198. Tek oran (prevalans) meta-analizi ve GLMM
Şablon kimliği: oran_meta · Kategori: meta_analiz · Dil: R · Dosya: pro/sablonlar/meta_analiz/oran_meta.R (satır 1–540; üstbilgi 1–184) · Örnek veri: _ornek/oran_meta_nielweise2007.csv · Paketler: metafor, lme4 2.0-6 (R 4.5.3)
198.1 Ne işe yarar
Karşılaştırma grubu olmayan çalışmaların tek oranlarını birleştirir: bir hastalığın prevalansı, bir komplikasyonun görülme sıklığı, bir testin pozitiflik oranı, bir tedavinin yanıt oranı. Her çalışma bir olay sayısı x_i ve bir örneklem büyüklüğü n_i verir. Şablon birleştirilmiş oranı ve güven aralığını, çalışmalar arası değişkenliği (\tau^2, I^2, H), yeni bir ortamda beklenen oranın tahmin aralığını, alt grup ve meta-regresyon sonuçlarını, huni asimetrisi testini ve orman ile huni grafiklerini verir.
Bu ifadede \pi_i çalışma i'nin gerçek oranı, \mu birleştirilmiş logit oran, \tau^2 çalışmalar arası varyanstır. Bu, varsayılan binom-normal GLMM'in modelidir. Ters varyans yöntemleri aynı varsayımı \hat\theta_i=g(x_i/n_i)\sim N(\theta_i,v_i), \theta_i\sim N(\theta,\tau^2) biçiminde, bir dönüşümden sonra kurar; g logit, Freeman–Tukey çift arksinüs, arksinüs ya da özdeşliktir.
Ne zaman kullanılır?
- Her çalışmada tek bir grup için bir sayım ve toplam örneklem büyüklüğü varsa.
- Oranlar 0'a ya da 1'e yakınsa ve olay sayıları küçükse: dönüşüm seçimi sonucu belirgin biçimde etkiler; şablon dört dönüşümü ve GLMM'i aynı arayüzde sunar (198.4).
Ne zaman kullanılmaz?
- İki grup karşılaştırılıyorsa (tedavi ve kontrol, maruz ve maruz olmayan): oran farkı, risk oranı ya da olasılık oranı birleştirilir; bu iş temel programdaki Meta-Analiz analizindedir (2×2 sayımlar).
- Çok sayıda kategoriye göre kategori düzeyi sonuçlarından doz-yanıt eğrisi isteniyorsa:
doz_yanit_meta(Bölüm 197). - Birleştirilecek şey tanı testinin duyarlılığı ve özgüllüğüyse:
tanisal_meta(Bölüm 199); iki oranı korelasyonlu birleştirir. - Aynı çalışmadan birden çok oran geliyorsa (bağımlı):
cok_duzeyli_meta(Bölüm 196). - Yayın yanlılığı için seçim modelleri ya da PET–PEESE gerekiyorsa:
yayin_yanliligi_ileri(Bölüm 200). Bu şablonun Egger ve Peters testleri yalnız basit bir asimetri göstergesidir (198.4.7).
Temel programla ilişki. Temel programdaki Meta-Analiz hazır etki büyüklüğü ve SH, iki grup ortalama–SS–n, 2×2 sayım ve korelasyon girdilerini alır; tek oran ve binom-normal GLMM yoktur. Bu şablon yalnız MerQuR+'ta vardır.
198.2 Şablonun girdileri
Form, üstbilgideki 23 [[param]] bloğundan kurulur (oran_meta.R:11–183). Türlerin ve ortak denetimin anlamı Bölüm 1.2'de anlatılmıştır.
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
Olay sayısı · olay |
sayısal sütun · Değişkenler | yok | 0 ile n arası tamsayı | x_i (210, 213). |
Örneklem büyüklüğü · n |
sayısal sütun · Değişkenler | yok | pozitif tamsayı | n_i (210, 213). |
Çalışma etiketi · etiket |
kategorik sütun, zorunlu değil · Değişkenler | boş | herhangi | Tablo ve orman etiketi (217). |
Dönüşüm / yöntem · donusum |
seçim · Model | GLMM |
GLMM, PLO, PFT, PAS, PR |
Model ailesi (218–220). |
τ² kestiricisi · tau2 |
seçim · Model | oto |
oto, REML, DL, PM, ML, SJ, HE, HS, EB |
rma(method=) (221–228). |
Hartung–Knapp · hk |
onay · Model | kapalı | açık/kapalı | t testi (229–230). |
Alt grup · alt_grup |
kategorik sütun, zorunlu değil · Değişkenler | boş | herhangi | Alt grup analizi (388–441). |
Sayısal moderatör · moderator |
sayısal sütun, zorunlu değil · Değişkenler | boş | sayısal sütun | Meta-regresyon (443–462). |
Huni asimetrisi testi · yayin_testi |
seçim · Seçenekler | egger |
egger, peters, yok |
regtest (464–485). |
Hartung–Knapp türü · hk_tur |
seçim · Gelişmiş | knha |
knha, adhoc |
rma(test=) (229–230). |
Güven düzeyi · guven |
ondalık · Seçenekler | 0,95 | 0,5–0,999 | Bütün aralıklar (234). |
Tahmin aralığı · tahmin_araligi |
onay · Seçenekler | açık | açık/kapalı | Üçüncü özet satırı (339–344). |
Çalışma GA'sı · calisma_ga |
seçim · Seçenekler | CP |
CP, WS, AC, J |
Çalışma düzeyi aralık (308–321). |
Alt gruplarda ortak τ² · alt_grup_ortak_tau |
onay · Seçenekler | kapalı | açık/kapalı | Ortak \tau^2 (400–408). |
Süreklilik düzeltmesi · sureklilik |
ondalık · Gelişmiş | 0,5 | 0,001–1 | a (243). |
Düzeltilecek çalışmalar · sureklilik_kime |
seçim · Gelişmiş | only0 |
only0, if0all, all, none |
escalc(to=) (237, 248, 252). |
GLMM kareleme noktası · glmm_nagq |
tamsayı · Gelişmiş | 7 | 1–25 | nAGQ (267, 292–293). |
En çok yineleme · en_cok_yineleme |
tamsayı · Gelişmiş | 2000 | 10–100000 | control$maxiter (276). |
Adım uzunluğu çarpanı · adim |
ondalık · Gelişmiş | 0,5 | 0,01–1 | control$stepadj (276). |
Yakınsama eşiği · esik |
seçim · Gelişmiş | 1e-5 |
1e-10…1e-2 |
control$threshold (276). |
Orman sıralaması · orman_sirala |
seçim · Çıktı | veri |
veri, oran, n |
Yalnız çizim (489). |
Grafikte ondalık · ondalik |
tamsayı · Çıktı | 3 | 1–6 | Orman metni (236, 491). |
Huni grafiği · huni_grafik |
onay · Çıktı | açık | açık/kapalı | funnel (524–528). |
Şablona özgü denetimler (mq_hata ve notlar), sırasıyla:
- Veri açık değil (189). Olay ve n sütunları farklı (191). Moderatör ve alt grup, olay ya da n sütunu olamaz (195–196).
- Olay, n ve moderatör sütunlarında sayıya çevrilemeyen değer: "'…' sütununda sayısal olmayan değerler var." (202). Eksik değerli satırlar çözümlemeden çıkarılır; atılan çalışma sayısı ve kalan çalışma sayısı yazılır (205–208). En az 2 çalışma (209).
- Olay ve n sonlu ve tamsayı (211–213); n>0 (215); 0\le x\le n (216).
- GLMM yalnız ML ile kestirilir:
tau2ML dışında (veotodeğilse) ise ileti (222–224). Hartung–Knapp GLMM ile seçilirse ileti (225–227). - Güven düzeyi 0 ile 1 arasında (232–233). Süreklilik düzeltmesi \ge0 (244–245).
- GLMM'de bütün çalışmalarda olay 0 (ya da n) ise "GLMM kestirilemez" (238–240).
- Logit/ham oranda sıfır ya da n olaylı çalışma var ve düzeltme yoksa (
none) ileti (253–255). - Model kurulamazsa "Model kurulamadı: …" (264–265).
- Notlar: düzeltmenin kime uygulandığı (375–383), ham oranda sınırın kırpılması (384–386), FT geri dönüşümünün harmonik ortalaması (370–373), 10'dan az çalışmada huni testinin gücü (481), alt grup tek düzeyliyse atlama (395–396), moderatör sabitse ya da k<3 ise atlama (447–450).
Örnek ayar (ornek_param, 9. satır): olay = olay, n = n, etiket = calisma, donusum = GLMM, tau2 = oto.
Tohum. Kestirim deterministiktir (kod rastgelelik içermez); kod panelindeki Tohum alanı (Bölüm 1.3) sonucu değiştirmez.
198.3 Örnek veri
oran_meta_nielweise2007.csv: Niël-Weise ve ark. (2007) sistematik derlemesinin standart (antibiyotik kaplamasız) santral venöz kateter grubu; metadat paketinin dat.nielweise2007 verisi. 18 çalışmada kateterle ilişkili kan dolaşımı enfeksiyonu: toplam n=2495, toplam olay 87. Çalışma oranları 0 (Yucel 2004: 0/105) ile 0{,}1845 (Pierce 2000: 19/103) arasındadır; n 35 ile 362 arasında değişir. Eksik değer yoktur.
| Değişken | Rol | Tür (veri sekmesi) | Özet |
|---|---|---|---|
calisma |
etiket | metin | 18 farklı ad (ör. "Bach 1996") |
yil |
moderatör | sayısal | 1996–2006 |
olay |
olay sayısı | sayısal | 0–19; toplam 87 |
n |
örneklem | sayısal | 35–362; toplam 2495 |
donem |
alt grup | ikili (metin) | "1996-1999" (8 çalışma), "2000-2006" (10 çalışma) |
Alt grup düzey sırası ortak kuraldır (390–394): etken sütunda Veri sekmesi sırası; değerlerin hepsi sayıysa sayısal sıra ("2" "10"'dan önce), değilse harf sırası; örnekte (donem) harf sırası zaten zamansal sıradır. Olay, n ve moderatör sayısal rollerdir; veri sekmesi bunları "kategorik" sınıflasa da sayı olarak aktarılır (Bölüm 1.3).
Bölümde kullanılan çalıştırmalar:
| Ad | Ayar |
|---|---|
ornek |
örnek ayar (binom-normal GLMM) |
plo, plo_hk, plo_adhoc |
donusum = PLO; hk; hk + hk_tur = adhoc |
plo_dl, plo_pm, plo_ml, plo_he, plo_hs, plo_sj, plo_eb |
tau2 |
pft, pas_pm_hk, pr |
Freeman–Tukey; arksinüs + PM + HK; ham oran |
pft_esik, pr_esik |
esik = 1e-10, adim = 1 |
peters |
yayin_testi = peters |
altgrup, altgrup_ortak |
alt_grup = donem; + alt_grup_ortak_tau |
mod, glmm_mod |
moderator = yil (PLO ve GLMM) |
ws, ac, j |
calisma_ga |
miller1, miller3 |
Miller (1978) örnekleri; donusum = PFT, tau2 = DL |
e_* |
uç durumlar (198.8) |
198.4 Yöntem: formüller ve hesap adımları
Hesap sırası: veri denetlenir ve tamsayılar yuvarlanır (199–216); seçilen dönüşümle her çalışmanın y_i ve v_i değerleri escalc ile kurulur (252); ortak etki ve rastgele etkiler modelleri kurulur (297–299); çalışma düzeyi aralıklar, birleştirilmiş oran ve tahmin aralığı, heterojenlik tabloları yazılır; ardından alt grup, meta-regresyon, huni asimetrisi testi ve üç grafik gelir.
198.4.1 Dönüşümler ve geri dönüşüm
| Ad | y_i | v_i | Geri dönüşüm |
|---|---|---|---|
PLO (logit) |
\ln\dfrac{x_i}{n_i-x_i} | \dfrac1{x_i}+\dfrac1{n_i-x_i} | \dfrac1{1+e^{-y}} |
PFT (Freeman–Tukey) |
\tfrac12\Bigl[\arcsin\sqrt{\tfrac{x_i}{n_i+1}}+\arcsin\sqrt{\tfrac{x_i+1}{n_i+1}}\Bigr] | \dfrac1{4n_i+2} | Miller (1978) |
PAS (arksinüs) |
\arcsin\sqrt{x_i/n_i} | \dfrac1{4n_i} | \sin^2 y |
PR (ham oran) |
x_i/n_i | \dfrac{\hat p_i(1-\hat p_i)}{n_i} | y |
Bu tabloda PFT için y_i iki arksinüsün yarısıdır (metafor'un tanımı; meta paketi aynı büyüklüğü ve aynı v_i'yi verir). Geri dönüşüm: t=2y olmak üzere p=\tfrac12\bigl\{1-\mathrm{sgn}(\cos t)\sqrt{1-[\sin t+(\sin t-1/\sin t)/n_h]^2}\bigr\} ve n_h=1/\overline{(1/n_i)} örneklem büyüklüklerinin harmonik ortalaması (Miller, 1978). Sonuç [0{,}1]'e kırpılır (262).
Neden bu kadar çok dönüşüm?
Oran 0'a ya da 1'e yakınken ham oranın varyansı oranın kendisine bağlıdır ve normal yaklaşım bozulur; logit ve arksinüs dönüşümleri varyansı dengeler. Her dönüşümün bir bedeli vardır: logit, sıfır ve n olay için tanımsızdır ve süreklilik düzeltmesi ister; Freeman–Tukey ve arksinüs bu değerlerde tanımlıdır, ama n_i'ler çok farklıysa Freeman–Tukey'in ters dönüşümü yanıltıcı olabilir (Schwarzer ve ark., 2019). Binom-normal GLMM bu iki sorunu da yaşamaz: olabilirlik doğrudan binomdur (198.4.8).
Koddaki tercih
Süreklilik düzeltmesi yalnız PLO ve PR'de uygulanır (ekle, 243); PFT ve PAS'ta 0'dır. Varsayılan sureklilik = 0,5 ve sureklilik_kime = only0: yalnız x=0 ya da x=n olan çalışmalarda x ve n-x'e 0,5 eklenir (örnekte yalnız Yucel 2004: y=\ln(0{,}5/105{,}5)=-5{,}3519, v=1/0{,}5+1/105{,}5=2{,}0095). if0all sıfır varsa herkese, all her çalışmaya ekler. GLMM düzeltme kullanmaz; yine de huni grafiği ve asimetri testi için kurulan yardımcı logit modelde none seçilmiş ve sıfır olaylı çalışma varsa düzeltme eklenir ve bu bir notla bildirilir (248–251).
198.4.2 Ortak etki ve rastgele etkiler
Ortak etkide (\tau^2=0) ağırlık w_i=1/v_i, \hat\theta=\sum w_iy_i/\sum w_i, \mathrm{SH}=1/\sqrt{\sum w_i}. Rastgele etkilerde w_i^*=1/(v_i+\hat\tau^2) ve
Aralığın uçları geri dönüşümle orana çevrilir; oran ölçeğinde simetri yoktur.
198.4.3 \tau^2 kestirimi
Şablon dokuz kestiriciyi rma(method=) ile sunar (Q=\sum w_i(y_i-\hat\theta)^2, ortak etkinin ağırlıklarıyla, k çalışma):
| Kestirici | Tanım |
|---|---|
REML (varsayılan) |
Kısıtlı olabilirliği en büyükler; ağırlıklar \tau^2'ye bağlıdır. |
ML |
Olabilirliği en büyükler. |
DL |
\max\Bigl(0,\dfrac{Q-(k-1)}{\sum w_i-\sum w_i^2/\sum w_i}\Bigr) (DerSimonian ve Laird, 1986). |
PM |
\sum w_i^*(y_i-\hat\theta^*)^2=k-1 denkleminin kökü (Paule ve Mandel, 1982). |
HE |
Hedges: örnek varyansı eksi ortalama v_i (kesilmiş). |
HS |
\max\bigl(0,(Q-k)/\sum w_i\bigr) (Hunter–Schmidt). |
SJ |
\tau_0^2=\sum(y_i-\bar y)^2/k ile \hat\tau^2=\sum\tilde w_i(y_i-\tilde\theta)^2/(k-1), \tilde w_i=1/(v_i/\tau_0^2+1) (Sidik ve Jonkman, 2005). |
EB |
Ampirik Bayes; örnekte PM'nin çözümüyle aynıdır (0{,}66227 ve 0{,}66226). |
Yinelemeli kestiriciler (REML, ML, PM, EB, SJ) Fisher puanlama ile çözülür: en_cok_yineleme, adim ve esik bu yinelemenin denetimidir. Örnekte (logit) kestiriciler \hat\tau^2 için 0{,}6629 (REML), 0{,}7553 (DL), 0{,}6623 (PM), 0{,}6073 (ML), 0{,}6761 (HE), 0{,}6711 (HS), 0{,}7757 (SJ) verir; birleştirilmiş logit oran -3{,}30 ile -3{,}32 arasındadır.
Yakınsama eşiği mutlak ölçektedir
esik (\tau^2'deki değişimin bırakma ölçütü) mutlaktır; varsayılan 10^{-5}'tir. Logit ölçeğinde \tau^2 yaklaşık 1'dir ve eşik yeterlidir. Ham oran, arksinüs ve Freeman–Tukey'de \tau^2 çok küçüktür (örnekte 0,0004; 0,008; 0,007): yineleme gerçek çözümden uzakta durabilir. Şablon bunu denetler (270–289): yinelemeli kestiricilerde (REML, ML, EB, PM, SJ) model eşik 10^{-10} ile de kurulur; \tau^2 iki çözümde göreli olarak 10^{-3}'ten çok ya da mutlak olarak 10^{-8}'den çok ayrışırsa sıkı eşikteki çözüm kullanılır ve çıktıya \"Yakınsama notu\" yazılır; ayrışmazsa \"Yakınsama: τ² yinelemesi tamamlandı\" satırı kestirici, eşik, adım çarpanı ve \hat\tau^2 ile yazılır (301–306). Örnekte pr: seçilen eşik 10^{-5} ile \hat\tau^2=0{,}000399 (orandaki birleştirilmiş değer 0{,}029603) bulunur; sıkı eşik \hat\tau^2=0{,}000376 ve 0{,}029311 verir (fark: \tau^2'de %6, orandaki %1) ve sonuç sıkı eşikle yazılır. Freeman–Tukey'de 0{,}007137 yerine 0{,}007127 kullanılır; logit ölçeğinde (\hat\tau^2=0{,}662873) iki çözüm aynıdır ve sonuç değişmez. Aynı denetim alt grup ortak \tau^2 modelinde, meta-regresyonda ve alt grup modellerinde uygulanır.
198.4.4 Hartung–Knapp, heterojenlik ve tahmin aralığı
Hartung–Knapp (HK). Rastgele etkiler SH'si \sqrt{q/(k-1)} ile çarpılır, q=\sum w_i^*(y_i-\hat\theta^*)^2, ve ortalama için t_{k-1} kullanılır (Knapp ve Hartung, 2003). adhoc sürümünde çarpan \max\bigl(1,\sqrt{q/(k-1)}\bigr)'dir; böylece HK aralığı hiçbir zaman standart rastgele etkiler aralığından dar olmaz (IntHout ve ark., 2014). Örnekte q/(k-1)=0{,}9988<1: knha SH'yi 0{,}23783'ten 0{,}23776'ya düşürür, adhoc 0{,}23783'te bırakır; aralıklar t_{17} ile (-3{,}8034;\ -2{,}8001) ve (-3{,}8036;\ -2{,}8000) olur. HK yalnız ters varyans yöntemlerinde geçerlidir.
Heterojenlik. Cochran Q (ortak etki ağırlıklarıyla, k-1 sd) ve
Bu ifadede s^2 "tipik" örnekleme varyansıdır; I^2 toplam değişkenliğin ne kadarının çalışmalar arası olduğunu, H gözlenen ile yalnız örnekleme kaynaklı değişkenliğin oranının karekökünü verir (Higgins ve Thompson, 2002). Şablon I^2'yi \hat\tau^2'den hesaplar (metafor tanımı), Q'dan değil. \tau^2, \tau, I^2 ve H için Q-profil güven aralıkları (Q_{\mathrm{gen}}(\tau^2)'nin \chi^2_{k-1} niceliklerine eşitlenmesi; Viechtbauer, 2007) ters varyans modellerinde ve k\ge3'te verilir (348).
Tahmin aralığı. Yeni bir çalışmanın gerçek etkisi için
Aralık geri dönüşümle orana çevrilir; metafor'un predict() işleviyle hesaplanır (336–338). Heterojenlik yüksekken aralık güven aralığından belirgin geniştir.
198.4.5 Çalışma düzeyi aralıklar
z=z_{1-\alpha/2} olmak üzere (308–321): Clopper–Pearson (CP, kesin): alt =B(\alpha/2;\,x,\,n-x+1), üst =B(1-\alpha/2;\,x+1,\,n-x) (B beta niceliği; x=0 ise alt 0, x=n ise üst 1; Clopper ve Pearson, 1934). Wilson (WS): \hat p'=(x+z^2/2)/(n+z^2) merkezli, yarı genişlik \dfrac{z\sqrt n}{n+z^2}\sqrt{\hat p(1-\hat p)+\dfrac{z^2}{4n}} (Wilson, 1927). Agresti–Coull (AC): \hat p'\pm z\sqrt{\hat p'(1-\hat p')/(n+z^2)} (Agresti ve Coull, 1998). Jeffreys (J): beta(x+\tfrac12,\,n-x+\tfrac12) niceliği (Brown ve ark., 2001). Bu aralıklar yalnız çalışma tablosundadır ve orman grafiğinin çubuklarını çizer; birleştirmeye girmezler.
198.4.6 Alt grup ve meta-regresyon
Alt grup. Her düzeyde ayrı model kurulur (REML ya da seçilen kestirici; her grup kendi \hat\tau^2'siyle); tek çalışmalık grupta model kurulmaz, çalışmanın kendi y\pm z\sqrt v aralığı alınır (409–431). Gruplar arası fark
G-1 sd ile \chi^2 testiyle sınanır; hem ortak etki hem rastgele etkiler için verilir (433–440). alt_grup_ortak_tau açıksa ortak \tau^2, alt grubu moderatör alan bir karma etkiler modelinin artık \tau^2'sinden alınır ve her gruba o sabit \tau^2 uygulanır (403–408).
Meta-regresyon. Dönüşüm ölçeğinde y_i=\beta_0+\beta_1x_i+u_i+e_i (karma etkiler, seçilen kestirici); tabloda \beta_0,\beta_1, SH, test, p; özette Q_M (moderatörün Wald \chi^2'si, 1 sd), artık \tau^2 ve R^2=\max\bigl(0{,}100(\tau_0^2-\tau_{\mathrm{res}}^2)/\tau_0^2\bigr). Moderatör merkezlenmez; kesişim moderatörün sıfırındaki değerdir.
198.4.7 Huni asimetrisi: Egger ve Peters
regtest (464–485), ters varyans modelinde (GLMM seçiliyse logit REML modelinde, 465) çalışma etkisini bir yordayıcıya karma etkiler meta-regresyonuyla bağlar: Egger'de yordayıcı \mathrm{SH}_i, Peters'te 1/n_i. Eğim sıfır testi (z, HK'de t_{k-2}) asimetri sınamasıdır; "sınır kestirim" yordayıcının sıfırdaki tahmindir. k<3'te çalışmaz; k<10'da not düşer.
Prevalans verisinde asimetri yayın yanlılığı değildir
Logit ölçeğinde y_i ile \mathrm{SH}_i arasında yapısal bir ilişki vardır (oran küçüldükçe SH büyür). Egger testi bu nedenle tip I hatayı şişirir ve prevalans verisinde asimetri gerçek heterojenliği de yansıtabilir; Peters testi yeğlenebilir. Örnekte aynı veriyle Egger z=-3{,}99 (p<0{,}001), Peters z=1{,}55 (p=0{,}12).
198.4.8 Binom-normal GLMM
Çalışma olabilirliği L_i(\mu,\tau)=\int\binom{n_i}{x_i}\pi^{x_i}(1-\pi)^{n_i-x_i}\varphi(u)\,\mathrm{d}u, \pi=\mathrm{expit}(\mu+\tau u). Toplam log-olabilirlik \sum_i\ln L_i, (\mu,\tau) üzerinden en büyüklenir (ML; Stijnen ve ark., 2010). rma.glmm(measure = "PLO", method = "ML", nAGQ = P$glmm_nagq) (292) integrali lme4 ile nAGQ noktalı uyarlamalı Gauss–Hermite kareleme kullanarak hesaplar. Ortak etki modeli (\tau=0) method = "EE" ile bir lojistik regresyondur (267).
Heterojenlik iki testle verilir: Wald Q ve olabilirlik oranı (LRT). \mathrm{LRT}=2\bigl(\ell_{\mathrm{doymuş}}-\ell_{\mathrm{ortak}}\bigr), k-1 sd; \ell_{\mathrm{doymuş}} her çalışmanın kendi \hat p_i'sinde, \ell_{\mathrm{ortak}} ortak \hat p'de binom log-olabilirliğidir. Ters varyans yöntemlerindeki \tau^2 güven aralıkları GLMM için yoktur.
Neden GLMM varsayılan?
Binom olabilirliği doğrudan kullanır (dönüşümün yaklaşıklığı yoktur), sıfır olaylı çalışmalar süreklilik düzeltmesi olmadan katılır ve n_i farklı olsa da geri dönüşüm tektir (Schwarzer ve ark., 2019; Stijnen ve ark., 2010). Örnekte logit REML \hat\mu=-3{,}302 (oran 0,0355) ve GLMM \hat\mu=-3{,}496 (oran 0,0294) verir: az olaylı çalışmalarda ters varyans yöntemlerinin bilinen yanlılığıyla uyumlu bir fark.
198.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 185–188 | .m ileti yardımcısı; metafor yüklenir; Okabe–Ito renkleri. |
lme4 rma.glmm içinde çağrılır; üstbilgideki atif_ek ile yazılım kaydına girer. |
| 189–217 | Veri, sütun farklılıkları, sayıya çevirme, eksik satırlar, tamsayı ve aralık denetimi, etiket. | Atılan çalışma sayısı ve kalan k yazılır. |
| 218–240 | Yöntem seçimi (yon, glmm, olc), GLMM–τ² ve GLMM–HK uyumsuzlukları, güven düzeyi, tüm-sıfır denetimi. |
tau_y = GLMM'de ML, oto'da REML. |
| 242–255 | Süreklilik düzeltmesi, escalc, sonluluk denetimi. |
PFT ve PAS'ta düzeltme 0. |
| 257–306 | Geri dönüşüm, kur sarmalayıcı, yakınsama denetimi (rma_yak, 275–289), ortak ve rastgele model, yakınsama satırı. |
control = list(maxiter, stepadj, threshold) yalnız ters varyans modellerinde (276, 292–296). |
| 300 | print(m_rast): metafor çıktısı. |
Rastgele etkiler modelinin çıktısı konsola yazılır. |
| 308–329 | Çalışma düzeyi GA (CP, WS, AC, J) ve çalışma tablosu. | Ortak ve rastgele ağırlıklar GLMM'de boş. |
| 331–345 | Özet tablo: ortak, rastgele, tahmin aralığı. | Tahmin aralığı predict ile. |
| 347–360 | Heterojenlik tablosu (\tau^2, \tau, I^2, H, Q) ve Q-profil GA. | GLMM'de Wald Q ve LRT eklenir. |
| 362–386 | Yöntem metni ve notlar. | FT'de harmonik n; ham oranda kırpma notu. |
| 388–441 | Alt grup tablosu ve gruplar arası test. | Düzey sırası ortak kural (390–394). |
| 443–462 | Meta-regresyon tablosu ve özeti. | Moderatör merkezlenmez. |
| 464–485 | Egger ya da Peters testi. | GLMM'de logit REML modeli (465). |
| 487–521 | Orman grafiği (oran ölçeği). | Nokta boyutu rastgele etkiler ağırlığıyla (500–501); GLMM'de eşit. |
| 523–538 | Huni ve kabarcık grafiği. | Huni dönüşüm ölçeğinde. |
Çıktı tabloları: çalışma düzeyinde oranlar; birleştirilmiş oran; heterojenlik; (alt grup) alt gruplar ve gruplar arası test; (moderatör) katsayılar ve özet; huni asimetrisi. İki ya da üç şekil.
198.6 Elle hesap: örnek veride bağımsız yeniden hesap
Doğrulama metafor, meta ve lme4 kullanılmadan yapılmıştır: dogrulama/oran_meta/elle_hesap.py (numpy/scipy; dönüşümler, dokuz kestiricinin yedisi, HK, Q-profil, Egger/Peters, alt grup, meta-regresyon ve 300 düğümlü Gauss–Hermite ile GLMM) ve r_dogrulama.R (taban R ile REML/ML/DL/PM, HK, Egger/Peters, meta-regresyon, alt grup; meta::metaprop ile dönüşümler; GLMM için lme4::glmer ve integrate() ile doğrudan olabilirlik).
Adım 1 — Çalışma dönüşümleri. Bach 1996 (3/117): y=\ln(3/114)=-3{,}6376, v=1/3+1/114=0{,}3421; Clopper–Pearson aralığı [0{,}005319;\ 0{,}073107]. Yucel 2004 (0/105): düzeltmeli y=-5{,}3519, v=2{,}0095; aralık [0;\ 0{,}034522].
Adım 2 — Ortak etki (logit). \hat\theta=-2{,}8787 (SH 0{,}11131, oran 0{,}0532 [0{,}0432;\ 0{,}0653]), Q=72{,}1659 (17 sd).
Adım 3 — REML. \hat\tau^2=0{,}66287; \hat\mu=-3{,}30178 (SH 0{,}23783); GA (-3{,}76792;\ -2{,}83563); oran 0{,}03551 [0{,}02258;\ 0{,}05543]; I^2=\%74{,}011, H=1{,}96157; tahmin aralığı logit (-4{,}96421;\ -1{,}63935), oran [0{,}00694;\ 0{,}16255]. Q-profil: \tau^2\in[0{,}24150;\ 2{,}01514], I^2\in[\%50{,}92;\ \%89{,}65], H\in[1{,}427;\ 3{,}108].
Adım 4 — Öbür kestiriciler. \hat\tau^2: DL 0{,}75535, PM 0{,}66226, ML 0{,}60734, HE 0{,}67615, HS 0{,}67111, SJ 0{,}77568; \hat\mu sırasıyla -3{,}31677; -3{,}30167; -3{,}29152; -3{,}30408; -3{,}30321; -3{,}31977.
Adım 5 — Hartung–Knapp. q/(k-1)=0{,}9988; knha SH 0{,}23776, GA (-3{,}80341;\ -2{,}80014); adhoc SH 0{,}23783, GA (-3{,}80356;\ -2{,}79999).
Adım 6 — Freeman–Tukey ve Miller örnekleri. Nielweise: \hat\mu=0{,}19495 (SH 0{,}02291), \hat\tau^2=0{,}007127, oran 0{,}03289 [0{,}01767;\ 0{,}05194] (harmonik n_h=96{,}21). Miller (1978) örnek 1: ortak etki 0{,}6547 (SH 0{,}0662), Q=2{,}1754, geri dönüşüm 0{,}3595 [0{,}2297;\ 0{,}4990]; örnek 3: 0{,}6886 [0{,}5734;\ 0{,}7943].
Adım 7 — Egger ve Peters. Egger: z=-3{,}9919 (p=6{,}6\cdot10^{-5}), sınır kestirim -1{,}5973; Peters: z=1{,}5526 (p=0{,}1205).
Adım 8 — GLMM. Gauss–Hermite (300 düğüm) ve R integrate: \hat\mu=-3{,}496409, \mathrm{SH}=0{,}256969, \hat\tau^2=0{,}812214, \ell=-48{,}2250; oran 0{,}029415 [0{,}017985;\ 0{,}047754]; tahmin aralığı oran [0{,}004805;\ 0{,}159811]; LRT =85{,}2839. glmer (n\mathrm{AGQ}=25) aynı sonucu verir; nAGQ = 7 (şablonun varsayılanı) \hat\mu=-3{,}496440, \hat\tau^2=0{,}812363 verir.
Adım 9 — Alt grup ve meta-regresyon. donem: 1996–1999 (8 çalışma, n=995): \hat\tau^2=0, oran 0{,}04023; 2000–2006 (10, 1500): \hat\tau^2=1{,}4456, oran 0{,}02807. Q_{\mathrm{ara}} rastgele etkiler 0{,}6207 (p=0{,}431), ortak etki 5{,}4245 (p=0{,}0199). Moderatör yil: eğim -0{,}109286 (SH 0{,}076435), Q_M=2{,}0443 (p=0{,}1528), artık \hat\tau^2=0{,}67952, R^2=0.
Adım 10 — Yayımlanmış değerler. Stijnen ve ark. (2010) çözümlemesi (metafor proje sitesi), logit REML: \hat\tau^2=0{,}663, \hat\mu=-3{,}302 (SH 0{,}238), I^2=\%74{,}01, Q(17)=72{,}166, oran 0{,}036 [0{,}023;\ 0{,}055], tahmin aralığı [0{,}007;\ 0{,}163]; GLMM: \hat\tau^2=0{,}812, \hat\mu=-3{,}496 (SH 0{,}257), I^2=\%77{,}73, Wald Q=69{,}103, LRT =85{,}284, oran 0{,}029 [0{,}018;\ 0{,}048], tahmin aralığı [0{,}005;\ 0{,}160]. Hepsi şablonun çıktısıyla örtüşür.
198.6.1 Doğrulama: MerQuR+, Python ve R
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | |
|---|---|---|---|---|---|
| birleştirilmiş kestirim, logit REML | −3,30177676 | −3,3017759 | −3,3017759 | 2,6e−7 | ✓ |
| SH, logit REML | 0,2378343 | 0,23783367 | 0,23783367 | 6,3e−7 | ✓ |
| GA alt, logit REML | −3,76792342 | −3,76792133 | −3,76792132 | 5,6e−7 | ✓ |
| GA üst, logit REML | −2,83563011 | −2,83563047 | −2,83563047 | 1,3e−7 | ✓ |
| p, logit REML | 8,067340·10−44 | 8,063648·10−44 | — | 3,7e−47 | ✓ |
| τ², logit REML | 0,66287282 | 0,66286787 | 0,66286786 | 5,0e−6 | ✓ |
| I² (%), logit REML | 74,01094062 | 74,01079714 | 74,01079681 | 1,9e−6 | ✓ |
| H, logit REML | 1,9615741 | 1,96156869 | 1,96156868 | 2,8e−6 | ✓ |
| Q, logit REML | 72,16590918 | 72,16590918 | 72,16590918 | 2,8e−15 | ✓ |
| tahmin aralığı alt, logit REML | −4,96421213 | −4,9642052 | −4,96420519 | 1,4e−6 | ✓ |
| tahmin aralığı üst, logit REML | −1,6393414 | −1,63934659 | −1,63934661 | 3,2e−6 | ✓ |
| oran (geri dönüşüm), logit REML | 0,03551029 | 0,03551032 | — | 3,0e−8 | ✓ |
| oran GA alt, logit REML | 0,02257842 | 0,02257847 | — | 4,6e−8 | ✓ |
| oran GA üst, logit REML | 0,05542889 | 0,05542887 | — | 1,9e−8 | ✓ |
| ortak etki kestirimi, logit REML | −2,8787136 | −2,8787136 | −2,8787136 | 1,4e−13 | ✓ |
| ortak etki SH, logit REML | 0,11130964 | 0,11130964 | 0,11130964 | 2,0e−15 | ✓ |
| birleştirilmiş kestirim, logit REML, Hartung-Knapp | −3,30177676 | −3,3017759 | −3,3017759 | 2,6e−7 | ✓ |
| SH, logit REML, Hartung-Knapp | 0,23776344 | 0,23776339 | 0,23776339 | 4,9e−8 | ✓ |
| GA alt, logit REML, Hartung-Knapp | −3,80341377 | −3,8034128 | −3,8034128 | 2,6e−7 | ✓ |
| GA üst, logit REML, Hartung-Knapp | −2,80013976 | −2,80013899 | −2,80013899 | 2,7e−7 | ✓ |
| p, logit REML, Hartung-Knapp | 1,045647·10−10 | 1,045648·10−10 | — | 9,1e−17 | ✓ |
| τ², logit REML, Hartung-Knapp | 0,66287282 | 0,66286787 | 0,66286786 | 5,0e−6 | ✓ |
| I² (%), logit REML, Hartung-Knapp | 74,01094062 | 74,01079714 | 74,01079681 | 1,9e−6 | ✓ |
| H, logit REML, Hartung-Knapp | 1,9615741 | 1,96156869 | 1,96156868 | 2,8e−6 | ✓ |
| Q, logit REML, Hartung-Knapp | 72,16590918 | 72,16590918 | 72,16590918 | 2,8e−15 | ✓ |
| tahmin aralığı alt, logit REML, Hartung-Knapp | −5,09127387 | −5,09126682 | −5,09126681 | 1,4e−6 | ✓ |
| tahmin aralığı üst, logit REML, Hartung-Knapp | −1,51227966 | −1,51228497 | −1,51228498 | 3,5e−6 | ✓ |
| oran (geri dönüşüm), logit REML, Hartung-Knapp | 0,03551029 | 0,03551032 | — | 3,0e−8 | ✓ |
| oran GA alt, logit REML, Hartung-Knapp | 0,02180833 | 0,02180835 | — | 2,1e−8 | ✓ |
| oran GA üst, logit REML, Hartung-Knapp | 0,05731662 | 0,05731667 | — | 4,1e−8 | ✓ |
| ortak etki kestirimi, logit REML, Hartung-Knapp | −2,8787136 | −2,8787136 | — | 6,2e−16 | ✓ |
| ortak etki SH, logit REML, Hartung-Knapp | 0,11130964 | 0,11130964 | — | 5,1e−16 | ✓ |
| birleştirilmiş kestirim, logit REML, ad hoc Hartung-Knapp | −3,30177676 | −3,3017759 | −3,3017759 | 2,6e−7 | ✓ |
| SH, logit REML, ad hoc Hartung-Knapp | 0,2378343 | 0,23783367 | 0,23783367 | 6,3e−7 | ✓ |
| GA alt, logit REML, ad hoc Hartung-Knapp | −3,80356327 | −3,80356108 | −3,80356108 | 5,8e−7 | ✓ |
| GA üst, logit REML, ad hoc Hartung-Knapp | −2,79999026 | −2,79999071 | −2,79999071 | 1,6e−7 | ✓ |
| p, logit REML, ad hoc Hartung-Knapp | 1,050548·10−10 | 1,050509·10−10 | — | 3,9e−15 | ✓ |
| τ², logit REML, ad hoc Hartung-Knapp | 0,66287282 | 0,66286787 | 0,66286786 | 5,0e−6 | ✓ |
| I² (%), logit REML, ad hoc Hartung-Knapp | 74,01094062 | 74,01079714 | 74,01079681 | 1,9e−6 | ✓ |
| H, logit REML, ad hoc Hartung-Knapp | 1,9615741 | 1,96156869 | 1,96156868 | 2,8e−6 | ✓ |
| Q, logit REML, ad hoc Hartung-Knapp | 72,16590918 | 72,16590918 | 72,16590918 | 2,8e−15 | ✓ |
| tahmin aralığı alt, logit REML, ad hoc Hartung-Knapp | −5,09131578 | −5,09130839 | −5,09130838 | 1,5e−6 | ✓ |
| tahmin aralığı üst, logit REML, ad hoc Hartung-Knapp | −1,51223775 | −1,5122434 | −1,51224341 | 3,7e−6 | ✓ |
| oran (geri dönüşüm), logit REML, ad hoc Hartung-Knapp | 0,03551029 | 0,03551032 | — | 3,0e−8 | ✓ |
| oran GA alt, logit REML, ad hoc Hartung-Knapp | 0,02180514 | 0,02180518 | — | 4,7e−8 | ✓ |
| oran GA üst, logit REML, ad hoc Hartung-Knapp | 0,0573247 | 0,05732468 | — | 2,4e−8 | ✓ |
| ortak etki kestirimi, logit REML, ad hoc Hartung-Knapp | −2,8787136 | −2,8787136 | — | 6,2e−16 | ✓ |
| ortak etki SH, logit REML, ad hoc Hartung-Knapp | 0,11130964 | 0,11130964 | — | 5,1e−16 | ✓ |
| birleştirilmiş kestirim, logit DL | −3,31677249 | −3,31677249 | −3,31677249 | 2,7e−14 | ✓ |
| SH, logit DL | 0,2491847 | 0,2491847 | 0,2491847 | 3,0e−14 | ✓ |
| GA alt, logit DL | −3,80516553 | −3,80516553 | −3,80516553 | 1,2e−13 | ✓ |
| GA üst, logit DL | −2,82837945 | −2,82837945 | −2,82837945 | 1,0e−13 | ✓ |
| p, logit DL | 2,011365·10−40 | 2,011365·10−40 | — | 1,2e−55 | ✓ |
| τ², logit DL | 0,75534734 | 0,75534734 | 0,75534734 | 1,0e−15 | ✓ |
| I² (%), logit DL | 76,44317075 | 76,44317075 | 76,44317075 | 2,6e−15 | ✓ |
| H, logit DL | 2,06035276 | 2,06035276 | 2,06035276 | 7,8e−14 | ✓ |
| Q, logit DL | 72,16590918 | 72,16590918 | 72,16590918 | 2,8e−15 | ✓ |
| tahmin aralığı alt, logit DL | −5,08882313 | −5,08882313 | −5,08882313 | 2,9e−14 | ✓ |
| tahmin aralığı üst, logit DL | −1,54472185 | −1,54472185 | −1,54472185 | 1,9e−14 | ✓ |
| oran (geri dönüşüm), logit DL | 0,03500026 | 0,03500026 | — | 5,6e−17 | ✓ |
| oran GA alt, logit DL | 0,02177099 | 0,02177099 | — | 3,5e−18 | ✓ |
| oran GA üst, logit DL | 0,05580973 | 0,05580973 | — | 1,4e−17 | ✓ |
| ortak etki kestirimi, logit DL | −2,8787136 | −2,8787136 | — | 6,2e−16 | ✓ |
| ortak etki SH, logit DL | 0,11130964 | 0,11130964 | — | 5,1e−16 | ✓ |
| birleştirilmiş kestirim, logit PM | −3,30166884 | −3,30166987 | −3,30166987 | 3,1e−7 | ✓ |
| SH, logit PM | 0,23775663 | 0,23775737 | 0,23775737 | 7,4e−7 | ✓ |
| GA alt, logit PM | −3,76766327 | −3,76766575 | −3,76766575 | 6,6e−7 | ✓ |
| GA üst, logit PM | −2,83567441 | −2,83567398 | −2,83567398 | 1,5e−7 | ✓ |
| p, logit PM | 7,620713·10−44 | 7,624855·10−44 | — | 4,1e−47 | ✓ |
| τ², logit PM | 0,66225786 | 0,66226373 | 0,66226373 | 5,9e−6 | ✓ |
| I² (%), logit PM | 73,99308409 | 73,99325449 | 73,99325449 | 2,3e−6 | ✓ |
| H, logit PM | 1,96090057 | 1,960907 | 1,960907 | 3,3e−6 | ✓ |
| Q, logit PM | 72,16590918 | 72,16590918 | 72,16590918 | 2,8e−15 | ✓ |
| tahmin aralığı alt, logit PM | −4,96335085 | −4,96335907 | −4,96335907 | 1,7e−6 | ✓ |
| tahmin aralığı üst, logit PM | −1,63998682 | −1,63998067 | −1,63998067 | 3,8e−6 | ✓ |
| oran (geri dönüşüm), logit PM | 0,03551398 | 0,03551395 | — | 3,5e−8 | ✓ |
| oran GA alt, logit PM | 0,02258416 | 0,02258411 | — | 5,5e−8 | ✓ |
| oran GA üst, logit PM | 0,05542657 | 0,05542659 | — | 2,2e−8 | ✓ |
| ortak etki kestirimi, logit PM | −2,8787136 | −2,8787136 | — | 6,2e−16 | ✓ |
| ortak etki SH, logit PM | 0,11130964 | 0,11130964 | — | 5,1e−16 | ✓ |
| birleştirilmiş kestirim, logit ML | −3,29152504 | −3,29152379 | −3,29152379 | 3,8e−7 | ✓ |
| SH, logit ML | 0,23069264 | 0,23069181 | 0,23069181 | 8,4e−7 | ✓ |
| GA alt, logit ML | −3,74367431 | −3,74367142 | −3,74367142 | 7,7e−7 | ✓ |
| GA üst, logit ML | −2,83937576 | −2,83937616 | −2,83937616 | 1,4e−7 | ✓ |
| p, logit ML | 3,463189·10−46 | 3,460883·10−46 | — | 2,3e−49 | ✓ |
| τ², logit ML | 0,60734225 | 0,60733585 | 0,60733585 | 6,4e−6 | ✓ |
| I² (%), logit ML | 72,29308769 | 72,29287667 | 72,29287667 | 2,9e−6 | ✓ |
| H, logit ML | 1,89979148 | 1,89978424 | 1,89978424 | 3,8e−6 | ✓ |
| Q, logit ML | 72,16590918 | 72,16590918 | 72,16590918 | 2,8e−15 | ✓ |
| tahmin aralığı alt, logit ML | −4,88448429 | −4,88447487 | −4,88447487 | 1,9e−6 | ✓ |
| tahmin aralığı üst, logit ML | −1,69856578 | −1,69857272 | −1,69857272 | 4,1e−6 | ✓ |
| oran (geri dönüşüm), logit ML | 0,03586308 | 0,03586312 | — | 4,3e−8 | ✓ |
| oran GA alt, logit ML | 0,02311981 | 0,02311987 | — | 6,5e−8 | ✓ |
| oran GA üst, logit ML | 0,0552331 | 0,05523308 | — | 2,1e−8 | ✓ |
| ortak etki kestirimi, logit ML | −2,8787136 | −2,8787136 | — | 6,2e−16 | ✓ |
| ortak etki SH, logit ML | 0,11130964 | 0,11130964 | — | 5,1e−16 | ✓ |
| birleştirilmiş kestirim, logit HE | −3,3040777 | −3,3040777 | — | 0 | ✓ |
| SH, logit HE | 0,23950316 | 0,23950316 | — | 5,6e−17 | ✓ |
| GA alt, logit HE | −3,77349526 | −3,77349526 | — | 3,5e−16 | ✓ |
| GA üst, logit HE | −2,83466013 | −2,83466013 | — | 3,1e−16 | ✓ |
| p, logit HE | 2,710793·10−43 | 2,710793·10−43 | — | 4,9e−57 | ✓ |
| τ², logit HE | 0,67614551 | 0,67614551 | — | 1,1e−16 | ✓ |
| I² (%), logit HE | 74,39045363 | 74,39045363 | — | 0 | ✓ |
| H, logit HE | 1,97605513 | 1,97605513 | — | 1,7e−15 | ✓ |
| Q, logit HE | 72,16590918 | 72,16590918 | — | 0 | ✓ |
| tahmin aralığı alt, logit HE | −4,98268962 | −4,98268962 | — | 8,9e−16 | ✓ |
| tahmin aralığı üst, logit HE | −1,62546578 | −1,62546578 | — | 2,9e−15 | ✓ |
| oran (geri dönüşüm), logit HE | 0,03543156 | 0,03543156 | — | 0 | ✓ |
| oran GA alt, logit HE | 0,02245578 | 0,02245578 | — | 2,8e−17 | ✓ |
| oran GA üst, logit HE | 0,05547969 | 0,05547969 | — | 2,8e−17 | ✓ |
| ortak etki kestirimi, logit HE | −2,8787136 | −2,8787136 | — | 6,2e−16 | ✓ |
| ortak etki SH, logit HE | 0,11130964 | 0,11130964 | — | 5,1e−16 | ✓ |
| birleştirilmiş kestirim, logit HS | −3,30321054 | −3,30321054 | — | 4,0e−16 | ✓ |
| SH, logit HS | 0,23887126 | 0,23887126 | — | 3,3e−16 | ✓ |
| GA alt, logit HS | −3,77138959 | −3,77138959 | — | 8,2e−16 | ✓ |
| GA üst, logit HS | −2,83503148 | −2,83503148 | — | 3,1e−16 | ✓ |
| p, logit HS | 1,717667·10−43 | 1,717667·10−43 | — | 4,4e−57 | ✓ |
| τ², logit HS | 0,67110672 | 0,67110672 | — | 1,1e−16 | ✓ |
| I² (%), logit HS | 74,24768947 | 74,24768947 | — | 5,7e−16 | ✓ |
| H, logit HS | 1,97057015 | 1,97057015 | — | 1,5e−15 | ✓ |
| Q, logit HS | 72,16590918 | 72,16590918 | — | 0 | ✓ |
| tahmin aralığı alt, logit HS | −4,97569984 | −4,97569984 | — | 5,4e−16 | ✓ |
| tahmin aralığı üst, logit HS | −1,63072123 | −1,63072123 | — | 3,0e−15 | ✓ |
| oran (geri dönüşüm), logit HS | 0,03546121 | 0,03546121 | — | 1,4e−17 | ✓ |
| oran GA alt, logit HS | 0,02250205 | 0,02250205 | — | 1,0e−17 | ✓ |
| oran GA üst, logit HS | 0,05546024 | 0,05546024 | — | 1,4e−17 | ✓ |
| ortak etki kestirimi, logit HS | −2,8787136 | −2,8787136 | — | 6,2e−16 | ✓ |
| ortak etki SH, logit HS | 0,11130964 | 0,11130964 | — | 5,1e−16 | ✓ |
| birleştirilmiş kestirim, logit SJ | −3,31977413 | −3,31977413 | — | 2,7e−16 | ✓ |
| SH, logit SJ | 0,2515989 | 0,2515989 | — | 2,2e−16 | ✓ |
| GA alt, logit SJ | −3,81289891 | −3,81289891 | — | 3,5e−16 | ✓ |
| GA üst, logit SJ | −2,82664935 | −2,82664935 | — | 1,1e−15 | ✓ |
| p, logit SJ | 9,411815·10−40 | 9,411815·10−40 | — | 7,0e−53 | ✓ |
| τ², logit SJ | 0,77568056 | 0,77568056 | — | 0 | ✓ |
| I² (%), logit SJ | 76,91814376 | 76,91814376 | — | 1,8e−16 | ✓ |
| H, logit SJ | 2,08144354 | 2,08144354 | — | 1,7e−15 | ✓ |
| Q, logit SJ | 72,16590918 | 72,16590918 | — | 0 | ✓ |
| tahmin aralığı alt, logit SJ | −5,11502258 | −5,11502258 | — | 1,7e−16 | ✓ |
| tahmin aralığı üst, logit SJ | −1,52452568 | −1,52452568 | — | 1,2e−15 | ✓ |
| oran (geri dönüşüm), logit SJ | 0,03489902 | 0,03489902 | — | 1,4e−17 | ✓ |
| oran GA alt, logit SJ | 0,0216069 | 0,0216069 | — | 5,9e−17 | ✓ |
| oran GA üst, logit SJ | 0,05590097 | 0,05590097 | — | 8,3e−17 | ✓ |
| ortak etki kestirimi, logit SJ | −2,8787136 | −2,8787136 | — | 6,2e−16 | ✓ |
| ortak etki SH, logit SJ | 0,11130964 | 0,11130964 | — | 5,1e−16 | ✓ |
| birleştirilmiş kestirim, Freeman-Tukey REML (eşik 10⁻¹⁰) | 0,19495305 | 0,19495305 | 0,19495308 | 3,2e−8 | ✓ |
| SH, Freeman-Tukey REML (eşik 10⁻¹⁰) | 0,02291351 | 0,02291351 | 0,02291358 | 7,1e−8 | ✓ |
| τ², Freeman-Tukey REML (eşik 10⁻¹⁰) | 0,00712726 | 0,00712726 | 0,00712732 | 5,8e−8 | ✓ |
| I² (%), Freeman-Tukey REML (eşik 10⁻¹⁰) | 79,54867745 | 79,54867744 | — | 1,9e−10 | ✓ |
| oran (geri dönüşüm), Freeman-Tukey REML (eşik 10⁻¹⁰) | 0,03289186 | 0,03289186 | — | 1,4e−12 | ✓ |
| oran GA alt, Freeman-Tukey REML (eşik 10⁻¹⁰) | 0,01767217 | 0,01767217 | — | 3,6e−12 | ✓ |
| oran GA üst, Freeman-Tukey REML (eşik 10⁻¹⁰) | 0,05194013 | 0,05194013 | — | 9,0e−12 | ✓ |
| birleştirilmiş kestirim, arksinüs PM + Hartung-Knapp | 0,18215004 | 0,18215135 | 0,18215004 | 1,3e−6 | ✓ |
| SH, arksinüs PM + Hartung-Knapp | 0,0242811 | 0,0242812 | 0,0242811 | 1,0e−7 | ✓ |
| τ², arksinüs PM + Hartung-Knapp | 0,00824944 | 0,00825276 | 0,00824944 | 3,3e−6 | ✓ |
| I² (%), arksinüs PM + Hartung-Knapp | 81,76935071 | 81,7753481 | — | 7,3e−5 | ✓ |
| oran (geri dönüşüm), arksinüs PM + Hartung-Knapp | 0,03281332 | 0,03281378 | — | 4,7e−7 | ✓ |
| oran GA alt, arksinüs PM + Hartung-Knapp | 0,01704271 | 0,01704299 | — | 2,8e−7 | ✓ |
| oran GA üst, arksinüs PM + Hartung-Knapp | 0,05348393 | 0,05348462 | — | 6,9e−7 | ✓ |
| birleştirilmiş kestirim, ham oran REML (eşik 10⁻¹⁰) | 0,02931065 | 0,02931065 | — | 3,5e−10 | ✓ |
| SH, ham oran REML (eşik 10⁻¹⁰) | 0,00595194 | 0,00595194 | — | 1,5e−10 | ✓ |
| τ², ham oran REML (eşik 10⁻¹⁰) | 3,759433·10−4 | 3,759433·10−4 | — | 2,7e−11 | ✓ |
| I² (%), ham oran REML (eşik 10⁻¹⁰) | 77,58053034 | 77,5805291 | — | 1,6e−8 | ✓ |
| oran (geri dönüşüm), ham oran REML (eşik 10⁻¹⁰) | 0,02931065 | 0,02931065 | — | 3,5e−10 | ✓ |
| oran GA alt, ham oran REML (eşik 10⁻¹⁰) | 0,01764505 | 0,01764505 | — | 6,2e−11 | ✓ |
| oran GA üst, ham oran REML (eşik 10⁻¹⁰) | 0,04097624 | 0,04097624 | — | 6,4e−10 | ✓ |
| Egger z, logit REML | −3,99188893 | −3,99187411 | −3,99187411 | 3,7e−6 | ✓ |
| Egger sınır kestirimi, logit REML | −1,59725222 | −1,59725415 | −1,59725415 | 1,2e−6 | ✓ |
| Peters z, logit REML | 1,55258446 | 1,55258064 | 1,55258065 | 2,5e−6 | ✓ |
| Egger z, Freeman-Tukey REML (eşik 10⁻¹⁰) | 1,782239 | 1,78223899 | — | 9,8e−9 | ✓ |
| τ² Q-profil GA alt, logit REML | 0,24150291 | 0,24150302 | — | 1,1e−7 | ✓ |
| τ² Q-profil GA üst, logit REML | 2,01514936 | 2,01514113 | — | 4,1e−6 | ✓ |
| τ Q-profil GA alt, logit REML | 0,49142946 | 0,49142956 | — | 1,1e−7 | ✓ |
| τ Q-profil GA üst, logit REML | 1,41955957 | 1,41955667 | — | 2,0e−6 | ✓ |
| I² (%) Q-profil GA alt, logit REML | 50,92078727 | 50,92079816 | — | 2,1e−7 | ✓ |
| I² (%) Q-profil GA üst, logit REML | 89,64513736 | 89,64509942 | — | 4,2e−7 | ✓ |
| H Q-profil GA alt, logit REML | 1,42741812 | 1,42741828 | — | 1,1e−7 | ✓ |
| H Q-profil GA üst, logit REML | 3,10761944 | 3,10761374 | — | 1,8e−6 | ✓ |
| GLMM μ | −3,49644345 | −3,49640942 | −3,49640949 | 9,7e−6 | ✓ |
| GLMM SH | 0,25699063 | 0,25696943 | 0,25696945 | 2,1e−5 | ✓ |
| GLMM τ² | 0,81235412 | 0,81221379 | 0,81221388 | 1,4e−4 | ✓ |
| GLMM oran | 0,02941359 | 0,02941457 | — | 9,7e−7 | ✓ |
| GLMM oran GA alt | 0,01798381 | 0,01798515 | — | 1,3e−6 | ✓ |
| GLMM oran GA üst | 0,04775443 | 0,04775409 | — | 3,4e−7 | ✓ |
| GLMM tahmin aralığı alt (oran) | 0,00480454 | 0,00480546 | — | 9,2e−7 | ✓ |
| GLMM tahmin aralığı üst (oran) | 0,15982802 | 0,15981136 | — | 1,7e−5 | ✓ |
| GLMM olabilirlik oranı testi | 85,28394262 | 85,28394262 | — | 3,2e−12 | ✓ |
| ortak etki (τ = 0) μ | −3,32064369 | −3,32064369 | — | 2,5e−13 | ✓ |
| ortak etki (τ = 0) SH | 0,10913075 | 0,10913082 | — | 6,8e−8 | ✓ |
| GLMM μ, glmer nAGQ = 7 ile | −3,49644345 | −3,49644037 | — | 8,8e−7 | ✓ |
| GLMM τ², glmer nAGQ = 7 ile | 0,81235412 | 0,81236257 | — | 8,5e−6 | ✓ |
| alt grup 1996-1999 oran (rastgele) | 0,0402304 | 0,0402304 | — | 1,4e−17 | ✓ |
| alt grup 1996-1999 τ² | 0 | 0 | — | 0 | ✓ |
| alt grup 2000-2006 oran (rastgele) | 0,0280712 | 0,02807119 | — | 1,4e−8 | ✓ |
| alt grup 2000-2006 τ² | 1,44560415 | 1,44560861 | — | 3,1e−6 | ✓ |
| alt gruplar arası Q (rastgele etkiler) | 0,62073751 | 0,62073793 | 0,62073794 | 4,2e−7 | ✓ |
| meta-regresyon eğimi (yıl) | −0,10928551 | −0,10928555 | −0,10928559 | 8,3e−8 | ✓ |
| meta-regresyon eğimi SH | 0,07643464 | 0,07643469 | 0,07643472 | 8,9e−8 | ✓ |
| meta-regresyon QM | 2,04430048 | 2,04429951 | 2,04429883 | 8,1e−7 | ✓ |
| meta-regresyon artık τ² | 0,67951373 | 0,67951511 | 0,67951608 | 2,4e−6 | ✓ |
| Miller örnek 1: Freeman-Tukey ortak etki | 0,65467065 | 0,65467065 | — | 2,2e−16 | ✓ |
| Miller örnek 1: SH | 0,06622662 | 0,06622662 | — | 1,4e−17 | ✓ |
| Miller örnek 1: geri dönüşümlü oran | 0,35952172 | 0,35952172 | — | 5,6e−17 | ✓ |
| Miller örnek 1: oran GA alt | 0,22970859 | 0,22970859 | — | 1,1e−16 | ✓ |
| Miller örnek 1: oran GA üst | 0,49899354 | 0,49899354 | — | 4,4e−16 | ✓ |
| Miller örnek 3: Freeman-Tukey ortak etki | 0,96545454 | 0,96545454 | — | 0 | ✓ |
| Miller örnek 3: SH | 0,05679618 | 0,05679618 | — | 2,1e−17 | ✓ |
| Miller örnek 3: geri dönüşümlü oran | 0,68860583 | 0,68860583 | — | 1,1e−16 | ✓ |
| Miller örnek 3: oran GA alt | 0,57337135 | 0,57337135 | — | 1,1e−16 | ✓ |
| Miller örnek 3: oran GA üst | 0,79434897 | 0,79434897 | — | 5,6e−16 | ✓ |
| Miller örnek 1: Q | 2,17540943 | 2,17540943 | — | 0 | ✓ |
| CP alt sınır, çalışma 1 | 0,00531933 | 0,00531933 | — | 4,7e−17 | ✓ |
| CP üst sınır, çalışma 1 | 0,07310679 | 0,07310679 | — | 2,8e−17 | ✓ |
| CP alt sınır, çalışma 12 | 4,364187·10−4 | 4,364187·10−4 | — | 7,9e−17 | ✓ |
| CP üst sınır, çalışma 12 | 0,09236105 | 0,09236105 | — | 1,4e−17 | ✓ |
| CP alt sınır, çalışma 15 | 0 | 0 | — | 0 | ✓ |
| CP üst sınır, çalışma 15 | 0,03452221 | 0,03452221 | — | 2,8e−17 | ✓ |
| WS alt sınır, çalışma 1 | 0,01029288 | 0,01029288 | — | 2,1e−17 | ✓ |
| WS üst sınır, çalışma 1 | 0,06243177 | 0,06243177 | — | 4,9e−17 | ✓ |
| WS alt sınır, çalışma 12 | 0,00385586 | 0,00385586 | — | 2,6e−17 | ✓ |
| WS üst sınır, çalışma 12 | 0,07365837 | 0,07365837 | — | 6,9e−17 | ✓ |
| WS alt sınır, çalışma 15 | 0 | 0 | — | 0 | ✓ |
| WS üst sınır, çalışma 15 | 0,02511982 | 0,02511982 | — | 2,8e−17 | ✓ |
| AC alt sınır, çalışma 1 | 0,00548187 | 0,00548187 | — | 7,9e−17 | ✓ |
| AC üst sınır, çalışma 1 | 0,0759592 | 0,0759592 | — | 6,9e−17 | ✓ |
| AC alt sınır, çalışma 12 | 0 | 0 | — | 0 | ✓ |
| AC üst sınır, çalışma 12 | 0,10009918 | 0,10009918 | — | 5,6e−17 | ✓ |
| AC alt sınır, çalışma 15 | 0 | 0 | — | 0 | ✓ |
| AC üst sınır, çalışma 15 | 0,04238253 | 0,04238253 | — | 6,9e−18 | ✓ |
| J alt sınır, çalışma 1 | 0,00727337 | 0,00727337 | — | 9,2e−17 | ✓ |
| J üst sınır, çalışma 1 | 0,06683788 | 0,06683788 | — | 5,6e−17 | ✓ |
| J alt sınır, çalışma 12 | 0,00186664 | 0,00186664 | — | 9,1e−17 | ✓ |
| J üst sınır, çalışma 12 | 0,07775299 | 0,07775299 | — | 5,6e−17 | ✓ |
| J alt sınır, çalışma 15 | 0 | 0 | — | 0 | ✓ |
| J üst sınır, çalışma 15 | 0,02358372 | 0,02358372 | — | 1,7e−17 | ✓ |
Ölçütü karşılayan: 234/234. Ölçüt: τ²'ye bağlı büyüklüklerde göreli fark ≤ 5·10⁻⁵ (şablonun yakınsama eşiği 10⁻⁵), GLMM'de ≤ 3·10⁻⁴ (nAGQ = 7), diğerlerinde ≤ 10⁻⁹. Yayımlanmış değerler bölüm 198.6'da ayrıca verilmiştir.
Ölçütler: ters varyans yöntemlerinde \tau^2'ye bağlı büyüklüklerde 5\times10^{-5} (şablonun yakınsama eşiği 10^{-5}), GLMM'de 3\times10^{-4} (şablon nAGQ = 7 kullanır; bağımsız hesap tam olabilirliği en büyükler ve glmer nAGQ = 7 ile 10^{-5} içinde örtüşür). Freeman–Tukey ve ham oran satırları esik = 1e-10, adim = 1 çalıştırmalarından alınmıştır (varsayılan eşikte şablon sıkı çözüme geçer ve aynı sayıları verir, 198.4.3); ham oranda meta::metaprop sıfır olaylı çalışmayı düzeltmediğinden R sütunu boştur. EB kestiricisi ayrıca bağımsız olarak hesaplanmamıştır (PM ile aynı çözümü verir: 0{,}662271 ve 0{,}662258).
198.7 Çıktıyı okuma
Konsol çıktısı (ornek, binom-normal GLMM), olduğu gibi:
Random-Effects Model (k = 18; tau^2 estimator: ML)
tau^2 (estimated amount of total heterogeneity): 0.8124
tau (square root of estimated tau^2 value): 0.9013
I^2 (total heterogeneity / total variability): 77.73%
H^2 (total variability / sampling variability): 4.49
Tests for Heterogeneity:
Wld(df = 17) = 69.1032, p-val < .0001
LRT(df = 17) = 85.2839, p-val < .0001
Model Results:
estimate se zval pval ci.lb ci.ub
-3.4964 0.2570 -13.6053 <.0001 -4.0001 -2.9928 ***
Yöntem: binom-normal GLMM (logit, ML); k = 18 çalışma, toplam n = 2495; τ² kestiricisi: ML.
Not: huni grafiği ve asimetri testi GLMM yerine logit ters varyans (REML) modelinden hesaplandı.
Birleştirilmiş oran
| model | kestirim | SH | istatistik | p | GA alt | GA üst | oran | oran GA alt | oran GA üst |
|---|---|---|---|---|---|---|---|---|---|
| Ortak etki | −3.320644 | 0.109131 | −30.428 | 2.3e−203 | −3.534536 | −3.106751 | 0.034870 | 0.028345 | 0.042830 |
| Rastgele etkiler | −3.496443 | 0.256991 | −13.605 | 3.7e−42 | −4.000136 | −2.992751 | 0.029414 | 0.017984 | 0.047754 |
| Tahmin aralığı | −5.333379 | −1.659508 | 0.004805 | 0.159828 |
Heterojenlik (GLMM) ve Huni asimetrisi testi
| ölçüt | değer | test | istatistik | p | sınır kestirim | |
|---|---|---|---|---|---|---|
| τ² | 0.812354 | Egger (logit REML) | −3.991877 | 6.6e−5 | −1.597254 | |
| τ | 0.901307 | |||||
| I² (%) | 77.728090 | |||||
| H | 2.118953 | |||||
| Q (Wald), sd 17 | 69.103229 | |||||
| LRT, sd 17 | 85.283943 |
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Çalışma tablosu | Her çalışmanın x, n, oranı, çalışma GA'sı, y_i, v_i | yi/vi dönüşüm ölçeğindedir (GLMM'de de logit düzeltmeli değerler gösterilir, birleştirmede kullanılmaz). Ağırlık sütunları GLMM'de boştur. Örnekte Yucel 2004 (0/105) oranı 0, aralığı [0;\ 0{,}0345]. |
| Ortak etki | \tau=0 ile birleştirilmiş logit ve oran | Heterojenlik yüksekken (örnekte I^2=\%78) uygun değildir; GLMM'de 0{,}0349, ters varyans logitte 0{,}0532. |
| Rastgele etkiler | Birleştirilmiş logit, SH, p ve orana geri dönüşmüş GA | GLMM: oran 0{,}0294 [%95 GA 0{,}0180–0{,}0478]. Oran ölçeğinde aralık simetrik değildir. |
| Tahmin aralığı | Yeni bir çalışmada beklenen oran | 0{,}0048–0{,}1598: örnekte güven aralığından çok geniştir; heterojenlik büyüktür. |
| \tau^2, \tau, I^2, H | Çalışmalar arası değişkenlik | \tau=0{,}90 logit birimidir: bir standart sapma kadar uzakta gerçek odds yaklaşık 2,5 kat (e^{0{,}90}) çarpanla değişir. I^2 büyük örneklemlerde yapay olarak yükselir; \tau ve tahmin aralığı daha bilgilendiricidir. |
| Wald Q, LRT | GLMM'de heterojenlik testleri | İkisi de p<0{,}001. Ters varyans yöntemlerinde tek Q (örnekte 72{,}17) ve Q-profil aralıkları verilir. |
| Egger / Peters | Huni asimetrisi | Egger anlamlıdır (z=-3{,}99), Peters değil (z=1{,}55): prevalansta anlam yüklenmemelidir (198.4.7). |
Şekil 198.1. Orman grafiği (oran ölçeği): çalışma oranları ve çalışma GA'ları, birleştirilmiş ortak ve rastgele etkiler elması, rastgele etkiler tahmin aralığı çizgisi.

Şekil 198.2. Huni grafiği (logit ters varyans modeli, dönüşüm ölçeği).

Ek çalıştırmalar (rastgele etkiler, dönüşüm ölçeği → oran):
| Çalıştırma | \hat\mu | SH | \hat\tau^2 | Oran [GA] |
|---|---|---|---|---|
plo (REML) |
−3,3018 | 0,2378 | 0,6629 | 0,0355 [0,0226; 0,0554] |
plo_hk (knha) |
−3,3018 | 0,2378 | 0,6629 | 0,0355 [0,0218; 0,0573] |
plo_dl |
−3,3168 | 0,2492 | 0,7553 | 0,0350 [0,0218; 0,0558] |
plo_ml |
−3,2915 | 0,2307 | 0,6073 | 0,0359 [0,0231; 0,0552] |
pft |
0,1950 | 0,0229 | 0,0071 | 0,0329 [0,0177; 0,0519] |
pas_pm_hk |
0,1822 | 0,0243 | 0,0082 | 0,0328 [0,0170; 0,0535] |
pr |
0,0293 | 0,0060 | 0,0004 | 0,0293 [0,0177; 0,0410] |
altgrup: 1996–1999 oran 0{,}0402 [0{,}0293; 0{,}0551], \hat\tau^2=0; 2000–2006 oran 0{,}0281 [0{,}0120; 0{,}0643], \hat\tau^2=1{,}4456; gruplar arası Q (rastgele etkiler) 0{,}621 (p=0{,}431), ortak etkide 5{,}424 (p=0{,}0199). altgrup_ortak: ortak \hat\tau^2=0{,}7479; gruplar arası Q=0{,}182 (p=0{,}670). mod: yıl eğimi -0{,}1093 (SH 0{,}0764; p=0{,}153), kesişim 215{,}3 (SH 152{,}9). ws, ac, j: Bach 1996 için aralıklar [0{,}0103;\ 0{,}0624] (Wilson, %90), [0{,}0055;\ 0{,}0760] (Agresti–Coull), [0{,}0073;\ 0{,}0668] (Jeffreys); Clopper–Pearson [0{,}0053;\ 0{,}0731].
Rapor cümlesi. Standart santral venöz kateter kullanılan 18 çalışmada kateterle ilişkili kan dolaşımı enfeksiyonu oranı, binom-normal genelleştirilmiş doğrusal karma modelle (logit bağ, en çok olabilirlik) birleştirildi. Birleştirilmiş oran %2,9 (%95 GA %1,8–%4,8) bulundu. Çalışmalar arası heterojenlik yüksekti (\tau^2=0{,}81, I^2=\%77{,}7; Wald Q(17)=69{,}10, olabilirlik oranı testi \chi^2=85{,}28, p<0{,}001); yeni bir çalışmada beklenen oran %0,5–%16,0 aralığındaydı (%95 tahmin aralığı). Logit ters varyans modeli (REML) %3,6 (%2,3–%5,5) verdi.
198.8 Sık hatalar ve tuzaklar
- Ters varyans yöntemlerinde sıfır olay. Logit ve ham oranda sıfır (ya da n) olaylı çalışma 0,5 düzeltmesiyle katılır;
sureklilik_kime = noneseçilirse şablon durur ("süreklilik düzeltmesi olmadan tanımsız",e_none). Düzeltmenin değeri sonucu değiştirir; duyarlılık çözümlemesi yapın ya da GLMM seçin. - GLMM ile \tau^2 kestiricisi ve HK. GLMM yalnız ML ile ve Hartung–Knapp'sız kestirilir;
tau2 = DLya dahkaçık ise çözümleme "yalnız ML … kullanılamaz" ya da "HK GLMM'ye uygulanmaz" iletisiyle durur (e_glmm_dl,e_glmm_hk). - Bütün çalışmalarda olay 0. GLMM "kestirilemez" iletisiyle durur; logit ters varyans çalışır ve oranı 0{,}0094 gibi düzeltmenin belirlediği bir sayı verir (
e_sifir_plo); bu değer düzeltmeye bağlıdır, bir kestirim değildir. - Yalnız iki çalışma. HK ile t_1 kullanılır; aralıklar çok geniştir (
e_k2_plo_hk: oran GA 0{,}0086–0{,}7176). Şablon uyarmaz. Huni testi k<3'te yazılmaz. - Yakınsama eşiği küçük ölçekli dönüşümlerde sıkılaştırılır (198.4.3). Freeman–Tukey, arksinüs ve ham oranda \tau^2 eşiğe yakınsa sonuç sıkı eşikle verilir ve "Yakınsama notu" yazılır; not yoksa sonuç seçilen eşikteki çözümdür.
- Freeman–Tukey geri dönüşümü. Harmonik ortalama n ile yapılır; n_i'ler çok farklıysa yanıltabilir (Schwarzer ve ark., 2019). GLMM ile karşılaştırın.
- Ham oran. Güven sınırı [0{,}1] dışına taşabilir ve kırpılır; notla bildirilir. Ham oran yalnız oranlar yaklaşık 0,2–0,8'de ve örneklem büyükken kabul edilebilir.
- Huni asimetrisi testi yayın yanlılığı testi değildir. Egger testinin anlamlı çıkması prevalans verisinde yapısal olabilir (198.4.7). GLMM seçiliyse test logit REML modelinden gelir (not yazılır).
- Moderatör merkezlenmez. Yıl gibi büyük değerli bir moderatörde kesişim ve SH'si (215{,}3; 152{,}9) yorumsuzdur; eğim etkilenmez. Merkezlenmiş sütunu veri sekmesinde üretip kullanın (B6).
- Çalışma sayısı az gruplarda güven aralıkları geniştir. Tek çalışmalık grupta aralık y\pm z\sqrt v'dir.
- Ondalık virgüllü ya da metin olay sütunu. "… is not a numeric column" iletisi İngilizcedir (
e_virgul, B7). Ondalık olay sayısı "tam sayı olmalı" iletisini verir (e_ondalik). - Eksik değerli satırlar çözümlemeden çıkarılır; k yalnız kalan sayıdır, atılan çalışma sayısı yazılır.
- Yalnız ortak etki ve rastgele etkiler farklıysa (heterojenlik yüksek) ortak etki sonucunu raporlamayın (198.7).
198.9 Uzman soruları
S1. Neden varsayılan GLMM, ve logit REML ile fark neden bu kadar?
GLMM binom olabilirliğini doğrudan kullanır; logit ters varyans yönteminde v_i=1/x_i+1/(n_i-x_i) oran ile ilişkilidir ve az olaylı çalışmalar yanlı ağırlıklandırılır (küçük x_i büyük v_i ve küçük ağırlık verir). Örnekte logit REML oran 0{,}0355, GLMM 0{,}0294; fark kısmen az olaylı çalışmaların (0–3 olay) iki yöntemde farklı ağırlık taşımasından gelir. Hangisinin "doğru" olduğu bilinmez; ama olabilirlik temelli yöntem küçük örneklemde daha güvenilir kabul edilir (Stijnen ve ark., 2010).
S2. I^2 yüksek diye birleştirmek yanlış mıdır?
Hayır; tek oranlarda heterojenlik neredeyse her zaman yüksektir. I^2 büyük örneklemde yapay olarak %100'e yaklaşır (örnekte %74–%78). Anlamlı olan \tau (logit ölçeğinde çalışmalar arası SS, 0{,}90) ve tahmin aralığıdır (0{,}5–16{,}0\%). Birleştirilmiş oran "tipik" bir değerdir; bir sağlık merkezi için tahmin aralığı kullanılmalıdır.
S3. `knha` ile `adhoc` ne zaman ayrışır?
q/(k-1)\ge1 ise ikisi aynıdır. q/(k-1)<1 ise knha SH'yi küçültür, adhoc küçültmez (örnekte 0{,}9988: SH 0{,}23776 ve 0{,}23783). Fark küçüktür ama büyük k'da ve düşük heterojenlikte tutarlıdır; ad hoc sürümü HK'nın standart rastgele etkilerden dar kalmasını önler (IntHout ve ark., 2014).
S4. Sınır durumu: tek çalışmalık alt grup ya da k=2?
Tek çalışmalık alt grupta model kurulmaz; çalışmanın kendi y\pm z\sqrt v aralığı yazılır ve \tau^2, I^2 boştur (409–431). k=2'de GLMM ve ters varyans çalışır, ama HK ile t_1 (\pm12{,}7\,\mathrm{SH} çarpanı) ve huni testi yoktur; k<3'te Q-profil aralıkları ve meta-regresyon da yoktur.
S5. Hartung–Knapp GLMM'de neden yok?
HK düzeltmesi ters varyans modelinin ağırlıklı kareler toplamına (q) dayanır; GLMM'de böyle bir artık yoktur. Şablon bu kombinasyonu durdurur (225–227). GLMM'de aralıklar Wald (z) aralıklarıdır; küçük k'da dar olabilir.
S6. Başka paketle fark: `meta::metaprop`.
metaprop logit REML'de ve Freeman–Tukey'de şablonla aynı \hat\mu ve \hat\tau^2'yi verir (Freeman–Tukey için \hat\tau^2=0{,}007127). Fark ham oranda: metaprop sıfır olaylı çalışmayı düzeltmez (PRAW) ve v_i=0 özel işlenir; şablonun PR seçimi 0,5 ekler. İki paket Freeman–Tukey I^2'sini de farklı hesaplar: meta I^2'yi Q'dan (Higgins–Thompson), metafor \tau^2'den alır (şablon metafor tanımını kullanır).
S7. GLMM kareleme noktası sonucu ne kadar etkiler?
nAGQ = 7 ile \hat\mu=-3{,}496440 ve \hat\tau^2=0{,}812363; nAGQ = 25 ile -3{,}496409 ve 0{,}812214 (fark \tau^2'de 1{,}8\times10^{-4} göreli). Küçük örneklemde ve çok küçük/büyük \tau ile fark artar; \tau^2 en duyarlı büyüklüktür. Formda nAGQ 1–25 arasında seçilir.
S8. Neden oran ölçeğindeki aralıklar simetrik değil?
Aralık dönüşüm ölçeğinde simetriktir ve uçlar ayrı ayrı geri dönüştürülür; oran ölçeğinde asimetrik olur (örnekte GLMM: 0{,}0294 merkezli, [0{,}0180;\ 0{,}0478]). Ham oranda dönüşüm yoktur: aralık simetriktir ve [0{,}1] dışına taşarsa kırpılır.
198.10 Kaynaklar
Agresti, A., & Coull, B. A. (1998). Approximate is better than "exact" for interval estimation of binomial proportions. The American Statistician, 52(2), 119–126. https://doi.org/10.1080/00031305.1998.10480550
Brown, L. D., Cai, T. T., & DasGupta, A. (2001). Interval estimation for a binomial proportion. Statistical Science, 16(2), 101–133. https://doi.org/10.1214/ss/1009213286
Clopper, C. J., & Pearson, E. S. (1934). The use of confidence or fiducial limits illustrated in the case of the binomial. Biometrika, 26(4), 404–413. https://doi.org/10.1093/biomet/26.4.404
DerSimonian, R., & Laird, N. (1986). Meta-analysis in clinical trials. Controlled Clinical Trials, 7(3), 177–188. https://doi.org/10.1016/0197-2456(86)90046-2
Egger, M., Smith, G. D., Schneider, M., & Minder, C. (1997). Bias in meta-analysis detected by a simple, graphical test. BMJ, 315(7109), 629–634. https://doi.org/10.1136/bmj.315.7109.629
Freeman, M. F., & Tukey, J. W. (1950). Transformations related to the angular and the square root. The Annals of Mathematical Statistics, 21(4), 607–611. https://doi.org/10.1214/aoms/1177729756
Higgins, J. P. T., & Thompson, S. G. (2002). Quantifying heterogeneity in a meta-analysis. Statistics in Medicine, 21(11), 1539–1558. https://doi.org/10.1002/sim.1186
IntHout, J., Ioannidis, J. P. A., & Borm, G. F. (2014). The Hartung-Knapp-Sidik-Jonkman method for random effects meta-analysis is straightforward and considerably outperforms the standard DerSimonian-Laird method. BMC Medical Research Methodology, 14, Article 25. https://doi.org/10.1186/1471-2288-14-25
Knapp, G., & Hartung, J. (2003). Improved tests for a random effects meta-regression with a single covariate. Statistics in Medicine, 22(17), 2693–2710. https://doi.org/10.1002/sim.1482
Miller, J. J. (1978). The inverse of the Freeman–Tukey double arcsine transformation. The American Statistician, 32(4), 138. https://doi.org/10.1080/00031305.1978.10479283
Niël-Weise, B. S., Stijnen, T., & van den Broek, P. J. (2007). Anti-infective-treated central venous catheters: A systematic review of randomized controlled trials. Intensive Care Medicine, 33(12), 2058–2068. https://doi.org/10.1007/s00134-007-0897-3
Paule, R. C., & Mandel, J. (1982). Consensus values and weighting factors. Journal of Research of the National Bureau of Standards, 87(5), 377–385. https://doi.org/10.6028/jres.087.022
Peters, J. L., Sutton, A. J., Jones, D. R., Abrams, K. R., & Rushton, L. (2006). Comparison of two methods to detect publication bias in meta-analysis. JAMA, 295(6), 676–680. https://doi.org/10.1001/jama.295.6.676
Schwarzer, G., Chemaitelly, H., Abu-Raddad, L. J., & Rücker, G. (2019). Seriously misleading results using inverse of Freeman–Tukey double arcsine transformation in meta-analysis of single proportions. Research Synthesis Methods, 10(3), 476–483. https://doi.org/10.1002/jrsm.1348
Sidik, K., & Jonkman, J. N. (2005). Simple heterogeneity variance estimation for meta-analysis. Journal of the Royal Statistical Society: Series C (Applied Statistics), 54(2), 367–384. https://doi.org/10.1111/j.1467-9876.2005.00489.x
Stijnen, T., Hamza, T. H., & Özdemir, P. (2010). Random effects meta-analysis of event outcome in the framework of the generalized linear mixed model with applications in sparse data. Statistics in Medicine, 29(29), 3046–3067. https://doi.org/10.1002/sim.4040
Viechtbauer, W. (2005). Bias and efficiency of meta-analytic variance estimators in the random-effects model. Journal of Educational and Behavioral Statistics, 30(3), 261–293. https://doi.org/10.3102/10769986030003261
Viechtbauer, W. (2007). Confidence intervals for the amount of heterogeneity in meta-analysis. Statistics in Medicine, 26(1), 37–52. https://doi.org/10.1002/sim.2514
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
Wilson, E. B. (1927). Probable inference, the law of succession, and statistical inference. Journal of the American Statistical Association, 22(158), 209–212. https://doi.org/10.1080/01621459.1927.10502953