Questions tagged «meta-regression»

我有一个关于农业试验的数据集。我的反应变量是一个反应比率：log（治疗/对照）。我对调解差异的原因很感兴趣，因此我正在运行RE元回归（未加权，因为很明显效果大小与估计方差无关）。 每个研究报告谷物产量，生物量产量或两者。我无法从仅报告生物量产量的研究中得出谷物的产量，因为并非所有研究的植物都对谷物有用（例如，包括甘蔗）。但是每一种产生谷物的植物也都有生物量。 对于缺少的协变量，我一直在使用迭代回归插补（遵循安德鲁·盖尔曼的教科书章节）。它似乎给出了合理的结果，并且整个过程通常是直观的。基本上，我预测缺失值，并使用这些预测值预测缺失值，并遍历每个变量，直到每个变量近似收敛（分布）。 有什么原因使我无法使用相同的过程来估算缺失的结果数据？给定谷类响应比，作物类型和我拥有的其他协变量，我可能可以为生物量响应比形成一个相对有用的估算模型。然后，我将对系数和VCV求平均值，并按照标准做法添加MI校正。 但是，当推算结果本身时，这些系数将如何衡量？协变量的系数解释是否与标准MI有所不同？考虑一下，我无法说服自己这行不通，但我不确定。欢迎阅读材料的想法和建议。

17 missing-data  meta-analysis  multiple-imputation  meta-regression 

我的问题是，是否可以在元回归中将效应大小用作因变量，将另一个效应大小用作自变量？XXXYYY 例如，我对运动对饮酒问题的影响进行了荟萃分析，发现了显着的结果和高度异质性。我想做一个元回归，并使用这些干预措施对焦虑的影响大小作为自变量，并以饮酒问题的影响大小作为因变量（假设每项研究都评估了焦虑和饮酒问题，并且我计算了效果大小为对冲的）。ggg 你能理解这个吗？

11 references  meta-analysis  effect-size  meta-regression 

的mgcv软件包R具有两个功能，用于拟合张量积相互作用：te()和ti()。我了解两者之间的基本分工（拟合非线性交互与将这种交互分解为主要效果和交互）。我不明白的是为什么te(x1, x2)而ti(x1) + ti(x2) + ti(x1, x2)可能产生（略）不同的结果。 MWE（改编自?ti）： require(mgcv) test1 <- function(x,z,sx=0.3,sz=0.4) { x <- x*20 (pi**sx*sz)*(1.2*exp(-(x-0.2)^2/sx^2-(z-0.3)^2/sz^2)+ 0.8*exp(-(x-0.7)^2/sx^2-(z-0.8)^2/sz^2)) } n <- 500 x <- runif(n)/20;z <- runif(n); xs <- seq(0,1,length=30)/20;zs <- seq(0,1,length=30) pr <- data.frame(x=rep(xs,30),z=rep(zs,rep(30,30))) truth <- matrix(test1(pr$x,pr$z),30,30) f <- test1(x,z) y <- f + rnorm(n)*0.2 par(mfrow = c(2,2)) # …

11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 

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。

10 multilevel-analysis  meta-analysis  meta-regression  publication-bias 

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