หากไม่มีการสร้างแบบจำลองหลายระดับวิธีจัดการกับการจำลองแบบภายในการศึกษาในการวิเคราะห์เมตาซึ่งการศึกษาเป็นหน่วยของการจำลองแบบ?

คำอธิบายของการศึกษา:

ฉันได้สังเกตเห็นข้อผิดพลาดทั่วไปในหมู่การวิเคราะห์เมตาเกี่ยวกับการจัดการการจำลองแบบภายในการศึกษา มันไม่ชัดเจนสำหรับฉันหากความผิดพลาดทำให้การศึกษาเป็นไปอย่างไม่ราบรื่นเมื่อมีการระบุสมมติฐาน อย่างไรก็ตามตามที่ฉันเข้าใจสมมติฐานเหล่านี้ละเมิดสมมติฐานขั้นพื้นฐานของสถิติ

ตัวอย่างเช่นการศึกษาการทดสอบผลกระทบของสารเคมีกับการตอบสนองY $X$ $Y$

การวิเคราะห์จะดำเนินการกับอัตราส่วนการตอบสนองบันทึก: อัตราส่วนของการรักษา (ต่อหน้า ) ต่อการควบคุม (ไม่ใช่ ): $Y_{+X}$ $X$ $Y_{0}$ $X$

R = \ln (\frac{Y_{+ X}}{Y_{0}})

$R = \ln(\frac{Y_{+X}}{Y_{0}})$

บางส่วนของการศึกษาที่รวมอยู่ใน meta-analysis มีการรักษาหลายระดับที่แตกต่างกันตัวอย่างหรือรูปแบบทางเคมีของXสำหรับการรักษาแต่ละครั้งมีค่าแตกต่างกันแม้ว่าจะใช้ค่าเดียวกันของเสมอ $X$ $R$ $R$ $Y_0$

สถานะวิธีการ:

$X$

คำถาม:

การปลอมแปลงนี้ไม่ใช่หรือ
มันไม่เหมาะสมแม้ว่าจะมีการระบุการละเมิดความเป็นอิสระในวิธีการหรือไม่?
อะไรจะเป็นวิธีที่ง่าย (เช่นในความสามารถของแพคเกจซอฟต์แวร์การวิเคราะห์เมตาง่ายๆ) เพื่อจัดการกับการจำลองแบบการศึกษา?

ความคิดเริ่มต้น:

สรุปผลการศึกษาแต่ละครั้งเช่นการตอบสนองโดยเฉลี่ย
เลือกการรักษาเพียงครั้งเดียวจากการศึกษาแต่ละครั้งตามเกณฑ์เบื้องต้น (เช่นขนาดยาสูงสุดการวัดครั้งแรก)?

มีวิธีแก้ไขปัญหาอื่น ๆ อีกไหม?

repeated-measures meta-analysis

— David LeBauer
แหล่งที่มา

นี่เป็นเพียงการคาดเดาอย่างรวดเร็ว แต่คุณอาจต้องการตรวจสอบKim / Becker 2010: ระดับของการพึ่งพาระหว่างขนาดเอฟเฟกต์การรักษาหลายอย่าง ; ฉันไม่ได้อ่านบทความ แต่อาจเกี่ยวข้องกับคำถามของคุณ

— Bernd Weiss

การวิเคราะห์เมตาดาต้าจริงเพียงแค่หาค่าความแตกต่างทั้งหมดของค่า R หรือไม่? ดูเหมือนจะค่อนข้างแปลกเมื่อเทียบกับการพยายามเมตาถดถอยซึ่งในกรณีนี้ความแตกต่างระหว่าง R ในระดับ X ที่แตกต่างกันอาจเป็นสิ่งที่คุณสนใจในการรวมการศึกษา

— แขก

@ ผู้เข้าพักใช่พวกเขาเป็นจริง; มันน่าสนใจว่าระดับ X ที่แตกต่างกันมีผลต่อ R อย่างไร แต่คำถามนั้นถูกตั้งคำถามง่ายๆว่า "มีผลกระทบของ X" หรือไม่? อาจมีอำนาจ จำกัด ในการทดสอบผลกระทบของ X ต่อ R ในบริบทนี้ (การตอบสนองของระบบนิเวศต่อการเติมสารอาหาร) เนื่องจากวิธีการที่หลากหลายและเงื่อนไขการศึกษา

— David LeBauer

คุณพูดถูกมันเป็นปัญหา ไม่มากนักกับการประมาณจุด แต่การวัดความแม่นยำ (เช่นข้อผิดพลาดมาตรฐาน) จะเล็กเกินไป มันจะละเว้นการใช้งานหลายอย่างของข้อมูลของกลุ่มควบคุม อย่างไรก็ตามไม่ควรเป็นข่าวให้กับทุกคนในการวิเคราะห์อภิมาน บทความ Kim / Becker ด้านบนนั้นเป็นข้อความที่ได้รับการยอมรับจาก Gleser & Olkin (1994) ขนาดผลกระทบขึ้นอยู่กับสุ่ม ใน Cooper & Hedges (Eds) คู่มือการสังเคราะห์งานวิจัย (หน้า 339–355) หนังสือเล่มนี้เป็นข้อความมาตรฐานในแวดวงฉันเชื่อว่าตอนนี้ในฉบับที่สอง

— แขกที่เข้าพัก

คำตอบ:

ใช่มันเป็นปัญหาเพราะมีการสุ่มตัวอย่างการพึ่งพาในการตอบสนองที่จำเป็นต้องได้รับการพิจารณา (แม้ว่าบางครั้งผลกระทบอาจจะเล็กน้อยและเราละเมิดสมมติฐานตลอดเวลาเมื่อเราทำการวิเคราะห์ทางสถิติ) มีวิธีการที่จะจัดการกับสิ่งนี้วิธีการหนึ่งคือการรวมความแปรปรวนร่วมระหว่างการทดลองที่เกี่ยวข้อง (บล็อกนอกแนวทแยงมุม) ในเมทริกซ์ความแปรปรวนความแปรปรวนข้อผิดพลาด - แปรปรวน โชคดีที่มีอัตราส่วนบันทึกนี้ค่อนข้างง่าย คุณสามารถได้รับความแปรปรวนร่วมโดยประมาณระหว่างการทดลองเนื่องจากความแปรปรวน (var) ของ log R คือ (ถ้า Yx และ Y0 เป็นกลุ่มอิสระ): log Yx - log Y0 เพื่อทำตามสัญกรณ์ในคำถาม Yx หมายถึงกลุ่มทดลองและ Y0 กลุ่มควบคุม. ความแปรปรวนร่วม (cov) ระหว่างสองค่า (เช่นการรักษา 1 การรักษา 2 การรักษา 2) สำหรับ log R คือ cov (loge Yx_1 - log Y0, log Yx_2 - log Y0) ซึ่งเท่ากับ var (log Y0) และคำนวณเป็น SD_Y0 / (n_Y0 * Y0) โดยที่ SD_Y0 คือค่าเบี่ยงเบนมาตรฐานของ Y0, n_Y0 คือขนาดตัวอย่างในการควบคุมและ Y0 คือ ค่าในการควบคุมการรักษา ตอนนี้เราสามารถเชื่อมโยงเมทริกซ์ความแปรปรวนร่วมกับความแปรปรวนร่วมทั้งหมดเข้ากับแบบจำลองของเราแทนการใช้ความแปรปรวน (ei) ซึ่งเป็นวิธีคลาสสิคในการวิเคราะห์เมตาดาต้า ตัวอย่างของสิ่งนี้สามารถพบได้ในLimpens และคณะ 2011ใช้แพ็คเกจ metahdep ใน R (บนตัวสะสมทางชีวภาพ) หรือStevens and Taylor 2009สำหรับ Hedge fors D.

หากคุณต้องการให้มันง่ายมากฉันจะถูกล่อลวงให้มองข้ามปัญหาและพยายามประเมินผลของการพึ่งพาการสุ่มตัวอย่าง (เช่นมีการรักษากี่ครั้งภายในการศึกษาผลการเปลี่ยนแปลงจะเป็นอย่างไรถ้าฉันใช้การรักษาเพียงครั้งเดียวเท่านั้น ฯลฯ ) .

— GGeco
แหล่งที่มา

ใช่นี่เป็นปัญหา

ใช่มันไม่เหมาะสมแม้ว่าอย่างน้อยก็โปร่งใสเกี่ยวกับสิ่งที่ทำ (ได้รับคะแนนเพื่อความโปร่งใส แต่ยังไม่เป็นที่น่าพอใจ)

ฉันสงสัยว่ามี "วิธีง่าย ๆ " ในการแก้ไขปัญหานี้ ฉันไม่รู้อะไรมากเกี่ยวกับวิธีการวิเคราะห์เมตาดาต้า แต่ถ้ามีซอฟต์แวร์วิเคราะห์เมตาเฉพาะและการวิจัยเช่นนี้ผลิตขึ้นโดยใช้และได้รับการเผยแพร่นี่อาจเป็นวิธีการทั่วไป การตอบสนองที่คุณเสนอทั้งสองสูญเสียข้อมูลบางส่วนจากการศึกษาแต่ละครั้ง (เช่นปัญหาตรงข้ามกับสิ่งที่ผู้เผยแพร่ทำ)

วิธีแก้ปัญหาที่ชัดเจนคือโมเดลผสมเอฟเฟ็กต์ (เช่นหลายระดับ) พร้อมการศึกษาเป็นปัจจัยสุ่ม ฉันขอแนะนำให้ใช้แพ็คเกจสถิติผู้เชี่ยวชาญสำหรับสิ่งนี้หากซอฟต์แวร์การวิเคราะห์ meta ไม่สามารถทำได้ คุณยังคงสามารถใช้ซอฟต์แวร์วิเคราะห์ meta สำหรับการจัดเก็บข้อมูลและการประมวลผลและเพียงส่งออกข้อมูลไปยัง R, Stata หรือ SAS สำหรับการวิเคราะห์

— ปีเตอร์เอลลิส
แหล่งที่มา

ฉันเคยคิดเกี่ยวกับการทดลองทางคลินิกและสงสัยว่ามันจะโอเคในสถานการณ์ที่ผลการตอบสนองต่อการตอบสนองของปริมาณรังสีนั้นเป็นเพราะมันสามารถเปรียบเทียบฟังก์ชันของเส้นโค้งได้ เป็นไปได้ไหม?

— มิเชล

ฉันไม่คิดว่ามันจะสร้างความแตกต่างให้กับปัญหาที่ผลลัพธ์หลายอย่างจากการศึกษาครั้งหนึ่งจะมีความสัมพันธ์กันและดังนั้นจึงไม่ใช่ข้อมูล "ใหม่" แต่การวิเคราะห์เมตาของฟังก์ชันเส้นโค้งนั้นเป็นไปได้อย่างแน่นอนตราบใดที่คุณควบคุมความสัมพันธ์ระหว่างค่าประมาณต่างๆของเส้นโค้งเหล่านั้น หากพวกเขาทั้งหมดอยู่ในรูปแบบเดียวกันและเป็นเพียงเรื่องของการประมาณค่าพารามิเตอร์มันควรจะเป็นไปได้

— ปีเตอร์เอลลิส

@ มิเชลฉันเห็นด้วยกับปีเตอร์: หากคุณกำลังสรุปพารามิเตอร์ของเส้นโค้งคุณจะได้รับการประมาณค่าพารามิเตอร์หนึ่งจากแต่ละโค้งและนั่นควรจะดี

— Abe