Làm thế nào để xử lý tốt nhất các phân nhóm trong phân tích tổng hợp?

Tôi đang tiến hành phân tích tổng hợp các kích thước hiệu ứng d trong R bằng cách sử dụng gói metafor. d đại diện cho sự khác biệt về điểm số bộ nhớ giữa bệnh nhân và khỏe mạnh. Tuy nhiên, một số nghiên cứu chỉ báo cáo các phân nhóm về mức độ quan tâm d (ví dụ: một số điểm bộ nhớ khác nhau hoặc điểm từ ba khối kiểm tra bộ nhớ riêng biệt). Vui lòng xem tập dữ liệu giả sau đây với d đại diện cho kích thước hiệu ứng của nghiên cứu cũng như độ lệch chuẩn sd.:

d <- round(rnorm(5,5,1),2)
sd <- round(rnorm(5,1,0.1),2)
study <- c(1,2,3,3,3)
subscore <- c(1,1,1,2,3)
my_data <- as.data.frame(cbind(study, subscore, d, sd))

library(metafor)
m1 <- rma(d,sd, data=my_data)
summary(m1)

Tôi muốn hỏi ý kiến ​​của bạn về cách tốt nhất để xử lý các phân nhóm này - ví dụ:

1. Chọn một điểm con từ mỗi nghiên cứu báo cáo nhiều hơn một điểm.
2. Bao gồm tất cả các phân nhóm (điều này sẽ vi phạm giả định về tính độc lập của mô hình rfx vì các phân nhóm của một nghiên cứu đến từ cùng một mẫu)
3. Đối với mỗi nghiên cứu báo cáo các phân nhóm: tính điểm trung bình & độ lệch chuẩn trung bình và bao gồm "kích thước hiệu ứng hợp nhất" này trong phân tích meta rfx.
4. Bao gồm tất cả các phân nhóm và thêm một biến giả cho biết từ đó nghiên cứu một số điểm nhất định được lấy.

Loại dữ liệu này được gọi là kích thước hiệu ứng phụ thuộc. Một số phương pháp có thể được sử dụng để xử lý sự phụ thuộc. Tôi muốn giới thiệu việc sử dụng phân tích tổng hợp ba cấp độ (Cheung, 2014; Konstantopoulos, 2011; Van den Noortgate et al. 2013). Nó phân hủy sự biến đổi thành mức độ không đồng nhất cấp 2 và cấp 3. Trong ví dụ của bạn, tính không đồng nhất cấp 2 và cấp 3 đề cập đến tính không đồng nhất do các phạm vi và nghiên cứu. Gói metaSEM ( http://cifts.nus.edu.sg/cference/psycwlm/INET/metaSEM/ ) được triển khai trong R cung cấp các chức năng để tiến hành phân tích meta ba cấp độ. Ví dụ,

## Your data
d <- round(rnorm(5,5,1),2)
sd <- round(rnorm(5,1,0.1),2)
study <- c(1,2,3,3,3)
subscore <- c(1,1,1,2,3)
my_data <- as.data.frame(cbind(study, subscore, d, sd))

## Load the library with the data set  
library(metaSEM)
summary( meta3(y=d, v=sd^2, cluster=study, data=my_data) )

Đầu ra là:

Running Meta analysis with ML 

Call:
meta3(y = d, v = sd^2, cluster = study, data = my_data)

95% confidence intervals: z statistic approximation
Coefficients:
            Estimate  Std.Error     lbound     ubound z value  Pr(>|z|)    
Intercept 4.9878e+00 4.2839e-01 4.1482e+00 5.8275e+00  11.643 < 2.2e-16 ***
Tau2_2    1.0000e-10         NA         NA         NA      NA        NA    
Tau2_3    1.0000e-10         NA         NA         NA      NA        NA    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Q statistic on homogeneity of effect sizes: 0.1856967
Degrees of freedom of the Q statistic: 4
P value of the Q statistic: 0.9959473
Heterogeneity indices (based on the estimated Tau2):
                              Estimate
I2_2 (Typical v: Q statistic)        0
I2_3 (Typical v: Q statistic)        0

Number of studies (or clusters): 3
Number of observed statistics: 5
Number of estimated parameters: 3
Degrees of freedom: 2
-2 log likelihood: 8.989807 
OpenMx status1: 1 ("0" and "1": considered fine; other values indicate problems)

Trong ví dụ này, các ước tính về mức độ không đồng nhất cấp 2 và cấp 3 gần bằng 0. các đồng biến cấp 2 và cấp 3 cũng có thể được đưa vào để mô hình tính không đồng nhất. Các ví dụ khác về phân tích tổng hợp ba cấp có sẵn tại http://cifts.nus.edu.sg/cference/psycwlm/INET/metaSEM/3level.html

Người giới thiệu

Cheung, MW-L. (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 (2), 211-29. doi: 10.1037 / a0032968.

Konstantopoulos, S. (2011). Đã sửa lỗi hiệu ứng và ước tính thành phần phương sai trong phân tích tổng hợp ba cấp độ. Phương pháp tổng hợp nghiên cứu , 2 (1), 61 đỉnh76. doi: 10.1002 / jrsm.35

Van den Noortgate, W., López-López, JA, Marín-Martínez, F., & Sánchez-Meca, J. (2013). Phân tích tổng hợp ba cấp độ của kích thước hiệu ứng phụ thuộc. Phương pháp nghiên cứu hành vi , 45 (2), 576 Tiết594. doi: 10.3758 / s13428-012-0261-6

Tôi đồng ý đó là một tình huống khó khăn. Đây chỉ là một vài suy nghĩ.

Có kích thước hiệu ứng trung bình d hay không: Nếu bạn không quan tâm đến các phạm vi con, thì lựa chọn đầu tiên của tôi sẽ là lấy kích thước hiệu ứng trung bình cho các phạm vi con trong một nghiên cứu nhất định.

Điều đó giả định rằng tất cả các phạm vi đều có liên quan như nhau đến câu hỏi nghiên cứu của bạn. Nếu một số thang đo có liên quan hơn, thì tôi có thể chỉ sử dụng các phạm vi đó.

Nếu bạn quan tâm đến sự khác biệt giữa các tiểu cảnh, thì sẽ bao gồm kích thước hiệu ứng cho từng tiểu cảnh được mã hóa cho loại.

Lỗi tiêu chuẩn của kích thước hiệu ứng d: Có lẽ bạn đang sử dụng công thức để tính toán sai số chuẩn của d dựa trên giá trị của d và kích thước mẫu của nhóm. Thích ứng với công thức này , chúng tôi nhận

$n_1$$n_2$$d$$d$

Tôi tưởng tượng bạn có thể áp dụng một công thức như vậy để tính toán sai số chuẩn cho giá trị d trung bình cho các phạm vi con.