Tôi hiện đang làm việc trên một phân tích tổng hợp, trong đó tôi cần phân tích nhiều kích thước hiệu ứng được lồng trong các mẫu. Tôi là một phần của phương pháp phân tích meta ba cấp độ của Cheung (2014) đối với các kích thước hiệu ứng phụ thuộc phân tích meta, trái ngược với một số chiến lược có thể khác (ví dụ: bỏ qua sự phụ thuộc, kích thước hiệu ứng trung bình trong các nghiên cứu, chọn một kích thước hiệu ứng hoặc chuyển đơn vị phân tích). Nhiều kích thước hiệu ứng phụ thuộc của tôi là các mối tương quan liên quan đến các biến khá đặc biệt (nhưng liên quan đến chủ yếu), do đó, tính trung bình trên chúng không có ý nghĩa về mặt khái niệm và thậm chí nếu có, nó sẽ cắt giảm gần một nửa kích thước hiệu ứng để phân tích.
Tuy nhiên, đồng thời, tôi cũng quan tâm đến việc sử dụng phương pháp của Stanley & Doucouliagos (2014) để giải quyết xu hướng xuất bản trong quá trình ước tính hiệu ứng phân tích tổng hợp. Tóm lại, một trong hai phù hợp với mô hình hồi quy meta dự đoán kích thước hiệu ứng nghiên cứu theo phương sai tương ứng của chúng (kiểm tra hiệu ứng chính xác hoặc PET) hoặc các lỗi tiêu chuẩn tương ứng của chúng (ước tính hiệu ứng chính xác với sai số chuẩn hoặc PEESE). Tùy thuộc vào tầm quan trọng của việc chặn trong mô hình PET, người ta sẽ sử dụng phương thức chặn từ mô hình PET (nếu chặn PET p > 0,05) hoặc mô hình PEESE (nếu PET chặn p <0,05) làm ấn phẩm ước tính- kích thước hiệu ứng trung bình không thiên vị.
Tuy nhiên, vấn đề của tôi bắt nguồn từ trích đoạn này của Stanley & Doucouliagos (2014):
Trong các mô phỏng của chúng tôi, luôn luôn có sự không đồng nhất không giải thích được; do đó, bằng cách thực hành thông thường, [các công cụ ước tính hiệu ứng ngẫu nhiên] nên được ưu tiên hơn FEE [công cụ ước tính hiệu ứng cố định]. Tuy nhiên, thực tế thông thường là sai khi có lựa chọn xuất bản. Với lựa chọn có ý nghĩa thống kê, REE luôn thiên vị hơn FEE (Bảng 3). Sự thấp kém có thể dự đoán được này là do thực tế rằng bản thân REE là trung bình có trọng số của giá trị trung bình đơn giản, có độ lệch xuất bản lớn nhất và FEE.
Đoạn văn này khiến tôi tin rằng tôi không nên sử dụng PET-PEESE trong các mô hình phân tích meta hiệu ứng ngẫu nhiên / hiệu ứng hỗn hợp, nhưng một mô hình phân tích meta đa cấp dường như cần một công cụ ước tính hiệu ứng ngẫu nhiên.
Tôi rách việc phải làm gì. Tôi muốn có thể mô hình hóa tất cả các kích thước hiệu ứng phụ thuộc của mình, nhưng đồng thời tận dụng lợi thế của phương pháp sửa lỗi đặc biệt này để thiên vị xuất bản. Có cách nào để tôi tích hợp hợp pháp chiến lược phân tích tổng hợp 3 cấp độ với PET-PEESE không?
Người giới thiệu
Cheung, MWL (2014). Mô hình hóa kích thước hiệu ứng phụ thuộc với phân tích tổng hợp ba cấp độ: Phương pháp mô hình hóa phương trình cấu trúc. Phương pháp tâm lý , 19 , 211-229.
Stanley, TD, & Doucouliagos, H. (2014). Các xấp xỉ hồi quy meta để giảm độ lệch lựa chọn xuất bản. Phương pháp tổng hợp nghiên cứu , 5 , 60-78.