PET-PEESE ve meta-analize çok düzeyli yaklaşımlar arasında bölünmüş: mutlu bir ortam var mı?

Şu anda bir meta-analiz üzerinde çalışıyorum, hangi ben örnekleri içinde iç içe birden çok efekt boyutları analiz gerekir. Diğer olası stratejilerden (örneğin, bağımlılığı görmezden gelmek, çalışmalar içindeki etki boyutlarını ortalamak, bir etki boyutunu seçmek veya analiz biriminin değiştirilmesi). Bağımlı etki büyüklüklerimin çoğu, oldukça farklı (ancak topikal olarak ilişkili) değişkenler içeren korelasyonlardır, bu nedenle aralarındaki ortalama, kavramsal bir anlam ifade etmez ve yapsa bile, toplam etki boyutu sayımı neredeyse yarı yarıya azaltacaktır.

Bununla birlikte, aynı zamanda, meta-analitik bir etki tahmin ederken Stanley & Doucouliagos'un (2014) yayın yanlılığını ele alma yöntemini kullanmakla da ilgileniyorum. Özetle, çalışma etkisi boyutlarını ilgili varyanslarına (hassas etki testi veya PET) veya ilgili standart hatalara (standart hatalarla hassas etki tahmini veya PEESE) tahmin eden bir meta-regresyon modeline uyar. PET modelindeki kesişimin önemine bağlı olarak, tahmin edilen yayın olarak ya PET modelinden (PET kesişim p > .05 ise) ya da PEESE modelinden (PET kesişme p <.05 ise) kesişme kullanılır. önyargısız ortalama etki büyüklüğü.

Ancak benim sorunum Stanley & Doucouliagos'un (2014) bu alıntısından kaynaklanıyor:

Simülasyonlarımızda, açıklanamayan aşırı heterojenlik daima dahil edilmiştir; bu nedenle, geleneksel uygulama ile, REE [rastgele etki tahmin edicileri] FEE [sabit etki tahmin edicileri] yerine tercih edilmelidir. Ancak, yayın seçimi olduğunda geleneksel uygulama yanlıştır. İstatistiksel anlamlılık seçimi ile REE her zaman FEE'den daha önyargılıdır (Tablo 3). Bu öngörülebilir aşağılık, REE'nin kendisinin en büyük yayın yanlılığına ve FEE'ye sahip basit ortalamanın ağırlıklı bir ortalaması olmasından kaynaklanmaktadır.

Bu pasaj, PET-PEESE'yi rastgele etkiler / karışık etkiler meta-analitik modellerde kullanmamam gerektiğine inanmamı sağlıyor, ancak çok düzeyli bir meta-analitik modelin rastgele etkiler tahmincisi gerektirdiği görülüyor.

Ne yapacağım konusunda yırtılmışım. Tüm bağımlı etki boyutlarımı modellemek istiyorum, ancak aynı zamanda yayın yanlılığını düzeltmek için bu özel yöntemden yararlanabiliyorum. 3 seviyeli meta analiz stratejisini PET-PEESE ile meşru bir şekilde entegre etmemin bir yolu var mı?

Referanslar

Cheung, MWL (2014). Bağımlı etki büyüklüklerini üç düzeyli meta-analizlerle modelleme: Yapısal bir denklem modelleme yaklaşımı. Psikolojik Yöntemler , 19 , 211-229.

Stanley, TD ve Doucouliagos, H. (2014). Yayın seçim yanlılığını azaltmak için meta-regresyon yaklaşımları. Araştırma Sentez Yöntemleri , 5 , 60-78.

Başlıca Cheung yaklaşımını (ancak 3 seviyeyi değil) takip eden bir meta-analiz üzerinde çalıştım ve yakın zamanda yayın yanlılığını düzeltmek için PET-PEESE yaklaşımıyla karşılaştım. İki yaklaşımın kombinasyonları da ilgimi çekti. Şimdiye kadar yaşadığım deneyim. Bence probleminizi çözmenin iki yolu var. Basit ve daha karmaşık olanı.

Aşağıdaki alıntı, rastgele etkilerin yayın yanlılığını artırdığını gösteriyor, bu yüzden bana göre yayın yanlılığından şüpheleniyorsanız, rastgele bir etki modeli kullanamazsınız.

İstatistiksel anlamlılık seçimi ile REE her zaman FEE'den daha önyargılıdır (Tablo 3). Bu öngörülebilir aşağılık, REE'nin kendisinin en büyük yayın yanlılığına ve FEE'ye sahip basit ortalamanın ağırlıklı bir ortalaması olmasından kaynaklanmaktadır.

Yayın yanlılığının ciddi bir endişe olduğunu varsayıyorum.

Basit yaklaşım: Heterojenitenin PET-PEESE kapsamında modellenmesi

Soruları doğru anladıysam, bu yaklaşımın en pragmatik başlangıç ​​noktası olduğunu düşünüyorum.

PET-PEESE yaklaşımı, meta-analitik regresyonların genişletilmesine katkıda bulunmaktadır. Heterojenitenin kaynağı esas olarak etki boyutlarındaki farklı değişkenlerden kaynaklanıyorsa, her bir değişken için gösterge değişkenleri (1/0) ekleyerek heterojenliği sabit etkiler olarak modelleyebilirsiniz *. Ayrıca, bazı değişkenlerin daha iyi ölçüm özelliklerine sahip olduğundan veya ilgili yapınıza daha yakın olduğundan şüpheleniyorsanız, Hunter ve Schmidt meta-analiz stiline bir göz atmak isteyebilirsiniz. Ölçüm hatası için bazı düzeltmeler önerirler.

Bu yaklaşım muhtemelen size PET ve PEESE müdahaleleri yoluyla yayın yanlılığının boyutu ve sabit etkilerdeki varyansa dayalı heterojenlik hakkında ilk fikir verecektir.

Daha karmaşık yaklaşım: Model heterojenliği ve yayın yanlılığı açıkça

Demek istediğim, yayın yanlılığının oluşumunu Stanley ve Doucouliagos gazetesine göre modelleniyorsunuz. Ayrıca Cheung'in üç seviyesini rastgele efektler olarak açıkça yazmanız gerekir. Başka bir deyişle, bu yaklaşım olasılığını kendiniz belirtmenizi gerektirir ve muhtemelen kendi başına metodolojik bir katkı olacaktır.

Ben bir hiyerarşik Bayes içinde yaklaşım aşağıdaki (uygun olaya karışan) bu tür bir olasılığı belirtmek mümkün olduğunu düşünüyorum Stan ve posterior tahminleri kullanın. Kılavuzu meta-analiz ile ilgili kısa bir bölümü vardır. Kullanıcı listesi de çok faydalıdır.

İkinci yaklaşım, muhtemelen bu aşamada ne istediğinizi aşmaktır, ancak muhtemelen ilk yaklaşımdan daha doğru olacaktır. Ve işe yarayıp yaramadığıyla ilgilenirim.

* Çok fazla değişkeniniz varsa (ve çok fazla efekt boyutu değil) benzer değişkenleri gruplara ayırmak daha iyi olabilir (evet, bu bir karar çağrısıdır) ve grup gösterge değişkenlerini kullanın.