我目前正在进行荟萃分析,为此我需要分析样本中嵌套的多个效应大小。与部分其他可能的策略(例如,忽略依赖性,在研究中平均效应大小,选择一种效应大小或转移分析单位)。我的许多因果效应大小的相关性都涉及相当独特(但局部相关)的变量,因此对它们进行平均计算在概念上是没有意义的,即使这样做,也将我要分析的总因果大小数减少了近一半。
但是,与此同时,我也对在评估荟萃分析效果的过程中使用Stanley&Doucouliagos(2014)的解决出版偏见的方法感兴趣。简而言之,要么适合使用一种元回归模型,即可通过其各自的方差(精密效果测试或PET)或各自的标准误差(带有标准误差的精密效果估计值或PEESE)来预测研究效果的大小。根据拦截模型在PET模型中的重要性,可以使用PET模型的拦截(如果PET拦截p > .05)或PEESE模型(如果PET拦截p <.05)作为估计的发布-无偏差平均效果大小。
但是,我的问题源于Stanley&Doucouliagos(2014)的摘录:
在我们的模拟中,总是包含过多的无法解释的异质性。因此,按照常规做法,应优先选择REE [随机效应估计器],而不是FEE [固定效应估计器]。但是,当选择出版物时,常规做法是错误的。通过选择具有统计意义的变量,REE总是比FEE更为偏见(表3)。这种可预测的劣势归因于以下事实:REE本身就是简单平均数(具有最大的发布偏差)和FEE的加权平均值。
这段话使我相信,我不应该在随机效应/混合效应荟萃分析模型中使用PET-PEESE,但是多层次的荟萃分析模型似乎需要一个随机效应估计量。
我为该做的事而感到痛苦。我希望能够对我所有的依存效应大小进行建模,但同时要利用这种特殊的出版偏倚校正方法。我是否可以通过某种方式将3级荟萃分析策略与PET-PEESE合法整合?
参考文献
张铭华(2014)。使用三级荟萃分析来建模依赖效应的大小:一种结构方程式建模方法。心理学方法,19,211-229。
Stanley,TD,&Doucouliagos,H.(2014年)。元回归近似可减少出版物选择的偏见。研究综合方法,5,60-78。