Correcting Two-Sample z and t Tests for Correlation: An Alternative to One-Sample Tests on Difference Scores
Notice bibliographique
Résumé
In order to circumvent the influence of correlation in paired-samples and repeated measures experimental designs, researchers typically perform a one-sample Student t test on difference scores. That procedure entails some loss of power, because it employs N – 1 degrees of freedom instead of the 2N – 2 degrees of freedom of the independent-samples t test. In the case of non-normal distributions, researchers typically substitute the Wilcoxon signed-ranks test for the one-sample t test. The present study explored an alternate strategy, using a modified two-sample t test with a correction for correlation, analogous to the “z test for correlated samples” used at one time for paired observations. For non-normal distributions, the same modified t test was performed on rank-transformed data. Simulations disclosed that this procedure protects the Type I error rate for moderate and large sample sizes, maintains power for normal distributions and several symmetric non-normal distributions, and substantially increases power for various skewed nonnormal distributions. Statistical analysis of paired-samples or repeated-measures experimental designs typically employs the one-sample Student t test on difference scores in place of the independent-samples t test. This method, widely used in the past, entails some loss of power, because the test on differences is necessarily based on N – 1 instead of 2N − 2 degrees of freedom. In the first part of the last century, data from paired-samples was often analyzed in a different way. Many introductory textbooks in that period, focusing mainly on large-sample studies for which the z-test is appropriate, presented methods of analyzing what were called correlated samples, using a modification of the familiar two-sample z test. These
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,067 | 0,391 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,005 | 0,011 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,005 | 0,010 |
| Science ouverte | 0,007 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,006 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».