DOI: https://doi.org/10.1080/00273171.2024.2347960
PMID: https://pubmed.ncbi.nlm.nih.gov/39097830
تاريخ النشر: 2024-08-04
المؤلف: Julian D. Karch وآخرون
الموضوع الرئيسي: طرق ونماذج إحصائية متقدمة
نظرة عامة
يتناول هذا القسم من ورقة البحث تقييم العلاقات بين متغيرين مستمرين باستخدام معاملات الارتباط المختلفة، وبشكل خاص معامل بيرسون، وكيندال، وسبيرمان. يقترح المؤلفون اختبارات الاستقلال غير المعلمية الحديثة كبديل أكثر مرونة، قادر على اكتشاف مجموعة أوسع من العلاقات. من بين هذه الاختبارات، يقدمون نوعين جديدين، وبشكل خاص اختبار هيلر-هيلر-جورفين-بيرسون (HHG-Pearson).
من خلال دراسة محاكاة تقارن بين الاختبارات التقليدية والأساليب غير المعلمية الحديثة في سياقات نموذجية للبحث النفسي، وجد المؤلفون أنه لا يوجد اختبار واحد يتفوق باستمرار على الآخرين في جميع السيناريوهات. ومع ذلك، أظهر كل من اختبار الارتباط بالمسافة واختبار HHG-Pearson قوة أكبر بكثير من الاختبارات التقليدية للعديد من أنواع العلاقات، مع إظهار اختبار HHG-Pearson ميزة طفيفة على الارتباط بالمسافة في بعض الحالات. نظرًا لأن الارتباط بالمسافة أكثر فعالية للعلاقات الخطية ومعترف به على نطاق واسع، يوصي المؤلفون باستخدامه جنبًا إلى جنب أو بدلاً من الأساليب التقليدية عندما تكون طبيعة العلاقة غير معروفة، وهو ما يحدث غالبًا في الدراسات النفسية.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح النتائج التي توصلت إليها الدراسة، بما في ذلك أي بيانات إحصائية هامة، أو اتجاهات، أو أنماط تم ملاحظتها. عادةً ما تكون النتائج مصحوبة بأرقام، أو جداول، أو معادلات ذات صلة توضح النقاط الرئيسية وتدعم الاستنتاجات المستخلصة من البحث.
في هذا القسم، قد يبرز المؤلفون مقاييس أو معايير محددة تم قياسها، مما يوفر سياقًا لأهميتها بالنسبة لأسئلة البحث المطروحة. بالإضافة إلى ذلك، يتم مناقشة أي علاقات ارتباط أو علاقات سببية تم تحديدها من خلال التحليل، مع التأكيد على آثارها على المجال الأوسع للدراسة. بشكل عام، تعتبر النتائج أساسًا حاسمًا للنقاش والتفسير اللاحق للنتائج.
النقاش
في هذا القسم، يناقش المؤلفون مختلف اختبارات الاستقلال غير المعلمية لتقييم العلاقة بين متغيرين عشوائيين مستمرين، \(X\) و \(Y\). يتم تعريف استقلالية هذه المتغيرات من خلال دالة التوزيع المشترك \(F_{X,Y}(x,y)\)، التي تساوي حاصل ضرب توزيعاتها الهامشية \(F_X(x)F_Y(y)\) عندما تكون مستقلة. يحدد المؤلفون معايير الاختيار لتضمين اختبارات معينة في دراستهم، مع التأكيد على توفر تطبيقات R، وعدد الاقتباسات، والقوة المقارنة. يقدمون عدة اختبارات، بما في ذلك اختبار هوفدينغ، واختبار الارتباط بالمسافة، واختبار تاوستار، واختبار هيلر-هيلر-جورفين (HHG)، واختبار معيار الاستقلال هيلبرت-شميت (HSIC)، كل منها يستخدم مقاييس عدم التشابه ومنهجيات مختلفة لتقدير قيم p، وغالبًا ما تستخدم أساليب التبديل العشوائي.
بالإضافة إلى ذلك، يقترح المؤلفون نوعين جديدين من الاختبارات: اختبار المعلومات المتبادلة باستخدام تقدير كثافة النواة (MI-KDE)، الذي يقدر المعلومات المتبادلة باستخدام مقدرات كثافة النواة، واختبار HHG-Pearson، الذي يجمع بين مزايا اختبار HHG واختبار ارتباط بيرسون لتعزيز القوة عبر أنواع مختلفة من العلاقات. يختتم القسم بوصف دراسة محاكاة مصممة لتقييم أداء هذه الاختبارات تحت أحجام عينات مختلفة، وأنواع علاقات، وتوزيعات خطأ، بهدف تحديد الاختبارات الأكثر قوة لمختلف السيناريوهات التي يتم مواجهتها عادة في البحث النفسي.
DOI: https://doi.org/10.1080/00273171.2024.2347960
PMID: https://pubmed.ncbi.nlm.nih.gov/39097830
Publication Date: 2024-08-04
Author(s): Julian D. Karch et al.
Primary Topic: Advanced Statistical Methods and Models
Overview
This section of the research paper discusses the evaluation of associations between two continuous variables using various correlation coefficients, specifically Pearson’s, Kendall’s, and Spearman’s. The authors propose modern nonparametric independence tests as a more versatile alternative, capable of detecting a wider range of relationships. Among these, they introduce two novel variants, particularly the Heller-Heller-Gorfine-Pearson (HHG-Pearson) test.
Through a simulation study comparing traditional tests with modern nonparametric methods in contexts typical of psychological research, the authors found that no single test consistently outperformed the others across all scenarios. However, both the distance correlation and HHG-Pearson tests demonstrated significantly greater power than traditional tests for many types of relationships, with the HHG-Pearson test showing a slight advantage over distance correlation in certain cases. Given that distance correlation is more effective for linear relationships and is widely recognized, the authors recommend its use alongside or in place of traditional methods when the nature of the relationship is unknown, which is often the case in psychological studies.
Results
The “Results” section of the research paper presents the findings derived from the conducted experiments or analyses. It details the outcomes of the study, including any significant statistical data, trends, or patterns observed. The results are typically accompanied by relevant figures, tables, or equations that illustrate the key points and support the conclusions drawn from the research.
In this section, the authors may highlight specific metrics or parameters that were measured, providing context for their importance in relation to the research questions posed. Additionally, any correlations or causal relationships identified through the analysis are discussed, emphasizing their implications for the broader field of study. Overall, the results serve as a critical foundation for the subsequent discussion and interpretation of the findings.
Discussion
In this section, the authors discuss various nonparametric independence tests for assessing the relationship between two continuous random variables, \(X\) and \(Y\). The independence of these variables is defined through their joint distribution function \(F_{X,Y}(x,y)\), which equals the product of their marginal distributions \(F_X(x)F_Y(y)\) when they are independent. The authors outline selection criteria for including specific tests in their study, emphasizing the availability of R implementations, citation counts, and comparative power. They introduce several tests, including Hoeffding’s test, the distance correlation test, the Taustar test, the Heller-Heller-Gorfine (HHG) test, and the Hilbert-Schmidt Independence Criterion (HSIC) test, each employing different dissimilarity measures and methodologies to estimate p-values, often utilizing random permutation approaches.
Additionally, the authors propose two new test variants: the mutual information by kernel density estimation (MI-KDE) test, which estimates mutual information using kernel density estimators, and the HHG-Pearson test, which combines the strengths of the HHG test and Pearson’s correlation test to enhance power across various relationship types. The section concludes with a description of a simulation study designed to evaluate the performance of these tests under different sample sizes, relationship types, and error distributions, aiming to identify the most powerful tests for various scenarios commonly encountered in psychological research.