Tek Denekli Deneysel Çalışmalarda Etki Büyüklüğü Hesaplaması: Regresyona Dayalı Olmayan Yöntemlerin İncelenmesi

Abstract

Tek denekli deneysel çalışmalarda meta-analiz yöntemlerine grup desenli çalışmalarda olduğu kadar yer verilmediği gözlenmektedir. Son yıllarda alanyazındaki bu eksikliği gidermek amacıyla tek denekli deneysel çalışmalarda etki büyüklüğü olarak kullanılabilecek regresyona dayalı olan ve regresyona dayalı olmayan indeksler geliştirilmiştir. Regresyona dayalı olan indekslerin çoğu tek denekli deneysel araştırma verilerindeki zamansal bağımlılıktan etkilendiği için bu indekslerden daha az etkilenen ve alanyazında daha sıklıkla tercih edilen regresyona dayalı olmayan indeksler bu çalışmanın ana konusu olmuştur. Tek denekli deneysel çalışmalarda regresyona dayalı olmayan birçok indeks üretilmiş olmasına rağmen araştırmacıların çoğunun örtüşmeyen veri yüzdesi (ÖVY) ve sıfır veri yüzdesi (SVY) indekslerini tercih ettiği gözlenmiştir. Alanyazında, özellikle ÖVY indeksinin kullanılmasına ilişkin çok sayıda tartışma bulunmaktadır. Türkiye’deki alanyazında ÖVY ve SVY’ye alternatif olarak üretilen indeksleri açıklayan mevcut bir çalışma olmaması regresyona dayalı olmayan indekslerin incelendiği bu çalışmayı önemli kılmaktadır. Bu çalışmanın amacı tek denekli deneysel çalışmalarda etki büyüklüğü hesaplamak için kullanılan regresyona dayalı olmayan yöntemlerin incelenmesi ve bu yöntemlerin tek denekli deneysel araştırmalarda nasıl uygulanacağının örnek veriler üzerinden gösterilmesidir. Bu amacı gerçekleştirirken farklı yöntemlerin kullanımında verinin nasıl hazırlanacağı, nasıl analiz edileceği, birden fazla çalışma için nasıl sentezleneceği ve elde edilen sonuçların nasıl yorumlanacağından bahsedilmiştir. Bu çalışmada incelenen 10 farklı indeks temelinde araştırmacılar için önerilerde bulunulmuştur.

Using a Systematic Review to Explore Single-Subject Design Use Within Special Education Over Time

“…Recently, however, it has become more common for researchers to use methods in addition to visual data analysis to report intervention effectiveness to support conclusions from single-subject designs (Olive & Smith, 2005). Both regression and nonregression effect size calculations (e.g., standard mean difference, percentage reduction measure, per cent reduction, percentage exceeding the median) have therefore been developed and reviewed (e.g., Olive & Franco, 2008;Olive & Smith, 2005;Şen & Şen, 2019).…”

“…Through such reviews it has been confirmed that nonregression methods are successful in identifying intervention effectiveness within single-subject experimental data (Olive & Smith, 2005). However, regression-based calculation methods have been shown to be affected by the serial dependency of single-subject design data and should be avoided (Olive & Smith, 2005;Şen & Şen, 2019). Therefore, it has been recommended that a nonregression effect size calculation be used in combination with visual data analysis to provide statistical evidence of intervention effectiveness (Olive & Franco, 2008).…”

A temporal-based therapy for children with inconsistent phonological disorder: A case-series

“…We then computed the percentage of data exceeding the median trend of the baseline (PEM-T; White & Haring, 1980;Wolery et al, 2010), which is an effect size index used in single-subject research. PEM-T is conceptualized as the % of datapoints in the therapy phase that are above the median slope (or split middle line) plotted based on pretherapy data and extended to the therapy phase (Manolov & Moeyaert, 2016;Parker et al, 2011;Rakap, 2015;Şen & Şen, 2019). Importantly, PEM-T is a non-parametric nonoverlap method that controls for baseline trends in a therapeutic direction as part of nonoverlap (i.e., positive trend during baseline in case an increase of behavior is expected with treatment; Parker et al, 2011;Rakap, 2015).…”

Single Subject Research: Alternatif Penelitian Pendidikan Matematika di Masa New Normal

“…Pendekatan lain yang dapat digunakan untuk melakukan analisis data penelitian subjek tunggal dapat menggunakan persentase data yang tidak tumpang tindih (percentage of nonoverlapping data/PND) untuk setiap subjek penelitian (Manolov & Solanas, 2009;Parker et al, 2007;Scruggs & Mastropieri, 1998, 2001. Pada teknik analisis data ini dilakukan dengan cara (1) menentukan nilai baseline maksimum pada grafik, (2) menarik garis horizontal dari nilai maksimum yang ditentukan ini ke kanan (tingkat intervensi), (3) menentukan nilai tingkat intervensi di atas garis horizontal ini, (4) membagi jumlah titik data yang diperoleh pada langkah ketiga dengan jumlah total titik data pada tingkat intervensi, dan (5) nilai yang diperoleh pada langkah keempat dikalikan dengan 100 untuk menghitung nilai PND (Sşen & Sşen, 2019). Asumsi yang digunakan pada teknik analisi data ini adalah jika PND>90% maka intervensi yang diberikan kepada subjek sangat efektif, jika diperoleh PND antara 71% hingga 90% maka intervensi dapat dinyatakan efektif, jika diperoleh PND antara 50% hingga 70% maka intervensi kategori sedang, jika PND kurang dari 50% maka tidak efektif (Scruggs et al, 1986;Strain et al, 1992).…”