A comparison of meta‐methods for synthesizing indirect effects
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Synthesizing findings about the indirect (mediated) effect plays an important role in determining the mechanism through which variables affect one another. This simulation study compared six methods for synthesizing indirect effects: correlation-based MASEM, parameter-based MASEM, marginal likelihood synthesis, an adjustment to marginal likelihood synthesis, and univariate, and two-parameter sequential Bayesian methods. This paper provides an empirical example and code for using all methods compared in the simulation study. The methods were compared on (relative) bias, precision, and RMSE of the point estimates and the power, coverage, and type I error rates of the interval estimates. The factors in the simulation were the methods, the strength of the indirect effect, the measurement level of the independent variable, and the number of studies available for synthesis. Correlation-based MASEM had the lowest bias out of all methods and produced interval estimates with the best statistical properties. The precision of the point estimates and the RMSE was marginally different across methods. Marginal likelihood synthesis had the highest power but performed poorly in terms of coverage and type I error rates. The adjusted marginal likelihood synthesis and two-parameter sequential Bayesian methods performed adequately in terms of bias and power, and the adjusted marginal likelihood synthesis had higher power than the sequential Bayesian method. Correlation-based MASEM performed best out of the six methods. Guidelines for optimal practices when synthesizing indirect effects (eg, required number of studies, type of results reported) are provided, as well as suggestions for further methodological research.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 découle