แพคเกจ Metafor: การวินิจฉัยอคติและความไว


9

ฉันกำลังทำการวิเคราะห์เมตาหลายระดับซึ่งรวมบทความบางส่วนที่มีผลลัพธ์หลายรายการ ดังนั้นฉันใช้rma.mv()ฟังก์ชั่น รหัสตัวอย่าง:

test.main = rma.mv(yi,vi,random = ~1|ID, data = data) 

ฉันมีสองคำถาม:

  1. ฉันอ่านข้อความค้นหาก่อนหน้านี้ว่าเมื่อใช้rma.mv()งานranktest()ไม่ใช่การทดสอบความน่าเชื่อถือของช่องทางที่ไม่สมมาตร อย่างไรก็ตามหากมีการเพิ่มความแปรปรวนตัวอย่างในโมเดลดั้งเดิมในฐานะผู้ดูแลโมเดลนี้จะคล้ายกับการทดสอบของ Egger:

    test.egger = rma.mv(yi,vi, mod = vi, random = ~1|ID, data = data)
    

    รหัสนี้เป็นการตีความที่ถูกต้องของคำแนะนำนั้นหรือไม่? นอกจากนี้แผนการแปลงยังใช้ประโยชน์ไม่ได้กับเครื่องมือ (มากหรือน้อย) ในrma.mv()แบบจำลองหรือไม่?

  2. ทั้งleave1out()มิได้trimfill()ทำงานร่วมกับrma.mv()เพื่อประเมินความไวของผลรุ่น ขณะนี้มีเครื่องมือการวิเคราะห์ความไวอื่น ๆ สำหรับrma.mv()รุ่นที่ไม่เกี่ยวข้องกับความเข้าใจใน R หรือไม่?

คำตอบ:


8

เกี่ยวกับ 1:ใช่การเพิ่มviเป็นโมเดอเรเตอร์เป็นวิธีตรรกะในการขยายการทดสอบของ Egger ไปยังแบบจำลองที่ซับซ้อนมากขึ้น

ที่จริงแล้วการใช้ผลต่างการสุ่มตัวอย่างเป็นผู้ดำเนินการเป็นเพียงหนึ่งในความเป็นไปได้ของการดำเนินการ "การทดสอบการถดถอยสำหรับความไม่สมมาตรของช่องทาง" คนอื่น ๆ แนะนำให้ใช้ค่าผกผันของการสุ่มตัวอย่างผลต่างหรือข้อผิดพลาดมาตรฐาน (สแควร์รูทของผลต่างการสุ่มตัวอย่าง) หรือค่าผกผันหรือขนาดตัวอย่างทั้งหมด (หรือฟังก์ชันบางอย่างของมัน) เป็นผู้ควบคุม ยังไม่ชัดเจนนักว่าตัวเลือกใดเป็นตัวเลือกที่ "ดีที่สุด" (และอาจขึ้นอยู่กับว่าคุณใช้การวัดผลลัพธ์ใดสำหรับการวิเคราะห์อภิมาน) ตัวอย่างเช่นสำหรับมาตรการบางอย่างสมการที่เราใช้เพื่อประมาณ / ประมาณความแปรปรวนการสุ่มตัวอย่างนั้นเป็นฟังก์ชันของผลลัพธ์ที่สังเกตซึ่งสร้างความสัมพันธ์ระหว่างทั้งสองโดยอัตโนมัติแม้ในกรณีที่ไม่มีอคติสิ่งพิมพ์ (หรือ "อคติการศึกษาขนาดเล็ก" หรืออะไรก็ตามที่เราต้องการเรียกมัน) ในกรณีนั้น,

แต่ประเด็นหลักคือ: ใช่การทดสอบการถดถอยสามารถนำไปใช้อย่างง่ายดายเมื่อทำงานกับแบบจำลองที่ซับซ้อนมากขึ้นโดยการเพิ่มโมเดอเรเตอร์ที่เหมาะสมให้กับโมเดล

การแปลงช่องทางมีประโยชน์หรือไม่เมื่อมีโครงสร้างหลายระดับ / หลายตัวแปรที่อ้างอิงข้อมูลนั้นเป็นที่ถกเถียงกัน ตัวอย่างเช่นชุดของคะแนนอาจรวมเข้าด้วยกันเนื่องจากมีการอ้างอิงทางสถิติ (ซึ่งถูกนำมาพิจารณาเมื่อใช้โมเดลหลายระดับ / หลายตัวแปรที่เหมาะสม) แต่ในพล็อตช่องทางคะแนนนั้นเป็นเพียง: พวงของคะแนน ซึ่งทำให้การตีความของช่องทางนั้นยากขึ้นเพราะ (ยกเว้นว่าคุณทำขั้นตอนพิเศษโดยใช้สีหรือสัญลักษณ์ที่แตกต่างกัน) คุณไม่สามารถเห็นการพึ่งพาเหล่านั้นโดยธรรมชาติ - ไม่ใช่ว่าคนส่วนใหญ่ (รวมตัวเอง) เป็นคนที่ตีความแผนการช่องทางที่ง่ายที่สุด กรณี (มีการวิจัยเชิงประจักษ์แสดงให้เห็นว่า!)

เกี่ยวกับ 2:ใช่ฟังก์ชั่นการปรับขนาดของโพสต์โมเดลไม่สามารถทำงานกับrma.mvวัตถุจำลองได้ในขณะนี้ ฉันเพิ่งไม่ได้ใช้สิ่งนี้และบางอย่างจะต้องใช้ความคิด ตัวอย่างเช่นleave1out()ลบการศึกษาหนึ่งครั้งในบริบท univariate ซึ่งเท่ากับการลบผลลัพธ์ที่สังเกตแต่ละครั้ง แต่สิ่งที่เกี่ยวกับข้อมูลหลายระดับ / หลายตัวแปร? ลบผลลัพธ์ที่สังเกตแต่ละรายการด้วยหรือไม่ หรือลบชุดคะแนน หรือทำให้ตัวเลือกต่าง ๆ พร้อมใช้งาน ด้วยความเคารพต่อการตัดและเติม (ทิ้งคำถามว่าวิธีนี้มีประโยชน์จริง ๆ ): การขยายวิธีการไปยังข้อมูลหลายระดับ / หลายตัวแปรจะคุ้มค่าที่จะเขียนบทความทั้งหมดเกี่ยวกับ

ดังนั้นจึงเป็นเรื่องดีที่คุณต้องการทำการวิเคราะห์ความไว แต่ ณ ตอนนี้คุณต้องทำสิ่งนี้ด้วยตนเอง การวิเคราะห์แบบลาก่อนออกนั้นทำได้ง่าย ๆ ด้วยการวนรอบอย่างง่ายและคิดอย่างรอบคอบเกี่ยวกับสิ่งที่ "หนึ่ง" คือ (เช่นผลการสังเกตแต่ละครั้งแต่ละกลุ่ม / การศึกษา) คุณสามารถทำการทดสอบการถดถอยและอาจปล่อยให้ตัดและเติมได้ในขณะนี้ ส่วนที่เหลือมาตรฐานจะมีให้ผ่านทางrstandard()ดังนั้นคุณสามารถตรวจสอบข้อมูลสำหรับค่าผิดปกติที่อาจเกิดขึ้น คุณสามารถรับค่าหมวกผ่านhatvalues()(เพียงยกระดับตามแนวทแยงมุมหรือเมทริกซ์หมวกทั้งหมด) ซึ่งจะช่วยให้คุณบ่งชี้ว่าจุดใดมีอิทธิพลอย่างมากต่อผลลัพธ์ อีกวัดที่มีประโยชน์จริงๆในบริบทนี้เป็นระยะคุกซึ่งคุณสามารถได้รับผ่านทางcooks.distance()ยังสำหรับrma.mvวัตถุ


2
ว้าว! ขอบคุณสำหรับคำตอบที่รอบคอบและละเอียดถี่ถ้วน ฉันจะพยายามหาวิธีใช้โค้ด for-loop ตามที่คุณแนะนำ
chabeck

1
ดีใจที่ได้ยินว่าคุณพบว่ามีประโยชน์ ฟังก์ชั่นการปรับตัวแบบต่างๆรวมถึงrma.mv()การsubsetโต้แย้งว่าคุณสามารถใช้ร่วมกับการวนซ้ำเพื่อปล่อยผลลัพธ์ที่สังเกตได้อย่างง่ายดาย
Wolfgang

5
Wolfgang ผลิตภัณฑ์จากข้อเสนอแนะของคุณสามารถดูได้ที่นี่: aobpla.oxfordjournals.org/content/7/… ขอบคุณอีกครั้ง!
chabeck
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.