201. Yayın yanlılığı: 3PSM seçim modeli ve PET-PEESE (Python)
Şablon kimliği: yayin_yanliligi_ileri_py · Kategori: meta-analiz · Dil: Python · Dosya: pro/sablonlar/meta_analiz/yayin_yanliligi_ileri_py.py (satır 1–309; üstbilgi 1–72) · Örnek veri: _ornek/hackshaw1998.csv · Paketler: numpy 2.4.6, scipy 1.16.3, statsmodels 0.14.6, pandas 2.3.3, matplotlib 3.10.9 · Python 3.13.1 · R ikizi: Bölüm 200
201.1 Ne işe yarar
Şablon, R şablonunun (yayin_yanliligi_ileri, Bölüm 200) numpy, scipy ve statsmodels ile yazılmış karşılığıdır. Aynı soruyu yanıtlar: rastgele etkiler meta-analizinin özet etkisi, seçici yayıma karşı düzeltilince ne olur? Üç kestirim yan yana verilir: rastgele etkiler özeti (REML, DL, ML ya da PM), PET ve PEESE (ağırlıklı en küçük kareler; koşullu PET-PEESE kuralı) ve adım fonksiyonlu seçim modeli (Vevea ve Hedges, 1995). Yöntemin kuramı, ağırlık fonksiyonunun yorumu ve sonuçların okunması Bölüm 200'de ayrıntılı anlatılmıştır; bu bölüm Python şablonunun kendi başına okunabilmesi için hesabı özetler ve iki şablonun farklarını gösterir.
- y_i, v_i=\mathrm{se}_i^2: çalışmanın etkisi ve örnekleme varyansı; k çalışma sayısı.
- c_1<\dots<c_{J-1}: tek yönlü p eşikleri (c_0=0, c_J=1); j(i): p_i=1-\Phi(y_i/\mathrm{se}_i)'nin düştüğü aralık; \omega_1=1, öteki ağırlıklar kestirilir. z_{1-c}=\Phi^{-1}(1-c); z_{1-c_0}=+\infty, z_{1-c_J}=-\infty.
- Tek eşikte parametreler (\mu,\tau^2,\omega_2)'dir: üç parametreli seçim modeli (3PSM).
Ne zaman kullanılır? R şablonuyla aynı durumlarda ve yalnız adım fonksiyonu yeterliyse: en az 10 çalışma, küçük çalışma etkisi kuşkusu, sonucun seçici yayıma duyarlılığının sorulması. Python yoluna şunlar için başvurulur: kestirim kodunu görmek ve değiştirmek, R kurulu olmayan bir ortamda çalışmak, sonuçları R şablonuyla çapraz doğrulamak.
Ne zaman kullanılmaz?
- Beta, yarı normal, negatif üstel, lojistik ya da kuvvet ağırlık fonksiyonu gerekiyorsa: R şablonu
yayin_yanliligi_ileri(Bölüm 200). Python şablonundasecim_turuseçeneği yoktur. - Çalışma sayısı 10'dan azsa: şablon durur (201.2).
- Etki ile standart hata yapısal olarak bağımlıysa ya da heterojenlik çok yüksekse: PET ve PEESE yanlı olabilir (Bölüm 200.1; Stanley, 2017; Pustejovsky ve Rodgers, 2019).
- Birden çok sonuç ya da çok düzeyli bağımlılık varsa:
cok_degiskenli_meta(Bölüm 195),cok_duzeyli_meta(Bölüm 196). - Bayes model ortalamasıyla yayın yanlılığı:
bayes_model_ortalamasi(Bölüm 215).
Temel programla ilişki. Temel programdaki meta-analiz rastgele etkiler özetini ve Egger, Begg, kırp-ve-doldur, güvenli N göstergelerini verir (stats/meta_analysis.py:445–511); seçim modeli ve PET-PEESE yoktur. Bu şablonun rastgele etkiler satırı, aynı \tau^2 kestiricisiyle temel programın özetiyle aynı modeli kestirir.
R şablonuyla farklar (özet).
| Konu | R şablonu (Bölüm 200) | Python şablonu |
|---|---|---|
| Seçim fonksiyonu | stepfun, beta, halfnorm, negexp, logistic, power (secim_turu) |
yalnız adım fonksiyonu; secim_turu alanı yok |
| Temel model | metafor::rma (Fisher puanlama; PM için uniroot, toleransı varsayılan) |
elle yazılmış kestiriciler: DL kapalı biçim, PM brentq (10^{-14}), REML/ML sınırlı tek boyutlu eniyileme |
| PET, PEESE | stats::lm(…, weights) |
statsmodels.api.WLS |
| Seçim modeli eniyileme | selmodel (optim, BFGS) |
scipy.optimize.minimize L-BFGS-B, iki tur |
| Seçim modeli SH | optim'in Hessian'ı |
merkezî farklarla sayısal Hessian'ın tersi |
| Konsol | print(rma) (Q sınaması, H^2, …) |
yalnız karar cümlesi |
| Aralık etiketleri | 0,025 < p <= 1 (Türkçe virgül) |
0.025 < p <= 1 (nokta) |
| Şekil | R grafiği, başlıklı | matplotlib, başlıksız |
| Boş aralık | selmodel uyarısı (yalnız hata akışı) |
hiçbir uyarı yok |
201.2 Şablonun girdileri
Form, üstbilgideki 9 [[param]] bloğundan kurulur (yayin_yanliligi_ileri_py.py:11–71). R şablonunun secim_turu alanı yoktur; öteki alanlar aynı adlı ve aynı varsayılanlıdır. Türlerin anlamı ve ortak denetimi Bölüm 1.2'dedir. yi ve vi sayısal roldür: Veri sekmesinde "kategorik" olsalar da gömülü ve harici Python'da df pandas türünü taşır ve pd.to_numeric ile sayıya çevrilir (Bölüm 1.3).
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
Etki büyüklüğü · yi |
sayısal sütun · Değişkenler | uygun ilk sayısal sütun | sayısal sütun | y_i (12–15, 92–93). |
Örnekleme varyansı (ya da SH) · vi |
sayısal sütun · Değişkenler | uygun ilk sayısal sütun | sayısal sütun, >0 | v_i (17–20, 92–94). |
İkinci sütunun türü · vi_turu |
seçim · Seçenekler | varyans |
varyans, se |
se ise v_i=\text{sütun}^2 (22–27, 95–96). |
Etki ölçeği · olcu |
seçim · Seçenekler | ham |
ham, log_oran |
log_oran ise ustel* sütunları (29–34, 278–281). Hesabı değiştirmez. |
\tau^2 kestiricisi · tau_yontemi |
seçim · Model | REML |
REML, DL, ML, PM |
Temel model (36–41, 154). Seçim modeli ML'dir (215–217). |
Adım fonksiyonu p eşikleri · esikler |
metin · Model | 0.025 |
virgül ya da boşlukla ayrılmış sayılar, her biri (0{,}1) | c_j (43–47, 106–111). |
Seçimin yönü · secim_yonu |
seçim · Model | greater |
greater, less, otomatik |
s_y=\pm1 (49–55, 170–179, 182, 199). otomatik yönü temel etkinin işaretinden türetir; sabit yön işaretle çelişirse konsola uyarı yazılır (170–178). |
Koşullu PET-PEESE için tek yönlü \alpha · pet_alfa |
ondalık · Seçenekler | 0,05 | 0,001–0,5 | PEESE/PET kararı (57–63, 115, 167). |
Güven düzeyi · guven |
ondalık · Seçenekler | 0,95 | 0,5–0,999 | z kuantili; güven sınırları ve huni çizgileri (65–71, 113). |
Örnek ayar (ornek_param, satır 10): yi = yi, vi = vi, olcu = log_oran; öteki varsayılan.
Tohum. Hesap belirlenimcidir; rastgele sayı kullanılmaz. Kod panelinin Tohum alanı (Bölüm 1.3) sonucu değiştirmez; şablonun kendi formunda tohum alanı yoktur.
Şablonun kendi denetimleri (mq.hata):
| Koşul | İleti (özet) | Satır |
|---|---|---|
| Veri açık değil | "Önce Veri sekmesinde bir veri açın." | 88–89 |
yi ile vi aynı sütun |
"Etki büyüklüğü ve varyans sütunları farklı olmalı." | 90–91 |
| Eksiksiz çalışma sayısı k<10 | "Yayın yanlılığı yöntemleri için en az 10 çalışma gerekli." | 98–99 |
| Bir varyans sonlu değil ya da \le0 | "Örnekleme varyansları pozitif olmalı." | 100–101 |
| y_i'nin aralığı (\max-\min) 0 | "Etki büyüklükleri sabit." | 102–103 |
| Varyansların aralığı 0 | "Bütün varyanslar eşit; PET-PEESE ve seçim modeli tanımlanamaz." | 104–105 |
| Eşik yok, sayı değil ya da (0{,}1) dışında | "Eşikler 0 ile 1 arasında sayılar olmalı (ör. 0.025 ya da 0.025, 0.5)." | 106–111 |
Eksik değerli satırlar sessizce atılır (92: dropna; B5). Eşikler sıralanır ve yinelenenler atılır (107). Seçim modeli kestirilemezse (örneğin eniyileyici ya da Hessian hata verirse) iş durmaz: konsola "Seçim modeli kestirilemedi: …" yazılır ve seçim satırı ile iki seçim tablosu üretilmez (262–263). Adım fonksiyonunun bir aralığında hiç çalışma yoksa boş aralıkta ağırlık tanımlı olmadığından uyarı yazılır ve eniyileme hiç çalıştırılmaz (206–209); bir aralıkta 3'ten az çalışma varsa yalnız uyarı yazılır (211–213). Ondalık virgülle yazılan eşik ("0,025") 0 ve 25'e ayrışır ve yukarıdaki iletiyle reddedilir (q6_py_virgul; B8).
201.3 Örnek veri
Örnek veri R şablonuyla aynıdır (hackshaw1998.csv; ayrıntılı tablo Bölüm 200.3): Pasif sigara içiciliği ile akciğer kanseri ilişkisini inceleyen 37 çalışma (Hackshaw ve ark., 1997); log olasılık oranı yi (-0{,}3011 ile 0{,}9361 arası) ve varyansı vi (0{,}0100–0{,}5402). Eksik değer yoktur. Tek yönlü p_i\le0{,}025 olan çalışma sayısı 7, geri kalan 30'dur; y_i ile \mathrm{se}_i arasındaki korelasyon 0{,}351'dir. Şablon iki sayısal sütun okuduğundan düzey sırası kuralının etkilediği bir rol yoktur.
Bölümde kullanılan çalıştırmalar (dogrulama/cikti/q6_py_*): (1) örnek ayar (q6_py_ornek); (2) iki eşik 0.025, 0.5 ve üç eşik 0.05 0.1 0.5 (q6_py_e2, q6_py_e3); (3) \tau^2 DL, ML, PM (q6_py_tauDL, …_tauML, …_tauPM); (4) secim_yonu = less, etki işareti çevrilmiş veri (q6_py_less, q6_py_neg); (5) kesişimi homojen 15 çalışma, 10 çalışma, 9 çalışma, eksik değerli satırlar, eşit varyans, standart hata sütunu (q6_py_homog, …_k10, …_k9, …_na, …_esit, …_se); (6) ondalık virgüllü eşik (q6_py_virgul). Aynı ayarlar R şablonuyla da çalıştırılmıştır (q6_r_*).
201.4 Yöntem: formüller ve hesap adımları
Şablon iki sütunu alır, tamamlanmış satırlarla k'yı sayar, denetimleri yapar (88–111) ve sırasıyla temel modeli (118–159), PET ve PEESE'yi (161–167), seçimin yönünü (170–179), seçim modelini (181–263), tabloları (266–296) ve huni grafiğini (298–309) üretir.
201.4.1 Temel model: elle yazılmış \tau^2 kestiricileri
w_i=1/(v_i+\tau^2), \hat\mu(\tau^2)=\sum w_iy_i/\sum w_i olmak üzere (mu_ve_se, 118–121):
REML için -\ell_{\mathrm{REML}}=-\ell_{\mathrm{ML}}+\tfrac12\log\sum w_i eniyilenir; w^0_i=1/v_i, Q=\sum w^0_i(y_i-\mu_0)^2 (\mu_0: ortak etki kestirimi).
- DL moment kestiricisidir ve kapalı biçimlidir; PM, Q_w=k-1 denkleminin kökü; ML ve REML olabilirliği eniyiler.
- \tilde v=\dfrac{(k-1)\sum w^0_i}{(\sum w^0_i)^2-\sum (w^0_i)^2} tipik örnekleme varyansı; I^2=100\,\hat\tau^2/(\hat\tau^2+\tilde v) (158–159).
- Özet etkinin SH'si (\sum w_i)^{-1/2}, p=2\Phi(-|\hat\mu/\mathrm{se}|) (155–156).
Koddaki tercih
tau2_kestir (124–151): DL kapalı biçim (128–130); PM için f(\tau^2)=\sum w_i(y_i-\hat\mu)^2-(k-1), f(0)\le0 ise \hat\tau^2=0, değilse üst sınır 1'den başlayarak ikiye katlanır ve scipy.optimize.brentq(…, xtol=1e-14) kökü bulur (131–140); ML ve REML için minimize_scalar(…, method="bounded", bounds=(0, max(100·var(y), 1)), xatol=1e-14) ve ardından \tau^2=0'daki değerle karşılaştırma (142–151). metafor'dan farkı: PM kökü 10^{-14} toleransla bulunur (R şablonu tol = 1e-12 verir; Bölüm 200.4.1).
PET ve PEESE. statsmodels.api.WLS(yi, sm.add_constant(sei), weights=1/vi) ve aynısı v_i ile (163–164). \hat{\boldsymbol\beta}=(\mathbf X^{\top}\mathbf W\mathbf X)^{-1}\mathbf X^{\top}\mathbf W\mathbf y, \widehat{\mathrm{Var}}=\hat\sigma^2(\mathbf X^{\top}\mathbf W\mathbf X)^{-1}, \hat\sigma^2=\sum e_i^2/v_i/(k-2); kesişimin p değeri t_{k-2} iledir. Koşullu karar (165–167): d=\operatorname{sgn}(\hat\mu) (0 ise +1); p_{\text{tek}}=\Pr(T_{k-2}>d\,t_0); p_{\text{tek}}<\alpha ise PEESE, değilse PET. Özet tablodaki PET ve PEESE güven aralığı da t_{k-2} kuantiliyle kurulur (\hat\beta_0\pm t_{k-2,\,(1+g)/2}\,\mathrm{se}; 114, 266–268, 272–273); aralık ile p aynı dağılımdandır.
201.4.2 Seçim modeli: olabilirlik, eniyileme, standart hata
p_i=1-\Phi(s_y\,y_i/\mathrm{se}_i) (s_y=+1 greater, -1 less; 179, 182); aralık j(i)=\#\{c_l<p_i\} (np.searchsorted(esik, p, side="left"); 185), yani p\le c_1 birinci aralıktır. p\le c\iff s_yy\ge z_{1-c}\mathrm{se}_i olduğundan A_i kapalı biçimlidir (sel_nll, 189–200) ve log-olabilirlik
olur; \mu parametresi s_y\mu biçiminde kestirilir ve çıktıda s_y\,\hat\theta_1 yazılır (260).
Neden \ell_{\mathrm{ML}}'ye karşı LRT
Seçimsiz ML modeli \omega_j=1 ile seçim modelinin özel hâlidir; LRT bu iki iç içe model arasındadır ve REML olabilirliği ağırlıklı olabilirlikle karşılaştırılamaz. Bu yüzden sel için temel model her zaman ML'dir (215–217) ve tau_yontemi yalnız özet tablonun ilk satırını ve I^2'yi etkiler (Bölüm 200.4.2, B7).
Koddaki tercih
Başlangıç (s_y\hat\mu_{\mathrm{ML}},\ \max(\hat\tau^2_{\mathrm{ML}},10^{-4}),\ 1,\dots,1) (218); sınırlar: \mu serbest, \tau^2\ge0, \omega_j\ge10^{-10} (219). minimize(sel_nll, …, method="L-BFGS-B", options={"ftol": 1e-15, "gtol": 1e-10, "maxiter": 5000}) iki kez çağrılır; ikincisi birincinin sonucundan, gtol = 1e-11 ile başlar (220–223); ikinci tur kötüleşirse birincinin sonucu alınır (224). Eniyileyicinin success/message değeri okunur (226, 248–258): success yanlışsa serbest parametrelerde sayısal gradyana bakılır; gradyan küçükse (<10^{-3}) ileti bir NOT olarak, değilse UYARI olarak konsola yazılır ve sonuç "yakınsadı" diye sunulmaz. SH: \theta=(\mu,\tau^2,\omega_2,\dots) için H_{ab}=[f(\theta+h_ae_a+h_be_b)-f(\theta+h_ae_a-h_be_b)-f(\theta-h_ae_a+h_be_b)+f(\theta-h_ae_a-h_be_b)]/(4h_ah_b), h_a=10^{-4}\max(|\theta_a|,10^{-2}); kovaryans H^{-1}, SH köşegenin kareköküdür (226–247). Köşegen öğesi pozitif değilse ilgili SH NaN yazılır ve uyarı verilir. Özet tablodaki seçim modeli p değeri 2\Phi(-|\hat\mu/\mathrm{se}|)'dir (iki yönlü; 275–276).
\tau^2 sınırdayken standart hata
\hat\tau^2<10^{-6} (sınırda) olduğunda SH, \tau^2 sabit tutularak (\mu,\omega) alt matrisinden hesaplanır (R şablonundaki selmodel ile aynı tanım) ve konsola bir NOT yazılır (235–244). Homojen veride (q6_py_homog) SH 0{,}0733'tür; R ve bağımsız hesapla aynıdır (201.6.2).
201.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 73–86 | İçe aktarmalar; EN bayrağı ve m() yardımcısı (arayüz diline göre ileti). |
|
| 88–97 | Veri denetimi; yi, vi seçilir, pd.to_numeric + dropna; se ise kare; k. |
errors="coerce": sayıya çevrilemeyenler de atılır (B5). |
| 98–111 | k\ge10, v_i>0, y_i ve v_i değişkenliği; eşikler ayrıştırılır. | Eşikler her zaman denetlenir (R'de yalnız stepfun). |
| 112–115 | \mathrm{se}_i; z=\Phi^{-1}((1+g)/2); t_{k-2} kuantili; \alpha. | PET ve PEESE aralığı t_{k-2} kuantilini (114) kullanır. |
| 118–151 | mu_ve_se, tau2_kestir (DL, PM, ML, REML). |
PM 10^{-14} toleransla. |
| 154–159 | \hat\tau^2, \hat\mu, SH, p, I^2. | Q hesaplanır ama hiçbir çıktıda yazılmaz (B7). |
| 161–167 | PET ve PEESE (WLS); koşullu karar. | Karar yönü \operatorname{sgn}(\hat\mu). |
| 169–179 | Seçimin yönü: otomatik ise temel etkinin işaretinden; sabit yön işaretle çelişirse uyarı; s_y. |
Uyarı konsola yazılır. |
| 181–201 | p_i, aralık numaraları, eşik kesimleri; sel_nll. |
s_y=-1'de y'nin işareti çevrilir. |
| 203–263 | Aralık başına çalışma sayısı (boş aralıkta eniyileme yok); ML temel model; iki tur L-BFGS-B ve durum denetimi; sayısal Hessian (\tau^2 sınırdaysa sabit \tau^2); try/except. |
Boş aralıkta ve eniyileme durumunda uyarılar konsola yazılır. |
| 266–282 | satir() ile özet tablo (3 ya da 4 satır) ve üstel sütunlar; mq.tablo. |
Seçim satırının adı sabit: "stepfun, ML". |
| 283–288 | Ayrıntı tablosu ve karar cümlesi (mq.metin). |
|
| 289–296 | Seçim tabloları: aralıklar, k, ağırlık, SH; \tau^2, log-olabilirlik, LRT. | Aralık etiketi :g biçimiyle, nokta ondalıklı. |
| 298–309 | Huni grafiği, PET ve PEESE eğrileri; mq.sekil. |
Başlık yok (B7). |
201.6 Elle hesap: örnek veride bağımsız yeniden hesap
Ara değerler dogrulama/yayin_yanliligi_ileri/elle_hesap.py (numpy/scipy; şablonun işlevleri kullanılmaz; \tau^2 Fisher puanlamasıyla, seçim modeli Nelder–Mead ile) ve r_dogrulama.R (yalnız temel R; metafor ve lm kullanılmaz) ile hesaplanmıştır. Python şablonunun yolundan farkları: \tau^2 başka algoritmalarla, PET ve PEESE normal denklemlerin doğrudan çözümüyle, seçim modeli başka eniyileyicilerle ve parametrelerin logaritmik ölçeğinde bulunur.
Adım 1 — Temel model. Q=47{,}497946 (\mathrm{sd}=36); REML ile \hat\tau^2=0{,}02239453, I^2=29{,}5694\%, \hat\mu=0{,}2188892 (SH 0{,}0493955; OR =1{,}2447).
Adım 2 — PET ve PEESE. PET: \hat\beta_0=0{,}0050373 (SH 0{,}0859023; p=0{,}953572), eğim 0{,}9019327 (p=0{,}0227642). PEESE: \hat\beta_0=0{,}1200808 (SH 0{,}0519034; p=0{,}0266881), eğim 1{,}2756549. Egger yanlılık katsayısı (standartlaştırılmış regresyonun kesişimi) 0{,}9019327, PET eğimine özdeştir.
Adım 3 — Karar. p_{\text{tek}}=\Pr(T_{35}>0{,}05864)=0{,}476786>0{,}05: PET.
Adım 4 — Seçim modeli. Tek eşik 0{,}025 ile k=(7{,}30); \hat\mu=0{,}1944014 (SH 0{,}0797834), \hat\tau^2=0{,}0166226, \hat\omega_2=0{,}764394 (SH 0{,}598937), \ell=-10{,}090076, \ell_{\mathrm{ML}}=-10{,}148602, \mathrm{LRT}=0{,}117053 (p=0{,}732253).
Adım 5 — Çok eşik. 0.025, 0.5: k=(7{,}24{,}6), \hat\omega=(1;\,0{,}459866;\,0{,}149537), \hat\mu=0{,}0765683, \mathrm{LRT}=4{,}001410 (p=0{,}135240). 0.05 0.1 0.5: k=(7{,}8{,}16{,}6), \hat\omega=(1;\,2{,}42208;\,0{,}977541;\,0{,}396711), \hat\mu=0{,}1217409, \mathrm{LRT}=7{,}066137 (p=0{,}069819).
201.6.1 Doğrulama: MerQuR+, Python ve R
Python şablonunun çıktısı, bağımsız Python ve bağımsız R hesabıyla:
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | |
|---|---|---|---|---|---|
| rastgele etkiler kestirimi \hat\mu | 0,21888923 | 0,21888923 | 0,21888923 | 4,8e−10 | ✓ |
| \hat\mu SH | 0,04939553 | 0,04939553 | 0,04939553 | 2,3e−10 | ✓ |
| \hat\tau^2 | 0,02239453 | 0,02239453 | 0,02239453 | 5,7e−10 | ✓ |
| I^2 (%) | 29,5693829 | 29,56938292 | 29,56938236 | 1,8e−8 | ✓ |
| PET kesişimi | 0,00503732 | 0,00503732 | 0,00503732 | 2,6e−16 | ✓ |
| PET kesişimi SH | 0,08590233 | 0,08590233 | 0,08590233 | 1,4e−17 | ✓ |
| PET kesişimi p (iki yönlü) | 0,95357228 | 0,95357228 | 0,95357228 | 2,1e−15 | ✓ |
| PET eğimi | 0,90193265 | 0,90193265 | 0,90193265 | 2,2e−16 | ✓ |
| PET eğimi p | 0,0227642 | 0,0227642 | 0,0227642 | 2,1e−17 | ✓ |
| PET kesişimi tek yönlü p | 0,47678614 | 0,47678614 | 0,47678614 | 1,1e−15 | ✓ |
| PEESE kesişimi | 0,12008076 | 0,12008076 | 0,12008076 | 0 | ✓ |
| PEESE kesişimi SH | 0,0519034 | 0,0519034 | 0,0519034 | 5,6e−17 | ✓ |
| PEESE kesişimi p | 0,0266881 | 0,0266881 | 0,0266881 | 1,5e−16 | ✓ |
| PEESE eğimi | 1,27565485 | 1,27565485 | 1,27565485 | 3,5e−16 | ✓ |
| Egger yanlılık katsayısı (standartlaştırılmış regresyon kesişimi) = PET eğimi | 0,90193265 | 0,90193265 | 0,90193265 | 1,1e−16 | ✓ |
| Egger yanlılık katsayısı p = PET eğimi p | 0,0227642 | 0,0227642 | 0,0227642 | 1,1e−16 | ✓ |
| Egger regresyonunun eğimi = PET kesişimi | 0,00503732 | 0,00503732 | 0,00503732 | 2,1e−16 | ✓ |
| seçim modeli \hat\mu | 0,19440139 | 0,19440142 | 0,19440143 | 3,9e−8 | ✓ |
| seçim modeli \hat\mu SH | 0,07978342 | 0,07978343 | 0,07978344 | 1,6e−8 | ✓ |
| seçim modeli \hat\tau^2 | 0,01662261 | 0,01662262 | 0,01662262 | 9,7e−9 | ✓ |
| log-olabilirlik | −10,09007604 | −10,09007604 | −10,09007604 | 1,2e−14 | ✓ |
| LRT | 0,11705273 | 0,11705273 | 0,11705273 | 2,3e−13 | ✓ |
| LRT p | 0,73225329 | 0,73225329 | 0,73225329 | 2,5e−13 | ✓ |
| ağırlık \omega_2 | 0,7643943 | 0,76439448 | 0,76439451 | 2,1e−7 | ✓ |
| ağırlık \omega_2 SH | 0,59893723 | 0,59893737 | 0,59893741 | 1,7e−7 | ✓ |
| aralık 1 çalışma sayısı | 7 | 7 | 7 | 0 | ✓ |
| aralık 2 çalışma sayısı | 30 | 30 | 30 | 0 | ✓ |
| [eşikler 0,025 ve 0,5] \hat\tau^2 | 0,02239453 | 0,02239453 | 0,02239453 | 5,7e−10 | ✓ |
| [eşikler 0,025 ve 0,5] seçim modeli \hat\mu | 0,07656823 | 0,07656826 | 0,07656827 | 4,0e−8 | ✓ |
| [eşikler 0,025 ve 0,5] seçim modeli \hat\mu SH | 0,08876059 | 0,08876061 | 0,08876062 | 3,3e−8 | ✓ |
| [eşikler 0,025 ve 0,5] seçim modeli \hat\tau^2 | 0,01522575 | 0,01522576 | 0,01522576 | 1,1e−8 | ✓ |
| [eşikler 0,025 ve 0,5] log-olabilirlik | −8,14789727 | −8,14789727 | −8,14789727 | 3,2e−14 | ✓ |
| [eşikler 0,025 ve 0,5] LRT | 4,00141028 | 4,00141028 | 4,00141028 | 1,3e−13 | ✓ |
| [eşikler 0,025 ve 0,5] LRT p | 0,13523989 | 0,13523989 | 0,13523989 | 3,5e−14 | ✓ |
| [eşikler 0,025 ve 0,5] ağırlık \omega_2 | 0,45986574 | 0,45986597 | 0,45986597 | 2,3e−7 | ✓ |
| [eşikler 0,025 ve 0,5] ağırlık \omega_2 SH | 0,35469143 | 0,35469168 | 0,3546917 | 2,7e−7 | ✓ |
| [eşikler 0,025 ve 0,5] ağırlık \omega_3 | 0,14953671 | 0,1495368 | 0,1495368 | 9,1e−8 | ✓ |
| [eşikler 0,025 ve 0,5] ağırlık \omega_3 SH | 0,16356367 | 0,1635638 | 0,16356381 | 1,4e−7 | ✓ |
| [eşikler 0,05, 0,1, 0,5] \hat\tau^2 | 0,02239453 | 0,02239453 | 0,02239453 | 5,7e−10 | ✓ |
| [eşikler 0,05, 0,1, 0,5] seçim modeli \hat\mu | 0,12174091 | 0,12174094 | 0,121741 | 9,3e−8 | ✓ |
| [eşikler 0,05, 0,1, 0,5] seçim modeli \hat\mu SH | 0,12987972 | 0,1298797 | 0,12987978 | 5,1e−8 | ✓ |
| [eşikler 0,05, 0,1, 0,5] seçim modeli \hat\tau^2 | 0,03071317 | 0,03071318 | 0,03071318 | 8,8e−9 | ✓ |
| [eşikler 0,05, 0,1, 0,5] log-olabilirlik | −6,61553396 | −6,61553396 | −6,61553396 | 5,0e−14 | ✓ |
| [eşikler 0,05, 0,1, 0,5] LRT | 7,0661369 | 7,0661369 | 7,0661369 | 9,5e−14 | ✓ |
| [eşikler 0,05, 0,1, 0,5] LRT p | 0,06981937 | 0,06981937 | 0,06981937 | 2,1e−14 | ✓ |
| [eşikler 0,05, 0,1, 0,5] ağırlık \omega_2 | 2,4220763 | 2,42207677 | 2,42207665 | 2,0e−7 | ✓ |
| [eşikler 0,05, 0,1, 0,5] ağırlık \omega_2 SH | 1,66084856 | 1,66084875 | 1,66084895 | 2,4e−7 | ✓ |
| [eşikler 0,05, 0,1, 0,5] ağırlık \omega_3 | 0,97754087 | 0,97754113 | 0,97754115 | 2,8e−7 | ✓ |
| [eşikler 0,05, 0,1, 0,5] ağırlık \omega_3 SH | 0,82038605 | 0,82038612 | 0,8203864 | 3,5e−7 | ✓ |
| [eşikler 0,05, 0,1, 0,5] ağırlık \omega_4 | 0,3967111 | 0,39671124 | 0,39671146 | 3,5e−7 | ✓ |
| [eşikler 0,05, 0,1, 0,5] ağırlık \omega_4 SH | 0,46923381 | 0,46923385 | 0,46923443 | 6,2e−7 | ✓ |
| [τ² kestiricisi DL] \hat\tau^2 | 0,01703644 | 0,01703644 | 0,01703644 | 7,6e−17 | ✓ |
| [τ² kestiricisi DL] seçim modeli \hat\mu | 0,19440139 | 0,19440142 | 0,19440143 | 3,9e−8 | ✓ |
| [τ² kestiricisi DL] seçim modeli \hat\mu SH | 0,07978342 | 0,07978343 | 0,07978344 | 1,6e−8 | ✓ |
| [τ² kestiricisi DL] seçim modeli \hat\tau^2 | 0,01662261 | 0,01662262 | 0,01662262 | 9,7e−9 | ✓ |
| [τ² kestiricisi DL] log-olabilirlik | −10,09007604 | −10,09007604 | −10,09007604 | 1,2e−14 | ✓ |
| [τ² kestiricisi DL] LRT | 0,11705273 | 0,11705273 | 0,11705273 | 2,3e−13 | ✓ |
| [τ² kestiricisi DL] LRT p | 0,73225329 | 0,73225329 | 0,73225329 | 2,5e−13 | ✓ |
| [τ² kestiricisi DL] ağırlık \omega_2 | 0,7643943 | 0,76439448 | 0,76439451 | 2,1e−7 | ✓ |
| [τ² kestiricisi DL] ağırlık \omega_2 SH | 0,59893723 | 0,59893737 | 0,59893741 | 1,7e−7 | ✓ |
Ölçütü karşılayan: 60/60. Python şablonunun seçim modeli, aynı olabilirliği bağımsız Python ve R koduyla 10^{-5} içinde sağlar.
201.6.2 İkiz karşılaştırması: R şablonu ve Python şablonu
Aynı veri ve aynı ayarla iki şablonun çıktıları doğrudan karşılaştırılmıştır (q6_r_* ve q6_py_*):
| Büyüklük | R şablonu | Python şablonu | Göreli fark | |
|---|---|---|---|---|
| [REML, eşik 0,025] rastgele etkiler kestirimi \hat\mu | 0,21888923 | 0,21888923 | 2,5e−11 | ✓ |
| [REML, eşik 0,025] \hat\mu SH | 0,04939553 | 0,04939553 | 1,2e−11 | ✓ |
| [REML, eşik 0,025] \hat\tau^2 | 0,02239453 | 0,02239453 | 3,0e−11 | ✓ |
| [REML, eşik 0,025] I^2 (%) | 29,56938293 | 29,5693829 | 9,3e−10 | ✓ |
| [REML, eşik 0,025] PET kesişimi | 0,00503732 | 0,00503732 | 1,0e−16 | ✓ |
| [REML, eşik 0,025] PET kesişimi SH | 0,08590233 | 0,08590233 | 0 | ✓ |
| [REML, eşik 0,025] PET kesişimi p (iki yönlü) | 0,95357228 | 0,95357228 | 1,0e−15 | ✓ |
| [REML, eşik 0,025] PET eğimi | 0,90193265 | 0,90193265 | 0 | ✓ |
| [REML, eşik 0,025] PET eğimi p | 0,0227642 | 0,0227642 | 0 | ✓ |
| [REML, eşik 0,025] PET kesişimi tek yönlü p | 0,47678614 | 0,47678614 | 5,0e−16 | ✓ |
| [REML, eşik 0,025] PEESE kesişimi | 0,12008076 | 0,12008076 | 2,1e−16 | ✓ |
| [REML, eşik 0,025] PEESE kesişimi SH | 0,0519034 | 0,0519034 | 1,0e−16 | ✓ |
| [REML, eşik 0,025] PEESE kesişimi p | 0,0266881 | 0,0266881 | 2,0e−16 | ✓ |
| [REML, eşik 0,025] PEESE eğimi | 1,27565485 | 1,27565485 | 3,0e−15 | ✓ |
| [REML, eşik 0,025] seçim modeli \hat\mu | 0,19440154 | 0,19440139 | 1,5e−7 | ✓ |
| [REML, eşik 0,025] seçim modeli \hat\mu SH | 0,07978348 | 0,07978342 | 6,0e−8 | ✓ |
| [REML, eşik 0,025] seçim modeli \hat\tau^2 | 0,01662263 | 0,01662261 | 1,9e−8 | ✓ |
| [REML, eşik 0,025] log-olabilirlik | −10,09007604 | −10,09007604 | 1,0e−13 | ✓ |
| [REML, eşik 0,025] LRT | 0,11705273 | 0,11705273 | 2,0e−12 | ✓ |
| [REML, eşik 0,025] LRT p | 0,73225329 | 0,73225329 | 2,2e−12 | ✓ |
| [REML, eşik 0,025] ağırlık \omega_2 | 0,76439524 | 0,7643943 | 9,5e−7 | ✓ |
| [REML, eşik 0,025] ağırlık \omega_2 SH | 0,5989382 | 0,59893723 | 9,6e−7 | ✓ |
| [eşikler 0,025 ve 0,5] seçim modeli \hat\mu | 0,0765672 | 0,07656823 | 1,0e−6 | ✓ |
| [eşikler 0,025 ve 0,5] seçim modeli \hat\mu SH | 0,08875997 | 0,08876059 | 6,1e−7 | ✓ |
| [eşikler 0,025 ve 0,5] seçim modeli \hat\tau^2 | 0,01522565 | 0,01522575 | 1,0e−7 | ✓ |
| [eşikler 0,025 ve 0,5] log-olabilirlik | −8,14789727 | −8,14789727 | 1,7e−11 | ✓ |
| [eşikler 0,025 ve 0,5] ağırlık \omega_2 | 0,4598632 | 0,45986574 | 2,5e−6 | ✓ |
| [eşikler 0,025 ve 0,5] ağırlık \omega_2 SH | 0,35468831 | 0,35469143 | 3,1e−6 | ✓ |
| [eşikler 0,025 ve 0,5] ağırlık \omega_3 | 0,14953458 | 0,14953671 | 2,1e−6 | ✓ |
| [eşikler 0,025 ve 0,5] ağırlık \omega_3 SH | 0,16356002 | 0,16356367 | 3,6e−6 | ✓ |
| [eşikler 0,05, 0,1, 0,5] seçim modeli \hat\mu | 0,12174181 | 0,12174091 | 9,0e−7 | ✓ |
| [eşikler 0,05, 0,1, 0,5] seçim modeli \hat\mu SH | 0,12988046 | 0,12987972 | 7,3e−7 | ✓ |
| [eşikler 0,05, 0,1, 0,5] seçim modeli \hat\tau^2 | 0,03071384 | 0,03071317 | 6,7e−7 | ✓ |
| [eşikler 0,05, 0,1, 0,5] log-olabilirlik | −6,61553396 | −6,61553396 | 5,0e−11 | ✓ |
| [eşikler 0,05, 0,1, 0,5] ağırlık \omega_2 | 2,42210542 | 2,4220763 | 1,2e−5 | ✓ |
| [eşikler 0,05, 0,1, 0,5] ağırlık \omega_2 SH | 1,66087615 | 1,66084856 | 1,7e−5 | ✓ |
| [eşikler 0,05, 0,1, 0,5] ağırlık \omega_3 | 0,97755347 | 0,97754087 | 1,3e−5 | ✓ |
| [eşikler 0,05, 0,1, 0,5] ağırlık \omega_3 SH | 0,82039861 | 0,82038605 | 1,3e−5 | ✓ |
| [eşikler 0,05, 0,1, 0,5] ağırlık \omega_4 | 0,39671548 | 0,3967111 | 4,4e−6 | ✓ |
| [eşikler 0,05, 0,1, 0,5] ağırlık \omega_4 SH | 0,46923902 | 0,46923381 | 5,2e−6 | ✓ |
| [DL] seçim modeli \hat\mu | 0,19440154 | 0,19440139 | 1,5e−7 | ✓ |
| [DL] seçim modeli \hat\mu SH | 0,07978348 | 0,07978342 | 6,0e−8 | ✓ |
| [DL] seçim modeli \hat\tau^2 | 0,01662263 | 0,01662261 | 1,9e−8 | ✓ |
| [DL] log-olabilirlik | −10,09007604 | −10,09007604 | 1,0e−13 | ✓ |
| [DL] ağırlık \omega_2 | 0,76439524 | 0,7643943 | 9,5e−7 | ✓ |
| [DL] ağırlık \omega_2 SH | 0,5989382 | 0,59893723 | 9,6e−7 | ✓ |
Ölçütü karşılayan: 46/46. Ölçüt: rastgele etkiler, PET ve PEESE için 10^{-6}; seçim modeli kestirimleri için 10^{-5}; ağırlıklar ve ağırlık SH'ları için 10^{-4} (SH, sayısal Hessian'ın adım uzunluğuna bağlıdır).
Uç durumlarda iki şablon şöyle davranır. Paule–Mandel için iki şablon da kesin kökü verir (R şablonu tol = 1e-12 kullanır). Homojen veride ve çalışma sayısı alt sınırdayken seçim modelinin \tau^2 değerleri küçük farklarla ayrışabilir; \mu'nün SH'si iki şablonda \tau^2 sabit tutularak hesaplanır. Etki işareti çevrilmiş veride greater ile boş bir aralık oluşur ve iki şablon da seçim modeli satırını yazmaz, konsola uyarı verir (Bölüm 200.8):
| Durum | Büyüklük | R şablonu | Python şablonu | Bağımsız hesap |
|---|---|---|---|---|
| \tau^2: Paule–Mandel | \hat\tau^2 | 0,01287672 | 0,01287672 | 0,01287672 |
| \tau^2: Paule–Mandel | \hat\mu (rastgele etkiler) | 0,20917088 | 0,20917088 | 0,20917088 |
| homojen veri (k=15) | seçim modeli \hat\tau^2 | 1,034792·10−6 | 0 | — |
| homojen veri (k=15) | seçim modeli \hat\mu | 0,26663122 | 0,26663362 | 0,26663363 |
| homojen veri (k=15) | seçim modeli \hat\mu SH | 0,07331211 | 0,07331037 | 0,07331037 |
| homojen veri (k=15) | seçim modeli p | 2,759040·10−4 | 2,757763·10−4 | — |
| ilk 10 çalışma | seçim modeli \hat\tau^2 | 1,900830·10−6 | 0 | — |
| ilk 10 çalışma | \hat\omega_2 SH | 0,19247774 | 0,19247176 | — |
| ilk 10 çalışma | seçim modeli \hat\mu SH | 0,09939924 | 0,09939541 | — |
etki işareti çevrilmiş, greater |
seçim modeli satırı | yazılmadı (boş aralık; uyarı konsolda) | yazılmadı (boş aralık; uyarı konsolda) | — |
201.7 Çıktıyı okuma
Python şablonu konsola yalnız koşullu karar cümlesini yazar (örnek ayarla):
Koşullu PET-PEESE kuralına göre (PET kesişimi tek yönlü p < 0,05 ise PEESE, değilse PET) raporlanacak kestirim: PET.
R şablonunun yazdığı rma özeti (Q sınaması, H^2, özet etki satırı) yoktur; Q hesaplanır ama kullanılmaz. Tablolar R şablonunun tablolarıyla aynı adları, aynı sütunları ve aynı sırayı taşır.
Tablo 1: Düzeltilmiş ve düzeltilmemiş özet etkiler (q6_py_ornek):
| Model | Kestirim | SH | %95 GA | p | OR | OR %95 GA |
|---|---|---|---|---|---|---|
| Rastgele etkiler (REML) | 0,218889 | 0,049396 | 0,122076; 0,315703 | 0,000009 | 1,2447 | 1,1298; 1,3712 |
| PET (kesişim) | 0,005037 | 0,085902 | −0,169354; 0,179428 | 0,9536 | 1,0050 | 0,8442; 1,1965 |
| PEESE (kesişim) | 0,120081 | 0,051903 | 0,014711; 0,225451 | 0,0267 | 1,1276 | 1,0148; 1,2529 |
| Seçim modeli (stepfun, ML) | 0,194401 | 0,079783 | 0,038029; 0,350774 | 0,0148 | 1,2146 | 1,0388; 1,4202 |
Tablo 2: Heterojenlik ve PET-PEESE ayrıntıları: k=37; \tau^2=0{,}022395; I^2=29{,}5694; PET eğimi 0{,}9019, p=0{,}0228; PET kesişimi tek yönlü p=0{,}4768; PEESE eğimi 1{,}2757.
Tablo 3: Seçim modeli ağırlıkları:
| aralik | k | agirlik | SH |
|---|---|---|---|
| 0 < p <= 0.025 | 7 | 1,000000 | — |
| 0.025 < p <= 1 | 30 | 0,764394 | 0,598937 |
Tablo 4: Seçim modeli uyumu: \tau^2=0{,}016623; logLik -10{,}0901; LRT 0{,}1171 (\mathrm{sd}=1, p=0{,}7323).
Şekil 201.1. Python şablonunun huni grafiği; PET (turuncu) ve PEESE (yeşil) eğrileri; kesikli çizgi rastgele etkiler özeti

| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Rastgele etkiler satırı | Düzeltilmemiş özet etki. | OR 1{,}24. |
| PET kesişimi ve PEESE kesişimi | Küçük çalışma etkisine karşı düzeltilmiş etki. | OR 1{,}005 ve 1{,}128; aralık PET'te çok geniştir. |
| Karar cümlesi | PET ya da PEESE. | p_{\text{tek}}=0{,}477>0{,}05: PET. |
aralik ve k |
Aralıklar ve içlerindeki çalışma sayısı. | Birinci aralıkta 7 çalışma var; SH büyüktür. |
agirlik |
\hat\omega_j; birinci aralık 1'e sabit. | 0{,}764<1: anlamsız sonuçlar 0{,}76 kat yayımlanır. SH 0{,}60 ağırlığın zor kestirildiğini gösterir. |
| LRT | Seçim yok hipotezi. | p=0{,}73: seçim modeli veriyle desteklenmez. |
Rapor cümlesi Bölüm 200.7'dekiyle aynıdır (iki şablonun örnek verideki sonuçları 10^{-5} içinde aynıdır).
201.8 Sık hatalar ve tuzaklar
- Yalnız adım fonksiyonu vardır. Beta, yarı normal vb. ağırlık fonksiyonları gerekiyorsa R şablonuna geçin. Başlıktaki "3PSM", yalnız tek eşikte tam doğrudur; çok eşikte parametre sayısı J+1'dir.
- Seçimin yönünü etkinin işaretine uydurun.
otomatikseçeneği yönü temel etkinin işaretinden alır. Sabit yön temel etkinin işaretiyle çelişirse (etki işareti çevrilmiş veridegreater, pozitif verideless;q6_py_neg,q6_py_less) konsola uyarı yazılır; bu durumda ilk aralık boş kalır, boş aralıkta ağırlık tanımlı olmadığından seçim modeli sonuçları yazılmaz (R şablonunda aynı davranış). - Aralık başına yeterli çalışma gerekir. 10 çalışmada birinci aralıkta 3 gözlem kalır; \hat\tau^2\approx0 ve \hat\omega_2 SH'si 0{,}192 (R ile aynı) çıkar (
q6_py_k10). Üç eşikte SH'lar 0{,}47–1{,}66'dır (q6_py_e3). - \tau^2 sınırdayken seçim modelinin SH'si \tau^2 sabit tutularak hesaplanır. Homojen veride Python ve R 0{,}0733 yazar; konsola NOT düşer (
q6_py_homog). - Eniyileyicinin durumu okunur. Üç eşikte ve homojen veride ikinci L-BFGS-B turu "ABNORMAL" dönebilir; gradyan küçükse konsola NOT, değilse UYARI yazılır ve sonuçlar R ile 10^{-5} içinde uyuşur (
q6_py_e3). - PET ve PEESE aralığı t_{k-2} kuantiliyle kurulur. Aralık ve p aynı dağılımdandır; rastgele etkiler ve seçim modeli aralığı normal kuantildir.
- Eşikler tek yönlü p'dir. İki yönlü 0{,}05 için 0{,}025 yazın; ondalık virgül reddedilir (B8).
- Seçim modeli
tau_yontemi'nden bağımsızdır. DL, ML, PM seçilse de seçim satırı \hat\mu=0{,}19440139 kalır (q6_py_tauDL,…_tauML,…_tauPM); yalnız özet tablonun ilk satırı değişir (0{,}2139; 0{,}2171; 0{,}2092). - PM'de iki şablon da kesin kökü verir. PM seçildiğinde Python ve R \hat\tau^2=0{,}0128767 verir.
vi_turuveolcudenetlenmez. Standart hata sütununu "varyans" diye beyan etmek sonucu anlamsızlaştırır, hata vermez.- Eksik değerli satır sessizce atılır (k 37'den 34'e:
q6_py_na; B5). - Şekilde başlık yok; aralık etiketlerinde ondalık nokta. Türkçe raporda tablo etiketleri
0.025 < p <= 1yazar; R şablonu0,025 < p <= 1yazar.
201.9 Uzman soruları
S1. Python ve R şablonu neden aynı sayıları vermeli, hangi durumlarda vermez?
Aynı olabilirliği iki ayrı eniyileyiciyle eniyilerler. Örnek veride (tek, iki ve üç eşik; DL, REML, ML) rastgele etkiler, PET ve PEESE 10^{-6} içinde, seçim modeli ve ağırlıklar 5\cdot10^{-5} içinde aynıdır (201.6.2). Ayrışma üç yerde olur: (i) \tau^2'nin sınırda olduğu durumlarda seçim modelinin \tau^2 değeri küçük farklarla ayrışabilir; (ii) ağırlıkların SH'sı sayısal Hessian'ın adımına bağlıdır (10^{-4} ölçütü); (iii) boş aralıkta iki şablon da seçim modelini yazmaz.
S2. Python şablonu neden yalnız adım fonksiyonunu sunuyor?
Adım fonksiyonunun normalleştiricisi kapalı biçimlidir (A_i, iki normal dağılım fonksiyonunun farkı); sürekli ağırlık fonksiyonlarında A_i her çalışma ve her eniyileme adımı için sayısal tümlevle bulunur ve metafor'un selmodel'i bunu özel bir tümlev düzenekle yapar. Kendi şablonu bu düzeneği yeniden yazmaz. Sürekli fonksiyonlar gerekiyorsa R şablonu kullanılır (Bölüm 200.4.2).
S3. Sayısal Hessian'ın adım uzunluğu SH'yi nasıl etkiler?
h_a=10^{-4}\max(|\theta_a|,10^{-2}) ile merkezî fark Hessian'ının hatası O(h^2)'dir; olabilirlik yüzeyi düz olduğunda (ağırlıklar zor kestirildiğinde) h'ye duyarlılık artar. Üç eşikte Python ve R ağırlık SH'ları 2\cdot10^{-5} göreli farkla ayrışır (201.6.2); homojen veride sınırdaki \tau^2 nedeniyle küçük farklar görülebilir. Bu nedenle ağırlık SH'sı için ölçüt 10^{-4}'tür.
S4. REML neden seçim modelinde kullanılmıyor?
Seçim ağırlıkları gözlenen y_i'nin yoğunluğuna girer ve REML'in sabit etkileri integralleme adımıyla bağdaşmaz; LRT de aynı olabilirlik ölçeğinde olmalıdır. Şablon bu yüzden seçim modeli için ML kullanır ve özet tablodaki REML satırı ile aynı \tau^2 tanımını paylaşmaz (Bölüm 200.4.2).
S5. PET kesişimi neden bu kadar geniş aralıklı?
PET kesişimi, standart hatanın sıfıra ekstrapolasyonudur. Örnekte en küçük standart hata 0{,}100'dür; ekstrapolasyon aralığı \mathrm{se}_i dağılımının dışına çıkar ve \hat\beta_0'ın SH'si (0{,}086) rastgele etkiler özetinin SH'sinden (0{,}049) büyüktür. Aralık OR ölçeğinde 0{,}84–1{,}20'dir. PEESE, varyansla ekstrapolasyon yaptığı için daha kısa aralık verir (1{,}01–1{,}25), ama PET'e göre yanlı olabilir (Bölüm 200.4.1).
S6. Koşullu PET-PEESE kuralının kararı bu veride ne kadar sağlam?
Karar p_{\text{tek}}=0{,}477'ye dayanır; \alpha=0{,}05 eşiğinden çok uzaktır, bu yüzden PET seçimi küçük veri değişikliklerinde kararlıdır. Ama PET ve PEESE kestirimleri çok farklıdır (OR 1{,}005 ve 1{,}128); asıl bilgi bu aralıktır. Koşullu kuralın ardındaki iki aşamalı karar, düzeltilmiş kestirimin dağılımını da etkiler (Stanley, 2017).
S7. Başka bir yazılımla fark ne olurdu?
R'de metafor::selmodel aynı adım fonksiyonlu modeli kestirir ve bu şablonun sonuçları örnek veride onunla 10^{-5} içinde uyuşur (201.6.2). Şablon olabilirliği kendisi yazar ve eniyilemeyi scipy'ye bırakır. Bayes model ortalaması (RoBMA; Maier ve ark., 2023) seçim modelleri ve PET-PEESE'yi önsel olasılıklarla birleştirir; bu şablonun karşılığı bayes_model_ortalamasi'dır (Bölüm 215).
Dışa gönderme. Etki ölçüsü, \tau^2 kestiricisi ve çoklu sonuç tartışmaları Bölüm 195, 196 ve 198'dedir; yöntemin kuramı ve sürekli ağırlıklar Bölüm 200'dedir.
201.10 Kaynaklar
- 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
- Hackshaw, A. K., Law, M. R., & Wald, N. J. (1997). The accumulated evidence on lung cancer and environmental tobacco smoke. BMJ, 315(7114), 980–988. https://doi.org/10.1136/bmj.315.7114.980
- Hedges, L. V. (1992). Modeling publication selection effects in meta-analysis. Statistical Science, 7(2), 246–255. https://doi.org/10.1214/ss/1177011364
- 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
- Harris, C. R., Millman, K. J., van der Walt, S. J., et al. (2020). Array programming with NumPy. Nature, 585(7825), 357–362. https://doi.org/10.1038/s41586-020-2649-2
- Maier, M., Bartoš, F., & Wagenmakers, E.-J. (2023). Robust Bayesian meta-analysis: Addressing publication bias with model-averaging. Psychological Methods, 28(1), 107–122. https://doi.org/10.1037/met0000405
- Pustejovsky, J. E., & Rodgers, M. A. (2019). Testing for funnel plot asymmetry of standardized mean differences. Research Synthesis Methods, 10(1), 57–71. https://doi.org/10.1002/jrsm.1332
- Seabold, S., & Perktold, J. (2010). Statsmodels: Econometric and statistical modeling with Python. Proceedings of the 9th Python in Science Conference, 92–96. https://doi.org/10.25080/Majora-92bf1922-011
- Stanley, T. D. (2017). Limitations of PET-PEESE and other meta-analysis methods. Social Psychological and Personality Science, 8(5), 581–591. https://doi.org/10.1177/1948550617693062
- Stanley, T. D., & Doucouliagos, H. (2014). Meta-regression approximations to reduce publication selection bias. Research Synthesis Methods, 5(1), 60–78. https://doi.org/10.1002/jrsm.1095
- Vevea, J. L., & Hedges, L. V. (1995). A general linear model for estimating effect size in the presence of publication bias. Psychometrika, 60(3), 419–435. https://doi.org/10.1007/BF02294384
- Virtanen, P., Gommers, R., Oliphant, T. E., et al. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261–272. https://doi.org/10.1038/s41592-019-0686-2