연구 설명 :
연구 내 복제 처리와 관련하여 메타 분석에서 일반적인 오류가 관찰되었습니다. 가정이 언급 될 때 오류가 연구를 무효화하는지 여부는 명확하지 않습니다. 그러나 내가 이해하는 것처럼 이러한 가정은 기본 통계 전제를 위반합니다.
예를 들어, 한 연구에서 화학 물질 가 반응 에 미치는 영향을 테스트합니다 .Y
분석은 로그 응답 비율에 대해 수행된다 : 처리의 비율 (의 존재 하에서 제어하는) (NO ) : X Y 0 X
메타 분석에 포함 된 일부 연구에는 여러 처리, 예를 들어 다른 수준 또는 화학적 형태가 포함되어 있습니다 . 항상 동일한 값 사용 하지만 각 처리마다 값이 다릅니다 .R R Y 0
메소드 상태 :
단일 연구 내 에서 상이한 치료 (레벨 및 형태)에 대한 반응 은 독립적 인 관찰로 간주되었다.
질문 :
- 이 의사 복제가 아닌가요?
- 독립 법 위반이 방법에 명시되어 있어도 부적절합니까?
- 연구 복제 내에서 처리하기 쉬운 방법 (예 : 간단한 메타 분석 소프트웨어 패키지 기능 내)은 무엇입니까?
초기 생각 :
- 예를 들어 평균 응답을 취하여 각 연구의 결과를 요약합니다.
- 선험적 기준 (예 : 가장 높은 선량, 첫 번째 측정)을 기준으로 각 연구에서 하나의 치료 만 선택합니까?
다른 해결책이 있습니까?
답변
예, 설명해야 할 응답에 샘플링 의존성이 있기 때문에 문제가됩니다 (물론 통계 분석을 수행 할 때 항상 영향을 무시할 수 있고 가정을 위반하는 경우도 있음). 이를 처리하는 방법이 있으며, 한 가지 방법은 오차 분산-공분산 행렬에 관련 실험 (비대 각 블록) 간의 공분산을 포함시키는 것입니다 (예 : Hedges et al., 2010 참조). 다행스럽게도 로그 비율을 사용하면 쉽게 수행 할 수 있습니다. log R의 분산 (var)이 (Yx와 Y0이 독립적 인 그룹 인 경우) 다음과 같이 실험간에 대략적인 공분산을 얻을 수 있습니다. log Yx-log Y0, 문제의 표기법을 따르기 위해, Yx는 실험 그룹을 참조하고 Y0 컨트롤 그룹. log R에 대한 두 값 사이의 공분산 (cov) (예 : 처리 1 och 처리 2)은 cov (loge Yx_1-log Y0, log Yx_2-log Y0), var (log Y0)와 같고 SD_Y0 / (n_Y0 * Y0)으로 계산됩니다. 여기서 SD_Y0은 Y0의 표준 편차이고 n_Y0은 대조군 처리의 표본 크기이며 Y0은 대조 처리에서의 가치. 이제 메타 분석을 수행하는 전형적인 방법 인 분산 (ei) 만 사용하는 대신 전체 분산 공분산 행렬을 모델에 플러그인 할 수 있습니다. 이에 대한 예는 다음에서 찾을 수 있습니다.Limpens et al. 2011 년 R (바이오 컨덕터)의 Metahdep 패키지 또는 Hedge D의 Stevens and Taylor 2009 를 사용합니다.
매우 간단하게 유지하려면 문제를 무시하고 샘플링 의존성의 영향을 평가하려고합니다. .
답변
예, 이것은 문제입니다.
예, 적어도 그것이하는 일에 대해 투명하지만 투명하지는 않습니다 (투명도를 얻지 만 여전히 만족 스럽지는 않습니다).
이 문제를 해결하는 “쉬운 방법”이 있는지 의심합니다. 메타 분석에 대한 접근 방식에 대해서는 잘 모르지만 특정 메타 분석 소프트웨어가 있고 이와 같은 연구가 소프트웨어를 사용하여 생성되고 게시되는 경우 일반적인 접근 방식 일 수 있습니다. 제안 된 답변 중 하나가 각 연구에서 일부 단위의 정보를 잃게됩니다 (예 : 게시자가 수행 한 작업의 반대 문제)
명백한 해결책은 무작위 요인으로 연구 한 혼합 효과 (즉, 다단계) 모형입니다. 메타 분석 소프트웨어가이를 수행 할 수없는 경우 전문가 용 통계 패키지를 사용하는 것이 좋습니다. 데이터 저장 및 처리에 메타 분석 소프트웨어를 계속 사용할 수 있으며 분석을 위해 데이터를 R, Stata 또는 SAS로 내보낼 수 있습니다.