คำถามติดแท็ก meta-analysis

ฉันกำลังทำการวิเคราะห์เมตาหลายระดับซึ่งรวมบทความบางส่วนที่มีผลลัพธ์หลายรายการ ดังนั้นฉันใช้rma.mv()ฟังก์ชั่น รหัสตัวอย่าง: test.main = rma.mv(yi,vi,random = ~1|ID, data = data) ฉันมีสองคำถาม: 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? ทั้งleave1out()มิได้trimfill()ทำงานร่วมกับrma.mv()เพื่อประเมินความไวของผลรุ่น ขณะนี้มีเครื่องมือการวิเคราะห์ความไวอื่น ๆ สำหรับrma.mv()รุ่นที่ไม่เกี่ยวข้องกับความเข้าใจใน R หรือไม่?

9 meta-analysis  sensitivity-analysis  publication-bias  funnel-plot 

ฉันกำลังทำงานกับการวิเคราะห์อภิมานผลแบบสุ่มซึ่งครอบคลุมการศึกษาจำนวนหนึ่งซึ่งไม่ได้รายงานความเบี่ยงเบนมาตรฐาน การศึกษาทั้งหมดทำรายงานขนาดตัวอย่าง ฉันไม่เชื่อว่ามีความเป็นไปได้ที่จะประมาณหรือลบล้างข้อมูลที่หายไปของ SD meta-analysis ที่ใช้ raw (ไม่เป็นมาตรฐาน) หมายถึงความแตกต่างในขณะที่ขนาดของเอฟเฟกต์นั้นมีน้ำหนักเมื่อไม่มีการเบี่ยงเบนมาตรฐานสำหรับการศึกษาทั้งหมดหรือไม่ แน่นอนว่าฉันสามารถประมาณค่า tau-squared และต้องการที่จะรวมการวัดความแปรปรวนระหว่างการศึกษาในรูปแบบน้ำหนักใด ๆ ที่ฉันใช้อยู่ในกรอบสุ่มผลกระทบ ข้อมูลเพิ่มเติมเล็กน้อยรวมอยู่ด้านล่าง: เหตุใดความแตกต่างของค่าเฉลี่ยดิบจึงยังคงมีประโยชน์: ข้อมูลถูกรายงานในระดับที่มีความหมายอย่างแท้จริง: ดอลลาร์สหรัฐต่อหน่วย ดังนั้นการวิเคราะห์เมตาของความแตกต่างเฉลี่ยจะตีความได้ทันที เหตุใดฉันจึงไม่สามารถประมาณค่าหรือเบี่ยงเบนข้อมูล SD ได้: การศึกษาข้อมูลเบี่ยงเบนมาตรฐานที่ขาดหายไปนั้นไม่ได้มีข้อมูลเพียงพอที่จะประมาณค่าเบี่ยงเบนมาตรฐาน (เช่นค่ามัธยฐานและช่วงไม่ได้ถูกรายงานในวรรณคดี) การใส่ข้อมูลที่ขาดหายไปดูเหมือนว่าไม่เหมาะสมเนื่องจากการศึกษาส่วนใหญ่ขาด SD และเนื่องจากการศึกษาแตกต่างกันอย่างมากในแง่ของพื้นที่ทางภูมิศาสตร์ที่ครอบคลุมและโปรโตคอลการสำรวจ โดยทั่วไปแล้วจะทำอะไรกับความแตกต่างของค่าเฉลี่ยในการวิเคราะห์อภิมาน: ตุ้มน้ำหนักการศึกษาจะขึ้นอยู่กับข้อผิดพลาดมาตรฐานของความแตกต่างเฉลี่ย (โดยทั่วไปจะคำนวณด้วยคำศัพท์ขนาดตัวอย่าง ฉันไม่มีสิ่งนี้ ในการวิเคราะห์อภิมานผลกระทบแบบสุ่มน้ำหนักการศึกษายังรวมถึงคำศัพท์สำหรับความแปรปรวนระหว่างการศึกษาด้วย ฉันมีสิ่งนี้ สามารถใช้การถ่วงน้ำหนักขนาดตัวอย่างแบบง่ายๆในบริบทนี้ได้หรือไม่? ฉันจะรวมการประมาณค่า tau-squared (หรือการวัดอื่นของการกระจายระหว่างการศึกษา) เข้ากับน้ำหนักได้อย่างไร

9 stata  missing-data  meta-analysis  meta-regression 

ฉันกำลังทำการวิเคราะห์เมตาดาต้าของขนาดผลกระทบdใน R โดยใช้แพ็คเกจ metafor dแสดงถึงความแตกต่างของคะแนนความจำระหว่างผู้ป่วยและสุขภาพ อย่างไรก็ตามการศึกษาบางชิ้นรายงานเฉพาะคะแนนย่อยของการวัดความสนใจd (เช่นคะแนนหน่วยความจำที่แตกต่างกันหรือคะแนนจากการทดสอบหน่วยความจำสามบล็อกแยกกัน) โปรดดูชุดข้อมูลจำลองต่อไปนี้พร้อมdแสดงขนาดผลกระทบของการศึกษารวมถึงส่วนเบี่ยงเบนมาตรฐาน SD: d <- round(rnorm(5,5,1),2) sd <- round(rnorm(5,1,0.1),2) study <- c(1,2,3,3,3) subscore <- c(1,1,1,2,3) my_data <- as.data.frame(cbind(study, subscore, d, sd)) library(metafor) m1 <- rma(d,sd, data=my_data) summary(m1) ฉันต้องการถามความคิดเห็นของคุณสำหรับวิธีที่ดีที่สุดในการจัดการคะแนนย่อยเหล่านี้ - เช่น: เลือกคะแนนย่อยหนึ่งคะแนนจากการศึกษาแต่ละครั้งที่รายงานคะแนนมากกว่าหนึ่งคะแนน รวมคะแนนย่อยทั้งหมด (ซึ่งจะเป็นการละเมิดสมมติฐานความเป็นอิสระของโมเดล rfx เนื่องจากคะแนนย่อยของการศึกษาหนึ่งมาจากตัวอย่างเดียวกัน) สำหรับการศึกษาแต่ละครั้งที่รายงานคะแนนย่อย: คำนวณคะแนนเฉลี่ยและค่าเบี่ยงเบนมาตรฐานโดยรวมและรวมถึง "ขนาดเอฟเฟ็กต์การรวม" ในการวิเคราะห์ meta ของ rfx รวมคะแนนย่อยทั้งหมดและเพิ่มตัวแปรดัมมี่ที่ระบุว่าได้รับคะแนนใดจากการศึกษา

9 r  meta-analysis  effect-size  meta-regression 

สมมติว่าเราต้องการที่จะทำให้การอนุมานในสำนึกสังเกตของตัวแปรสุ่มซึ่งกระจายตามปกติที่มีค่าเฉลี่ยและความแปรปรวน\สมมติว่ามีเป็นอีกหนึ่งตัวแปรสุ่ม (ซึ่งก่อให้เกิดการสังเกตในทำนองเดียวกันเราจะเรียก ) ที่มีการกระจายตามปกติที่มีค่าเฉลี่ยและความแปรปรวน\LetจะแปรปรวนของและYxxxx~x~\tilde xμxμx\mu_xσ2xσx2\sigma^2_xY~y~\tilde yYyyμYμy\mu_yσ2Yσy2\sigma^2_yσx yσxy\sigma_{xy}x~x~\tilde xY~y~\tilde y ตอนนี้สมมติว่าเราสังเกตเห็นสัญญาณบน , โดยที่และสัญญาณบน , ที่2) สมมติว่าและมีความเป็นอิสระxxxa = x +ยู~,a=x+u~,\begin{align}a=x+\tilde u,\end{align}ยู~∼ N( 0 ,φ2x)u~∼N(0,ϕx2)\tilde u\sim\mathcal{N}(0,\phi_x^2)Yyyb = y+โวลต์~,b=y+v~,\begin{align}b=y+\tilde v,\end{align}โวลต์~∼ N( 0 ,φ2Y)v~∼N(0,ϕy2)\tilde v\sim\mathcal{N}(0,\phi_y^2)ยู~u~\tilde uโวลต์~v~\tilde v การกระจายตัวของมีเงื่อนไขบนและคืออะไร?xxxaaaขbb สิ่งที่ฉันรู้จนถึงตอนนี้: การใช้น้ำหนักผกผัน - แปรปรวน, และ E (x|a ) =1σ2xμx+1φ2xa1σ2x+1φ2x,E(x|a)=1σx2μx+1ϕx2a1σx2+1ϕx2,\begin{align}\mathbb{E}(x\,|\,a)=\frac{\frac{1}{\sigma_x^2}\mu_x+\frac{1}{\phi_x^2}a}{\frac{1}{\sigma_x^2}+\frac{1}{\phi_x^2}},\end{align}V ar(x|a ) =11σ2x+1φ2x.Var(x|a)=11σx2+1ϕx2.\begin{align} \mathbb{V}\text{ar}(x\,|\,a)=\frac{1}{\frac{1}{\sigma_x^2}+\frac{1}{\phi_x^2}}. \end{align} ตั้งแต่และจะวาดร่วมกันควรนำข้อมูลบางอย่างเกี่ยวกับxนอกเหนือจากการตระหนักถึงสิ่งนี้ฉันติดอยู่ ความช่วยเหลือใด ๆ …

9 meta-analysis 

สมมติว่าฉันกำลังทำการวิเคราะห์โดยดูที่มาตรวัดด้านสุขภาพ ฉันสนใจในความแตกต่างของการวัดระหว่างผู้ป่วยกับการควบคุมและความแตกต่างนั้นแตกต่างจาก 0 หรือไม่เคยมีการศึกษามาก่อนในการมองคำถามการวิจัยและการวัดด้านสุขภาพที่เหมือนกัน ในการวิเคราะห์แบบเบย์ของฉันฉันจะสร้างการกระจายก่อนหน้าโดยอิงจากการศึกษาก่อนหน้าซึ่งรวมความแตกต่างเฉลี่ยและข้อผิดพลาดมาตรฐาน โปรดยกโทษให้ฉันถ้านี่เป็นคำถามที่มือใหม่ที่ฉันเพิ่งเรียนรู้สถิติแบบเบย์ แต่ในทางที่ผลลัพธ์จากการวิเคราะห์แบบเบย์ของฉันจะแตกต่างจากผลลัพธ์ที่ฉันจะได้รับโดยใช้การวิเคราะห์ meta-analysis การศึกษาก่อนหน้ากับข้อมูลปัจจุบันของฉัน ?

9 bayesian  meta-analysis  case-control-study 

ตัดต่อไปนี้จะนำมาจากบทความนี้ ฉันเป็นมือใหม่ในการบู๊ตสแตรปและพยายามที่จะใช้การบู๊ตสแปปปิ้งแบบกึ่งพารามิเตอร์แบบกึ่งพารามิเตอร์และแบบไม่มีพารามิเตอร์สำหรับแบบจำลองเชิงเส้นผสมกับR bootแพ็คเกจ รหัส R นี่คือRรหัสของฉัน: library(SASmixed) library(lme4) library(boot) fm1Cult <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=Cultivation) fixef(fm1Cult) boot.fn <- function(data, indices){ data <- data[indices, ] mod <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=data) fixef(mod) } set.seed(12345) Out <- boot(data=Cultivation, statistic=boot.fn, R=99) …

9 r  mixed-model  bootstrap  central-limit-theorem  stable-distribution  time-series  hypothesis-testing  markov-process  r  correlation  categorical-data  association-measure  meta-analysis  r  anova  confidence-interval  lm  r  bayesian  multilevel-analysis  logit  regression  logistic  least-squares  eda  regression  notation  distributions  random-variable  expected-value  distributions  markov-process  hidden-markov-model  r  variance  group-differences  microarray  r  descriptive-statistics  machine-learning  references  r  regression  r  categorical-data  random-forest  data-transformation  data-visualization  interactive-visualization  binomial  beta-distribution  time-series  forecasting  logistic  arima  beta-regression  r  time-series  seasonality  large-data  unevenly-spaced-time-series  correlation  statistical-significance  normalization  population  group-differences  demography 

ฉันมีสองชุดข้อมูลจากการศึกษาความสัมพันธ์ของจีโนมกว้าง ข้อมูลเท่านั้นที่มีคืออัตราส่วนคี่และช่วงความมั่นใจ (95%) สำหรับแต่ละ SNP ฉันต้องการสร้างพล็อตป่าเปรียบเทียบสองอัตราต่อรอง แต่ฉันไม่สามารถหาวิธีในการคำนวณช่วงความเชื่อมั่นที่รวมกันเพื่อให้เห็นภาพผลสรุป ฉันใช้โปรแกรมPLINKเพื่อทำการวิเคราะห์เมตาโดยใช้เอฟเฟกต์คงที่ แต่โปรแกรมไม่ได้แสดงช่วงความมั่นใจเหล่านี้ ฉันจะคำนวณช่วงความมั่นใจได้อย่างไร ข้อมูลที่มีคือ: อัตราส่วนที่แปลกสำหรับการศึกษาแต่ละครั้ง ช่วงความมั่นใจ 95% และ ข้อผิดพลาดมาตรฐาน

9 confidence-interval  meta-analysis  genetics  odds-ratio 

ฉันคุ้นเคยกับการวิเคราะห์เมตาและเทคนิคการถดถอยของเมตาดาต้า (โดยใช้แพ็คเกจ R metaforจาก Viechtbauer) แต่เมื่อเร็ว ๆ นี้ฉันพบปัญหาฉันไม่สามารถแก้ไขได้อย่างง่ายดาย สมมติว่าเรามีโรคติดต่อจากแม่สู่ลูกที่ยังไม่เกิดและมีการศึกษามาหลายครั้งแล้ว แม่และเด็กได้รับการทดสอบไวรัสทันทีหลังคลอด ในขณะที่เด็กในครรภ์เป็นไปไม่ได้ที่จะได้รับเชื้อไวรัสชนิดอื่นนอกเหนือจากแม่ | neg kid | pos kid mother neg | A | C=0 -----------|---------|-------- mother pos | B | D เห็นได้ชัดว่าการใช้อัตราต่อรอง (OR) ให้ข้อผิดพลาดเป็นหนึ่งจะถูกหารด้วย 0 เหมือนกันสำหรับความเสี่ยงสัมพัทธ์: A / ( A + B )0 / ( 0 + D )A/(A+B)0/(0+D)\frac{A/(A+B)}{0/(0+D)} ตอนนี้นักวิจัยต้องการทดสอบสมมติฐาน (ไม่รู้สึก) …

9 meta-analysis  odds-ratio  relative-risk