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: 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):
- 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):
- \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
- \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}:
- 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.
- \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
v1iPD,v2iAL). 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_eksik2düzeninde AL satırınınv1ihücresi 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 = yearile 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.
year1979–1988 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_yilSH'leri eğimlerin kendisinden büyüktür. - Çalışma sayısı çok azken \mathbf G sınırda kalabilir: \hat\rho=1 ya da \hat\tau^2\to0.
q4_cd_eksikveq4_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 = tçalışmaya 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.
viverhoile birleştirilen etkiler \rho'ya bağlıdır (195.4.1); gerçek bir \rho yoksa üç değeri deneyin ve sonuçları duyarlılık tablosu olarak verin. v_sutunlarvevibirlikte seçilirseviyok 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
guvendüzeyine 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,optimvenlmaynı ML çözümüne beşinci basamakta ulaşır ama SH'ler 10^{-5} ayrışır; sınırdaki çözümlerde eniyileyici seçimi sonucu değiştirir. - Veri sekmesinde "kategorik" görünen sayılar.
yi,v1i,v2isayısal 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