Metafor软件包：偏差和灵敏度诊断

我正在进行多层次的荟萃分析，其中包括一些具有多种结果的文章。因此，我正在使用该rma.mv()功能。示例代码：

test.main = rma.mv(yi,vi,random = ~1|ID, data = data) 

我有两个问题：

1. 我在上一个查询中了解到，使用时rma.mv()，ranktest()它不是漏斗图不对称性的可靠测试。但是，如果将样本方差作为主持人添加到原始模型中，则此模型将类似于Egger的检验：

   test.egger = rma.mv(yi,vi, mod = vi, random = ~1|ID, data = data)
   

   该代码对该指南是否正确解释？另外，漏斗图作为rma.mv()模型的工具也（或多或少）无用吗？

2. 既不评估模型结果的敏感性leave1out()也无法trimfill()与之rma.mv()合作。当前是否可将其他敏感性分析工具用于rma.mv()不精通R的模型？

关于1：是的，添加vi主持人确实是将Egger的测试扩展到更复杂的模型的逻辑方法。

实际上，使用采样方差作为主持人只是进行“漏斗图不对称性回归测试”的一种可能性。其他人建议使用采样方差的倒数或标准误差（采样方差的平方根）或它们的倒数或总样本大小（或其某些函数）作为调节剂。尚不清楚哪个预测变量是“最佳”选择（这可能取决于您用于荟萃分析的结果指标）。例如，对于某些度量，我们用来近似/估计采样方差的方程实际上是观察到的结果的函数，即使在没有发布偏差（或“小研究偏差”）的情况下，也会自动在两者之间建立关系。或任何我们想称呼它的东西）。在这种情况下，

但是要点是：是的，通过在模型中添加适当的主持人，可以在使用更复杂的模型时轻松应用回归测试。

当存在基于数据的多级/多变量结构时，漏斗图是否有用是值得商bat的。例如，由于统计依赖性（使用适当的多级/多变量模型时会考虑这些因素），点集可能会聚在一起，但是在漏斗图中，这些点就是：一堆点。这使解释漏斗图变得更加困难，因为（除非您通过使用不同的颜色或符号采取额外的步骤）您看不到那些内在的依赖关系-即使大多数人（包括我自己）也不擅长解释漏斗图，即使是最简单的解释案例（有实证研究证明了这一点！）。

关于2：是的，许多后期模型拟合功能当前不适用于rma.mv模型对象。我只是还没有实现这一点，其中有些实际上需要一些思考。例如，一次leave1out()删除一项研究-在单变量情况下，这相当于一次删除每个观察到的结果，但是多级/多变量数据又如何呢？还要一次删除每个观察到的结果吗？还是删除点集？或提供其他选项？关于修剪和填充（不考虑此方法的实际用途问题）：将方法扩展到多级/多变量数据将是值得写的完整文章。

因此，您希望进行灵敏度分析非常好，但是截至目前，您将必须手动执行其中的一些操作。通过简单的for循环轻松进行留一法分析，并仔细考虑什么是“一个”（例如，每个观察到的结果，每个聚类/研究）。您可以进行回归测试，也可以暂时保留“修剪和填充”功能。可通过提供标准化残差rstandard()，因此您可以检查数据中潜在的异常值。您可以通过hatvalues()（仅沿对角线或整个帽子矩阵的杠杆）获得帽子值，该值可以指示哪些点对结果有很大影响。这方面的另一个非常有用的措施是库克的距离，您可以通过获取cooks.distance()，也为rma.mv对象。