Co oznacza Kanon jednej różnicy?
Zastosowanie, warunki i dobre praktyki
Zasada jednej różnicy pomaga budować porównanie, w którym warunki różnią się planowo tylko badanym czynnikiem. W rzeczywistym eksperymencie oznacza to kontrolę instrukcji, czasu, sposobu pomiaru i kontaktu z badaczem. Nie gwarantuje jednak trafności sama w sobie: losowy przydział, zaślepienie, kontrola odpływu i zgodność realizacji interwencji nadal wymagają osobnego sprawdzenia.
Najważniejsze zastosowanie: Używaj przy projektowaniu manipulacji i warunku kontrolnego.
Jak poprawnie stosować i interpretować hasło „Kanon jednej różnicy”?
W odniesieniu do „Kanon jednej różnicy” najpierw trzeba wskazać populację, jednostkę przydziału lub obserwacji, momenty pomiaru oraz sposób powstawania porównywanych warunków. W odniesieniu do hasła „Kanon jednej różnicy” to projekt, a nie późniejszy wybór testu, wyznacza możliwość wnioskowania o zmianie, związku lub przyczynie. Przy ocenie hasła „Kanon jednej różnicy” należy też nazwać zagrożenia dla trafności, takie jak selekcja, odpływ, historia, efekt pomiaru czy brak zaślepienia.
Ocena pojęcia „Kanon jednej różnicy” wymaga sprawdzenia, czy realizacja badania odpowiada planowi: czy randomizacja faktycznie zadziałała, czy pomiary wykonano w tej samej kolejności i czy utrata uczestników różniła się między grupami. W analizie dotyczącej hasła „Kanon jednej różnicy” odstępstwa trzeba opisać wraz z ich konsekwencjami. Dla interpretacji hasła „Kanon jednej różnicy” analiza statystyczna może ograniczyć niektóre problemy, ale nie odtwarza kontroli, której zabrakło w projekcie.
Co trzeba opisać w raporcie?
Opis pojęcia „Kanon jednej różnicy” powinien pozwolić odtworzyć rekrutację, przydział, kolejność procedur, liczbę pomiarów i reguły wyłączeń. W odniesieniu do hasła „Kanon jednej różnicy” warto podać diagram przepływu uczestników, moment ustalenia hipotez oraz informację, które analizy były planowane. Przy ocenie hasła „Kanon jednej różnicy” zakres wniosku należy dopasować do tego, co projekt rzeczywiście identyfikuje.
Zakres raportowania dla hasła „Kanon jednej różnicy”: Opisz materiały, pretest manipulacji i kontrolę alternatywnych różnic.
Przykład praktyczny i gotowa interpretacja
Sytuacja: Dwa komunikaty różnią się wyłącznie obecnością argumentu emocjonalnego, a nie długością i grafiką.
Jak ją zinterpretować: Porównywane warunki powinny różnić się planowo badaną manipulacją, a pozostałe elementy procedury pozostać możliwie stałe. Jeżeli zmienia się równocześnie czas, instrukcja lub kontakt z badaczem, efekt ma więcej niż jedno wiarygodne wyjaśnienie.
Najczęstsza pułapka i granica interpretacji
W praktyce manipulacja może zmieniać kilka właściwości naraz; konieczny jest pilotaż.
Nawet poprawnie przeprowadzony „Kanon jednej różnicy” nie usuwa błędu pomiaru ani nie gwarantuje reprezentatywności. W analizie dotyczącej hasła „Kanon jednej różnicy” trafność wewnętrzna i możliwość uogólnienia są odrębnymi pytaniami, które wymagają osobnego uzasadnienia.
Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Appelbaum et al., 2018).
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować
Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.
Czytaj →PoradnikRegresja logistyczna: założenia, interpretacja i raportowanie modelu
Regresja logistyczna w praktyce: założenia, iloraz szans, diagnostyka, kalibracja, AUC oraz zasady rzetelnego raportowania modelu.
Czytaj →PoradnikModelowanie równań strukturalnych (SEM): od teorii do raportu
SEM bez skrótów myślowych: model pomiarowy i strukturalny, CB-SEM a PLS-SEM, dopasowanie, założenia oraz raportowanie wyników.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Oferta dla badaczyOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
- Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594
- Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006
- Altman, D. G. (2015). Making research articles fit for purpose: Structured reporting of key methods and findings. Trials, 16, 53. https://doi.org/10.1186/s13063-015-0575-7
- Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
- Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Statistical tests, P values, confidence intervals, and power: A guide to misinterpretations. European Journal of Epidemiology, 31(4), 337–350. https://doi.org/10.1007/s10654-016-0149-3
Cytowania BibTeX
@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}@article{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}@article{altman2015reporting, author={Altman, Douglas G.}, title={Making research articles fit for purpose: structured reporting of key methods and findings}, journal={Trials}, year={2015}, volume={16}, pages={53}, doi={10.1186/s13063-015-0575-7}}@article{wasserstein2016pvalues, author={Wasserstein, Ronald L. and Lazar, Nicole A.}, title={The ASA Statement on p-Values: Context, Process, and Purpose}, journal={The American Statistician}, year={2016}, volume={70}, number={2}, pages={129--133}, doi={10.1080/00031305.2016.1154108}}@article{greenland2016misinterpretations, author={Greenland, Sander and Senn, Stephen J. and Rothman, Kenneth J. and Carlin, John B. and Poole, Charles and Goodman, Steven N. and Altman, Douglas G.}, title={Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations}, journal={European Journal of Epidemiology}, year={2016}, volume={31}, number={4}, pages={337--350}, doi={10.1007/s10654-016-0149-3}}