Без многоуровневого моделирования, как справиться с репликацией внутри исследования в метаанализе, где исследование является единицей репликации?

Описание исследования:

Я наблюдал распространенную ошибку среди метаанализов в отношении обработки репликации в рамках исследования. Мне не ясно, если ошибка делает недействительными исследования, когда высказываются предположения. Однако, насколько я понимаю, эти предположения нарушают основную статистическую предпосылку.

В качестве примера, исследование проверяет влияние химического на ответ . $X$ $Y$

Анализ проводят по логарифмическому соотношению: отношение лечения (в присутствии ) к контролю (без ): $Y_{+X}$ $X$ $Y_{0}$ $X$

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

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

Некоторые из исследований , включенных в мета-анализ содержит несколько процедур, например , различные уровни или химические формы . Для каждой обработки существует различное значение , хотя всегда использует одно и то же значение . $X$ $R$ $R$ $Y_0$

Методы утверждают:

Ответы на различные методы лечения (уровни и формы ) в рамках одного исследования считались независимыми наблюдениями. $X$

Вопросов:

Разве это не псевдорепликация?
Это неуместно, даже если в методах указано нарушение независимости?
Что было бы простым способом (например, в пределах способности простого пакета программного обеспечения мета-анализа) обрабатывать в рамках репликации исследования?

Начальные мысли:

Суммируйте результаты каждого исследования, например, взяв средний ответ
Выберите только одно лечение из каждого исследования на основе априорных критериев (например, самая высокая доза, первое измерение)?

Есть ли другие решения?

repeated-measures meta-analysis

— Дэвид Лебауэр
источник

Это всего лишь быстрое предположение, но вы можете проверить Ким / Беккер 2010: Степень зависимости между размерами эффектов многократного лечения ; Я не читал статью, но это может быть связано с вашим вопросом.

— Бернд Вайс

Действительно ли метаанализ просто усредняет все эти значения R? Это кажется довольно странным по сравнению, например, с попыткой мета-регрессии - в этом случае различия между R на разных уровнях X могут быть тем, что вам интересно объединить в разных исследованиях.

— Гость

@ Да, они действительно такие; Было бы интересно, как различные уровни X влияют на R, но вопрос ставится просто «есть ли эффект X»? В этом контексте может быть ограничена возможность проверить влияние X на R (реакция экосистемы на добавление питательных веществ) из-за разнообразия методов и условий исследования.

— Дэвид Лебауэр

Вы правы, это проблема. Не так много с точечными оценками, но меры точности (то есть стандартные ошибки) будут слишком малы; он игнорирует многократное использование данных контрольной группы. Однако это не должно быть новостью для кого-либо в метаанализе. Вышеупомянутая статья Кима / Беккера - это в основном переосмысление с признанием Gleser & Olkin (1994). Стохастически зависимые величины эффекта. В Cooper & Hedges (Eds), Справочник по синтезу исследований (стр. 339–355). Эта книга является стандартным текстом в этой области, я думаю, теперь во втором издании.

— гость

Ответы:

Да, это проблема, потому что в ответах есть выборочная зависимость, которую нужно было учесть (хотя иногда эффект может быть незначительным, и мы все время нарушаем допущение, когда проводим статистический анализ). Существуют методы для решения этой проблемы. Один из подходов состоит в том, чтобы включить ковариации между соответствующими экспериментами (недиагональные блоки) в матрицу дисперсии-ковариации ошибки (см., Например, Hedges et al., 2010). К счастью, с логарифмами это довольно просто. Вы можете получить приблизительные ковариации между экспериментами, потому что дисперсия (var) log R равна (если Yx и Y0 независимые группы): log Yx - log Y0, чтобы следовать обозначениям в вопросе, Yx относится к экспериментальной группе, а Y0 - контрольная группа. Ковариация (cov) между двумя значениями (например, обработка 1 och обработка 2) для log R представляет собой cov (лог Yx_1 - log Y0, log Yx_2 - log Y0), что равно var (log Y0) и рассчитывается как SD_Y0 / (n_Y0 * Y0), где SD_Y0 - стандартное отклонение Y0, n_Y0 - размер выборки в контрольной обработке, а Y0 - значение в контрольной обработке. Теперь мы можем подключить всю матрицу дисперсии-ковариации в нашу модель вместо того, чтобы использовать только дисперсии (ei), которые являются классическим способом выполнения мета-анализа. Пример этого можно найти вLimpens et al. 2011 с использованием пакета metahdep в R (на биокондукторе) или Stevens and Taylor 2009 для D. Хеджа

Если вы хотите, чтобы все было очень просто, я бы соблазнился проигнорировать проблему и попытаться оценить эффект зависимости выборки (например, сколько обработок проводится в исследованиях? Как меняются результаты, если я использую только одну обработку? И т. Д.) ,

— GGeco
источник

Да, это проблема.

Да, это неуместно, хотя, по крайней мере, он прозрачен в том, что делает (он получает очки за прозрачность, но все же не является удовлетворительным).

Я сомневаюсь, что есть "легкий способ" исправить это. Я не знаю много о подходах к мета-анализу, но если есть специальное программное обеспечение для мета-анализа, и подобные исследования производятся с его использованием и публикуются, это вполне может быть общий подход. Любой из ваших предложенных ответов теряет некоторую детализацию информации из каждого исследования (то есть противоположную проблему того, что сделали издатели).

Очевидным решением является модель со смешанными эффектами (т.е. многоуровневая) с изучением в качестве случайного фактора. Я бы предложил использовать для этого специальный статистический пакет, если программное обеспечение мета-анализа не может этого сделать. Вы все еще можете использовать программное обеспечение мета-анализа для хранения и обработки данных и просто экспортировать данные в R, Stata или SAS для анализа.

— Питер Эллис
источник

Я думал о клинических испытаниях и задавался вопросом, было ли это нормально в ситуации, когда кривая доза-ответ была результатом, потому что тогда она могла бы сравнивать функции кривой. Это возможно?

— Мишель

Я не думаю, что это имеет большое значение для проблемы, что несколько результатов одного исследования будут каким-то образом коррелированы и, следовательно, не будут «новой» информацией. Но метаанализ функций кривой, безусловно, был бы возможен, если вы каким-то образом контролировали корреляцию между различными оценками этих кривых. Если они все имеют одинаковую форму, и это просто вопрос оценки параметров, это должно быть возможно.

— Питер Эллис

@ Мишель Я согласен с Питером: если вы суммируете параметры кривой, то вы получите одну оценку параметров для каждой кривой, и это должно быть хорошо.

— Abe