Kim byli Larry V. Hedges i Ingram Olkin?
Ingram Olkin (1924–2016) urodził się 23 lipca 1924 r. w Waterbury w stanie Connecticut, a w 1934 r. jego rodzina przeniosła się do Nowego Jorku. W czasie wojny był meteorologiem w lotnictwie. Po studiach w City College of New York i na Columbii doktoryzował się w 1951 r. na University of North Carolina pod kierunkiem S. N. Roya i Harolda Hotellinga. Od 1961 r. był na Stanfordzie profesorem jednocześnie statystyki i edukacji, był pierwszym redaktorem „Annals of Statistics” (1972–1974), a w 1984 r. prezesem Institute of Mathematical Statistics (Sampson, 2007). Zmarł 28 kwietnia 2016 r. w Palo Alto w wieku 91 lat (Stanford Graduate School of Education, 2016).
Larry V. Hedges był doktorantem Olkina. Doktorat z metod matematycznych w badaniach edukacyjnych obronił na Stanfordzie w 1980 r. Był profesorem University of Chicago, a od 2005 r. pracuje na Northwestern University, dziś jako profesor statystyki, edukacji i polityki społecznej. Zajmuje się metaanalizą i metodami badania replikacji (Northwestern University, b.d.).
Najważniejsze pomysły
- Rozkład wielkości efektu (1981). Hedges (1981) wyprowadził dokładny rozkład standaryzowanej różnicy średnich, czyli estymatora, który Gene Glass stosował w metaanalizie. Pokazał, że w małych próbach zawyża on efekt, i podał estymator nieobciążony oraz wagi do łączenia wyników wielu badań. Stąd wzięła się nazwa g Hedgesa – standaryzowanej różnicy średnich pomnożonej przez czynnik poprawki J.
- „Statistical Methods for Meta-Analysis” (1985). Wspólna książka Hedgesa i Olkina zebrała statystykę metaanalizy w jeden system: od krytyki zliczania „głosów” (ile badań wyszło istotnych), przez estymację wielkości efektu i modele z efektem stałym, po efekty losowe i łączenie korelacji (Hedges i Olkin, 1985).
- Metaanaliza poza psychologią. Ostatni rozdział książki dotyczy nauk fizycznych i biologicznych. W 1999 r. Hedges z dwojgiem ekologów podał rozkład logarytmu ilorazu średnich (ang. response ratio), pokazany na danych o roślinach (Hedges i in., 1999).
- Olkin poza metaanalizą. Główne pola jego pracy to analiza wielowymiarowa, nierówności i majoryzacja – z Albertem Marshallem pracował tak długo, że niektórzy, jak opowiadał, brali „Marshall–Olkin” za jedną osobę (Sampson, 2007).
Ciekawostka
Olkin trafił do metaanalizy przez przypadek. Na początku lat 70. kolega z wydziału edukacji powiedział mu, że ma setki małych, nieistotnych badań nad metodami nauczania, i zapytał, czy da się je jakoś połączyć. Pierwszym doktorantem, który napisał pracę doktorską o metaanalizie, był Larry Hedges; książkę zaczęli pisać zaraz po jego doktoracie (Sampson, 2007).
Mniej znana jest druga pasja Olkina: kariery kobiet w statystyce. Statystyczka zatrudniona jako jedyna w wydziale matematyki nie miała – jak zauważył – kto ocenić jej pracy przy awansie. Przekonał więc National Science Foundation do programu letnich pobytów na Stanfordzie dla kobiet na kilka lat przed decyzją o stałym etacie, by poznali je tamtejsi profesorowie. Według Olkina przez około 15 lat przyjechało ich 15–20 i większość dostała etat. W 1998 r. otrzymał nagrodę COPSS imienia Elizabeth L. Scott – jako pierwszy mężczyzna w jej historii (Sampson, 2007; Stanford Graduate School of Education, 2016).
Przykład na prawdziwych danych
Zbiór dat.curtis1998 z pakietu metadat to – według pliku pomocy – dane z pracy Hedgesa, Gurevitch i Curtisa (1999): 102 porównania masy roślin drzewiastych przy podwyższonym i zwykłym stężeniu CO2, pochodzące z 29 prac. Łączna liczebność N wynosi od 4 do 96, a 26 wyników ma tylko po dwie rośliny w grupie.
Poprawka J. Liczymy d (różnica średnich przez łączone SD) i g = J · d. Dokładne J wynosi .564 przy N = 4, .903 przy N = 10 i .992 przy N = 96; przybliżenie 1 − 3/(4m − 1), gdzie m = N − 2, daje odpowiednio .571, .903 i .992. Przy dwóch roślinach w grupie g jest więc o 44% mniejsze od d. Średnie d ze 102 wyników wynosi 1.97, a średnie g – 1.54 (mediany: 1.32 i 1.21).
Wariancje i model. Wariancję liczymy wzorem Hedgesa i Olkina dla dużych prób: N/(n1n2) + g²/(2N). Wyniki są identyczne z escalc(measure = "SMD") z metafora. Model efektu wspólnego daje 1.07 [0.96; 1.19] dla d i 1.02 [0.91; 1.13] dla g. W modelu efektów losowych (REML) różnica jest większa: 1.50 [1.23; 1.76] dla d i 1.28 [1.06; 1.51] dla g, a wariancja między badaniami τ² spada z 1.17 do 0.75. Ten model daje małym badaniom względnie większe wagi.
Na rysunku
Co widać. Drogi mistrza i doktoranta spotykają się we wspólnej książce z 1985 r.
Na co uważać. Źródła nie podają lat pracy Hedgesa w Chicago ani roku jego urodzenia.
Podpis do pracy:
metadat::dat.curtis1998. Obliczenia i rysunek: R, pakiety metafor, ggplot2 i patchwork.Co widać. W panelu A trójkąty z badań 2 + 2 leżą na linii o nachyleniu 0.56, więc duże d tracą najwięcej. W panelu B poprawka mało zmienia efekt wspólny, a wyraźnie – efekt z modelu efektów losowych.
Na co uważać. 102 wyniki pochodzą z 29 prac, więc nie są niezależne; tu traktujemy je jak osobne badania tylko po to, by porównać d i g. Rzetelna analiza wymaga modelu wielopoziomowego (zob. metaanaliza wielopoziomowa), a Hedges i in. (1999) łączyli tu logarytm ilorazu średnich, nie g. Przy |g| > 2 metafor ostrzega, że mogły to być błędy standardowe zamiast SD; plik pomocy opisuje je jako SD.
Podpis do pracy:
Gdzie spotkasz Hedgesa i Olkina w swojej pracy
- W każdej metaanalizie standaryzowanych różnic średnich:
escalc(measure = "SMD")w metaforze i opcja „Hedges’ g” w programach do metaanaliz to właśnie g z wariancją z książki z 1985 r. (szczegóły w poradniku Metaanaliza krok po kroku). - Przy małych grupach podawaj g zamiast d (zob. d Cohena); standaryzacja samym SD grupy kontrolnej to delta Glassa.
- Modele kategorii badań i modele liniowe z książki to dzisiejsza metaregresja; wyniki pokazuje wykres lasu.
Spory, mity i trudne strony
- Glass czy Hedges i Olkin? Nazwę i pierwsze duże zastosowanie metaanalizy zawdzięczamy Glassowi. Olkin uważał, że książka Glassa, McGawa i Smith (1981) miała statystykę, ale bez systematycznego rozwinięcia, które dali dopiero oni (Sampson, 2007) – to ocena jednej strony.
- Poprawka to nie lekarstwo na wszystko. J usuwa obciążenie wynikające z małej próby, ale nie wybór badań do publikacji (efekt szuflady) ani zależność wyników z tej samej pracy. W przykładzie po poprawce I² nadal wynosi 69.7%.
- Model efektów losowych. Książka z 1985 r. ma rozdział o efektach losowych, ale prosty estymator wariancji między badaniami, liczony dziś domyślnie w wielu programach, opisały rok później Rebecca DerSimonian i Nan Laird.
d i g Hedgesa w metaanalizie w R
Kod wczytuje dane Hedgesa, Gurevitch i Curtisa (1999), liczy d, czynnik J (dokładny i przybliżony), g i wariancje według Hedgesa i Olkina, sprawdza zgodność z funkcją escalc() i porównuje modele metaanalizy na d i na g, a potem rysuje rysunek 2. Drugi przepis rysuje oś czasu (rysunek 1). Rysunki na stronie powstały z tych samych obiektów p1 i p2, którym podmieniono tylko motyw na motyw serwisu; dane, geometrie i skale są identyczne. Kod nie losuje.
1. d, g, wariancje i model: rysunek 2
Kod R rysunku 2
# Hedges i Olkin: d a g Hedgesa i ich wariancje (metadat::dat.curtis1998 – dane z pracy Hedgesa, Gurevitch i Curtisa z 1999 r.)
suppressPackageStartupMessages({library(ggplot2); library(patchwork); library(metafor)})
kol <- c(d = "#D55E00", g = "#0072B2", male = "#E69F00", srednie = "#56B4E9", duze = "#009E73") # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")
data(dat.curtis1998, package = "metadat")
# m1i, sd1i, n1i – masa roślin przy podwyższonym CO2; m2i, sd2i, n2i – przy zwykłym stężeniu (kontrola)
d <- dat.curtis1998[, c("paper", "m1i", "sd1i", "n1i", "m2i", "sd2i", "n2i")]
d$N <- d$n1i + d$n2i
c(wyniki = nrow(d), prace = length(unique(d$paper)), N_min = min(d$N), N_max = max(d$N),
wyniki_N_4 = sum(d$N == 4))
# 1. d: różnica średnich / łączone SD; g = J · d (dokładne J z funkcji gamma i przybliżenie Hedgesa)
d$sp <- sqrt(((d$n1i - 1) * d$sd1i^2 + (d$n2i - 1) * d$sd2i^2) / (d$N - 2))
d$d <- (d$m1i - d$m2i) / d$sp
m <- d$N - 2 # stopnie swobody
d$J <- exp(lgamma(m / 2) - log(sqrt(m / 2)) - lgamma((m - 1) / 2))
d$J_przybl <- 1 - 3 / (4 * m - 1)
d$g <- d$J * d$d
# 2. Wariancje z przybliżenia dla dużych prób (Hedges i Olkin, 1985)
d$v_d <- d$N / (d$n1i * d$n2i) + d$d^2 / (2 * d$N)
d$v_g <- d$N / (d$n1i * d$n2i) + d$g^2 / (2 * d$N)
J_tab <- aggregate(cbind(J, J_przybl) ~ N, data = d, FUN = mean)
round(J_tab[J_tab$N %in% c(4, 6, 10, 20, 48, 96), ], 3)
round(c(srednie_d = mean(d$d), srednie_g = mean(d$g), mediana_d = median(d$d), mediana_g = median(d$g),
max_d = max(d$d), max_g = max(d$g)), 3)
# 3. Zgodność z metaforem: escalc(measure = "SMD") daje g i wariancję z tego samego wzoru
e <- suppressWarnings(escalc(measure = "SMD", m1i = m1i, sd1i = sd1i, n1i = n1i, m2i = m2i, sd2i = sd2i, n2i = n2i, data = d)) # metafor ostrzega o |g| > 2
c(max_roznica_g = max(abs(e$yi - d$g)), max_roznica_v = max(abs(e$vi - d$v_g)))
# 4. Ten sam model, dwa wejścia: d albo g (efekt wspólny i efekty losowe, REML)
modele <- list(FE_d = rma(d, v_d, data = d, method = "FE"), FE_g = rma(g, v_g, data = d, method = "FE"),
RE_d = rma(d, v_d, data = d), RE_g = rma(g, v_g, data = d))
laczne <- data.frame(model = names(modele), est = sapply(modele, function(x) x$b[1]),
dolna = sapply(modele, function(x) x$ci.lb), gorna = sapply(modele, function(x) x$ci.ub),
tau2 = sapply(modele, function(x) x$tau2), I2 = sapply(modele, function(x) x$I2))
print(laczne, digits = 3, row.names = FALSE)
# Rysunek: A – g względem d dla 102 wyników; B – efekt łączny z d i z g
d$grupa <- cut(d$N, c(0, 4, 12, Inf), labels = c("N = 4 (2 + 2 rośliny)", "N od 5 do 12", "N od 13 do 96"))
linie <- data.frame(N = c(4, 10), etykieta = c("g = 0.56 · d (N = 4)", "g = 0.90 · d (N = 10)"))
linie$J <- exp(lgamma((linie$N - 2) / 2) - log(sqrt((linie$N - 2) / 2)) - lgamma((linie$N - 3) / 2))
pA <- ggplot(d, aes(d, g)) +
geom_abline(slope = 1, intercept = 0, colour = "grey40", linewidth = 0.7) +
geom_abline(data = linie, aes(slope = J, intercept = 0, linetype = etykieta), colour = "grey55") +
geom_point(aes(colour = grupa, shape = grupa), size = 2.4, alpha = 0.85) +
annotate("text", x = 9.6, y = 10.4, label = "g = d", colour = "grey30", size = 3.6) +
scale_colour_manual(values = unname(kol[c("male", "srednie", "duze")]), name = NULL) +
scale_shape_manual(values = c(17, 15, 16), name = NULL) +
scale_linetype_manual(values = c("22", "dotted"), name = NULL) +
coord_equal(xlim = c(-2.6, 11), ylim = c(-2.6, 11)) +
labs(title = "A. g Hedgesa względem d dla 102 wyników",
x = "d (różnica średnich / łączone SD)", y = "g = J · d") +
motyw + guides(colour = guide_legend(ncol = 1), shape = guide_legend(ncol = 1), linetype = guide_legend(ncol = 1))
laczne$miara <- factor(ifelse(grepl("_d$", laczne$model), "d", "g"), levels = c("d", "g"))
laczne$typ <- factor(ifelse(grepl("^FE", laczne$model), "efekt wspólny", "efekty losowe (REML)"),
levels = c("efekty losowe (REML)", "efekt wspólny"))
pB <- ggplot(laczne, aes(est, typ, colour = miara, shape = miara)) +
geom_pointrange(aes(xmin = dolna, xmax = gorna), position = position_dodge(width = 0.5), size = 0.6, linewidth = 0.9) +
geom_text(aes(label = sprintf("%.2f", est)), position = position_dodge(width = 0.5), vjust = -1.1,
size = 3.6, show.legend = FALSE) +
scale_colour_manual(values = unname(kol[c("d", "g")]), name = "Wejście do modelu") +
scale_shape_manual(values = c(16, 15), name = "Wejście do modelu") +
labs(title = "B. Efekt łączny z 95% CI", x = "Łączna standaryzowana różnica średnich", y = NULL) +
motyw
p2 <- pA + pB + plot_layout(widths = c(1.15, 1))
p2Wynik w R
wyniki prace N_min N_max wyniki_N_4
102 29 4 96 26
N J J_przybl
1 4 0.564 0.571
2 6 0.798 0.800
4 10 0.903 0.903
7 20 0.958 0.958
13 48 0.984 0.984
14 96 0.992 0.992
srednie_d srednie_g mediana_d mediana_g max_d max_g
1.971 1.540 1.322 1.214 10.806 9.503
max_roznica_g max_roznica_v
0 0
model est dolna gorna tau2 I2
FE_d 1.07 0.963 1.19 0.000 67.4
FE_g 1.02 0.910 1.13 0.000 61.3
RE_d 1.50 1.233 1.76 1.173 77.8
RE_g 1.28 1.062 1.51 0.749 69.72. Oś czasu: rysunek 1
Kod R rysunku 1
# Oś czasu: Larry V. Hedges i Ingram Olkin (1924–2016) – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
rok = c(1924, 1951, 1961, 1984, 1985, 1998, 2016,
1980, 1981, 1985, 2005, 2018),
osoba = c(rep("Ingram Olkin", 7), rep("Larry V. Hedges", 5)),
opis = c("urodził się\nw Waterbury", "doktorat\n(North Carolina)", "Stanford:\nstatystyka i edukacja",
"prezes IMS", "„Statistical Methods\nfor Meta-Analysis”", "Nagroda im.\nElizabeth L. Scott", "zmarł",
"doktorat\n(Stanford)", "rozkład estymatora\nGlassa (g)", "„Statistical Methods\nfor Meta-Analysis”",
"Northwestern\nUniversity", "Nagroda Yidan"),
rodzaj = c("życie", "praca", "praca", "wyróżnienie", "publikacja", "wyróżnienie", "życie",
"praca", "publikacja", "publikacja", "praca", "wyróżnienie"),
poziom = c(0.5, -0.5, 0.5, -0.5, 0.5, -0.5, 0.5,
0.5, -0.5, 0.5, -0.5, 0.5), # wysokość etykiety (+ nad osią, − pod)
wyrownanie = c(0.5, 0.5, 0.5, 1, 0, 0.5, 0.5,
1, 0.5, 0, 0.5, 0.5)) # rozsunięcie bliskich etykiet
zdarzenia$etykieta <- paste0(zdarzenia$rok, "\n", zdarzenia$opis)
zdarzenia$osoba <- factor(zdarzenia$osoba, levels = c("Ingram Olkin", "Larry V. Hedges"))
ksztalty <- c("życie" = 21, "praca" = 22, "publikacja" = 23, "wyróżnienie" = 24)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "publikacja" = "#D55E00", "wyróżnienie" = "#009E73") # Okabe–Ito
p1 <- ggplot(zdarzenia, aes(rok, 0)) +
geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.8) +
geom_segment(aes(xend = rok, y = 0, yend = poziom), colour = "grey70") +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.8, colour = "black") +
geom_text(aes(y = poziom + 0.06 * sign(poziom), label = etykieta, vjust = ifelse(poziom > 0, 0, 1), hjust = wyrownanie),
size = 3.1, lineheight = 0.88) +
facet_wrap(~ osoba, ncol = 1) +
scale_shape_manual(values = ksztalty, name = NULL) +
scale_fill_manual(values = kolory, name = NULL) +
scale_x_continuous(limits = c(1918, 2026), breaks = seq(1920, 2020, by = 10)) +
scale_y_continuous(limits = c(-1.6, 1.6)) +
labs(x = NULL, y = NULL) +
theme_minimal(base_size = 13) +
theme(axis.text.y = element_blank(), panel.grid = element_blank(), axis.text.x = element_text(colour = "grey30"),
strip.text = element_text(face = "bold", hjust = 0), legend.position = "bottom")
p1Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (wielkości efektu i modele – pakiet metafor; dane – pakiet metadat; rysunki – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
- metafor (wersja 5.2.1): Viechtbauer, W. (2010). Conducting meta-analyses in R with the metafor package. Journal of Statistical Software, 36(3), 1–48. https://doi.org/10.18637/jss.v036.i03
- metadat (wersja 1.6.0): Viechtbauer, W., White, T., Noble, D., Senior, A., & Hamilton, W. (2026). metadat: Meta-analysis datasets [R package]. https://doi.org/10.32614/CRAN.package.metadat
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
Najczęstsze pytania
Kim byli Larry Hedges i Ingram Olkin?
Ingram Olkin (1924–2016) był statystykiem matematycznym, od 1961 r. profesorem statystyki i edukacji na Stanfordzie, specjalistą od analizy wielowymiarowej i nierówności. Larry V. Hedges był jego doktorantem (doktorat na Stanfordzie w 1980 r.); dziś jest profesorem Northwestern University. Razem napisali podręcznik „Statistical Methods for Meta-Analysis” (1985).
Dlaczego wielkość efektu nazywa się g Hedgesa?
Bo poprawkę opisał Hedges w 1981 r. Wyprowadził dokładny rozkład standaryzowanej różnicy średnich, pokazał, że w małych próbach zawyża ona efekt, i podał czynnik J, który to obciążenie usuwa. g to d pomnożone przez J; w przykładzie przy dwóch roślinach w grupie J = .564, a przy 96 obserwacjach – .992.
Co zawiera książka Hedgesa i Olkina z 1985 roku?
Statystykę metaanalizy od podstaw: testy łącznej istotności, krytykę zliczania wyników istotnych, estymację wielkości efektu i jej wariancji, modele z efektem stałym dla grup badań i modele liniowe, modele efektów losowych, łączenie korelacji, diagnostykę i metaanalizę w naukach przyrodniczych.
Jak Ingram Olkin wspierał kobiety w statystyce?
Przekonał National Science Foundation do programu, w którym statystyczki przed decyzją o stałym etacie przyjeżdżały na letnie pobyty na Stanford, żeby poznali je tamtejsi profesorowie. Według Olkina skorzystało z niego 15–20 kobiet, a większość dostała etat. W 1998 r. jako pierwszy mężczyzna dostał nagrodę im. Elizabeth L. Scott.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Metaanaliza krok po kroku
Od pytania do PRISMA 2020: g Hedgesa, model efektów losowych, heterogeniczność i przedział predykcji, moderatory, wykres lejkowy – z kodem metafor.
Czytaj →PoradnikMetaanaliza wielopoziomowa, umbrella review i PRISMA 2020
Wielkość efektu i przeliczanie danych, modele efektów losowych, metaanaliza trójpoziomowa, umbrella review z klasami dowodów, PRISMA 2020 i kod R.
Czytaj →PoradnikMetaanaliza – wizualizacja na obrazkach
Wykres lasu w dwóch modelach, I² ≈ 0/50/80%, przedział predykcji, lejek z selekcją i 1000 metaanaliz z błędem publikacji – pięć rysunków z kodem R.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Hedges, L. V. (1981). Distribution theory for Glass’s estimator of effect size and related estimators. Journal of Educational Statistics, 6(2), 107–128. https://doi.org/10.3102/10769986006002107
- Hedges, L. V., & Olkin, I. (1985). Statistical methods for meta-analysis. Academic Press. https://doi.org/10.1016/c2009-0-03396-0
- Hedges, L. V., Gurevitch, J., & Curtis, P. S. (1999). The meta-analysis of response ratios in experimental ecology. Ecology, 80(4), 1150–1156. https://doi.org/10.1890/0012-9658(1999)080[1150:tmaorr]2.0.co;2
- Northwestern University, Institute for Policy Research. (b.d.). Larry V. Hedges. Pobrano 22 listopada 2026 z https://www.ipr.northwestern.edu/who-we-are/faculty-experts/hedges.html ● Otwarty dostęp
- Sampson, A. R. (2007). A conversation with Ingram Olkin. Statistical Science, 22(3), 450–475. https://doi.org/10.1214/088342307000000122 ● Otwarty dostęp: pełny tekst
- Stanford Graduate School of Education. (2016). Ingram Olkin, influential Stanford professor of statistics and education, dies at 91. https://ed.stanford.edu/news/ingram-olkin-influential-stanford-professor-statistics-and-education-dies-91 ● Otwarty dostęp
Cytowania BibTeX
@article{hedges1981distribution, author={Hedges, Larry V.}, title={{Distribution theory for Glass’s estimator of effect size and related estimators}}, journal={Journal of Educational Statistics}, year={1981}, volume={6}, number={2}, pages={107--128}, doi={10.3102/10769986006002107}}@book{hedges1985statistical, author={Hedges, Larry V. and Olkin, Ingram}, title={{Statistical methods for meta-analysis}}, year={1985}, publisher={Academic Press}, doi={10.1016/c2009-0-03396-0}}@article{hedges1999meta, author={Hedges, Larry V. and Gurevitch, Jessica and Curtis, Peter S.}, title={{The meta-analysis of response ratios in experimental ecology}}, journal={Ecology}, year={1999}, volume={80}, number={4}, pages={1150--1156}, doi={10.1890/0012-9658(1999)080[1150:tmaorr]2.0.co;2}}@misc{northwesternhedges, author={{Northwestern University, Institute for Policy Research}}, title={{Larry V. Hedges}}, url={https://www.ipr.northwestern.edu/who-we-are/faculty-experts/hedges.html}}@article{sampson2007conversation, author={Sampson, Allan R.}, title={{A conversation with Ingram Olkin}}, journal={Statistical Science}, year={2007}, volume={22}, number={3}, pages={450--475}, doi={10.1214/088342307000000122}}@misc{stanfordgse2016olkin, author={{Stanford Graduate School of Education}}, title={{Ingram Olkin, influential Stanford professor of statistics and education, dies at 91}}, year={2016}, url={https://ed.stanford.edu/news/ingram-olkin-influential-stanford-professor-statistics-and-education-dies-91}}