เกี่ยวกับ 1:ใช่การเพิ่มvi
เป็นโมเดอเรเตอร์เป็นวิธีตรรกะในการขยายการทดสอบของ 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.mv
วัตถุจำลองได้ในขณะนี้ 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.mv
วัตถุ