Enhanced Meta-Analysis: Converting Beta Weights to Correlations
Notice bibliographique
Résumé
Meta-analysis is crucial to coping with the contemporary landscape of exponential scientific output. Hindering this effort is effect size variety, with standardized beta coefficients, regression weights, elasticities, or partial correlations proven to be non-equivalent to zero-order correlations, despite that these parameters are often aggregated together. Addressing this challenge, we developed two novel approaches that convert betas to correlations, uninformed and informed estimation, and compare their accuracy and bias against the traditional method of Peterson and Brown (2005). In our simulations, we tested matrices from 3 to 10 variables, finding that Peterson and Brown’s technique is inherently biased, less accurate, and misestimates error variance. Uninformed and informed estimation was on average more accurate, unbiased and, by merging sampling error with imputation error, correctly identifies error variance. Due to imputation error, reporting beta weights alone typically destroys 95% to over 99% of the information originally held by a full correlation matrix. For fields that almost exclusively report betas, such as Economics, it necessarily cripples them from becoming cumulative sciences. We recommend that all previous uses of Peterson and Brown be re-evaluated, future aggregations of partial correlations should use our provided estimation techniques, and correlation matrices be routinely reported.
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 | 0,244 | 0,630 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,012 |
| Bibliométrie | 0,013 | 0,017 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,009 | 0,007 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».