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。