MerQuR+Başvuru Kitabı

195. Çok değişkenli (çok sonuçlu) meta-analiz

Şablon kimliği: cok_degiskenli_meta · Kategori: meta-analiz · Dil: R · Dosya: pro/sablonlar/meta_analiz/cok_degiskenli_meta.R (satır 1–238; üstbilgi 1–94) · Örnek veri: _ornek/berkey1998.csv · Paketler: metafor 5.2-1, R 4.5.3

195.1 Ne işe yarar

Şablon, aynı çalışmalarda ölçülmüş ilişkili birden çok sonucu (ör. diş eti cebi derinliği ve bağlanma düzeyi) tek modelde birleştirir. Her sonucun ortak (birleştirilmiş) etkisi ayrı kestirilir; ama çalışmalar arası gerçek etkilerin sonuçlar arası kovaryansı ve çalışma içi örnekleme kovaryansı hesaba katılır (Berkey ve ark., 1998; Jackson ve ark., 2011). Kestirim metafor::rma.mv ile (Viechtbauer, 2010), ML ya da REML ile yapılır.

\mathbf y_j=\mathbf X_j\boldsymbol\beta+\mathbf u_j+\mathbf e_j,\qquad \mathbf u_j\sim N(\mathbf 0,\mathbf G),\qquad \mathbf e_j\sim N(\mathbf 0,\mathbf V_j)
  • \mathbf y_j: j. çalışmanın gözlenen etkileri (çalışmada bulunan sonuçlar için bir vektör); \mathbf X_j: hangi satırın hangi sonuca ait olduğunu (ve varsa moderatörleri) gösteren tasarım matrisi; \boldsymbol\beta: sonuca göre birleştirilmiş etkiler.
  • \mathbf u_j: çalışmaya özgü gerçek etki sapmaları; \mathbf G (p\times p, p sonuç sayısı): bunların kovaryansı. Şablon dört yapı sunar (195.4.2).
  • \mathbf e_j: örnekleme hatası; \mathbf V_j çalışma içi örnekleme kovaryansıdır ve bilinen sayı olarak verilir (kestirilmez).

Ortak etkiler \mathbf T_j=\mathbf V_j+\mathbf G_{(j)} marjinal kovaryanslı genelleştirilmiş en küçük karelerle bulunur (\mathbf G_{(j)}: \mathbf G'nin çalışmada bulunan sonuçlara karşılık gelen alt matrisi). Şablon ayrıca gerçek etkiler arası korelasyonu, artık heterojenlik (Q_E) ve katsayı (Q_M) testlerini, bilgi ölçütlerini ve UN yapısının bileşik simetriye (CS) karşı olabilirlik oranı testini verir.

Ne zaman kullanılır? Aynı çalışmalarda ikiden çok sonuç vardır, bu sonuçlar aynı katılımcılardan ölçüldüğü için ilişkilidir ve çalışma içi kovaryansı biliyorsunuz (ya da bir korelasyon varsayabiliyorsunuz). Kazanç: ilişkili sonuçlardan ödünç alınan güç (özellikle bir sonucun bazı çalışmalarda eksik olduğu durumda) ve sonuçlar arası ilişkinin kestirilmesi.

Ne zaman kullanılmaz?

  • Çalışma başına tek sonuç varsa: temel programdaki tek değişkenli meta-analiz; şablon "en az 2 düzey" ister (195.2).
  • Aynı sonucun birden çok etkisi (ör. çok sayıda ölçüm zamanı) bir çalışmada tekrarlanıyorsa ve sonuç türü ayırt edilmiyorsa: cok_duzeyli_meta (Bölüm 196). Bu şablon bir çalışmada aynı sonucun yinelenmesini reddeder.
  • Üç ya da daha çok tedavinin karşılaştırıldığı ağ için: ag_meta (Bölüm 194).
  • Çalışma içi kovaryans bilinmiyor ve makul bir korelasyon da varsayılamıyorsa: çok düzeyli model ve küme-sağlam SH (Bölüm 196) bu belirsizliği tolere eder.
  • Çok az çalışma (örnek veride 5): \mathbf G'nin sonuçlar arası korelasyonu bile güvenilmez kestirilir; sonuçlar sınırda kalabilir (195.8).

Temel programla ilişki. Temel programda çok değişkenli meta-analiz yoktur; sonuçlar ayrı ayrı tek değişkenli çözümlenir ve sonuçlar arası ilişki yok sayılır. Bu şablon ilişkiyi hesaba katar.

195.2 Şablonun girdileri

Form, üstbilgideki 13 [[param]] bloğundan kurulur (cok_degiskenli_meta.R:10–93). Türlerin anlamı ve ortak denetimi Bölüm 1.2'dedir. yi, vi ve v_sutunlar sayısal roldür: Veri sekmesinde "kategorik" görünse de R'ye sayı gider (Bölüm 1.3). Çalışma ve sonuç sütunları kategorik_sutun'dur; factor() ile düzeylenir (141–142).

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Etki büyüklüğü · yi sayısal sütun · Değişkenler uygun ilk sayısal sütun sayısal sütun \mathbf y (10–14, 140).
Çalışma kimliği · calisma kategorik sütun · Değişkenler uygun ilk sütun sütun Küme: çalışma (15–19, 141).
Sonuç (ölçüt) değişkeni · sonuc kategorik sütun · Değişkenler uygun ilk sütun \ge2 düzey Sonuç düzeyleri (20–24, 142).
Çalışma içi kovaryans sütunları · v_sutunlar sütunlar (sayısal, isteğe bağlı) · Değişkenler boş sayısal sütunlar \mathbf V_j blokları; j. sütun j. sonuca karşılık gelir (25–31, 120–135, 150–161).
Örnekleme varyansı · vi sayısal sütun (isteğe bağlı) · Değişkenler boş sayısal sütun v; \rho ile \mathbf V_j (32–37, 162–169).
Varsayılan çalışma içi korelasyon · rho ondalık · Seçenekler 0,5 -0{,}99–0{,}99 Yalnız vi yolunda (38–45, 165).
Gerçek etkilerin kovaryans yapısı · yapi seçim · Model UN UN, CS, HCS, DIAG struct (46–52, 184).
Kestirim yöntemi · yontem seçim · Model REML REML, ML method (53–59, 184).
Moderatörler · moderator sütunlar (isteğe bağlı) · Değişkenler boş sütunlar Sonuca özgü eğimler (60–65, 180).
UN'yi CS ile karşılaştır · cs_karsilastir onay · Seçenekler açık açık/kapalı LRT (66–71, 204–209).
Katsayı testleri ve GA · test seçim · Seçenekler z z, t test (72–78, 184).
Güven düzeyi · guven ondalık · Seçenekler 0,95 0,5–0,999 level (79–86, 184).
Eniyileme algoritması · optimizer seçim · Gelişmiş nlminb nlminb, optim, nlm control (87–93, 181).

Örnek ayar (ornek_param, satır 9): yi = yi, calisma = trial, sonuc = outcome, v_sutunlar = [v1i, v2i], yontem = ML; öteki varsayılan (yapi = UN, test = z, rho = 0,5, cs_karsilastir açık).

Tohum. Hesap belirlenimcidir; rastgele adım yoktur. Kod panelindeki isteğe bağlı Tohum alanı (Bölüm 1.3) sonucu etkilemez. Şablonun kendi formunda tohum alanı yoktur.

Şablonun kendi denetimleri (mq_hata):

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 98
yi, calisma, sonuc üçü ayrı değil "Etki, çalışma ve sonuç sütunları farklı olmalı." 100
Ne v_sutunlar ne vi seçili "Çalışma içi kovaryans sütunlarını ya da bir varyans sütununu seçin." 103
Eksiksiz satır <4 "Eksiksiz en az 4 satır gerekli." 139
Sonuç düzeyi <2 "Sonuç değişkeninde en az 2 düzey gerekli …" 146
Çalışma sayısı <3 "En az 3 çalışma gerekli." 147
Bir çalışmada aynı sonuç birden çok "… her çalışma-sonuç çifti tek satır olmalı." 118
yi sabit "Etki büyüklükleri sabit." 148
Sonuç sayısı > kovaryans sütunu sayısı "… sonuç var, ancak yalnız … kovaryans sütunu seçildi; her sonuç için bir kovaryans sütunu gerekir." 126
Çalışmada iki sonuç arasındaki kovaryans hücresi boş (karşı yarı da boş) "'…' çalışmasında '…' ile '…' sonuçları arasındaki kovaryans hücresi boş." 157–158
Çalışmanın kovaryans matrisi simetrik değil "… kovaryans matrisi simetrik değil; kovaryans sütunlarının sonuç sırasıyla (…) eşleştiğini denetleyin." 159
Varyans sonlu değil ya da \le0 "Örnekleme varyansları pozitif olmalı." 171
\mathbf V pozitif tanımlı değil "Çalışma içi kovaryans matrisi pozitif tanımlı değil." 173
Moderatör sabit/tek düzeyli "Moderatör '…' sabit ya da tek düzeyli." 177
rma.mv hata verirse "Model kurulamadı: …" 185

Yalnız çözümlemede gerçekten kullanılan sütunlardaki eksikler satırı düşürür (112–116); atılan satır sayısı konsola yazılır (136–138). Kullanılmayan kovaryans hücresindeki boşluk (ör. tek sonuçlu çalışmanın öteki sonuca ait kovaryans sütunu) satırı düşürmez. Bir satırın kendi sonucuna ait varyans sütunu boşsa satır "kendi varyans sütunu boş" notuyla çıkarılır (128–132). Kovaryans sütunları sonuç adıyla eşleşir: j. sütun, sonuç sırasındaki j. sonuçtur (195.4.1) ve eşleşme konsola yazılır ("v1i = PD; v2i = AL", 133–134). v_sutunlar ve vi birlikte seçilirse v_sutunlar kullanılır ve vi ile \rho'nun yok sayıldığı not edilir (104–109).

195.3 Örnek veri

berkey1998.csv, Berkey ve ark. (1998) periodontal cerrahi meta-analizidir (metafor paketinin dat.berkey1998 verisi): 5 çalışma, her biri iki sonuç (PD: cep derinliği, AL: bağlanma düzeyi); 10 satır, eksik değer yok.

Değişken Rol Tür (veri sekmesinin algıladığı) Özet
trial çalışma sayısal (tamsayı) 1–5
outcome sonuç kategorik PD, AL (her çalışmada ikisi)
yi etki büyüklüğü sayısal PD: 0{,}20–0{,}56; AL: -0{,}60–-0{,}12
v1i, v2i çalışma içi kovaryans sütunları sayısal 7\cdot10^{-4}–0{,}0304
year, ni, author (örnekte kullanılmaz) sayısal, sayısal, metin yıl 1979–1988; çalışma büyüklüğü 14–89

Kovaryans sütunları, çalışmanın kovaryans matrisinin sütunlarıdır: j. sütun, sonuç sırasındaki j. sonuca karşılık gelir. Çalışma 1'in PD satırında v1i =0{,}0075 (PD varyansı), v2i =0{,}0030 (PD–AL kovaryansı); AL satırında v1i =0{,}0030, v2i =0{,}0077 (AL varyansı). Sonuç sırası, en çok sonuçlu ilk çalışmanın satır sırasıdır (PD, AL); şablon eşleşmeyi konsola yazar.

Düzey sırası: sonuç düzeyleri veriyle gelir; factor() onları sıralar (alfabetik: AL, PD). Tablolardaki sıra budur ve katsayı vektörünün sırası da böyledir. Çalışma sırası yalnız satırları gruplamak içindir (kararlı sıralama, 143). Kovaryans sütunlarının eşleştiği sonuç sırası ise alfabetik değil, verideki sıradır (PD, AL; 195.4.1).

Bu bölümde kullanılan çalıştırmalar (ayrıntı dogrulama/cok_degiskenli_meta/):

Ad Ayar
q4_cd_ornek örnek ayar (UN, ML)
q4_cd_un_reml, q4_cd_cs_ml, q4_cd_cs_reml, q4_cd_hcs_reml, q4_cd_diag_reml yapı ve yöntem değişimleri
q4_cd_t, q4_cd_optim, q4_cd_nlm, q4_cd_cs_yok test = t ve guven = 0,90; eniyileyiciler; CS karşılaştırması kapalı
q4_cd_yil, q4_cd_yilreml moderatör year (ML, REML)
q4_cd_vi, q4_cd_vi0, q4_cd_vi8 varyans sütunu + \rho=0{,}5; 0; 0{,}8 (bk_vi.csv)
q4_cd_uc_un, q4_cd_uc_cs, q4_cd_uc_hcs, q4_cd_uc_diag 3 sonuçlu benzetim verisi (8 çalışma; bk3_uc_sonuc.csv), REML
q4_cd_eksik, q4_cd_eksik2, q4_cd_sirali, q4_cd_tekrar, q4_cd_pd_degil, q4_cd_kat, q4_cd_iki_vsut_vi veri türevleri: bir çalışmadan PD satırı çıkarıldı; ayrıca AL satırının ikinci kovaryans hücresi boş; çalışma 2'nin satırları ters sıralı; yinelenen çalışma-sonuç; pozitif tanımsız kovaryans; yi/v sütunları kategorik; v_sutunlar ve vi birlikte

195.4 Yöntem: formüller ve hesap adımları

Şablon veriyi doğrular ve çalışma ile sonuç faktörlerini kurar (98–148), çalışma içi kovaryans matrisini \mathbf V (blok-köşegen) kurar (149–173), moderatör formülünü yazar ve rma.mv(…) ile modeli kestirir (179–187). Çıktıyı yazar ve UN seçiliyse CS'yi de kestirip karşılaştırır (188–222).

195.4.1 Çalışma içi kovaryans \mathbf V

İki yol vardır.

(a) Kovaryans sütunları (varsayılan yol). j. sütun, sonuç sırasındaki j. sonuçtur (\pi(o): sonucun sıra numarası). Çalışmanın r. satırı o_r sonucuna aitse, \mathbf V_j'nin (r,c) öğesi r. satırın \pi(o_c). kovaryans sütunundaki değeridir (155):

V_{j}[r,c]=d_{r,\ \pi(o_c)}\quad (r,c=1,\dots,n_j),\qquad \mathbf V_j=\mathbf V_j^{\top}
  • d_{r,k}: r. satırın k. kovaryans sütunundaki değeri. Bir sonuç eksikse yalnız ilgili sütunlar kullanılır; çalışmadaki satırların sırası önemsizdir. Bir hücre boşsa karşı yarıdaki (simetrik) değerle tamamlanır, ikisi de boşsa şablon durur (156–158). \mathbf V_j simetrik olmalıdır (görece 10^{-8} içinde, 159); değilse şablon durur ve sütunların hangi sonuç sırasına göre okunduğunu yazar.
  • Sonuç sırası: en çok sonuçlu ilk çalışmanın satır sırası, ardından öteki sonuçlar verideki ilk görünüş sırasıyla (121–125). Bir satırın kendi varyans sütunu boşsa satır çıkarılır (128–132).

(b) Varyans sütunu ve \rho. Yalnız bir varyans sütunu verilirse (vi), çalışma içi kovaryans varsayılan korelasyonla kurulur (162–169):

V_{ab}=\rho\sqrt{v_av_b}\quad(a\ne b,\ \text{aynı çalışma}),\qquad V_{aa}=v_a
  • \rho: rho (0{,}5); tüm çiftlere aynı değer uygulanır. Sonuçlar \rho'ya duyarlıdır: örnek veride (v ayrı sütun) \hat\beta_{AL} -0{,}3186 (\rho=0), -0{,}3455 (\rho=0{,}5), -0{,}3591 (\rho=0{,}8) olur.

Sonra köşegen pozitifliği ve \mathbf V'nin en küçük özdeğeri denetlenir (171–173).

195.4.2 Gerçek etkilerin kovaryans yapısı \mathbf G

\mathbf G_{\text{UN}}=\operatorname{diag}(\boldsymbol\tau)\,\mathbf R\,\operatorname{diag}(\boldsymbol\tau),\qquad \mathbf G_{\text{CS}}=\tau^2\big[(1-\rho_\tau)\mathbf I+\rho_\tau\mathbf J\big]
\mathbf G_{\text{HCS}}=\operatorname{diag}(\boldsymbol\tau)\big[(1-\rho_\tau)\mathbf I+\rho_\tau\mathbf J\big]\operatorname{diag}(\boldsymbol\tau),\qquad \mathbf G_{\text{DIAG}}=\operatorname{diag}(\tau_1^2,\dots,\tau_p^2)
  • \tau_a^2: a sonucunun çalışmalar arası varyansı; \mathbf R gerçek etkiler arası korelasyon matrisi; \mathbf J birler matrisi; \rho_\tau ortak korelasyon.
  • Serbest parametre sayısı: UN p(p+1)/2 (p=2: 3), CS 2, HCS p+1 (3), DIAG p (2). İki sonuçta UN ile HCS aynı modeldir (3 parametre); örnekte sonuçları ikisinde de aynıdır (q4_cd_un_reml, q4_cd_hcs_reml).

Koddaki tercih

rma.mv(.yi, V, mods = ~ 0 + .son [+ .son:x…], random = ~ .son | .cal, struct = yapi, data = d, method = yontem, test = test, level = 100·guven, control = ctl) (183–187). .son sonuç faktörüdür (kesişimsiz; her düzeyin kendi ortalaması); random = ~ .son | .cal çalışma içinde sonuçlar arası korelasyonlu rastgele etki kurar. CS yapısında tek \tau^2 vardır ve tablo bunu her sonuç için yineler (195). Moderatör eklenirse formül ~ 0 + .son + .son:x olur: her sonucun kendi eğimi vardır.

195.4.3 Olabilirlik, kestirim ve testler

Marjinal olabilirlik çalışma başına çok değişkenli normaldir; \mathbf T=\mathbf V+\mathbf G blok-köşegen olmak üzere, \mathbf r=\mathbf y-\mathbf X\hat{\boldsymbol\beta}:

\ell_{\text{ML}}=-\tfrac12\Big[N\ln2\pi+\ln|\mathbf T|+\mathbf r^{\top}\mathbf T^{-1}\mathbf r\Big],\qquad \ell_{\text{REML}}=\ell_{\text{ML}}-\tfrac12\ln\frac{|\mathbf X^{\top}\mathbf T^{-1}\mathbf X|}{|\mathbf X^{\top}\mathbf X|}+\tfrac{p}{2}\ln2\pi
  • N: satır sayısı; p: \boldsymbol\beta'nın uzunluğu. REML \boldsymbol\beta'yı olabilirlikten ayırır ve varyans bileşenlerinin ML yanlılığını azaltır; küçük çalışma sayısında ML varyanslarını küçük kestirir (örnek veri: \hat\tau^2_{AL} ML 0{,}0261 karşı REML 0{,}0327).
  • \hat{\boldsymbol\beta}=(\mathbf X^{\top}\mathbf T^{-1}\mathbf X)^{-1}\mathbf X^{\top}\mathbf T^{-1}\mathbf y, \operatorname{Var}(\hat{\boldsymbol\beta})=(\mathbf X^{\top}\mathbf T^{-1}\mathbf X)^{-1}.

Katsayı testi: z=\hat\beta/\widehat{\mathrm{se}} normal ya da test = t ile serbestlik derecesi N-p olan t ile; aralıklar \hat\beta\pm c\,\widehat{\mathrm{se}} (c: kritik değer, düzey guven).

Q_E ve Q_M.

Q_E=(\mathbf y-\mathbf X\hat{\boldsymbol\beta}_V)^{\top}\mathbf V^{-1}(\mathbf y-\mathbf X\hat{\boldsymbol\beta}_V),\ \ \mathrm{sd}=N-p;\qquad Q_M=\hat{\boldsymbol\beta}^{\top}\operatorname{Var}(\hat{\boldsymbol\beta})^{-1}\hat{\boldsymbol\beta},\ \ \mathrm{sd}=p
  • \hat{\boldsymbol\beta}_V: yalnız örnekleme ağırlığıyla (\mathbf V^{-1}) bulunan katsayılar; Q_E "örnekleme hatasından fazla değişkenlik var mı" sorusunu sınar ve \mathbf G kestiriminden bağımsızdır. Örnekte Q_E=128{,}2267 (sd 8, p<10^{-23}).
  • Q_M: bütün katsayıların (p tanesi; sonucun ortalamaları ve moderatör eğimleri dahil) sıfır olduğunu sınayan Wald ölçütüdür. Moderatör yokken sonuç ortalamalarının hepsinin sıfır olması sınanır; moderatör varken yalnız eğimleri sınamaz. Bu yüzden tabloda QM_sd (serbestlik derecesi) yazılır ve moderatör varsa yalnız eğimler için ayrı Wald testi eklenir (QM_egimler, QM_egimler_sd, QM_egimler_p; 210–217).

Olabilirlik oranı. UN seçili ve cs_karsilastir açıksa, aynı yöntemle CS kurulur ve \mathrm{LRT}=2(\ell_{\text{UN}}-\ell_{\text{CS}}), \mathrm{sd}=q_{\text{UN}}-q_{\text{CS}} (=1 iki sonuçta), p=\chi^2 kuyruğu (204–209). Örnekte \mathrm{LRT}=1{,}2702, p=0{,}2597: UN'nin üç parametresi, CS'nin ikisine karşı gerekmiyor.

Bilgi ölçütleri. \mathrm{AIC}=-2\ell+2q, \mathrm{BIC}=-2\ell+q\ln n^{*}; q = varyans bileşeni sayısı +p (REML'de de p eklenir; metafor tanımı), n^{*}=N (ML) ya da N-p (REML). Örnek (ML): \ell=5{,}840657, q=3+2=5, \mathrm{AIC}=-1{,}6813, \mathrm{BIC}=-0{,}1684.

Eniyileme. Varsayılan nlminb; optim (Nelder–Mead) ve nlm seçilebilir. Üçü örnekte katsayıları 10^{-5} içinde aynı verir (q4_cd_optim, q4_cd_nlm); ama sonuncu basamaklarda eniyileyiciye bağlıdır (195.8).

195.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
95–100 .m(); metafor yüklenir; veri denetimi; üç sütunun farklılığı.
101–111 Kovaryans sütunları (çıkar: yi, çalışma, sonuç) ve varyans sütunu; ikisi birlikte seçilirse not; moderatörler; sütunların seçimi. vi yok sayılırsa not yazılır.
112–119 Yalnız kullanılan sütunlardaki eksikler satırı düşürür; tekrarlayan çalışma-sonuç denetimi. Kullanılmayan kovaryans hücreleri satırı düşürmez.
120–135 Sonuç sırası, sütun–sonuç eşleşmesi (pos), kendi varyansı boş satırların çıkarılması, eşleşme notu. Eşleşme sonuç adıyladır.
136–148 Atılan satır notu; \ge4 satır; .yi (mq_sayisal), .cal, .son; çalışmaya göre kararlı sıralama; sonuç/çalışma sayıları; sabit y.
149–170 \mathbf V: (a) sonuç adına göre sütunlardan, boş hücre tamamlama, simetri denetimi; (b) varyans ve \rho.
171–178 Varyans ve pozitif tanımlılık denetimi; moderatör denetimi (sabit/tek düzey). Karakter ve mantıksal moderatör faktöre çevrilir (175).
179–181 Moderatör formülü; eniyileme control. Sürekli moderatör ortalanmaz.
182–187 kur(): rma.mv; uyarılar toplanır, hata iletilir; ana model. Uyarılar sonda yazılır (219).
188–200 print(m); birleştirilmiş etkiler; \tau^2, \tau, çalışma sayısı; \mathbf G'den korelasyon matrisi. Sonuç adlarından .son öneki atılır (189).
201–222 Uyum tablosu; UN seçiliyse CS ile LRT; QM_sd ve (moderatör varsa) eğimlerin Wald testi; uyarı metni; |\rho|>0{,}99 uyarısı.
224–238 Orman grafiği: satır başına \hat y\pm z_{(1+g)/2}\sqrt{v_{rr}} (guven'e göre); sonuca göre renk; moderatör yoksa birleşik etki çizgisi. Aralıklar yalnız örnekleme varyansıdır; eksen etiketi bunu ve düzeyi yazar.

195.6 Elle hesap: örnek veride bağımsız yeniden hesap

Ara değerler dogrulama/cok_degiskenli_meta/elle_hesap.py (numpy/scipy; metafor ve şablon çağrılmaz) ve r_dogrulama.R (yalnız temel R, optim) ile hesaplanmıştır. İkisi de \mathbf V'yi sütunlardan, \mathbf G'yi parametre yapısından kurar ve marjinal olabilirliği Cholesky ayrışımıyla elle yazar; Nelder–Mead ile enbüyükler.

Adım 1 — \mathbf V. Beş çalışmanın 2\times2 blokları (10×10 blok-köşegen). Çalışma 1: \begin{pmatrix}0{,}0075&0{,}0030\\0{,}0030&0{,}0077\end{pmatrix} (PD, AL sırasıyla; şablonun kurduğu matris aynıdır).

Adım 2 — ML (UN). \mathbf G parametreleri \log\tau_a ve \operatorname{artanh}\rho ile aranır. \ell=5{,}840657; \hat\tau^2_{AL}=0{,}026145, \hat\tau^2_{PD}=0{,}007002, \hat\rho=0{,}69923.

Adım 3 — Katsayılar. \hat\beta_{AL}=-0{,}337938 (SH 0{,}079763), \hat\beta_{PD}=0{,}344839 (0{,}049460); metafor belgelerindeki Berkey (1998) ML çözümüyle uyumludur (-0{,}338; 0{,}345; Berkey ve ark., 1998).

Adım 4 — Testler. Q_E=128{,}2267 (sd 8); Q_M=155{,}7733 (sd 2); CS için \ell=5{,}205557; \mathrm{LRT}=1{,}2702.

Adım 5 — REML, CS, HCS, DIAG, moderatör, \rho yolu ve üç sonuç. Aynı olabilirlik her yapı ve yöntem için yeniden kurulur; sonuçlar 195.6.1'deki tablodadır. Üç sonuçlu benzetim verisinde UN için bir sınır sorunu görülür (195.8, B6).

195.6.1 Doğrulama: MerQuR+, Python ve R

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
UN, ML: kestirim, AL −0,33793811 −0,33793811 −0,33793811 1,8e−9 ✓
UN, ML: SH, AL 0,07976315 0,07976315 0,07976315 4,8e−9 ✓
UN, ML: kestirim, PD 0,34483917 0,34483917 0,34483917 8,8e−10 ✓
UN, ML: SH, PD 0,04945985 0,04945985 0,04945985 3,5e−10 ✓
UN, ML: τ², AL 0,02614451 0,02614452 0,02614452 3,6e−9 ✓
UN, ML: τ², PD 0,007002 0,007002 0,007002 1,7e−10 ✓
UN, ML: korelasyon (1,2) 0,69923048 0,69923045 0,69923047 2,4e−8 ✓
UN, ML: logLik 5,84065688 5,84065688 5,84065688 4,4e−15 ✓
UN, ML: AIC −1,68131377 −1,68131377 −1,68131377 3,0e−14 ✓
UN, ML: BIC −0,1683883 −0,1683883 −0,1683883 4,8e−14 ✓
UN, ML: QE 128,22671621 128,22671621 128,22671621 3,3e−15 ✓
UN, ML: QM 155,77328846 155,77327825 155,77328046 6,6e−8 ✓
UN, REML: kestirim, AL −0,33921518 −0,33921518 −0,33921518 2,6e−9 ✓
UN, REML: SH, AL 0,08790512 0,08790514 0,08790514 1,5e−8 ✓
UN, REML: kestirim, PD 0,35342817 0,35342817 0,35342817 6,0e−10 ✓
UN, REML: SH, PD 0,05884863 0,05884863 0,05884863 4,4e−9 ✓
UN, REML: τ², AL 0,03265132 0,03265133 0,03265133 1,2e−8 ✓
UN, REML: τ², PD 0,01173302 0,01173303 0,01173303 2,5e−9 ✓
UN, REML: korelasyon (1,2) 0,60879858 0,6087987 0,60879865 1,3e−7 ✓
UN, REML: logLik 3,69176769 3,69176769 3,69176769 3,5e−14 ✓
UN, REML: AIC 2,61646461 2,61646461 2,61646461 9,8e−14 ✓
UN, REML: BIC 3,01367232 3,01367232 3,01367232 8,5e−14 ✓
UN, REML: QE 128,22671621 128,22671621 128,22671621 3,3e−15 ✓
UN, REML: QM 108,86158478 108,86158623 108,86157972 4,7e−8 ✓
CS, ML: kestirim, AL −0,33680668 −0,33680668 −0,33680668 6,8e−10 ✓
CS, ML: SH, AL 0,07059276 0,07059276 0,07059276 4,2e−10 ✓
CS, ML: kestirim, PD 0,36047171 0,36047171 0,36047171 5,7e−10 ✓
CS, ML: SH, PD 0,0715904 0,0715904 0,0715904 3,7e−10 ✓
CS, ML: τ², AL 0,01973961 0,01973961 0,01973961 2,6e−10 ✓
CS, ML: τ², PD 0,01973961 0,01973961 0,01973961 2,6e−10 ✓
CS, ML: korelasyon (1,2) 0,55306129 0,5530613 0,55306127 2,1e−8 ✓
CS, ML: logLik 5,20555741 5,20555741 5,20555741 8,5e−16 ✓
CS, ML: AIC −2,41111481 −2,41111481 −2,41111481 3,9e−15 ✓
CS, ML: BIC −1,20077444 −1,20077444 −1,20077444 1,3e−14 ✓
CS, ML: QE 128,22671621 128,22671621 128,22671621 3,3e−15 ✓
CS, ML: QM 99,34068983 99,34069007 99,34068559 4,3e−8 ✓
HCS, REML: kestirim, AL −0,33921524 −0,33921518 −0,33921518 6,1e−8 ✓
HCS, REML: SH, AL 0,08790526 0,08790514 0,08790514 1,2e−7 ✓
HCS, REML: kestirim, PD 0,35342811 0,35342817 0,35342817 5,6e−8 ✓
HCS, REML: SH, PD 0,05884851 0,05884863 0,05884863 1,2e−7 ✓
HCS, REML: τ², AL 0,03265143 0,03265133 0,03265133 1,0e−7 ✓
HCS, REML: τ², PD 0,01173296 0,01173303 0,01173303 6,7e−8 ✓
HCS, REML: korelasyon (1,2) 0,60879841 0,6087987 0,60879865 3,0e−7 ✓
HCS, REML: logLik 3,69176769 3,69176769 3,69176769 7,8e−12 ✓
HCS, REML: AIC 2,61646461 2,61646461 2,61646461 2,2e−11 ✓
HCS, REML: BIC 3,01367232 3,01367232 3,01367232 1,9e−11 ✓
HCS, REML: QE 128,22671621 128,22671621 128,22671621 3,3e−15 ✓
HCS, REML: QM 108,86163704 108,86158623 108,86157972 5,3e−7 ✓
DIAG, REML: kestirim, AL −0,35294779 −0,35294779 −0,35294779 8,8e−10 ✓
DIAG, REML: SH, AL 0,0873713 0,08737129 0,08737129 5,8e−9 ✓
DIAG, REML: kestirim, PD 0,36133885 0,36133885 0,36133885 9,6e−10 ✓
DIAG, REML: SH, PD 0,05862492 0,05862492 0,05862492 2,1e−9 ✓
DIAG, REML: τ², AL 0,03222859 0,03222858 0,03222858 4,9e−9 ✓
DIAG, REML: τ², PD 0,01158826 0,01158826 0,01158826 1,2e−9 ✓
DIAG, REML: korelasyon (1,2) 0 0 0 0 ✓
DIAG, REML: logLik 3,20124471 3,20124471 3,20124471 8,6e−15 ✓
DIAG, REML: AIC 1,59751057 1,59751057 1,59751057 3,4e−14 ✓
DIAG, REML: BIC 1,91527674 1,91527674 1,91527674 2,7e−14 ✓
DIAG, REML: QE 128,22671621 128,22671621 128,22671621 3,3e−15 ✓
DIAG, REML: QM 57,98851224 57,98851185 57,98851291 1,2e−8 ✓
UN, ML, yıl moderatörü: kestirim, AL 21,1364335 21,1364411 21,1364411 3,6e−7 ✓
UN, ML, yıl moderatörü: SH, AL 48,25151205 48,25151582 48,25151547 7,8e−8 ✓
UN, ML, yıl moderatörü: kestirim, PD −1,58486096 −1,58485731 −1,58485782 2,3e−6 ✓
UN, ML, yıl moderatörü: SH, PD 30,61625088 30,61624654 30,61624702 1,4e−7 ✓
UN, ML, yıl moderatörü: kestirim, AL:year −0,01082782 −0,01082782 −0,01082782 3,8e−9 ✓
UN, ML, yıl moderatörü: SH, AL:year 0,02432861 0,02432862 0,02432862 1,9e−9 ✓
UN, ML, yıl moderatörü: kestirim, PD:year 9,746645·10−4 9,746627·10−4 9,746629·10−4 1,8e−9 ✓
UN, ML, yıl moderatörü: SH, PD:year 0,0154369 0,0154369 0,0154369 2,2e−9 ✓
UN, ML, yıl moderatörü: τ², AL 0,02501348 0,02501348 0,02501348 4,4e−9 ✓
UN, ML, yıl moderatörü: τ², PD 0,00804054 0,00804054 0,00804054 3,5e−9 ✓
UN, ML, yıl moderatörü: korelasyon (1,2) 0,65868633 0,65868608 0,65868607 2,5e−7 ✓
UN, ML, yıl moderatörü: logLik 6,00429634 6,00429634 6,00429634 7,6e−14 ✓
UN, ML, yıl moderatörü: AIC 1,99140732 1,99140732 1,99140732 4,6e−13 ✓
UN, ML, yıl moderatörü: BIC 4,10950297 4,10950297 4,10950297 2,3e−13 ✓
UN, ML, yıl moderatörü: QE 125,7557072 125,7557072 125,7557072 2,1e−14 ✓
UN, ML, yıl moderatörü: QM 143,43001312 143,42996592 143,42996288 3,5e−7 ✓
varyans + ρ = 0,5: kestirim, AL −0,34549437 −0,34549435 −0,34549435 2,1e−8 ✓
varyans + ρ = 0,5: SH, AL 0,07990364 0,07990399 0,07990399 3,5e−7 ✓
varyans + ρ = 0,5: kestirim, PD 0,3511245 0,3511246 0,3511246 1,1e−7 ✓
varyans + ρ = 0,5: SH, PD 0,05188068 0,05188086 0,05188086 1,8e−7 ✓
varyans + ρ = 0,5: τ², AL 0,02619118 0,02619145 0,02619145 2,7e−7 ✓
varyans + ρ = 0,5: τ², PD 0,00807313 0,00807322 0,00807322 8,9e−8 ✓
varyans + ρ = 0,5: korelasyon (1,2) 0,59754653 0,59754733 0,59754735 8,2e−7 ✓
varyans + ρ = 0,5: logLik 5,67108172 5,67108172 5,67108172 2,4e−11 ✓
varyans + ρ = 0,5: AIC −1,34216344 −1,34216344 −1,34216344 2,0e−10 ✓
varyans + ρ = 0,5: BIC 0,17076203 0,17076203 0,17076203 2,7e−10 ✓
varyans + ρ = 0,5: QE 135,74928438 135,74928438 135,74928438 3,8e−15 ✓
varyans + ρ = 0,5: QM 136,9719552 136,9712289 136,97123002 5,3e−6 ✓
3 sonuç, CS, REML: kestirim, A 0,19995158 0,19995158 0,19995158 3,4e−9 ✓
3 sonuç, CS, REML: SH, A 0,05633028 0,05633028 0,05633028 2,5e−9 ✓
3 sonuç, CS, REML: kestirim, B −0,21362188 −0,21362187 −0,21362187 4,6e−9 ✓
3 sonuç, CS, REML: SH, B 0,05980434 0,05980434 0,05980434 2,6e−9 ✓
3 sonuç, CS, REML: kestirim, C 0,34744719 0,34744719 0,34744719 4,9e−9 ✓
3 sonuç, CS, REML: SH, C 0,05801033 0,05801033 0,05801033 2,5e−9 ✓
3 sonuç, CS, REML: τ², A 0,01844565 0,01844565 0,01844565 1,9e−9 ✓
3 sonuç, CS, REML: τ², B 0,01844565 0,01844565 0,01844565 1,9e−9 ✓
3 sonuç, CS, REML: τ², C 0,01844565 0,01844565 0,01844565 1,9e−9 ✓
3 sonuç, CS, REML: korelasyon (1,2) −0,31889119 −0,31889165 −0,31889164 4,5e−7 ✓
3 sonuç, CS, REML: logLik 8,06423323 8,06423323 8,06423323 1,2e−13 ✓
3 sonuç, CS, REML: AIC −6,12846645 −6,12846645 −6,12846645 3,2e−13 ✓
3 sonuç, CS, REML: BIC −0,90585426 −0,90585426 −0,90585426 1,9e−12 ✓
3 sonuç, CS, REML: QE 86,77243749 86,77243749 86,77243749 3,3e−16 ✓
3 sonuç, CS, REML: QM 63,53569897 63,53570446 63,53570501 9,5e−8 ✓
3 sonuç, HCS, REML: kestirim, A 0,19948524 0,19948524 0,19948524 1,1e−9 ✓
3 sonuç, HCS, REML: SH, A 0,0818704 0,0818704 0,0818704 6,1e−9 ✓
3 sonuç, HCS, REML: kestirim, B −0,20997334 −0,20997334 −0,20997334 2,8e−9 ✓
3 sonuç, HCS, REML: SH, B 0,04442483 0,04442483 0,04442483 3,9e−9 ✓
3 sonuç, HCS, REML: kestirim, C 0,34647517 0,34647518 0,34647518 1,8e−9 ✓
3 sonuç, HCS, REML: SH, C 0,04444585 0,04444584 0,04444585 1,7e−9 ✓
3 sonuç, HCS, REML: τ², A 0,04663011 0,04663012 0,04663012 8,1e−9 ✓
3 sonuç, HCS, REML: τ², B 0,00611795 0,00611795 0,00611795 2,4e−9 ✓
3 sonuç, HCS, REML: τ², C 0,0076954 0,0076954 0,0076954 9,7e−10 ✓
3 sonuç, HCS, REML: korelasyon (1,2) −0,49691234 −0,49691254 −0,49691253 2,1e−7 ✓
3 sonuç, HCS, REML: logLik 10,12636452 10,12636452 10,12636452 2,1e−14 ✓
3 sonuç, HCS, REML: AIC −6,25272903 −6,25272903 −6,25272903 7,1e−14 ✓
3 sonuç, HCS, REML: BIC 1,05892803 1,05892803 1,05892803 4,3e−13 ✓
3 sonuç, HCS, REML: QE 86,77243749 86,77243749 86,77243749 3,3e−16 ✓
3 sonuç, HCS, REML: QM 100,22966747 100,22967803 100,22967652 1,1e−7 ✓
3 sonuç, DIAG, REML: kestirim, A 0,19879365 0,19879365 0,19879365 2,3e−9 ✓
3 sonuç, DIAG, REML: SH, A 0,08285863 0,08285864 0,08285864 1,0e−8 ✓
3 sonuç, DIAG, REML: kestirim, B −0,2095491 −0,20954909 −0,20954909 8,7e−9 ✓
3 sonuç, DIAG, REML: SH, B 0,04276188 0,04276187 0,04276187 1,4e−8 ✓
3 sonuç, DIAG, REML: kestirim, C 0,3446625 0,3446625 0,3446625 3,0e−9 ✓
3 sonuç, DIAG, REML: SH, C 0,0493397 0,0493397 0,0493397 2,0e−9 ✓
3 sonuç, DIAG, REML: τ², A 0,04777444 0,04777445 0,04777445 1,4e−8 ✓
3 sonuç, DIAG, REML: τ², B 0,00469707 0,00469706 0,00469706 8,8e−9 ✓
3 sonuç, DIAG, REML: τ², C 0,01100186 0,01100186 0,01100186 1,6e−9 ✓
3 sonuç, DIAG, REML: korelasyon (1,2) 0 0 0 0 ✓
3 sonuç, DIAG, REML: logLik 9,67623185 9,67623185 9,67623185 5,8e−14 ✓
3 sonuç, DIAG, REML: AIC −7,3524637 −7,3524637 −7,3524637 1,5e−13 ✓
3 sonuç, DIAG, REML: BIC −1,08532907 −1,08532907 −1,08532907 1,0e−12 ✓
3 sonuç, DIAG, REML: QE 86,77243749 86,77243749 86,77243749 3,3e−16 ✓
3 sonuç, DIAG, REML: QM 104,49400666 104,49403179 104,49403178 2,4e−7 ✓
3 sonuç, UN, REML (sınırda): kestirim, A 0,20129831 0,20275326 0,20275326 1,5e−3 ✗
3 sonuç, UN, REML (sınırda): SH, A 0,08101888 0,08082769 0,08082769 1,9e−4 ✗
3 sonuç, UN, REML (sınırda): kestirim, B −0,20839848 −0,20560021 −0,2056002 2,8e−3 ✗
3 sonuç, UN, REML (sınırda): SH, B 0,04195498 0,04112771 0,04112772 8,3e−4 ✗
3 sonuç, UN, REML (sınırda): kestirim, C 0,34681424 0,34874446 0,34874446 1,9e−3 ✗
3 sonuç, UN, REML (sınırda): SH, C 0,04639553 0,04573977 0,04573977 6,6e−4 ✗
3 sonuç, UN, REML (sınırda): τ², A 0,04547942 0,04530929 0,04530929 1,7e−4 ✗
3 sonuç, UN, REML (sınırda): τ², B 0,00452243 0,00420033 0,00420033 3,2e−4 ✗
3 sonuç, UN, REML (sınırda): τ², C 0,0090271 0,0086317 0,0086317 4,0e−4 ✗
3 sonuç, UN, REML (sınırda): korelasyon (1,2) −0,65307427 −0,89070799 −0,89070803 2,4e−1 ✗
3 sonuç, UN, REML (sınırda): logLik 10,94847575 11,06291809 11,06291809 1,0e−2 ✗
3 sonuç, UN, REML (sınırda): AIC −3,8969515 −4,12583618 −4,12583618 5,9e−2 ✗
3 sonuç, UN, REML (sınırda): BIC 5,50375044 5,27486576 5,27486576 4,2e−2 ✗
3 sonuç, UN, REML (sınırda): QE 86,77243749 86,77243749 86,77243749 3,3e−16 ✓
3 sonuç, UN, REML (sınırda): QM 73,68696575 73,93149462 73,93149699 3,3e−3 ✗
LRT UN–CS (ML) 1,27019896 1,27019896 1,27019896 2,5e−14 ✓
LRT_p (ML) 0,25972936 0,25972936 0,25972936 9,8e−15 ✓

Ölçütü karşılayan: 136/150. Son küme (3 sonuç, UN): Python ve R aynı değeri bulur (\ell=11{,}062918; \rho_{BC}=-1 sınırı), MerQuR+ ise \ell=10{,}948476 noktasında durur; MerQuR+ parametreleriyle bağımsız olabilirlik 10,948476 verir. Fark olabilirlik işlevinden değil, eniyilemenin sınırda durmasından gelir (bulgular B6). Python ve R birer ayrı Nelder–Mead eniyilemesi kullanır; öbür kümelerde metafor'un nlminb çözümüyle fark en çok 10−5 mertebesindedir.

195.7 Çıktıyı okuma

Örnek ayarın konsol çıktısı (kısaltılmış) ve tabloları:

Kovaryans sütunları sonuçlarla ad üzerinden eşleştirildi: v1i = PD; v2i = AL

Multivariate Meta-Analysis Model (k = 10; method: ML)

Variance Components:
outer factor: .cal (nlvls = 5)
inner factor: .son (nlvls = 2)

            estim    sqrt  k.lvl  fixed  level
tau^2.1    0.0261  0.1617      5     no     AL
tau^2.2    0.0070  0.0837      5     no     PD

    rho.AL  rho.PD    AL  PD
AL       1             -   5
PD  0.6992       1    no   -

Test for Residual Heterogeneity:  QE(df = 8) = 128.2267, p-val < .0001
Test of Moderators (coefficients 1:2):  QM(df = 2) = 155.7733, p-val < .0001

Model Results:
        estimate      se     zval    pval    ci.lb    ci.ub
.sonAL   -0.3379  0.0798  -4.2368  <.0001  -0.4943  -0.1816  ***
.sonPD    0.3448  0.0495   6.9721  <.0001   0.2479   0.4418  ***
Sonuca göre birleştirilmiş etkiler (z testi, %95 GA)       Varyans bileşenleri        Korelasyon
 terim  kestirim        SH         z            p  GA_alt  GA_ust   sonuc  tau2  tau     AL   PD
    AL -0.337938  0.079763 -4.23677  2.26758e-05 -0.4943 -0.1816     AL 0.0261 0.1617  1   0.6992
    PD  0.344839  0.049460  6.97210  3.12236e-12  0.2479  0.4418     PD 0.0070 0.0837  0.6992 1

Model uyumu ve heterojenlik testleri
 k 10   çalışma sayısı 5   logLik 5.84066   AIC -1.68131   BIC -0.16839   QE 128.227   QE_sd 8   QE_p 6.6e-24
 QM 155.773   QM_p 1.5e-34   logLik_CS 5.20556   LRT_UN_CS 1.2702   LRT_sd 1   LRT_p 0.2597   QM_sd 2

Şekil 195.1. Şablonun çizdiği orman grafiği (örnek veri): her satır bir çalışma-sonuç çiftidir; mavi AL, turuncu PD; noktalı çizgiler birleştirilmiş etkilerdir. AL sonuçları sıfırın solunda, PD sonuçları sağında toplanır; çalışma 2'nin AL etkisi (-0{,}60) birleştirilmiş değerden belirgin uzaktır.

Öğe Ne yazar Nasıl yorumlanır
kestirim, SH, z, p, GA Sonuca göre birleştirilmiş etki AL ortalama -0{,}338 (%95 GA -0{,}494; -0{,}182), PD 0{,}345 (0{,}248; 0{,}442). İşaretler sonuçların yönünü gösterir; kıyas tek tek sonuç ölçeğindedir.
tau2, tau Çalışmalar arası varyans AL için \tau=0{,}162, PD için 0{,}084: AL'de çalışmalar arası değişkenlik daha büyük. CS seçilirse tek \tau^2 ikisine de yazılır.
Korelasyon matrisi Gerçek etkiler arası korelasyon \hat\rho=0{,}70: çalışma düzeyinde AL ve PD birlikte değişir. Çok az çalışmayla (k=5) güven aralığı çok geniştir; şablon bu belirsizliği göstermez.
QE, QE_sd, QE_p Örnekleme hatası dışı değişkenlik 128{,}2 (sd 8): çalışmalar arasında heterojenlik var.
QM, QM_p, QM_sd Tüm katsayıların sıfır testi Moderatörlü modelde de bütün katsayıları sınar; serbestlik derecesi QM_sd olarak yazılır. Moderatör varsa QM_egimler, QM_egimler_sd, QM_egimler_p yalnız eğimleri sınar (örnekte year: 0{,}352, sd 2, p=0{,}84).
logLik, AIC, BIC Model uyumu Yapıları (UN/CS/HCS/DIAG) karşılaştırmak içindir; aynı yöntem ve aynı sabit etkilerle. Örnek (ML): CS'nin AIC'si (-2{,}41) UN'ninkinden (-1{,}68) küçük.
logLik_CS, LRT_UN_CS, LRT_p UN–CS karşılaştırması p=0{,}26: CS yeterli. Küçük örneklemde LRT güçsüzdür; "CS reddedilemedi" ile "CS doğru" aynı şey değildir.

Rapor cümlesi. Cerrahi ve cerrahi dışı periodontal tedaviyi karşılaştıran beş çalışmada iki ilişkili sonuç (cep derinliği ve bağlanma düzeyi) çok değişkenli rastgele etkiler modeliyle birlikte çözümlenmiştir (metafor rma.mv, ML; çalışma içi kovaryanslar veriden alınmış, gerçek etkilerin kovaryansı yapılandırılmamış). Bağlanma düzeyinde ortalama fark -0{,}34 (%95 GA -0{,}49; -0{,}18), cep derinliğinde 0{,}34 (0{,}25; 0{,}44) bulunmuştur. Çalışmalar arası varyanslar 0{,}026 ve 0{,}007, gerçek etkiler arası korelasyon 0{,}70 olarak kestirilmiştir; artık heterojenlik belirgindir (Q_E=128{,}2, sd =8, p<0{,}001). Yapılandırılmamış kovaryans, bileşik simetriye göre anlamlı bir iyileşme sağlamamıştır (\chi^2(1)=1{,}27, p=0{,}26).

195.8 Sık hatalar ve tuzaklar

  • Kovaryans sütunları sonuç adıyla eşleşir. j. sütun, sonuç sırasındaki j. sonuçtur (Berkey düzeninde v1i PD, v2i AL). Çalışma içindeki satır sırası önemli değildir: çalışma 3'ün satırları ters sıralansa da sonuç aynı çıkar (q4_cd_sirali: \hat\beta_{AL}=-0{,}3379). Bir çalışmada bir sonuç eksikse doğru varyans sütunu kullanılır: çalışma 1'den PD satırı çıkarılınca AL satırı v_2=0{,}0077 ile kurulur (\hat\beta_{AL}=-0{,}3323). Sütun sayısı sonuç sayısından azsa ya da eşleşme tutarsızsa (simetrik olmayan matris) şablon durur.
  • Kovaryans hücresi boşluğu. Tek sonuçlu bir çalışmanın öteki sonuca ait kovaryans sütunu boş olabilir; satır korunur (q4_cd_eksik2 düzeninde AL satırının v1i hücresi boşken çalışma sayısı 5, k=9 kalır). Ama satırın kendi sonucuna ait varyans sütunu boşsa satır çıkarılır ve not yazılır; iki sonuç arasındaki kovaryans hücresi iki yarıda da boşsa şablon durur.
  • Q_M tüm katsayıları sınar. moderator = year ile Q_M=143{,}43 (ML, sd 4) bütün katsayıları sıfır sayar; yalnız yıl eğimlerinin ortak testi ayrı satırlardadır (QM_egimler =0{,}352, sd 2, p=0{,}84).
  • Ortalanmamış moderatör. year 1979–1988 arası olduğundan kesişim yıl =0'a karşılık gelir: \hat\beta_{AL}=21{,}14 (SH 48{,}25). Moderatörü ortalayın ya da yıl -1980 gibi anlamlı bir başlangıca çekin. Beş çalışmada iki eğim (4 katsayı, 10 satır) zaten kestirilemez: q4_cd_yil SH'leri eğimlerin kendisinden büyüktür.
  • Çalışma sayısı çok azken \mathbf G sınırda kalabilir: \hat\rho=1 ya da \hat\tau^2\to0. q4_cd_eksik ve q4_cd_eksik2'de \hat\rho=1{,}0000 çıkar ve şablon "bir korelasyon \pm1'e yakın kestirildi (sınır çözümü)" uyarısını yazar (|\hat\rho|>0{,}99). Üç sonuçlu benzetim verisinde (8 çalışma) UN için olabilirlik en büyüğü \rho_{BC}=-1 sınırındadır (\ell=11{,}0629); MerQuR+ \ell=10{,}9485 (\hat\rho_{BC}=-0{,}89) noktasında durur ve katsayılar üçüncü basamakta ayrışır (B6).
  • test = t çalışmaya değil satıra bağlıdır. Serbestlik derecesi N-p'dir (10-2=8); çalışma sayısı 5 iken bu dereceyle p değerleri ve aralıklar fazla iyimserdir (q4_cd_t: AL için p=0{,}0028; z ile 2{,}3\cdot10^{-5} idi). Küçük çalışma sayısında Satterthwaite benzeri bir düzeltme yoktur.
  • \rho yolu duyarlıdır. vi ve rho ile birleştirilen etkiler \rho'ya bağlıdır (195.4.1); gerçek bir \rho yoksa üç değeri deneyin ve sonuçları duyarlılık tablosu olarak verin.
  • v_sutunlar ve vi birlikte seçilirse vi yok sayılır (q4_cd_iki_vsut_vi: örnekle özdeş sonuç); şablon bunu "varyans sütunu (ve ρ) yok sayıldı" notuyla bildirir.
  • Orman grafiği aralıkları yalnız örnekleme varyansıdır. Aralıklar guven düzeyine göredir (\hat y\pm z_{(1+g)/2}\sqrt{v_{rr}}) ve eksen etiketi düzeyi ve "yalnız örnekleme hatası" ifadesini yazar; \tau^2 eklenmez.
  • Eniyileyici seçimi. nlminb, optim ve nlm aynı ML çözümüne beşinci basamakta ulaşır ama SH'ler 10^{-5} ayrışır; sınırdaki çözümlerde eniyileyici seçimi sonucu değiştirir.
  • Veri sekmesinde "kategorik" görünen sayılar. yi, v1i, v2i sayısal roldür; kategorik yapılsalar bile sonuç özdeştir (q4_cd_kat).
  • Aynı sonuç iki kez. Bir çalışmada aynı sonuç ikinci kez görünürse şablon durur ("her çalışma-sonuç çifti tek satır olmalı"; q4_cd_tekrar); kovaryansı pozitif tanımsız bir çalışma ayrıca reddedilir (q4_cd_pd_degil).

195.9 Uzman soruları

S1. Çok değişkenli model neden tek değişkenli iki modelden farklı sonuç verir?

Tek değişkenli modeller \mathbf G'nin köşegen dışını ve \mathbf V'nin kovaryansını yok sayar. Çok değişkenli modelde bir sonucun az örneklem içeren çalışması, ilişkili sonuçtan "ödünç" bilgi alır; özellikle sonuçlardan biri bazı çalışmalarda eksikse kazanç büyüktür. Örnek veride her iki sonuç tüm çalışmalarda vardır ve DIAG (ilişkisiz) ile UN'nin katsayıları \hat\beta_{AL} için -0{,}353 ve -0{,}339 (REML) gibi yakındır; fark küçüktür (q4_cd_diag_reml, q4_cd_un_reml).

S2. Çalışma içi korelasyonu bilmiyorsam ne yapmalıyım?

vi yolunda varsayılan \rho ile çalıştırıp üç ya da dört değer deneyin (0, 0{,}5, 0{,}8) ve sonuçların sağlamlığını raporlayın. Örnekte \hat\beta_{AL} -0{,}319 ile -0{,}359 arasında değişir; Q_E ise 124{,}9'dan 230{,}1'e çıkar, çünkü \rho arttıkça çalışma içi kovaryans büyür. Çalışma içi kovaryansı bireysel verilerden ya da örneklem büyüklüğü ve ilişki bilgisinden kestirme yolları için Wei ve Higgins (2013); küme-sağlam yaklaşım için Bölüm 196'ya bakın.

S3. UN yerine CS ya da HCS ne zaman seçilir?

Çok sayıda sonuç (p\ge4) olduğunda UN'nin p(p+1)/2 parametresi küçük çalışma sayısında kestirilemez; CS (2 parametre) ve HCS (p+1) daha kıt modeldir. Seçim, LRT ya da AIC/BIC ile yapılır (aynı yöntem, aynı katsayı yapısı). Örnek veride CS'nin AIC/BIC'i UN'ninkinden küçüktür (AIC -2{,}41 karşı -1{,}68) ve LRT p=0{,}26'dır; CS yeterlidir.

S4. REML ve ML neden birbirinden bu kadar ayrışıyor?

ML, sabit etki parametrelerinin serbestlik derecesini hesaba katmaz ve varyans bileşenlerini aşağı yanlı kestirir; yalnız beş çalışmada fark büyüktür (\hat\tau^2_{AL}: 0{,}0261 karşı 0{,}0327; \hat\rho: 0{,}70 karşı 0{,}61). Bu şablon, çok değişkenli DerSimonian–Laird moment kestiricisini (Jackson ve ark., 2010) sunmaz; yalnız ML ve REML vardır. LRT ve AIC karşılaştırmaları yalnız aynı yöntem içinde yapılabilir; REML olabilirlikleri sabit etki yapısı farklı modeller arasında karşılaştırılamaz.

S5. Q_E ne sınar ve neden \mathbf G kestirimine bağlı değil?

Q_E yalnız \mathbf V ile ağırlıklanır; yani "gözlenen değişkenlik örnekleme hatasıyla açıklanabilir mi" sorusunu sorar. Q_E büyük (128{,}2, sd 8) ve \mathbf G kestirilebilir. \mathbf G model yapısına göre değişse bile Q_E aynıdır (tüm ML/REML ve yapı koşullarında 128{,}2267).

S6. Moderatör eğimleri neden sonuca özgüdür?

Şablonun formülü ~ 0 + .son + .son:x'tir: her sonucun kendi kesişimi ve x eğimi vardır; AL ve PD'nin yıla bağımlılığı farklı olabilir. Ortak eğim (\sim 0+.son+x) bu şablonda seçilemez. Dört katsayı ile (2 kesişim, 2 eğim) beş çalışma bilgilendirmez.

S7. Başka bir paketle fark ne olur?

mvmeta (Gasparrini ve ark., 2012) aynı modeli (UN, CS, HCS) REML/ML ile kestirir ve çalışma içi kovaryansı çalışma başına liste olarak alır; eksik sonuçlar için doğrudan destek verir. rma.mv de eksik sonuçlu çalışmayı destekler ama kovaryansı tam matris V olarak alır; bu şablon tam matris yerine sonuç adıyla eşleşen kovaryans sütunlarını alır ve eksik sonuçlu çalışmayı destekler. Aynı veride iki paket aynı olabilirliği enbüyükler; sonuç farkı eniyileme toleransından gelir.

S8. Neden \rho\to\pm1 görünür?

Çok az çalışmayla gerçek etkiler arası korelasyonun olabilirliği düzdür; en büyük nokta parametre uzayının sınırında olabilir. Bu durumda UN, daha az parametreli bir yapıya (CS) indirgenmiş olur ve korelasyonun SH'si güvenilmezdir; sınır çözümleri küçük çalışma sayısında beklenen bir sorundur (Riley ve ark., 2007). Şablon |\hat\rho|>0{,}99 olduğunda uyarı yazar.

195.10 Kaynaklar

  • Berkey, C. S., Hoaglin, D. C., Antczak-Bouckoms, A., Mosteller, F., & Colditz, G. A. (1998). Meta-analysis of multiple outcomes by regression with random effects. Statistics in Medicine, 17(22), 2537–2550. https://doi.org/10.1002/(SICI)1097-0258(19981130)17:22<2537::AID-SIM953>3.0.CO;2-C
  • Gasparrini, A., Armstrong, B., & Kenward, M. G. (2012). Multivariate meta-analysis for non-linear and other multi-parameter associations. Statistics in Medicine, 31(29), 3821–3839. https://doi.org/10.1002/sim.5471
  • Jackson, D., Riley, R., & White, I. R. (2011). Multivariate meta-analysis: Potential and promise. Statistics in Medicine, 30(20), 2481–2498. https://doi.org/10.1002/sim.4172
  • Jackson, D., White, I. R., & Thompson, S. G. (2010). Extending DerSimonian and Laird's methodology to perform multivariate random effects meta-analyses. Statistics in Medicine, 29(12), 1282–1297. https://doi.org/10.1002/sim.3602
  • R Core Team (2026). R: A language and environment for statistical computing. R Foundation for Statistical Computing.
  • Riley, R. D., Abrams, K. R., Sutton, A. J., Lambert, P. C., & Thompson, J. R. (2007). Bivariate random-effects meta-analysis and the estimation of between-study correlation. BMC Medical Research Methodology, 7, 3. https://doi.org/10.1186/1471-2288-7-3
  • Viechtbauer, W. (2010). Conducting meta-analyses in R with the metafor package. Journal of Statistical Software, 36(3), 1–48. https://doi.org/10.18637/jss.v036.i03
  • Wei, Y., & Higgins, J. P. T. (2013). Estimating within-study covariances in multivariate meta-analysis with multiple outcomes. Statistics in Medicine, 32(7), 1191–1205. https://doi.org/10.1002/sim.5679