериорное распределение зависит от ваших предположений. Если это так, с аналогичными результатами с точки зрения направления и величины эффекта, то ваши результаты будут выглядеть гораздо более надежными и достоверными.

— Joe_74
источник