Araştırmacıların, tamamen birincil çalışmalarla çalışırken bile odaklarını etki boyutlarına kaydırmaları gerektiğini savunsak da, amacımız birden fazla çalışmadan elde edilen verileri sentezlemek olduğunda bu değişim kesinlikle kritiktir. p değerleriyle (veya p değerlerine dayanan raporlarla) çalışan ve bunları bir sentez için temel olarak kullanan bir anlatı eleştirmeni imkansız bir görevle karşı karşıyadır. İnsanların tek bir p değerini yanlış yorumlama eğiliminde olduğu durumlarda, bir dizi p değerini karşılaştırmaları gerektiğinde sorun çok daha kötüdür. Aşağıdaki üç örneği inceleyin.

Dört çalışmanın 0,28, 0,28, 0,28 ve 0,003 p değerleri bildirdiğinin söylendiğini varsayalım. Bu p değerleriyle çalışan bir gözden geçiren, etkinin son çalışmada daha büyük olduğunu varsayabilir. Çalışmalar gösterilmiştir. Etki büyüklüğü tüm çalışmalarda aynıdır ve sadece son çalışmada örneklem büyüklüğü daha büyük olduğu için p değerleri farklıdır.

Bize üç çalışmanın her birinin 0,012 p-değeri bildirdiğinin söylendiğini varsayalım. Birçoğu, tedavi etkisinin çalışmalar arasında tutarlı olduğunu varsayacaktır. Çalışmalar gösteriliyor. Çalışma A’nın büyük bir etkisi (ve zayıf kesinliği), Çalışma B’nin orta düzeyde bir etkisi (ve orta düzeyde kesinliği) varken, Çalışma C’nin küçük bir etkisi (ve mükemmel kesinliği) vardır.

A ve B çalışmalarının 0,057 ve 0,035 p değerleri bildirdiğinin söylendiğini varsayalım. Çoğu kişi, Çalışma B’de etki boyutunun daha yüksek olduğunu varsayar. Çalışmalar gösterilmiştir ve etkinin B çalışmasında daha zayıf olduğu ortaya çıkmıştır.

ANLATICI İNCELEMELER vs. META-ANALİZLER

Anlatı incelemesi tipik olarak p değerleriyle (veya p değerlerine dayanan sonuçlarla) çalışır ve bu nedenle bu tür hatalara açıktır. Farklı olan p değerlerinin farklı etki büyüklüklerini yansıttığı varsayılır, ancak olmayabilir, aynı olan p değerlerinin benzer etki büyüklüklerini yansıttığı varsayılır, ancak olmayabilir ve daha önemli bir p değerinin, aşağıdaki durumlarda daha büyük bir etki büyüklüğünü yansıttığı varsayılır. aslında daha küçük bir etki boyutuna dayalı olabilir.

Buna karşılık, meta-analiz etki büyüklükleriyle çalışır. Bu nedenle, yalnızca ilgilenilen soruya (etkinin boyutu nedir) odaklanmakla kalmaz, aynı zamanda etki büyüklüğünü çalışmadan çalışmaya karşılaştırmamıza da olanak tanır.

Falcon Paradoksu Nedir
Simpson paradoksu
Simpson paradoksu böbrek taşı
Dusunce deneyi ekşi

Meta-analiz ve anlatı incelemeleri arasında ek bir fark vardır. Anlatı incelemesinin her bir bilgiyi ayrı olarak ele aldığı (ve sentez, gözden geçirenin kafasında gerçekleştiği) durumlarda, meta-analiz, tüm etki büyüklüklerini tek bir istatistiksel analizde birleştirir.

p-değeri etki büyüklüğü ile paralel olarak hareket etse bile (örneğin, analizdeki tüm çalışmalar aynı örneklem büyüklüğüne sahipse), anlatı incelemesi, bir çalışmadan diğerine etki büyüklüğündeki dağılımı değerlendirmek için hiçbir mekanizma sağlamaz. . Buna karşılık, meta-analiz genellikle (örnek boyutundan ayrılan) etki büyüklüğü ile doğrudan çalışır ve gerçek dağılımı izole etmek ve ölçmek için yerleşik istatistiksel teknikleri kullanır.

ÖZET NOKTALAR

Bir dizi çalışmadan sentezlenen verinin, her çalışmanın p değeri yerine etki boyutuyla çalışması gerekiyordu ve ayrı çalışmalardan elde edilen ayrı sonuçlarla çalışmak yerine, tüm etki boyutlarını tek bir analizde birleştirmemiz gerekiyor.

Anlatı incelemesi her iki açıdan da başarısız olur. Birincil çalışmalardan elde edilen p değerleriyle çalışır (doğrudan veya çoğu çalışma sonuç bölümünü ve tartışmasını p değerlerine dayandırdığı için). Ve bir dizi ayrık sonuçla çalışan bir sentez gerçekleştirmeye çalışır.

Buna karşılık, meta-analiz, bu iki hedefi karşılamak için yöntemler geliştirmiştir. Efekt boyutları ile çalışır ve bunların hepsini tek bir analizde toplar.

Simpson’ın Paradoksu

Bir meta-analizde özet etkiyi hesaplamak için, verileri doğrudan bir havuzda toplamak yerine her çalışma için bir etki büyüklüğü hesaplar ve ardından bu etki büyüklüklerini birleştiririz. Örneğin, 2 􏰁 2 tablo ile başlarsak, her tablo için bir oran oranı hesaplar ve ardından bu oran oranlarını birleştiririz. Havuzlanmış bir 2 􏰁 2 tablo oluşturmak için tablolar arasında hücre sayılarını bir araya getirmiyoruz ve ardından bu tablo için olasılık oranını hesaplıyoruz.

Bu yaklaşım, özet etkiye geçmeden önce etkilerin dağılımını incelememize izin verir. Rastgele etkiler modeli için bu yaklaşım ayrıca çalışmalar arası dağılımı ağırlıklara dahil etmemize izin verir.

Bu yaklaşımı kullanmanın bir başka nedeni daha vardır ve bu neden bu bölümün konusudur. Bunun nedeni, her etki büyüklüğünün bir grubun kendi kontrol grubuyla karşılaştırmasına dayanmasını sağlamak ve böylece Simpson paradoksu olarak bilinen bir problemden kaçınmaktır. Bazı durumlarda, özellikle gözlemsel çalışmalarla çalışırken, bu kritik derecede önemli bir özelliktir.

Bu noktayı örneklendirmek için Van Howe (1999) tarafından yayınlanan ve sünnetin HIV riskinin artmasıyla ilişkili olduğu sonucuna varan bir derleme sunuyoruz. Matthias Egger, 1999’da Cape Town’daki Cochrane Colloquium’da bu incelemenin bir eleştirisini sundu ve (O’Farrell ile birlikte) International Journal of STD and AIDS’de de bir yorum yayınladı. Aşağıdakiler bu çalışmadan büyük ölçüde yararlanmaktadır.

ENFEKSİYON RİSKİ

Van Howe (1999), International Journal of STD and AIDS’de sünnet ile Afrika’daki HIV enfeksiyonu arasındaki ilişkiyi inceleyen bir inceleme makalesi yayınladı. Makale, Van Howe’un incelenen popülasyonlara göre üç gruptan birine sınıflandırdığı 33 çalışmanın verilerine dayanıyordu. Yüksek riskli popülasyonlar, uzun mesafeli kamyon şoförlerini ve STD kliniklerinde işe alınan hastaları içeriyordu.

Partner çalışmaları, partneri HIV pozitif olan erkeklerde HIV enfeksiyonuna baktı. Rastgele nüfus anketleri belirli grupları hedeflemedi. Bu üç grupta erkeklerde HIV prevalansı sırasıyla %25, %11 ve %9 idi.

33 çalışmanın tümü için veriler gösterilmektedir. 1.0’dan düşük bir olasılık oranı, sünnetin daha yüksek HIV riski ile ilişkili olduğu ve 1.0’dan büyük bir olasılık oranı, sünnetin daha düşük HIV riski ile ilişkili olduğu anlamına gelir.

İlk çalışmada, Bwayo(a), HIV riski sünnetli olmayanlar için %52 (92/178), sünnetliler için %21 (160/772) ve 4.09’luk bir olasılık oranı (sünnetliler için daha düşük risk) ve böylece kalan çalışmalar için. 33 çalışmanın 8’i daha yüksek riskli (olasılık oranı 1.0’dan az) ve 25’i daha düşük risklidir (olasılık oranı 1.0’dan büyük).

The post Simpson’ın Paradoksu – Meta-Analiz Ödevleri – Meta-Analiz Alanında Tez Yaptırma – Meta-Analiz Tez Yaptırma Ücretleri first appeared on Online (Parayla Ödev Yaptırma).