MerQuR+Başvuru Kitabı

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.

x_i\mid\pi_i\sim\mathrm{Binom}(n_i,\pi_i),\qquad \mathrm{logit}(\pi_i)=\mu+u_i,\qquad u_i\sim N(0,\tau^2)

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: tau2 ML dışında (ve oto değilse) 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

\hat\theta^*=\frac{\sum w_i^*y_i}{\sum w_i^*},\qquad \mathrm{SH}=\frac1{\sqrt{\sum w_i^*}},\qquad \mathrm{GA}=\hat\theta^*\pm z_{1-\alpha/2}\,\mathrm{SH}

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

I^2=100\frac{\hat\tau^2}{\hat\tau^2+s^2},\qquad H^2=\frac{\hat\tau^2+s^2}{s^2},\qquad s^2=\frac{(k-1)\sum w_i}{(\sum w_i)^2-\sum w_i^2}

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

\hat\theta^*\pm c\sqrt{\hat\tau^2+\mathrm{SH}^2},\qquad c=z_{1-\alpha/2}\ \ (\text{HK'de }t_{k-1})

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

Q_{\mathrm{ara}}=\sum_g w_g(\hat\theta_g-\bar\theta)^2,\qquad w_g=1/\mathrm{SH}_g^2,\quad \bar\theta=\sum w_g\hat\theta_g/\sum w_g

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 = none seçilirse 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 = DL ya da hk açık 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