Odpowiedzialne udzielenie odpowiedzi na to (dobre) pytanie prawdopodobnie wymaga zajęcia się kwestiami metaanalizy wykraczającymi poza konwencjonalną meta-regresję. Napotkałem ten problem podczas konsultacji z metaanalizami klientów, ale nie znalazłem jeszcze ani nie opracowałem zadowalającego rozwiązania, więc ta odpowiedź nie jest ostateczna. Poniżej wymieniam pięć odpowiednich pomysłów z wybranymi cytatami referencyjnymi.
Najpierw przedstawię terminologię i notację w celu wyjaśnienia. Zakładam, że masz sparowany efekt wielkości (ES) dane z niezależnych badań, takich jak Study I „s ES szacuje y D i problemów pitnej (DP) i y A ja do niepokoju, i = 1 , 2 , ... , k , a także warunkowego / wariancji z próby Każda prognoza (tj kwadratu błąd standardowy), powiedzmy v D i i V ja . Oznaczają Chodźmy Study I „s dwa parametry ES (czyli prawda lub nieskończonej próbki ESS) jakokjayD iyA ii=1,2,…,kvDivAii i θ A i . Przyjmując tradycyjny pogląd na efekty losowe, że parametry ES różnią się losowo między badaniami, moglibyśmy określić ich średnie między badaniami i wariancje jako μ D = E ( θ D i ) i τ 2 D = V a r ( θ D i ) dla DP oraz jako μ A = E ( θ A i ) i τ 2 A = V a rθDiθAiμD=E(θDi)τ2D=Var(θDi)μA=E(θAi) na niepokój. W konwencjonalnej metaanalizie dla każdego DP i lęku osobno (np. Z dokładnością jako wagą) możemy założyć, że rozkład próbkowania każdego oszacowania ES jest normalny ze znaną wariancją - to znaczy, y D i | θ D i ∼ N ( θ D i , v D i ) i y A i | θ A i ∼ N ( θ A i , v A i ) z vτ2A=Var(θAi)yDi|θDi∼N(θDi,vDi)yAi|θAi∼N(θAi,vAi) i V i wiadomo, przynajmniej dla dużych próbek w badaniach klinicznych.vDivAi
Nie koniecznie trzeba wziąć losowe efekty zobaczyć tego problemu, ale powinniśmy pozwolić zarówno i θ í zmieniać wśród badań na pytania o ich związek sensu. Możemy być w stanie to zrobić również w heterogenicznym środowisku efektów stałych, jeśli będziemy ostrożni z procedurami i interpretacją (np. Bonett, 2009). Nie wiem też, czy twoje ES są korelacjami, (znormalizowane) średnie różnice, (log) iloraz szans, czy inną miarą, ale metryka ES nie ma większego znaczenia dla większości tego, co mówię poniżej.θDiθAi
Teraz przejdźmy do pięciu pomysłów.
1. Odchylenie ekologiczne: ocena związku między dwoma scenariuszami narażenia dotyczy pytania na poziomie badania , a nie przedmiotupytanie. Zauważyłem, że metaanalityk niewłaściwie interpretuje pozytywne skojarzenie między dwoma ES, takimi jak Twoja, w następujący sposób: Pacjenci, u których interwencja zmniejsza lęk, częściej zmniejszają się w przypadku DP. Analizy danych ES na poziomie badania nie obsługują takich stwierdzeń; ma to związek z uprzedzeniami ekologicznymi lub błędem ekologicznym (np. Berlin i in., 2002; McIntosh, 1996). Nawiasem mówiąc, jeśli posiadałeś indywidualne dane pacjenta / uczestnika (IPD) z badań lub pewne dodatkowe oszacowania próby (np. Korelacja każdej grupy między lękiem a DP), możesz odpowiedzieć na pewne pytania na poziomie moderacji lub mediacji obejmujące interwencję, lęk i DP, takie jak wpływ interwencji na skojarzenie lęk-DP lub pośredni wpływ interwencji na DP poprzez lęk (np. interwencja→→
yDiyAiyAiθDiθAiθDiθAiθAiyDiθAiθDi=β0+β1θAi+uiuiyDiyAiyAiθAivAiyDiθDiθAi
3. Ryzyko podstawowe:Kilku autorów odniosło się do problemów analogicznych do tych z # 2 w przypadku metaanalizy wpływu interwencji na wynik binarny. W takich metaanalizach często pojawia się obawa, że efekt leczenia zależy od prawdopodobieństwa lub wskaźnika wyniku w nieleczonej populacji (np. Większy efekt u pacjentów z wyższym ryzykiem). Kuszące jest stosowanie konwencjonalnej meta-regresji do przewidywania efektu leczenia na podstawie ryzyka grupy kontrolnej lub częstości zdarzeń, ponieważ ta ostatnia reprezentuje ryzyko podstawowe / populacyjne / bazowe. Kilku autorów wykazało jednak ograniczenia tej prostej strategii lub zaproponowało alternatywne techniki (np. Dohoo i in., 2007; Ghidey i in., 2007; Schmid i in., 1998). Niektóre z tych technik mogą być odpowiednie lub dostosowane do twojej sytuacji z udziałem dwóch ES z wieloma punktami końcowymi.
iyi=[yDi,yAi]θi=[θDi,θAi]Vi=[vDi,vDAi;vADi,vAi]μ=[μD,μA]T=[τ2D,τDA;τAD,τ2A]yDiyAiτDA=τADμTθDiθAiθDiθAiθDiθAiθAiθDiθAivDAi=vADi
5. SEM dla metaanalizy: Niektóre prace Mike'a Cheunga dotyczące formułowania modeli metaanalitycznych jako modeli równań strukturalnych (SEM) mogą stanowić rozwiązanie. Zaproponował sposoby wdrożenia szerokiej gamy jedno- i wielowymiarowych modeli metaanalizy o ustalonych, losowych i mieszanych efektach za pomocą oprogramowania SEM, i zapewnia oprogramowanie do tego:
http://courses.nus.edu.sg/course/psycwlm/internet/metaSEM/index.html
W szczególności Cheung (2009) podał przykład, w którym jedno ES jest traktowane jako mediator między zmienną towarzyszącą na poziomie badania a innym ES, co jest bardziej złożone niż twoja sytuacja w przewidywaniu jednego ES z drugim.
Bibliografia
Berlin, JA, Santanna, J., Schmid, CH, Szczech, LA, i Feldman, HI (2002). Indywidualne meta-regresje danych na poziomie pacjenta w porównaniu z grupą na potrzeby badania modyfikatorów efektów leczenia: uprzedzenie ekologiczne wywołuje brzydką głowę. Statystyka w medycynie, 21, 371–387. doi: 10.1002 / sim.1023
Bonett, DG (2009). Oszacowanie przedziału metaanalitycznego dla standardowych i niestandardowych różnic średnich. Metody psychologiczne, 14, 225–238. doi: 10.1037 / a0016619
Cheung, MW-L. (2009, maj). Modelowanie wielowymiarowych rozmiarów efektów za pomocą modeli równań strukturalnych. W AR Hafdahl (Przewodniczący), Postępy w metaanalizie dla wielowymiarowych modeli liniowych. Zaproszone sympozjum przedstawione na spotkaniu Association for Psychological Science, San Francisco, CA.
Dohoo, I., Stryhn, H., i Sanchez, J. (2007). Ocena ryzyka podstawowego jako źródła niejednorodności w metaanalizach: Badanie symulacyjne bayesowskich i częstych implementacji trzech modeli. Preventive Veterinary Medicine, 81, 38-55. doi: 10.1016 / j.prevetmed.2007.04.010
Ghidey, W., Lesaffre, E., i Stijnen, T. (2007). Modelowanie półparametryczne rozkładu ryzyka podstawowego w metaanalizie. Statystyka w medycynie, 26, 5434-5444. doi: 10.1002 / sim.3066
Jackson, D., White, IR i Thompson, SG (2010). Rozszerzenie metodologii DerSimonian i Lairda na wykonywanie metaanaliz wielowymiarowych efektów losowych. Statystyka w medycynie, 29, 1282-1297. doi: 10.1002 / sim.3602
McIntosh, MW (1996). Kontrolowanie parametru ekologicznego w metaanalizach i modelach hierarchicznych (rozprawa doktorska). Dostępne w bazie danych rozpraw i prac ProQuest. (UMI nr 9631547)
Riley, RD, Thompson, JR i Abrams, KR (2008). Alternatywny model dwuwymiarowej metaanalizy efektów losowych, gdy korelacje w obrębie badania nie są znane. Biostatistics , 9, 172–186. doi: 10.1093 / biostatistics / kxm023
Schmid, CH, Lau, J., McIntosh, MW, i Cappelleri, JC (1998). Badanie empiryczne wpływu wskaźnika kontroli jako predyktora skuteczności leczenia w metaanalizie badań klinicznych. Statistics in Medicine, 17, 1923-1942. doi: 10.1002 / (SICI) 1097-0258 (19980915) 17:17 <1923 :: AID-SIM874> 3.0.CO; 2-6
White, IR (2011). Wieloczynnikowa meta-regresja efektów losowych: Aktualizacje mvmeta. Stata Journal, 11, 255–270.