What effect sizes should researchers report for multiple regression under non-normal data?
Notice bibliographique
Résumé
Instead of relying on null-hypothesis significance testing (NHST), researchers are consistently advised to use effect sizes (ESs) and confidence intervals (CIs) to convey research findings. However, typical ES measures for most linear models (e.g., multiple regression) assume data normality, a condition that is often violated in behavioral research. This may lead to inaccurate interpretation of ES. In multiple regression models, Cohen’s f2, R2 and Radj2 are employed by researchers, but no study has systematically evaluated their robustness in practice. Thus, this Monte Carlo simulation study evaluates the robustness of f2, R2 and Radj2 and the associated CIs based on manipulated levels of sample sizes, magnitudes of ESs, numbers of predictors, and data violations (i.e., heavy-tailed, skewed, contaminated, lognormal, and heteroscedastic distributions of errors). This study offers guidelines regarding how robust these ESs are so that researchers can report the most appropriate ES in their research studies.
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 | 0,429 | 0,852 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,010 |
| Communication savante | 0,009 | 0,017 |
| Science ouverte | 0,007 | 0,003 |
| Intégrité de la recherche | 0,007 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».