机器算法验证 - 如何最好地处理荟萃分析中的子分数？ - 吾爱随笔录

如何最好地处理荟萃分析中的子分数？

机器算法验证 r 荟萃分析规模效应元回归

2022-03-20 12:40:06

我正在使用 metafor 包对 R 中的效应大小d进行荟萃分析。d代表患者和健康人之间记忆分数的差异。然而，一些研究只报告了感兴趣的测量d的子分数（例如，几个不同的记忆分数或来自三个单独的记忆测试块的分数）。请参阅以下虚拟数据集，其中d代表研究的效果大小及其标准偏差 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)

我想就如何处理这些子分数的最佳方式征求您的意见 - 例如：

从报告多于一个分数的每项研究中选择一个子分数。
包括所有子分数（这将违反 rfx 模型独立性的假设，因为一项研究的子分数来自同一样本）
对于报告子分数的每项研究：计算平均分数和平均标准差，并将此“合并效应大小”包括在 rfx 荟萃分析中。
包括所有子分数并添加一个虚拟变量，指示某个分数来自哪个研究。

2个回答

这种类型的数据称为相关效应大小。可以使用几种方法来处理依赖关系。我建议使用三级荟萃分析（Cheung, 2014; Konstantopoulos, 2011; Van den Noortgate et al. 2013）。它将变异分解为 2 级和 3 级异质性。在您的示例中，2 级和 3 级异质性是指由于子量表和研究引起的异质性。在 R 中实现的 metaSEM 包 ( http://courses.nus.edu.sg/course/psycwlm/Internet/metaSEM/ ) 提供了进行三级元分析的功能。例如，

## Your data
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))

## Load the library with the data set  
library(metaSEM)
summary( meta3(y=d, v=sd^2, cluster=study, data=my_data) )

输出是：

Running Meta analysis with ML 

Call:
meta3(y = d, v = sd^2, cluster = study, data = my_data)

95% confidence intervals: z statistic approximation
Coefficients:
            Estimate  Std.Error     lbound     ubound z value  Pr(>|z|)    
Intercept 4.9878e+00 4.2839e-01 4.1482e+00 5.8275e+00  11.643 < 2.2e-16 ***
Tau2_2    1.0000e-10         NA         NA         NA      NA        NA    
Tau2_3    1.0000e-10         NA         NA         NA      NA        NA    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Q statistic on homogeneity of effect sizes: 0.1856967
Degrees of freedom of the Q statistic: 4
P value of the Q statistic: 0.9959473
Heterogeneity indices (based on the estimated Tau2):
                              Estimate
I2_2 (Typical v: Q statistic)        0
I2_3 (Typical v: Q statistic)        0

Number of studies (or clusters): 3
Number of observed statistics: 5
Number of estimated parameters: 3
Degrees of freedom: 2
-2 log likelihood: 8.989807 
OpenMx status1: 1 ("0" and "1": considered fine; other values indicate problems)

在此示例中，第 2 级和第 3 级异质性的估计值接近于 0。还可以包括第 2 级和第 3 级协变量来模拟异质性。有关三级元分析的更多示例，请访问http://courses.nus.edu.sg/course/psycwlm/Internet/metaSEM/3level.html

参考

张，MW-L。（2014）。使用三级荟萃分析对相关效应大小进行建模：一种结构方程建模方法。心理方法，19（2），211-29。doi: 10.1037/a0032968。

康斯坦托普洛斯，S. (2011)。三级荟萃分析中的固定效应和方差分量估计。研究合成方法，2（1），61-76。doi:10.1002/jrsm.35

Van den Noortgate, W., López-López, JA, Marín-Martínez, F., & Sánchez-Meca, J. (2013)。相关效应大小的三级荟萃分析。行为研究方法，45（2），576-594。doi:10.3758/s13428-012-0261-6

我同意这是一个棘手的情况。这些只是一些想法。

是否平均 d 效果大小： 如果您对子量表不感兴趣，那么我的第一选择是在给定研究中取子量表的平均效果大小。

这假设所有子量表都与您的研究问题同样相关。如果某些量表更相关，那么我可能只使用这些子量表。

如果您对子量表之间的差异感兴趣，那么将每个子量表的效果大小包含在类型中是有意义的。

d 效果大小的标准误差：假设您正在使用一个公式来根据 d 的值和组样本大小来计算 d 的标准误差。调整这个公式，我们得到

s e (d) = \sqrt{(\frac{n_{1} + n_{2}}{n_{1} n_{2}} + \frac{d^{2}}{2 (n_{1} + n_{2} - 2)}) (\frac{n_{1} + n_{2}}{n_{1} + n_{2} - 2})},

$se(d) = \sqrt{\left( \frac{n_1 + n_2}{n_1 n_2} + \frac{d^2}{2(n_1+n_2-2)}\right) \left(\frac{n_1 + n_2}{n_1+n_2-2} \right)},$

在哪里 $n_1$ 和 $n_2$ 是被比较的两组的样本量，并且 $d$ 是科恩的 $d$ .

我想您可以应用这样的公式来计算子量表的平均 d 值的标准误差。

其它你可能感兴趣的问题

上一篇在逻辑回归中为高度倾斜的数据集添加权重下一篇回归到均值谜题