Разрыв между PET-PEESE и многоуровневым подходом к метаанализу: есть ли счастливое средство?


10

В настоящее время я работаю над метаанализом, для которого мне нужно проанализировать множественные величины эффекта, вложенные в образцы. Я неравнодушен к методу трехуровневого метаанализа Cheung (2014) к метаанализу зависимых величин эффекта, в отличие от некоторых других возможных стратегий (например, игнорирование зависимости, усреднение размеров эффекта в исследованиях, выбор одного размера эффекта или смещение единицы анализа). Многие из моих зависимых величин эффектов - это корреляции с довольно отличительными (но тематически связанными) переменными, поэтому усреднение по ним не имеет концептуального смысла, и даже если бы оно имело место, это сократило бы мое общее количество размеров эффектов для анализа почти наполовину.

В то же время, однако, я также заинтересован в использовании метода Стенли и Дукулиагос (2014) для решения проблемы смещения публикаций в ходе оценки метааналитического эффекта. В двух словах, можно использовать мета-регрессионную модель, прогнозирующую размеры эффекта исследования по их соответствующим отклонениям (тест эффекта точности или PET) или их соответствующие стандартные ошибки (оценка эффекта точности со стандартными ошибками или PEESE). В зависимости от значимости перехвата в модели PET в качестве оценочной публикации используется либо перехват из модели PET (если перехват PET p > .05), либо модель PEESE (если перехват PET p <.05). средняя величина эффекта без смещения.

Однако моя проблема проистекает из этой выдержки из Stanley & Doucouliagos (2014):

В наших моделях избыточная необъяснимая неоднородность всегда учитывается; таким образом, согласно традиционной практике, REE [оценщики случайных эффектов] должны быть предпочтительнее, чем FEE [оценщики с фиксированными эффектами]. Тем не менее, обычная практика не так, когда есть выбор публикации. При выборе статистической значимости REE всегда более предвзятый, чем FEE (Таблица 3). Эта предсказуемая неполноценность обусловлена ​​тем фактом, что REE само по себе является средневзвешенным значением простого среднего, которое имеет наибольшее смещение публикации, и FEE.

Этот отрывок заставляет меня поверить, что я не должен использовать PET-PEESE в мета-аналитических моделях со случайными эффектами / смешанными эффектами, но многоуровневая мета-аналитическая модель, по-видимому, требует оценки случайных эффектов.

Я разрываюсь относительно того, что делать. Я хочу быть в состоянии смоделировать все мои зависимые величины эффекта, но одновременно использовать этот конкретный метод исправления для смещения публикации. Есть ли какой-то способ для меня законно интегрировать трехуровневую стратегию мета-анализа с PET-PEESE?

Ссылки

Cheung, MWL (2014). Моделирование зависимых величин эффекта с помощью трехуровневого метаанализа: подход моделирования структурных уравнений. Психологические методы , 19 , 211-229.

Stanley, TD & Doucouliagos, H. (2014). Мета-регрессионные аппроксимации для уменьшения систематической ошибки выбора публикаций. Методы синтеза исследований , 5 , 60-78.

Ответы:


4

Я работал над метаанализом, следуя в основном подходу Ченга (но не 3 уровням), и недавно натолкнулся на подход PET-PEESE для исправления систематической ошибки публикации. Я также был заинтригован комбинациями двух подходов. Пока что мой опыт. Я думаю, что есть два способа решения вашей проблемы. Простой и более сложный.

Приведенная ниже цитата, кажется, предполагает, что случайные эффекты усугубляют предвзятость публикации, поэтому мне кажется, что, если вы подозреваете, что предвзятость публикации является проблемой, вы не можете просто использовать модель случайных эффектов.

При выборе статистической значимости REE всегда более предвзятый, чем FEE (Таблица 3). Эта предсказуемая неполноценность обусловлена ​​тем фактом, что REE само по себе является средневзвешенным значением простого среднего, которое имеет наибольшее смещение публикации, и FEE.

Я предполагаю, что предвзятость публикации является серьезной проблемой.

Простой подход: моделирование неоднородности в ПЭТ-ПЭЭС

Если я правильно понял вопросы, я думаю, что этот подход является наиболее прагматичной отправной точкой.

Подход PET-PEESE позволяет расширить мета-аналитические регрессии. Если источник неоднородности проистекает главным образом из различных переменных в величинах эффекта, вы можете смоделировать неоднородность как фиксированные эффекты, включив переменные индикатора (1/0) для каждой переменной *. Кроме того, если вы подозреваете, что некоторые переменные имеют лучшие свойства измерения или более тесно связаны с вашей конструкцией, представляющей интерес, вы, возможно, захотите взглянуть на стиль метаанализа Хантера и Шмидта. Они предлагают некоторые исправления для ошибки измерения.

Этот подход, вероятно, даст вам первоначальное представление о величине смещения публикации через перехваты PET и PEESE и о неоднородности, основанной на дисперсии фиксированных эффектов.

Более сложный подход: модель неоднородности и смещение публикации явно

Я имею в виду, что вы явно моделируете возникновение смещения публикаций в соответствии со статьями Стэнли и Дукулиагос. Вы также должны явно записать три уровня Cheung как случайные эффекты. Другими словами, этот подход требует, чтобы вы сами указали вероятность, и, вероятно, сам по себе является методологическим вкладом.

Я думаю, что можно определить такую ​​вероятность (с соответствующими априорами), следуя иерархическому байесовскому подходу в Stan, и использовать апостериорные оценки. В руководстве есть небольшой раздел по метаанализу. Список пользователей также очень полезен.

Второй подход, вероятно, излишним для того, что вы хотите на этом этапе, но он, вероятно, будет более правильным, чем первый подход. И мне было бы интересно, работает ли это.

* Если у вас много переменных (и не так много размеров эффекта), то лучше сгруппировать аналогичные переменные в группы (да, это суждение) и использовать переменные индикатора группы.

Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.