İstatistik Sözlüğü → Meta-Analiz
Meta-Analizanaliz
Aynı soruyu inceleyen birden çok çalışmanın sonuçlarını, her çalışmanın kesinliğine göre ağırlıklandırarak tek bir ortak etki tahmininde birleştiren ve çalışmalar arasındaki farklılığı inceleyen yöntem.
Kavram
Tek bir çalışma çoğu zaman küçük bir örnekleme dayanır ve sonucu belirsizdir; aynı konudaki çalışmalar birbirinden farklı, hatta çelişkili sonuçlar verebilir. Meta-analiz bu çalışmaların etki büyüklüklerini (ör. standartlaştırılmış ortalama farkı, log odds oranı, korelasyon) ortak bir ölçeğe getirir ve birleştirir. Böylece daha kesin bir genel tahmin elde edilir ve sonuçların çalışmadan çalışmaya neden değiştiği sorulabilir.
Her çalışmanın etkisi, kesinliğiyle (varyansının tersiyle) ağırlıklandırılır: büyük ve kesin çalışmalar havuzlanmış tahmini daha çok etkiler. Sabit etki modeli tüm çalışmaların tek bir ortak gerçek etkiyi ölçtüğünü varsayar. Rastgele etkiler modeli ise gerçek etkinin çalışmadan çalışmaya değişebileceğini kabul eder ve bu değişkenliği τ² ile kestirir; ağırlıklar 1/(vᵢ + τ²) olur. Heterojenlik Cochran Q testi ve I² ile özetlenir: I², gözlenen değişkenliğin örnekleme hatasından değil gerçek farklılıklardan kaynaklanan payıdır. Tahmin aralığı, yeni bir çalışmada gerçek etkinin hangi aralıkta olabileceğini gösterir.
Meta-analizin sonucu, dahil edilen çalışmaların kalitesinden ve seçiminden daha iyi olamaz. Anlamlı sonuç veren çalışmaların daha kolay yayımlanması (yayın yanlılığı) havuzlanmış etkiyi şişirebilir; huni grafiği, Egger ve Begg testleri ve kırp-doldur yöntemi bunu araştırır ama kesin olarak kanıtlayamaz. Heterojenlik yüksekse tek bir ortak etki yanıltıcı olabilir; alt grup analizi ve meta-regresyon farklılığın kaynağını arar, ancak bunlar gözlemsel karşılaştırmalardır. Az sayıda çalışmayla τ² ve heterojenlik ölçüleri çok belirsizdir.
Ne zaman kullanılır?
- Aynı araştırma sorusunu inceleyen birden çok çalışmanın sonuçlarını sistematik bir derlemede nicel olarak birleştirirken.
- Çalışmalar yöntem, örneklem ya da ortam bakımından farklıysa rastgele etkiler modeli; gerçekten aynı protokolle yapılmış benzer çalışmalar varsa sabit etki modeli tercih edilir.
- Çalışmaların ham verilerine erişilebiliyorsa bireysel hasta verisi meta-analizi (çok düzeyli modeller) daha güçlü bir alternatiftir; birden çok tedavi aynı ağda karşılaştırılacaksa ağ meta-analizi kullanılır.
Gündelik bir örnek
Bir araştırmacı, okullarda uygulanan ücretsiz kahvaltı programlarının öğrencilerin sınav başarısına etkisini inceleyen 12 çalışmayı bir araya getiriyor. Bazı çalışmalar büyük bir etki, bazıları neredeyse hiç etki bulmamış; birkaçı yalnız 40 öğrenciyle, birkaçı binlerce öğrenciyle yapılmış. Rastgele etkiler meta-analizi standartlaştırılmış ortalama farkını ör. 0,30 (%95 GA 0,18 ile 0,42) bulabilir: programlar ortalamada küçük-orta bir olumlu etki gösteriyor. I² = %45 ise çalışmalar arasında orta düzeyde gerçek farklılık vardır; tahmin aralığı −0,05 ile 0,65 arasındaysa yeni bir okulda programın etkisi hiç olmayabilir de belirgin olabilir de. Alt grup analizi, etkinin ilkokullarda ortaokullardan daha büyük olup olmadığına bakabilir.
MerQur'da parametreler
Meta-regresyon moderatörleri
Kavram: Meta-regresyon, çalışmaların etki büyüklüklerini çalışma düzeyindeki özelliklerle (moderatörlerle) açıklamaya çalışan regresyondur. Çalışmalar arasındaki farklılığın ne kadarının bu özelliklerle açıklandığını gösterir; ancak çalışma sayısı azsa sonuçlar güvenilmezdir (her moderatör için yaklaşık 10 çalışma önerilir).
Gündelik örnek: Kahvaltı çalışmalarında programın süresi (ay) moderatör olarak eklenirse meta-regresyon 'program uzadıkça etki büyüyor mu?' sorusunu yanıtlar. Yalnız 12 çalışma olduğu için aynı anda birden fazla moderatör eklemek sonuçları kararsız hale getirir.
Ne işe yarar: Etki büyüklüğünü çalışma düzeyi değişkenlerle açıklar (karışık etkiler meta-regresyonu); sayısal veya kategorik moderatörler seçilir. Yaklaşık ≥ 10 çalışma/moderatör oranı önerilir.
Sonuca etkisi: Katsayılar, QM (Wald veya F), QE, kalıntı τ² ve R² çıkar. Metin sütunlar kukla kodlanır (alfabetik ilk düzey temel düzeydir).
Doğrulama verisinde: BCG (log RR, REML) ablat için b = -0.0291 (SE 0.0072), kalıntı τ² = 0.0763, R² = %75.63, QM = 16.36, QE = 30.73; alloc için QM = 1.7675. Raudenbush haftalar (merkezlenmiş): b = -0.157, τ² = 0, R² = %100.
Çalışma etiketi, Girdi biçimi, Etki ölçüsü ve Girdideki güven düzeyi
Kavram: Her çalışmanın sonucunun hangi biçimde girildiğini (etki büyüklüğü ve standart hatası, grup ortalamaları ve standart sapmaları, 2x2 sayımlar, korelasyon ve örneklem büyüklüğü) ve hangi ortak etki ölçüsüne dönüştürüleceğini belirler. Her çalışmanın etki büyüklüğü ve varyansı bu girdilerden hesaplanır.
Gündelik örnek: Kahvaltı çalışmalarının bazıları iki grubun ortalama ve standart sapmasını raporlamış olabilir; bunlar standartlaştırılmış ortalama farkına çevrilir. Çalışmalar 'sınavı geçti / geçemedi' sayılarını raporladıysa log odds oranı ortak ölçü olarak seçilir.
Ne işe yarar: Çalışma adı sütunu; sonuçların biçimi (etki + SE / varyans / güven aralığı, iki grup ortalama-SS-n, 2x2 sayımlar, korelasyon + n) ve sütun eşlemesi; etki ölçüsü (log OR, log RR, RD; ortalamada SMD/MD, korelasyonda Fisher z); aralık girdisinde aralığın düzeyi (%90, %95, %99).
Sonuca etkisi: Her çalışmanın yᵢ ve vᵢ değeri bu seçimlerden hesaplanır; sıfır hücreye 0.5 eklenir (escalc to = "only0"). Oran ölçüsünde yᵢ ≤ 0 olan çalışmalar dışlanır ve yazılır. Yanlış aralık düzeyi vᵢ'yi sessizce değiştirir. Etiket yalnız tablo ve grafikte görünür.
Doğrulama verisinde: BCG REML: log OR -0.7452, log RR -0.7145, RD -0.0252 (I² %99.94). Hackshaw etki + varyans ve etki + %95 aralık girdileri aynı log OR 0.2189 (SE 0.0494) verir; %90 seçilirse 0.2035, %99 seçilirse 0.2409. Normand MD -15.106 gün (SE 8.947).
Model (Rastgele etkiler, Sabit etki (ortak etki))
Kavram: Sabit etki modeli tüm çalışmaların aynı gerçek etkiyi ölçtüğünü ve aralarındaki farkın yalnız örnekleme hatasından geldiğini varsayar. Rastgele etkiler modeli gerçek etkinin çalışmadan çalışmaya değiştiğini kabul eder; bu yüzden aralıkları daha geniştir ve küçük çalışmalara görece daha fazla ağırlık verir.
Gündelik örnek: Kahvaltı programları farklı ülkelerde, farklı yaş gruplarında ve farklı menülerle uygulandığı için gerçek etkinin her yerde aynı olması beklenmez. Bu durumda rastgele etkiler modeli daha gerçekçidir.
Ne işe yarar: Rastgele etkilerde gerçek etkiler çalışmalar arasında değişir (τ² > 0); sabit etkide tek ortak etki varsayılır. Çalışmalar yöntem ve örneklem bakımından farklıysa rastgele etkiler önerilir (Borenstein vd., 2009).
Sonuca etkisi: Ağırlıklar 1/(vᵢ + τ²) veya 1/vᵢ olur; rastgele etkiler aralıkları daha geniştir; tahmin aralığı yalnız rastgele etkilerde gösterilir.
Doğrulama verisinde: BCG log RR: rastgele etkiler -0.7145 [-1.0669, -0.3622]; sabit etki -0.4303 [-0.5097, -0.3509] (SE 0.0405). Q = 152.23 iki modelde aynıdır.
τ² kestiricisi (REML (kısıtlı en çok olabilirlik), DerSimonian-Laird, En çok olabilirlik (ML), Paule-Mandel, Sidik-Jonkman, Hedges (HE))
Kavram: Rastgele etkiler modelinde çalışmalar arası gerçek etki varyansının (τ²) nasıl kestirileceğini belirler. τ², ağırlıkları ve dolayısıyla havuzlanmış tahmini, aralıkları ve I²'yi etkiler. REML ve Paule-Mandel genel olarak önerilen yöntemlerdir; DerSimonian-Laird klasik ama özellikle az çalışmada τ²'yi olduğundan küçük kestirebilir.
Gündelik örnek: 12 kahvaltı çalışmasında farklı kestiriciler τ² için ör. 0,03 ile 0,05 gibi farklı değerler verebilir. Sonuç kestirici seçimine çok duyarlıysa, bu bulgunun dikkatle yorumlanması gerektiğini gösterir.
Ne işe yarar: Çalışmalar arası varyans τ²'nin kestirim yöntemini seçer. REML veya Paule-Mandel önerilir (Veroniki vd., 2016); DL klasik varsayılandır.
Sonuca etkisi: τ² -> ağırlıklar -> havuzlanmış tahmin, SE, I², tahmin aralığı. Az çalışmada τ² belirsizdir.
Doğrulama verisinde: BCG log RR: REML 0.3132 (b = -0.7145), DL 0.3088, ML 0.2800, PM 0.3181, SJ 0.3455, HE 0.3286. Raudenbush'ta fark daha büyüktür: ML 0.013, REML 0.019, DL 0.026, HE 0.080. BCG ablat + SJ τ² = 0.2318.
Knapp-Hartung (HKSJ)
Kavram: Rastgele etkiler modelinde havuzlanmış tahminin standart hatasını gözlenen heterojenliğe göre ölçekleyen ve normal dağılım yerine t dağılımı kullanan düzeltmedir. Özellikle çalışma sayısı azken güven aralığının gerçek değeri gerektiği sıklıkta kapsamasını sağlar.
Gündelik örnek: Yalnız 12 çalışma olduğunda standart yöntem güven aralığını gereğinden dar gösterebilir. Knapp-Hartung düzeltmesi aralığı genişletebilir, ör. 0,18-0,42 yerine 0,15-0,45 gibi, ve bulgunun belirsizliğini daha dürüst yansıtır.
Ne işe yarar: SE'yi ölçekler ve t(k - p) dağılımı kullanır; az çalışmada kapsama olasılığını iyileştirir (IntHout vd., 2014).
Sonuca etkisi: Havuzlanmış SE, aralık ve p; meta-regresyon katsayıları (t) ve QM (F). Sabit etkide etkisizdir (arayüzde devre dışı).
Doğrulama verisinde: BCG log RR: SE 0.1798 -> 0.1808, aralık [-1.1084, -0.3206], p 0.0001 -> 0.0019; tahmin aralığı t(k - 1) ile [-1.9960, 0.5670]. Raudenbush: p 0.105 -> 0.191.
Tahmin aralığı (z (metafor varsayılanı), t(k - 2) (Riley 2011, Stata))
Kavram: Tahmin aralığı, ortalama etkinin değil, yeni bir çalışmadaki gerçek etkinin hangi aralıkta olabileceğini gösterir; hem havuzlanmış tahminin belirsizliğini hem de çalışmalar arası farklılığı (τ²) içerir. Kritik değerin normal ya da t dağılımından alınması, çalışma sayısı azken aralığın genişliğini belirgin biçimde etkiler.
Gündelik örnek: Kahvaltı programının ortalama etkisi 0,30 olsa da tahmin aralığı −0,05 ile 0,65 arasındaysa, yeni açılacak bir okul programında etkinin sıfıra yakın da çıkabileceği görülür. Az çalışma varken t(k − 2) kullanmak bu aralığı daha geniş ve gerçekçi yapar.
Ne işe yarar: Rastgele etkiler tahmin aralığının kritik değerini seçer: z (varsayılan; Knapp-Hartung açıksa t(k - p)) veya t(k - 2) (Riley vd., 2011). Aralık = tahmin ± kritik x √(SE² + τ²). k küçükken t(k - 2) τ² belirsizliğini daha iyi yansıtır.
Sonuca etkisi: Yalnız tahmin aralığı; tahmin, SE ve güven aralığı değişmez. Kullanılan yöntem metinde yazılır.
Doğrulama verisinde: BCG log RR %95: z [-1.8667, 0.4376] -> t(11) [-2.0084, 0.5793]; pupiliq10 %90: z [-0.3506, 0.6177] -> t(8) [-0.4138, 0.6809].
Mantel-Haenszel
Kavram: 2x2 sayımlarla raporlanmış çalışmaları, her çalışmanın tablosunu doğrudan kullanarak birleştiren sabit etki yöntemidir. Olayların seyrek olduğu, bazı hücrelerin sıfır olduğu durumlarda ters varyans yönteminden daha sağlamdır.
Gündelik örnek: Kahvaltı programlarının 'okulu terk etme' gibi nadir bir sonuca etkisi incelenseydi, birçok çalışmada terk eden öğrenci sayısı 0 ya da 1 olurdu. Mantel-Haenszel yöntemi bu seyrek tablolarda daha güvenilir bir ortak odds oranı verir.
Ne işe yarar: 2x2 tabloları Mantel-Haenszel yöntemiyle birleştirir (sabit etki; seyrek veride sağlam).
Sonuca etkisi: Ortak OR/RR/RD ve SE (Robins-Breslow-Greenland, Greenland-Robins veya Sato varyansı) ve MH ağırlıkları; yayın yanlılığı ve duyarlılık analizleri ters-varyans sabit etkiyle sürer. Rastgele etkilerde etkisizdir.
Doğrulama verisinde: Sabit etki ters-varyans log RR -0.4303 (SE 0.0405) -> MH -0.4537 (SE 0.0393). Rothman Tablo 15-1 (%90): MH RD 0.0349 [-0.0176, 0.0874].
Güven Düzeyi (%90, %95, %99, Diğer (özel))
Kavram: Havuzlanmış tahmin, tek tek çalışmalar, alt gruplar ve meta-regresyon katsayıları için verilen tüm güven aralıklarının ve tahmin aralığının düzeyini belirler. Tahminlerin kendisi değişmez.
Gündelik örnek: Havuzlanmış etki 0,30 için %95 güven aralığı 0,18-0,42 ise %99'luk aralık daha geniş olur, ör. 0,14-0,46. Aralık her iki durumda da sıfırı içermiyorsa ortalama etkinin olumlu olduğu sonucu sağlamdır.
Ne işe yarar: Tüm güven aralıklarının (havuzlanmış, çalışma, Q-profile, alt grup, meta-regresyon) ve tahmin aralığının düzeyini belirler.
Sonuca etkisi: Yalnız kritik değer değişir; tahmin, SE ve p değişmez.
Doğrulama verisinde: BCG log RR %95 [-1.0669, -0.3622]; %90 [-1.0102, -0.4188]; %99 [-1.1776, -0.2514]; özel %80 [-0.9449, -0.4841]. Tahmin aralığı aynı düzeyle hesaplanır (%90: [-1.6815, 0.2524]).
Alt grup (moderatör)
Kavram: Çalışmaları kategorik bir özelliğe göre gruplara ayırıp her grupta ayrı bir havuzlanmış etki hesaplar ve gruplar arasındaki farkı sınar. Heterojenliğin kaynağını aramanın en basit yoludur; ancak gruplar rastgele atanmadığı için bulunan farklar başka özelliklerle karışmış olabilir.
Gündelik örnek: Kahvaltı çalışmaları ilkokul ve ortaokul diye ikiye ayrılır: ilkokullarda etki 0,40, ortaokullarda 0,15 çıkabilir. Gruplar arası test bu farkın şansla açıklanıp açıklanamayacağını söyler; ama ilkokul çalışmaları aynı zamanda daha yoksul bölgelerde yapılmışsa fark yoksulluktan da kaynaklanıyor olabilir.
Ne işe yarar: Kategorik bir moderatörün her düzeyinde ayrı model kurar ve gruplar arası fark testi yapar.
Sonuca etkisi: Grup tahminleri (ayrı τ²), Q_between (grup tahminleri üzerinde sabit etki Q) ve ortak τ²'li QM.
Doğrulama verisinde: alloc: alternate -0.5408, random -0.9710, systematic -0.4242; Q_b = 1.861 (p = 0.394), ortak τ² QM = 1.7675 (p = 0.4132). pupiliq10 week1: 0.581 / -0.033, Q_b = 8.18.
Yayın yanlılığı: Egger
Kavram: Küçük çalışmaların daha büyük etkiler gösterme eğilimini (huni grafiğinin asimetrisini) etki büyüklüğünü standart hatasına karşı regresyonla sınar. Yayın yanlılığının bir işareti olabilir ama başka nedenlerle de oluşabilir; yaklaşık 10'dan az çalışmada gücü düşüktür.
Gündelik örnek: Kahvaltı çalışmalarından küçük olanlar sistematik olarak büyük etkiler, büyük olanlar küçük etkiler bulduysa Egger testi anlamlı çıkabilir. Bu, etkisiz bulunan küçük çalışmaların yayımlanmamış olabileceğini düşündürür.
Ne işe yarar: Huni asimetrisi (küçük çalışma etkisi) için yᵢ ~ SE regresyonu kurar (modelin kendi yöntemiyle); k ≥ 10 iken yorumlanır (Sterne vd., 2011).
Sonuca etkisi: z (Knapp-Hartung'da t) ve p; sınır tahmini (SE -> 0).
Doğrulama verisinde: BCG log RR z = -0.8033, p = 0.4218; pupiliq z = 2.53, p = 0.0115.
Yayın yanlılığı: Begg
Kavram: Huni asimetrisini sıra korelasyonuyla (Kendall τ) sınayan bir başka yöntemdir: standartlaştırılmış etkiler ile varyansları arasında bir ilişki olup olmadığına bakar. Egger testinden genellikle daha düşük güçlüdür.
Gündelik örnek: Egger testinin yanında Begg testi de bakılarak iki yöntemin aynı yönde işaret verip vermediği görülür. İkisi de anlamsızsa yayın yanlılığına dair güçlü bir işaret yoktur, ama 12 çalışmayla bu kesin bir güvence değildir.
Ne işe yarar: Standartlaştırılmış etki ile varyans arasında Kendall τ hesaplar (Begg-Mazumdar).
Sonuca etkisi: τ ve p.
Doğrulama verisinde: BCG log OR (yorumdaki model): τ = 0.0256, p = 0.9524 (Begg sıra korelasyonu).
Yayın yanlılığı: Kırp-doldur
Kavram: Huni grafiğini simetrik hale getirmek için eksik olduğu düşünülen çalışmaların sayısını kestirir, bu varsayımsal çalışmaları ekler ve düzeltilmiş bir havuzlanmış tahmin hesaplar. Bir duyarlılık analizidir; eklenen çalışmalar gerçek değildir.
Gündelik örnek: Kırp-doldur yöntemi kahvaltı çalışmalarında huninin sol alt köşesinde 3 eksik çalışma kestirebilir; bunlar eklendiğinde havuzlanmış etki 0,30'dan ör. 0,22'ye düşer. Etki küçülse de sıfırın üstünde kalıyorsa sonuç yayın yanlılığına karşı görece dayanıklıdır.
Ne işe yarar: Duval-Tweedie L₀ ile eksik çalışma sayısını ve düzeltilmiş havuzlanmış tahmini kestirir.
Sonuca etkisi: k₀ ve düzeltilmiş tahmin. Düzeltilmiş model modelin Knapp-Hartung ve güven düzeyi seçimleriyle kurulur; çıktıda not olarak yazılır.
Doğrulama verisinde: BCG log RR rastgele etkiler k₀ = 1 (sağ), düzeltilmiş -0.6571; log RR sabit etki k₀ = 4; BCG log OR rastgele etkiler (yorumdaki model) k₀ = 0; nsaids k₀ = 10, OR = 2.815.
Yayın yanlılığı: Güvenli başarısızlık N
Kavram: Birleşik sonucun anlamlılığını ortadan kaldırmak için, etkisi sıfır olan kaç yayımlanmamış çalışmanın daha bulunması gerektiğini hesaplar. Büyük bir sayı sonucun sağlam olduğunu düşündürür; ancak yöntem etki büyüklüğünü değil yalnız anlamlılığı dikkate aldığı için sınırlı bir göstergedir.
Gündelik örnek: Güvenli başarısızlık N'i 150 çıkarsa, kahvaltı programlarının etkisini anlamsız kılmak için çekmecelerde 150 etkisiz çalışma beklemesi gerekir. Bu konuda bu kadar çok yayımlanmamış çalışma olması pek olası değildir.
Ne işe yarar: Rosenthal güvenli başarısızlık N'i: birleşik sonucu anlamsız kılmak için gereken sıfır etkili çalışma sayısıdır.
Sonuca etkisi: Ek satır.
Doğrulama verisinde: BCG log RR N = 598, log OR (yorumdaki model) N = 607 (eşik 5k + 10 = 75; 'sağlam').
Yayın yanlılığı: Konturlu huni
Kavram: Huni grafiğine, çalışmaların hangi anlamlılık düzeylerine düştüğünü gösteren bantlar ekler. Eksik görünen çalışmalar anlamsızlık bölgesinde toplanıyorsa asimetrinin yayın yanlılığından kaynaklanması daha olasıdır.
Gündelik örnek: Kahvaltı çalışmalarının huni grafiğinde boşluk tam da p > 0,10 bölgesindeyse, 'sonuç bulamayan' küçük çalışmaların yayımlanmamış olabileceği düşünülür. Boşluk anlamlılık bantlarının içindeyse asimetrinin başka bir nedeni olabilir.
Ne işe yarar: Huni grafiğine p = .10/.05/.01 anlamlılık bantlarını ekler.
Sonuca etkisi: Yalnız grafik; sayısal çıktılar aynıdır.
Duyarlılık: Birini dışarıda bırak
Kavram: Her çalışmayı sırayla analizden çıkarıp havuzlanmış tahmini yeniden hesaplar. Sonuç tek bir çalışmanın çıkarılmasıyla belirgin biçimde değişiyorsa, genel bulgu o çalışmaya fazlasıyla bağımlıdır.
Gündelik örnek: Binlerce öğrencili tek bir büyük çalışma çıkarıldığında havuzlanmış etki 0,30'dan 0,38'e çıkıyorsa, bu çalışma sonucu aşağı çekmektedir. Hangi çalışma çıkarılırsa çıkarılsın etki 0,26 ile 0,34 arasında kalıyorsa sonuç sağlamdır.
Ne işe yarar: Her çalışmayı sırayla dışarıda bırakıp modeli yeniden kestirir.
Sonuca etkisi: Ek tablo.
Doğrulama verisinde: BCG log RR: TPT Madras çıkarılınca -0.7948 (τ² 0.2732), Hart ve Sutherland çıkarılınca -0.6284; hiçbir çıkarmada anlamlılık değişmez.
Duyarlılık: Etki tanıları
Kavram: Her çalışmanın modelle ne kadar uyumsuz olduğunu (artıklar) ve havuzlanmış tahmin üzerinde ne kadar etkili olduğunu (Cook uzaklığı, DFFITS, kaldıraç gibi ölçüler) gösterir. Uç ya da aşırı etkili çalışmaları bulmaya yarar; bu çalışmalar kendiliğinden atılmaz, nedenleri incelenir.
Gündelik örnek: Kahvaltı çalışmalarından biri diğerlerinin çok üstünde bir etki (ör. 1,2) bulmuş ve Cook uzaklığı yüksekse, araştırmacı o çalışmanın yöntemine yeniden bakar: belki farklı bir sınav kullanılmış ya da örneklem çok seçkindir.
Ne işe yarar: Studentize artıklar, DFFITS, Cook uzaklığı, COVRATIO, τ²₍₋ᵢ₎, QE₍₋ᵢ₎, hat değerleri ve DFBETAS ile "etkili" işaretini verir (Viechtbauer ve Cheung, 2010).
Sonuca etkisi: Moderatör seçiliyse tanılar meta-regresyon modelinden hesaplanır ve metinde belirtilir.
Doğrulama verisinde: Hart ve Sutherland Cook D = 0.2295, hat = 0.0970; hiçbir çalışma "etkili" değildir. BCG ablat + year modelinde çalışma 4: Cook D = 7.318, hat = 0.808.
→ Etkili gözlem tanılaması (Cook uzaklığı, kaldıraç, DFBETAS)
Gerçek veride örnek
Veri: BCG aşısı, Colditz vd. 1994; metadat dat.bcg
Değişkenler: 2x2 sayımlar: aşı grubu olay tpos / n_t, kontrol grubu olay cpos / n_c; çalışma etiketi author
- Soru: BCG aşısı tüberküloz riskini azaltıyor mu? 13 çalışmanın 2x2 sayımları log odds oranı (log OR) olarak rastgele etkiler modeliyle (REML) birleştirildi.
- Sonuç: Havuzlanmış OR = 0.4746, %95 GA [0.3296, 0.6835]; z = -4.0057, p < .0001. Aşılananlarda hastalık odds'u yaklaşık yarıya iner; etki anlamlıdır.
- Heterojenlik: Q(12) = 163.16, p < .0001; τ² = 0.3378 (log OR ölçeğinde), I² = %92.07 (%95 GA [%81.74, %97.60]). Çalışmalar arası farklılık yüksektir; bu yüzden rastgele etkiler modeli uygundur.
- Tahmin aralığı: OR için [0.1435, 1.5696]; benzer yeni bir çalışmada gerçek etki 1'i aşabilir, yani etki her ortamda koruyucu olmayabilir (enlem gibi bir moderatör aranmalıdır).
- Yayın yanlılığı: Log OR ölçüsüyle Egger z = -0.7743, p = 0.4388; Begg Kendall τ = 0.0256, p = 0.9524; kırp-doldur k0 = 0; güvenli başarısızlık N'i = 607 (eşik 75; log RR ile 598). Küçük çalışma etkisine dair kanıt yoktur.
- Duyarlılık: Birini dışarıda bırakınca OR 0.4367 (TPT Madras) ile 0.5151 (Hart & Sutherland) arasında kalır; hiçbir çıkarma anlamlılığı değiştirmez.
- APA: Rastgele etkiler modeli (REML), k = 13, OR = 0.47, %95 GA [0.33, 0.68], z = -4.01, p < .001; Q(12) = 163.16, p < .001, I² = %92, τ² = 0.338 (log OR); %95 PI [0.14, 1.57].
İlgili kavramlar
Egger ve Begg testleriMeta-regresyonÇalışmalar arası varyans (τ²) ve heterojenlik (I²)Yayın yanlılığıKnapp-Hartung (HKSJ) düzeltmesiKırp ve doldur (trim-and-fill)Güvenli N (fail-safe N)Tahmin (öngörü) aralığı
Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.