Çok seviyeli modelleme olmadan, çalışmanın replikasyon birimi olduğu bir meta analizde çalışma içi replikasyon nasıl ele alınır?

Çalışmanın tanımı:

Çalışma içi çoğaltmanın ele alınmasında meta-analizler arasında yaygın bir hata gözlemledim. Varsayımlar belirtildiğinde hatanın çalışmaları geçersiz kılıp kılmadığı net değil. Ancak, anladığım kadarıyla, bu varsayımlar istatistiklerin temel dayanaklarını ihlal ediyor.

Örnek olarak, bir çalışma kimyasal tepkisi üzerindeki etkilerini test eder .$X$$Y$

Analiz, log cevap oranına göre yapılır: ( varlığında ) ( yok ) kontrolüne : X Y 0$Y_{+X}$$X$$Y_{0}$$X$

Meta analize dahil edilen çalışmaların bazıları, örneğin farklı seviyeleri veya kimyasal formları gibi çoklu tedaviler içerir . Her tedavi için farklı bir değeri vardır , ancak her zaman aynı değerini kullanır .R R Y $X$$R$$R$$Y_0$

Yöntemlerin durumu:

tek bir çalışmada farklı tedavilere ( seviyeleri ve formları ) yanıtlar bağımsız gözlemler olarak kabul edildi.$X$

Sorular:

• Bu takma ad değil mi?
• Yöntemlerde bağımsızlık ihlali belirtilmiş olsa bile uygun değil mi?
• Çalışma çoğaltmasıyla başa çıkmanın kolay bir yolu (örneğin, basit bir meta-analiz yazılım paketi dahilinde) ne olabilir?

İlk düşünceler:

• Her çalışmanın sonuçlarını, örneğin ortalama yanıtı alarak özetleyin
• A priori kriterlerine (örn. En yüksek doz, ilk ölçüm) dayalı olarak her çalışmadan sadece bir tedavi seçin?

Başka çözüm var mı?

Evet, bu bir sorundur çünkü dikkate alınması gereken yanıtlarda örnekleme bağımlılığı vardır (bazen etki ihmal edilebilir olsa da ve istatistiksel analizler yaptığımızda varsayımı her zaman ihlal ediyoruz). Bununla başa çıkmak için yöntemler vardır, bir yaklaşım hata varyans-kovaryans matrisine ilgili deneyler arasındaki kovaryansları (diyagonal bloklar) dahil etmektir (bakınız örneğin Hedges ve ark., 2010). Neyse ki günlük oranları ile bu oldukça kolaydır. Deneyler arasında yaklaşık kovaryanslar elde edebilirsiniz, çünkü log R varyansı (var) (Yx ve Y0 bağımsız grupsa): log Yx - log Y0, sorudaki notasyonu takip etmek için, Yx deney grubuna ve Y0 kontrol grubu. Log R için iki değer arasındaki kovaryans (kov) (örn. Tedavi 1 och tedavisi 2) cov (loge Yx_1 - log Y0, log Yx_2 - log Y0), var (log Y0) 'a eşittir ve SD_Y0 / (n_Y0 * Y0) olarak hesaplanır; burada SD_Y0, Y0'ın standart sapmasıdır, n_Y0 kontrol işlemindeki örnek boyutudur ve Y0 kontrol tedavisindeki değer. Şimdi sadece bir meta-analiz yapmanın klasik yolu olan varyansları (ei) kullanmak yerine tüm varyans-kovaryans matrisini modelimize ekleyebiliriz. Bunun bir örneği şurada bulunabilir:Limpens ve diğ. 2011 , R'deki (biyoiletken üzerinde) metahdep paketini ya da Hedge's D için Stevens ve Taylor 2009'u kullanıyor.

Çok basit tutmak istiyorsanız, sorunu görmezden gelmeye ve örnekleme bağımlılığının etkisini değerlendirmeye çalışacağım (örneğin, çalışmalarda kaç tedavi var? Sadece tek bir tedavi kullanırsam sonuçlar nasıl değişir? Vb.) .

Evet, bu bir sorun.

Evet, en azından ne yaptığı hakkında şeffaf olsa da uygun değil (şeffaflık için puan alır, ancak yine de tatmin edici değildir).

Bunu düzeltmek için "kolay bir yol" olduğundan şüpheliyim. Meta analize yönelik yaklaşımlar hakkında fazla bir bilgim yok ama spesifik bir meta-analiz yazılımı ve bunun gibi araştırmalar kullanılarak üretilir ve yayınlanırsa, bu ortak yaklaşım olabilir. Önerdiğiniz yanıtlardan her biri, her çalışmadaki bilgilerin ayrıntı düzeyini kaybeder (yani, yayıncıların yaptıklarının tersi sorun).

Açık çözüm, rastgele bir faktör olarak çalışılan karışık etkiler (yani çok düzeyli) modelidir. Meta-analiz yazılımı bunu yapamıyorsa, bunun için uzman bir istatistik paketi kullanmanızı öneririm. Meta-analiz yazılımını veri depolama ve işleme için kullanmaya devam edebilir ve verileri analiz için yalnızca R, Stata veya SAS'a aktarabilirsiniz.