Questions tagged «meta-analysis»

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： 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？ 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？

9 meta-analysis  sensitivity-analysis  publication-bias  funnel-plot 

我正在进行一项随机效应的荟萃分析，涉及许多未报告标准差的研究。所有研究均报告样本量。我认为无法估算或估算SD缺失数据。当无法为所有研究提供标准差时，如何使用原始（未标准化）均值差异作为效应量的荟萃分析进行加权？当然，我仍然可以估计tau平方，并希望将研究之间方差的度量合并到我用来留在随机效应框架内的任何加权方案中。 以下包含更多信息： 为什么原始均值差异可能仍然有用：数据以本质上有意义的比例报告：每单位美元。因此，均值差异的荟萃分析将立即得到解释。 为什么我不能近似或估算SD数据：缺少标准差数据的研究没有包含足够的数据来近似标准差（即，文献中从未报道中位数和范围）。估算丢失的数据似乎是不可取的，因为大部分研究都缺少标准差，并且因为研究在覆盖的地理区域和调查协议方面存在很大差异。 在荟萃分析中通常使用原始均值差来完成：研究权重基于均值差的标准误差（通常使用样本量项和合并方差来计算）。我没有这个 在随机效应荟萃分析中，研究权重还包括研究之间差异的术语。我有这个。 在这种情况下，可以使用简单的样本大小逆加权吗？我如何将我对tau平方的估计（或研究间差异的其他某种度量方法）纳入权重？

9 stata  missing-data  meta-analysis  meta-regression 

我正在使用metafor包对R中的效果大小d进行荟萃分析。d代表患者与健康者之间的记忆评分差异。但是，一些研究仅报告了感兴趣的度量d的子分数（例如，几个不同的内存分数或来自三个单独的内存测试块的分数）。请查看以下带有d的虚拟数据集，它们代表研究的效应量及其标准偏差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) 我想征询您的意见，以最佳方式处理这些子评分-例如： 从每个报告多个得分的研究中选择一个子得分。 包括所有子分数（这将违反rfx模型独立性的假设，因为一项研究的子分数来自同一样本） 对于每个报告评分的研究：计算平均得分和平均标准差，并将此“合并效应量”包括在rfx荟萃分析中。 包括所有子评分并添加一个虚拟变量，以指示从哪个研究中得出某个分数。

9 r  meta-analysis  effect-size  meta-regression 

假设我们要对一个未观察到的实现进行推断 xxx 随机变量 x~x~\tilde x，通常以均值分布 μxμx\mu_x 和方差 σ2xσx2\sigma^2_x。假设还有另一个随机变量y~y〜\tilde y （我们将其未被观察到的实现称为 yyy）的均值正态分布 μyμy\mu_y 和方差 σ2yσy2\sigma^2_y。让σxyσxy\sigma_{xy} 是...的协方差 x~x~\tilde x 和 y~y~\tilde y。 现在假设我们观察到一个信号 xxx， a=x+u~,a=x+u~,\begin{align}a=x+\tilde u,\end{align} 哪里 u~∼N(0,ϕ2x)u~∼N(0,ϕx2)\tilde u\sim\mathcal{N}(0,\phi_x^2)，并在 yyy， b=y+v~,b=y+v~,\begin{align}b=y+\tilde v,\end{align} 哪里 v~∼N(0,ϕ2y)v~∼N(0,ϕy2)\tilde v\sim\mathcal{N}(0,\phi_y^2)。假使，假设u~u~\tilde u 和 v~v~\tilde v 是独立的。 的分布是什么 xxx 有条件的 a一个a 和 bbb？ 到目前为止，我所知道的是： 使用反方差加权， E(x|a)=1σ2xμx+1ϕ2xa1σ2x+1ϕ2x,E(x|a)=1σx2μx+1ϕx2a1σx2+1ϕx2,\begin{align}\mathbb{E}(x\,|\,a)=\frac{\frac{1}{\sigma_x^2}\mu_x+\frac{1}{\phi_x^2}a}{\frac{1}{\sigma_x^2}+\frac{1}{\phi_x^2}},\end{align} 和 Var(x|a)=11σ2x+1ϕ2x.Var(x|a)=11σx2+1ϕx2.\begin{align} \mathbb{V}\text{ar}(x\,|\,a)=\frac{1}{\frac{1}{\sigma_x^2}+\frac{1}{\phi_x^2}}. …

9 meta-analysis 

假设我正在执行一项针对特定健康措施的分析。我对患者和对照组之间在该指标上的差异以及差异是否与0感兴趣。过去有研究针对我相同的研究问题和健康指标，但对患者的样本不同。 在贝叶斯分析中，我将基于先前的研究（包括均值差和标准误差）建立先验分布。 如果这是一个新手问题，请原谅我，因为我正在学习贝叶斯统计数据，但是贝叶斯分析的结果与使用反向方差加权荟萃分析结合了来自贝叶斯统计的均值差异估计的结果在哪些方面有所不同？使用我当前的数据进行的先前研究？

9 bayesian  meta-analysis  case-control-study 

接下来的嫁接摘自本文。我是新手，要引导并尝试为带有R boot包的线性混合模型实现参数，半参数和非参数自举。 R代码 这是我的R代码： library(SASmixed) library(lme4) library(boot) fm1Cult <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=Cultivation) fixef(fm1Cult) boot.fn <- function(data, indices){ data <- data[indices, ] mod <- lmer(drywt ~ Inoc + Cult + (1|Block) + (1|Cult), data=data) fixef(mod) } set.seed(12345) Out <- boot(data=Cultivation, statistic=boot.fn, R=99) Out 问题 …

9 r  mixed-model  bootstrap  central-limit-theorem  stable-distribution  time-series  hypothesis-testing  markov-process  r  correlation  categorical-data  association-measure  meta-analysis  r  anova  confidence-interval  lm  r  bayesian  multilevel-analysis  logit  regression  logistic  least-squares  eda  regression  notation  distributions  random-variable  expected-value  distributions  markov-process  hidden-markov-model  r  variance  group-differences  microarray  r  descriptive-statistics  machine-learning  references  r  regression  r  categorical-data  random-forest  data-transformation  data-visualization  interactive-visualization  binomial  beta-distribution  time-series  forecasting  logistic  arima  beta-regression  r  time-series  seasonality  large-data  unevenly-spaced-time-series  correlation  statistical-significance  normalization  population  group-differences  demography 

我有两个来自全基因组关联研究的数据集。唯一可用的信息是第一个数据集的比值比和p值。对于第二个数据集，我具有几率，p值和等位基因频率（AFD =疾病，AFC =对照）（例如：0.321）。我正在尝试对这些数据进行元分析，但是我没有effect size参数来执行此操作。是否有可能仅使用提供的信息来计算每个数据的SE和OR置信区间？ 先感谢您 示例：可用数据： Study SNP ID P OR Allele AFD AFC 1 rs12345 0.023 0.85 2 rs12345 0.014 0.91 C 0.32 0.25 利用这些数据，我可以计算出SE和CI95％OR吗？谢谢

9 meta-analysis  genetics 

我有两个来自全基因组关联研究的数据集。唯一可用的信息是每种基因型SNP的奇数比及其置信区间（95％）。我想生成一个比较这两个比值比的森林图，但是我找不到计算组合的置信区间以可视化汇总效果的方法。我使用程序PLINK使用固定效果执行荟萃分析，但该程序未显示这些置信区间。 如何计算置信区间？ 可用数据为： 每个研究的赔率， 95％的置信区间和 标准错误。

9 confidence-interval  meta-analysis  genetics  odds-ratio 

我熟悉元分析和元回归技术（使用metaforViechtbauer 的R包），但是最近我偶然发现了一个我不容易解决的问题。假设我们患有一种可能从母亲传播到未出生婴儿的疾病，并且已经对此进行了多次研究。母亲和孩子出生后立即进行了病毒检测。由于未出生的孩子可能无法从母亲那里获得该病毒，因此人们希望交叉列表如下： | neg kid | pos kid mother neg | A | C=0 -----------|---------|-------- mother pos | B | D 显然，使用比值比（OR）会产生错误，因为错误将被1除以0。对于相对风险而言，相同： A /（A + B ）0 /（0 + D ）A/(A+B)0/(0+D)\frac{A/(A+B)}{0/(0+D)} 现在，研究人员想检验（无意义的）假设，即儿童的感染是否与母亲的感染有关（这似乎非常非常明显）。我正在尝试重新提出假设，并提出有意义的东西，但我找不到真正的东西。 使事情变得复杂的是，一些妈妈消极的孩子实际上是积极的，可能是由于第一周的感染。因此，我只有一些研究，其中C = 0。 任何人都想知道如何按照这种模式对不同研究的数据进行统计总结。与科学论文的链接也非常受欢迎。

9 meta-analysis  odds-ratio  relative-risk