试述整合整合数据策略在心理学中运用

更新时间:2023-12-19 点赞:5404 浏览:16393 作者:用户投稿原创标记本站原创

摘 要:整合数据分析(IDA)方法是继元分析方法之后发展起来的一种综合分析方法,与元分析不同,它是一类可同时对多个独立研究的原始数据的合并数据集进行综合分析的统计分析技术。IDA充分利用已有的数据资源,在分析过程中综合了多个研究的信息,可解决一些单一研究不能解决的问题,获得对研究结果进一步的理解,在心理研究应用中表现出许多优越性。本文将对IDA方法的基本原理和分析过程进行阐述,分析了IDA方法在心理学应用的优势,阐述IDA的分析策略,最后提出IDA方法在心理学研究中应用的局限和应用建议。
关键词:整合数据分析;合并数据;分析策略
1003-5184(2012)05-0454-07
1 前言
任何学科的发展和完善都是建立在已有研究知识累积的基础上。在心理学研究中,可通过量化和质化的方法来对某一专题相关的研究进行综合分析,以达到研究知识累积的目的,促进心理科学的巩固和发展(崔智敏,宁泽逵,2010)。描述性文献综述法是综合分析方法中定性研究方法的主要代表,不仅可对前人研究进行回顾性评论,同时也通过比较分析阐述论题研究的创新之处,在心理学发展中占有重要的地位。但是描述性综述分析方法在应用过程中没有统一的标准,也没有对所综述研究的数据进行统计分析,结果具有主观性,对不同研究的差异性结果,也不能找出确信的原因。元分析方法则是在传统描述性文献综述局限的基础上提出来,结合了描述性文献综述和系统的量化统计方法的一种综合分析方法。
元分析(Mata-analysis)方法最早由Glass(1976)提出,是对某一专题已有的研究进行研究的方法。它根据一套明确的文献选择标准,就特定研究专题收集大量相关或相近的研究成果,采用一套系统的统计分析技术对这些研究的统计结果进行分析,总结出该论题的主要结论,是一种量化的综合分析方法。元分析在心理学中广泛应用,是促进累积心理科学(Cumulative Psychological Science)建设的重要方法(Hunter & Schmidt,1996)。但元分析只对研究的统计结果进行再分析,不可避免地丢失许多原始数据的信息。随着社会科学各领域研究的发展,研究数据共享成为必要,而计算机技术的发展,为数据永久存储、数据转换和数据共享提供技术上的支持。若能同时对某专题的多个研究的原始数据集进行分析,不但可充分利用多个研究数据的信息,克服元分析的一些局限,而且对研究结果有更深的理解,在心理学研究中有重要作用,因此,有学者提出了基于原始数据集的整合分析方法(Integrative Data Analysis,简称IDA)(Curran & Hussong,2009;Cooper & Patall,2009;Park,2004)。本文将对IDA方法的基本概念、原理和分析过程进行阐述,分析了IDA方法在心理学应用的优势和挑战,阐述了IDA方法中异质性的分析策略,讨论IDA方法在心理学研究中应用的现状和应用的前景。2 IDA方法概述

2.1 什么是IDA方法

整合分析(Integrative Data Analysis,IDA),也叫同时数据分析(Simultaneous Analysis of Data)、合并数据分析(Pooling Data Analysis)、或大型数据分析(Maga-analysis),是一类对多个独立研究的原始数据的合并数据集(data set)进行综合统计分析的方法(Curran,2009;Curran & Hussong,2009;Hofer & Piccinin,2009)。这种方法的基本思路是,确定进行整合分析的主题,收集与该主题相关具有原始数据的研究,把这些研究的原始数据合并成一个数据集,然后采用一套系统的统计分析策略对数据集进行综合分析,对原始的研究结果进行比较或者整合,获得单个研究所不能得到的信息。
整合数据分析方法首先在医学领域有广泛的应用。由于在医学领域通常只能对小样本进行研究,而重复验证研究又面临诸多影响因素,因此,这种分析策略把同一主题的多个独立的小样本合并成一个数据集进行分析,对医学领域的小样本研究的整合有重要意义(Simmonds & Higgins,2007;Simmonds et al.,2005;Stewart & Tierney,2002)。在临床医学研究中,把这种方法看成是元分析的一种,命名为“被试层面数据(Individual Participant-Level Data,IPD)”的元分析,传统的元分析方法命名“汇总数据”的元分析(aggregated data,AD)的元分析,也叫“样本层面数据(Group Level Data)”的元分析(Stewart & Tierney,2002;Simmonds et al.,2005)。在心理学研究中,Cooper和Patall(2009)也采用上述定义和命名,认为元分析包含IPD元分析和AD元分析。就现有的心理学领域中相关的研究文献来看,大部分研究者倾向于用 “IDA(Integrative Data Analysis)”命名这种对多个独立原始数据合并成的数据集进行统计分析的方法(Curran & Hussong,2009;Shrout,2009;Curran et al.,2008)。
综上所述,虽然在方法定位和命名上有所不同,但关于整合分析的基本思想是一致的,即是把同一主题相关的多个独立研究的原始数据合并成一个数据集,然后采用系统的统计分析策略对这个数据集进行统计分析,获得研究知识的综合累积,促进专题研究的发展。本文将用整合数据分析(IDA)来命名这种统计分析方法,把IDA定位为与元分析、描述综述分析相并列的三种综合分析方法。

2.2 IDA方法在心理学研究中应用的优越性

IDA方法充分利用已有的数据资料,对多个研究进行整合分析,可对原有的研究进行整合或比较,解决单一研究不能解决的问题,在心理学研究应用中表现出许多优越性(Curran & Husson,2009;Cooper & Patall,2009;源于:论文的标准格式www.618jyw.com
Simmonds et al.,2005)。

2.1 重复验证研究假设

IDA方法通过建构不同研究的异质性(Heterogeneity)对结果的影响模型来对多个独立研究的原始数据进行再分析,为检验原始研究的结果是否可复制提供直接的检验方法。当这些原始研究的结果存在冲突时,关于研究间异质性的模型可对各独立研究在抽样、测量方法等方面的异质性进行等价性分析,确定不同研究的异质性对研究结果差异的影响情况,一方面可尝试调和不同研究结果的冲突,另一方面,也可通过综合分析验证新的研究假设。由此可见,即使不建立新的研究设计,IDA方法不但可以对原始研究的假设进行验证,对不同研究间冲突的结果进行调和或分析原因,也可验证原始研究中没有出现的新假设,减少创建新研究的必要。

2.2 增加行为的基数,提高统计功效

在心理学应用研究中,许多研究结果常存在统计功效不足的情况,其中一个重要的原因是样本量不足。而IDA方法把多个独立研究的数据合并成大样本进行分析,使低基数率的行为的绝对基数增加(如某一个行为有5%的样本量,合并数据后,可能比例保持不变,但这种行为的总体绝对数量增多),提高模型估计的稳定性,在一定程度上改进和提高统计检验功效,使一些相对较弱的效应也显现出来,从而提高了结论的论证强度和效应的评估力度。

2.3 增加样本的异质性,提高研究的外在效度

由于各种原因,心理学的许多研究采用随机抽样或者方便抽样等方法进行,这就导致了所要研究的样本中重要的子群体人数的不足,影响研究质量,使不同研究的结果存在分歧。IDA方法则汇聚了多个研究的样本,增大了研究中重要子群体的人数,增大样本的异质性,并在合并数据集中直接分析研究间的异质性对研究结果的影响,揭示单个研究中的不确定性。同时采取特定的方法尝试调整或控制这些差异,减小异质性对研究结果的影响,提高IDA研究的外部效度。

2.4 构建广泛的心理评估,提高对心理结构的评估力

心理学研究中,研究者通常根据年龄、性别和种族等特征选择心理测评工具对特定的心理结构进行评估,因此,不同研究常采用不同的测量工具来评估同一心理结构,单个研究采用单一的测量,获得对心理结构的相对单一的理解。而IDA则把多个独立的研究进行合并,运用合适的模型对这些研究中采用的不同的测量工具进行协调分析和等值处理,把这些不同的测量工具等值到相同的量尺上,然后进行综合分析,这就使心理结构的测量和评估更加广泛、严谨,加强和提高对心理结构的评估性能,提高研究的结构效度。

2.5 扩展发展研究的时间段

在心理研究中,不同研究的时间有所不同,且研究的时间跨度有限制,即使是纵向研究中,追踪研究的时间跨度也因各种原因受到限制。IDA可综合分析不同研究时间差异性对研究结果的影响,扩展研究的时间段,不但在横断研究中有明显优势,在纵向研究中尤为突出。在纵向研究中,IDA采用特定的模型和统计方法同时对多个纵向研究进行整合分析,可扩展心理发展轨迹研究的时间段,提高纵向研究的效率和速度。如,A研究的被试年龄范围是2~24岁,B研究的被试年龄是10~34岁,C研究对象的年龄是17~40岁,则IDA可建构纵贯2~40岁被试的心理发展轨迹。
另外,IDA同时对多个研究的数据集进行综合分析,促进心理学研究知识的累积应用,满足实现数据资源共享和资源最大化利用的需要。
3 IDA方法对异质性的分析策略
由于不同研究在研究设计、抽样方法、测量工具、研究时间等方面的异质性,使IDA过程不能对数据简单合并后进行分析,而要采用特定的统计分析方法对异质性进行分析(Curran & Husson,2009;Cooper & Patall,2009),这是IDA过程中必须解决的核心问题。

3.1 IDA方法对异质性分析的一般策略

根据对合并数据集的定义不同,可分为随机效应的IDA和固定效应的IDA。
3.

1.1 随机效应IDA

随机效应(Random-effect)的IDA采用随机抽样的思想,把IDA的对象看成由两层抽样而来,一是研究层面(Study-level)的抽样,每个研究是从一个大的研究总体中随机抽取的研究层面的样本;第二层是被试层面的抽样,单个研究的样本则是从该研究假设的总体中随机抽取而来,即随机样本的样本(Random Sample of Random Samples),这两层抽样产生了由研究抽样所产生的变异和由被试抽样所产生的变异。这种定义类似于阶层模型的嵌套思想,因此,可采用阶层模型对数据集进行分析。随机效应IDA最大的优点是引入研究层面的预测变量以对研究之间的变异进行建模,把研究变异分解为被试水平效应、研究水平效应以及被源于:毕业设计论文网www.618jyw.com
试水平与研究水平的交互作用(Bauer & Curran,2005;Raghunathan et al.,2003),并在分析过程中同时估计这三种效应。
随机效应IDA的运用有两个重要的条件:一是要将这些研究的数据集看作是从一个同质的数据集总体中随机抽取;二是必须有足够的研究样本,才足以对研究之间和研究内的变异进行可靠测量。若是以上条件难以满足,则需考虑固定效应IDA策略。
3.

1.2 固定效应IDA

固定效应(Fixed effects)IDA中,把各研究成员属性(Study membership)看作是嵌套于研究中的被试的固定特征(Fixed characteristics),采用某种编码方式(如虚拟编码、效应编码)描述这些固定特征(如对被试的性别、种族等变量进行编码),这些虚拟或效应编码变量将作为预测变量直接进入模型进行分析。固定效应IDA的主要优点是可以估计被试特点(性别、种族)和研究群组属性(Study Group Membership)之间的交互作用,即允许不同研究下被试特征对结果的不同影响。另外,一旦研究成员变量纳入模型,研究层面的特征变量则无法再纳入模型,这就使研究层面的差异得到控制,排除了研究间过多的潜在变异的影响,固定效应的IDA把研究层面的变异排除于模型之外,这既是固定效应IDA的优点,也是它的限制(Curran & Husson,2009;Bauer & Curran,2005)。随机效应IDA和固定效应IDA的主要区别在于:(1)随机效应IDA假设被试样本来自同一总体,可以基于一个无限样本总体进行推断;而固定效应IDA则假定被试样本是固定且可知的,因此推断只针对所研究的样本,这更符合心理学研究中的实际。(2)随机效应IDA可以分解出研究层面效应、被试层面效应和这两个水平之间的交互作用;而固定效应IDA排除了研究层面的效应,只估计了被试水平的差异。由于随机效应的条件常难以满足,因此固定效应IDA在实践中更常用(Hussong,Cai,et al.,2008;Hussong,Flora,et al.,2008;Hussong et al.,2007)。

3.2 IDA研究中主要异质性的具体分析策略

不同研究之间在抽样、时间和测量方法上的差异使IDA分析过程变得复杂,但也为对这些研究进行综合分析和比较研究提供机会。从综合分析目标出发,需要对这些研究间的异质性进行控制,提高研究的外在效度;从研究比较目标出发,需要对这些异质性进行操纵,分析研究间异质性对研究结果的影响(Curran & Husson,2009;Simmonds & Higgins,2007)。
3.

2.1 抽样、地域异质性及分析策略

抽样问题在心理学研究的各个领域都很重要,而在IDA研究中尤其重要。IDA可对合并数据的抽样异质性进行直接的分析,考察和评估研究样本之间潜在的差异,然后尽量协调这些差异,分析这些差异对研究结果的影响程度。IDA中对抽样导致的差异问题的处理过程中,首先明确每个研究的抽样方法是概率抽样还是非概率抽样,然后将这些信息将直接进入特定的分析模型。地域差异和抽样变量通常难以区分,独立考虑地域异质性时,需进一步考虑民族、犯罪率、社会保障等特定因素,而不是一般因素的分析。但IDA方法通常把抽样异质性与地域异质性结合在一起分析,根据对数据集的不同定义而选择随机效应IDA或者固定效应IDA。3.

2.2 历史时间异质性及分析策略

历史时间异质性主要考察各研究在时间上的差异。在横断(Cross-Sectional)研究数据的IDA中,可直接比较研究之间施测时间的差异来考察历史异质性对研究结果的影响,采用上述的固定效应IDA方法或随机效应的IDA方法进行分析。
而纵向研究IDA的时间异质性分析不但要考虑发展趋势的差异,也要考虑施测时间、出生年代(Cohort),生理年龄对个体发展趋势的影响。通常采用固定效应的IDA进行分析,对被试出生年代进行虚拟编码,并作为预测变量进入分析模型,综合分析个体心理特征随时间发展的特点,并建立每个年代的成长轨迹,或者判断是否需要针对各出生年代建立成长轨迹。在这模型中,可直接分析被试出生年代和研究(Cohort×Study)的交互作用,以便在研究其他重要预测变量前控制这种交互作用。若合并数据中的被试的出生年代的数量足够多,则可以将之看作连续变量,把出生年代作为模型中一个连续型预测变量,同时估计出生年代相关(Cohort-related)和年龄相关(Age-related)的发展变化。若数据充分,则可估计这两个时间维度交互作用,及与研究群组的交互作用。
3.

2.3 测量工具的异质性及其分析策略

测量工具的异质性分析是IDA研究中面临的最大挑战,直接影响到IDA的信度和效度。由于不同研究的研究者常采用不完全一致的测量工具来对同一种心理结构进行测量,这就使IDA的分析过程面临测量的恒等性(Measurement Invariance)和测量的可比性(Measurement Comparability)问题。对于共同的项目,在IDA研究中需检验测量恒等性,而对于不同的项目则需检验其测量的可比性。
测量恒等性是指一组项目在不同的群组或时间下可靠并有效地测量同一个潜在结构的程度(Rusticus,Hubley,& Zumbo,2008;Pentz & Chou,1994)。在IDA中测量恒等性主要指同一组项目在不同研究出现时,研究之间的恒定性,通常可采用因素分析对研究间共同项目进行因素分析,来检验恒等性情况。测量可比性在单一研究中少见,多出现在教育测量中,而在IDA研究中,测量的可比性是当不同研究中采用不同的量表来测量同一种心理结构时,各自测的是否是同一个对象。对于同一结构的不同测量项目,常采用IRT(item Response Theory)进行测验的等价性分析(Measurement Equivalence)(Curran et al.,2008,2009),建立不同测量方法的可比性。可见,IDA过程中,测量异质性分析主要包含了测量的恒等性分析和测量的可比性分析。测量异质性处理的目标是找出一个共同的度量标准(Common Metric),使测量同一结构的不同测量都可以放到这个“共同度量标准”上进行评估。
Curran和Hussong等人(2008)系统描述了IRT方法在建立共同度量中的运用步骤。第一步,找出研究之间共同的测验项目——锚题(Anchor Items),这些题目是在研究间有重叠的项目,并采用探索性因素分析检验单维性。第二步,根据数据类型选择统计模型对数据进行拟合,估计这些项目的参数,根据变量的不同类型可选用不同的统计模型,一般采用验证性因素分析(CFA)对等距数据进行拟合;采用非线性因素分析(NLFA)和二参数的IRT模型对非等距变量、二分变量数据进行拟合(Curran et al.,2008,2009);采用调节非线性因素分析(Moderated No摘自:学术论文模板www.618jyw.com
nlinear Factor Analysis,MNLFA)对包含了连续变量和二分变量的数据进行拟合(Bauer & Hussong,2009)。第三步,评估项目的恒等性,进行项目功能差异(Differential Item Functioning)分析,如在CFA中采用多组因素分析,在IRT框架下进行项目功能差异分析(Bauer & Hussong,2009)。第四步,计算被试的项目分数,用于进一步的统计分析。4 IDA方法在心理学应用的研究现状
整合分析的思想在心理学研究中也早有出现(Bell,1953;Schaie,1965)。Bell(1953)最早提出的聚合设计(Convergence Design)研究中,就讨论到如何把不同年龄组的多个测量时间点连接和整合成一个连续的发展轨迹。但作为一种统计分析策略,IDA在心理学中的应用是近年才发展起来,目前处于探索和尝试应用阶段。相关的研究主要集中在对IDA方法在心理学中的应用原理、方法的优缺点、方法的应用前景、及一些争议性问题的讨论,特别是IDA过程中的测量问题、纵向研究数据的整合分析策略的探讨。 在关于IDA的原理和分析方法方面,Curran和Cooper等人(2009)对IDA的主要思想、基本原理进行阐述,分析了IDA在心理学研究中优越性和面临的挑战,并提出异质性分析的一般策略。其中Cooper和Patall(2009)对IDA方法与元分析方法进行系统比较分析,认为IDA不是对元分析的取代,而是对元分析的补充,相比之下,虽然IDA比元分析在人力和时间等方面的花费更大,但IDA可同时分析研究内(Within-study)和研究间(Between-study)的效应,并且,当条件满足IDA和元分析时,IDA的价值会更大。
IDA研究中,测量问题深受研究者关注,并提出多种方法来处理IDA过程中的测量异质性问题。根据测量变量的类型(连续变量或二分变量)提出采用比例分数模型(Proportion Score Model)、两参数的IRT模型、CFA模型、非线性因素分析模型(NLFA)对测量同一结构的不同测量进行“等值分析”,建立一致的度量标准(Curran et al.,2008;Bauer & Hussong,2009)。其中Curran和Hussong等人(2008)对IRT模型在IDA过程中的应用原理进行系统的阐述,并把IRT方法用于多个独立纵向研究数据的整合分析中。Bauer和Hussong等人(2009)对IDA研究中的测量的合并问题进行探讨,在综述传统的CFA、IRT方法的对测量异质性的分析的步骤、过程、优缺点的基础上,提出MNLFA模型,认为在IDA过程中,当多个研究中的测量的变量类型既有连续变量又有二分变量,MNLFA 模型可以有效地处理不同研究间测量的异质性问题。
在IDA的应用研究方面,主要表现在对多个纵向研究数据进行整合分析中的应用。如Curran等人(2008)先后阐述了IRT方法和潜增长曲线模型(Latent Growth Curve Model)对三个关于内化症状(Internalizing Symptomatology)的纵向研究数据进行整合分析,先采用IRT模型进行项目的参数估计、项目功能差异分析和被试分数估计,再采用潜增长曲线模型对合并数据进行分析,获得对个体内在症状从10岁到33岁的发展趋势特点。McArdle等人(2009)在对这种两阶段方法(Two-stage method)阐述的基础上,提出在一个联合模型中同时估计IRT模型和潜增长曲线模型参数的一段段方法,并用于对三个关于认知发展的纵向研究数据的整合分析,强调一阶段分析方法的优势。Hofer和Piccinin(2009)提出一种基于建立数据共享网络和合作协议的IDA分析框架,对多个纵向研究数据进行分析。
Shrout(2009)对IDA应用中的一些关键问题,如测量问题、研究价值问题、模型的拟合问题等进行讨论,并对IDA的应用提出建议;Curran和Hussong等人在IDA方法及其应用研究上多有成果(Curran et al.,2008;Curran,2009;Hussong et al.,2007;Hussong,Bauer,et al.,2008;Hussong,Cai,et al.,2008;Hussong,Flora,et al.,2008)。
5 IDA方法应用前景和挑战

5.1 应用前景

IDA在心理学应用是心理学发展的需要,在心理学研究中有深远的应用前摘自:写毕业论文经典的网站www.618jyw.com
景。
首先,IDA方法在发展心理学研究中的应用前景。追踪研究设计是发展心理学中研究个体发展规律的重要方法。追踪研究由于研究设计本身的特征,元分析方法在追踪研究中的应用受到限制,由于长期追踪研究的代价大,难以对一个样本进行终生追踪。IDA方法不但可对研究和测量的时间变异进行处理,而且可通过整合数据分析使研究的时间跨度增加,这就使个体心理终生发展轨迹研究成为可能。目前McArdle等人(2009)对IDA在合并追踪数据集中的应用进行了理论探索和实践研究。IDA在追踪研究中应用涉及到更复杂的统计分析过程,需要进一步的研究。
其次,在实验研究中的应用前景。心理实验研究中,大部分研究的被试样本相对较小,同时,即使是同一主题的研究,由于研究设计、实验操纵过程等的差异,使得这些研究的结果相冲突,若要调节或验证这些研究结果,则需要重新设计大型的完全随机抽样实验进行重复研究,这就可能花费大量的人力、物力。而IDA则为解决小样本问题和协调冲突结果问题提出一种研究思路。采用IDA方法对同一主题的多个实验研究进行整合分析,可增大样本,在一定程度上提高统计效应;同时通过整合分析,协调这些冲突研究成果,验证新的假设。
最后,当某专题的调查研究承载理论争论或者研究结果的冲突时,也可进行IDA研究,一方面验证理论和协调研究冲突,另一方面促进研究成果的积累。由于IDA对异质性的直接建模上和解释上的优势,跨文化的研究也是IDA可发挥优势的重要领域。

5.2 面临的挑战

IDA在心理学有广阔的应用前景,但在推广应用及研究中也面临一些挑战。
首先,IDA研究主题的确定和价值问题,虽说选什么样的主题进行IDA分析是研究者的兴趣所在,但在应用中,并不是所有的研究都有必要进行IDA研究,而要考虑研究本身的特征,及进行IDA研究的可能性、必要性和价值性。一般认为,当主题的一些相关研究承载着理论问题或者研究结果存在差异,且可获得原始数据,为了进一步综合解释这些差异或比较这些研究,可进行IDA研究(Curran & Husson,2009;Cooper & Patall,2009;Stewart & Tierney,2002)。但,对于某一主题,是否要进行IDA研究,若要进行IDA研究,研究结果能在多大程度上比原来的单一研究更有价值?另外,IDA应用的限制和条件还需要进一步探索,否则,IDA应用不当,必然导致错误的结果(Simmonds & Higgins,2007;Simmonds et al.,2005)。其次,IDA研究中统计分析策略上所面临的挑战,这是IDA过程中面临的最大的挑战。IDA应用过程中关键点是对研究之间的异质性进行处理,其中,最突出的是测量方法的异质性分析。在现有的研究中,已对这些问题作了探索,提出了异质性分析的一般策略,特别是在测量问题上,根据量表类型的不同提出了不同的理论模型来整合研究间不同的测量方法(Bauer & Hussong,2009)。但是这些方法的操作过程较为复杂,阻碍了IDA的推广应用,因此,需要进一步探索和规范IDA中的统计分析方法。第三,数据获取和共享的问题。虽然计算机的发展使数据永久保存、恢复和转换成为可能,数据共享的技术障碍消失,国际心理学界也呼吁心理学研究数据的共享,但来自人为的障碍仍然存在。即使数据可共享,也面临一些问题:若研究者可自由获得他人研究的原始数据,则可能违背了科学研究的道德规则;被试愿意参加原始的研究,但是未必愿意参加第二次的研究;另外,IDA结果的著作权问题也是还未解决的(Cooper & Patall,2009;Shrout,2009)。因此,在IDA应用中,关于数据共享的鼓励措施、数据共享过程中的安全问题、问题、研究结果版权问题等都需进一步规范。
6 小结
IDA方法在心理学领域的应用的研究处于尝试阶段,并初步显示了这种分析方法的优越性。同时,我们要明确,不是所有条件下IDA都适用,由于IDA研究代价较大(时间、经济、人力),分析过程复杂,数据共享困难的限制等,在进行IDA研究之前必须要考虑到各种问题,明确IDA应用的限制条件,正确开展IDA研究。虽然对于IDA的研究结果的价值、分析方法选择等方面存在诸多争议,但无疑,在心理学研究的一些领域中,如发展心理的纵向研究、跨文化研究,IDA是一种非常有用的方法。随着心理学研究数据共享的论题得到越来越多的关注,IDA方法的研究和应用也逐渐受到关注。
参考文献
崔智敏,宁泽逵.(2010).定量化文献综述方法与元分析.统计与决策,19,166-168.
Bauer,D.J.,& Curran,P.J.(2005).Probing interactions in fixed and multilevel regression:Inferential and graphicaltechniques.Multivariate Behioral Research,40,373-400.
Bauer,D.J.,& Hussong,A.M.(2009).Psychometric approaches for developing commensurate measures across independent studies:Traditional and new models源于:免费论文网www.618jyw.com
.Psychological Methods,14,101-125.
Bell,R.Q.(1953).Convergence:An accelerated longitudinal approach.Child Develpment,,145-152.
Cooper,H.,& Patall,E.A.(2009).The relative benefits of me-ta analysis conducted with individual participant data versus aggregated data.Psychological Methods,14,165-176.
Curran,P.J.,& Hussong,A.M.(2009).Integrative data analysis:The simultaneous analysis of multiple data sets.Psychological Methods,14,81-100.
Curran,P.J.,Andrea,M.H.,Li,C.,Wenjing,H.,Laurie,C.,Kenneth,J.S.,& Robert,A.Z.(2008).Pooling Data From Multiple Longitudinal Studies:The Role of Item Response Theory in Integrative Data Analysis.Developmental Psychology,(2),365-380.
Curran,P.J.(2009).The Seemingly Quixotic Pursuit of a Cumulative Psychological Science:Introduction to the Special Issue.Psychological Methods,14(2),77-80.
Glass,G.V.(1976).Primary,secondary,and meta-analysis.Educational Researcher,,3-8. Hofer,S.M.,& Piccinin,A.M.(2009).Integrative data analysis through coordination of measurement and analysis protocol across independent longitudinal studies.Psychological Methods, 14,150-164.
Hunter,J.E.,& Schmidt,F.L.(1996).Cumulative research special issue:Introduction knowledge and social policy formulation:The critical role of meta-analysis.Psychology,Public Policy,and Law, 2,324-347.
Hussong,A.M.,Bauer,D.J.,Huang,W.,Chassin,L.,Sher,K.J.,& Zucker,R.A.(2008).Characterizing the life stressors of children of alcoholic parents.Journal of Family Psychology, 22,819-832. Hussong,A.M.,Wirth,R.J.,Edwards,M.C.,Curran,P.J.,Chassin,L.A.,& Zucker,R.A.(2007).Externalizing symptoms among children of alcoholic parents:Entry points for an antisocial pathway to alcoholi.Journal of Abnormal Psychology, 116,529-542.源于:论文的基本格式www.618jyw.com
Abstract:Integrative data analysis(IDA)is one of the synthesis analysis methods developed from meta-analysis,in contrast to meta-analysis,it was defined as a set statistical analysis techniques that can simultaneous analysis multiple independent samples which he been pooled into one data set.IDA makes full use of the existing data,and combines information of several independent studies in analysis process,it can address new questions cannot be answered by a single study,achieve better understanding research findings,was characterized by a host of advantages in psychological studies.The article drops the focus on a r源于:毕业论文致谢怎么写www.618jyw.com
eview of IDA using in pooling data.We described the theoretical foundation of IDA and its procedure in analyzing multiple studies;discuss the advantages and some key issues of conducting an IDA research,present some analytic strategies for analyzing pooling data.In summary,the authors concluded with a discussion of potential limitations and directions that use of IDA in practice.
Key words:Integrative Data Analysis;pooling data;analytic strategies
相关文章
推荐阅读

 发表评论

共有3000条评论 快来参与吧~