Duyarlılık – Ödev Hazırlatma – Tez Yazdırma – Proje Yaptırma Fiyatları – Ödev Örnekleri – Ücretli Proje Yaptırma – Tez Yaptırma Ücretleri
Vaka Çalışması : Hassasiyetlerin ve Özgünlüklerin Birleştirilmesi 20 çalışmanın duyarlılıkları ve özgünlükleri sunulmuştur. Grafikten, duyarlılıkların nispeten homojen olduğu (neredeyse tüm güven aralıkları örtüşmektedir) görünürken, özgüllüklerin büyük ölçüde heterojen olduğu açıkça görülmektedir. En basit analiz, çalışmalar arasında duyarlılık ve özgüllük tahminlerini ayrı ayrı bir araya toplar, ancak yalnızca tanı eşiğinde bir değişiklik yoksa uygundur. Tüm bu çalışmalar endometriyal kalınlıkların 5 mm'lik bir kesim noktası kullandığını iddia etse de, makine kalibrasyonu ve ölçüm tekniğindeki farklılıklar nedeniyle teşhis eşiğinde gözlemlenmeyen varyasyonların ortaya çıkması hala mümkündür. 20 çalışma boyunca duyarlılıklar ve özgüllükler arasındaki korelasyonu hesaplayarak bir eşik etkisini kabaca test edebiliriz. Duyarlılıkların ve özgüllüklerin normal olarak dağılmadığı durumlarda parametrik olmayan bir korelasyon tercih edilir: bu veriler için Spearman's rho'nun istatistiksel olarak anlamlı olmayan (P=0.6) 0·14 olduğu tahmin edilmektedir. Duyarlılık Yukarıda verilen formüller kullanılarak, birleştirilmiş duyarlılık ve standart hatası tahminleri bulunur. Ki-kare testi için beklenen minimum frekansların varsayımı karşılanmadığından (çoğu çalışmada yanlış negatif sayısı için beklenen değerler 5'ten az olduğundan), çalışmalar genelinde duyarlılıkların homojenliğini kontrol etmek için bir ki-kare testi kullanmak zordur. ve Fisher'in kesin testinin 2􏰉20'lik bir tabloda hesaplanması, sayısal olarak önemsiz değildir. Alternatif olabilirlik oranı testi, 19 serbestlik derecesinde 31.2'lik bir ki-kare değeri verir (P=0.04). Bu resmi olarak istatistiksel olarak anlamlı olsa da, sonuçlar arasındaki heterojenlik derecesi küçüktür ve yirmi çalışmadan yalnızca biri (Dorum) genel değeri kendi güven aralığına dahil etmez. ROC grafiğindeki yatay çizgi, bu özet tahmine karşılık gelir ve çalışmaların çoğuna makul ölçüde yakındır. Bu nedenle, 0·958'lik genel duyarlılık tahmini makul bir özet gibi görünmektedir ve testin endometriyal kanseri saptamada kullanım için uygun şekilde yüksek duyarlılığa sahip olduğu sonucuna varabiliriz. Özgüllük Duyarlılıklarla aynı hesaplamaları takiben, ortalama özgüllüğün genel tahmini (%95 GA) 0.608'dir (0.590 ila 0.626). Bununla birlikte, bir ki-kare testi (􏰁2=201, df=19, P<0,001)'de gözlemlenen heterojenliğin istatistiksel önemini doğrular. Çalışmalar arasındaki farklılıklardan kaynaklanan ekstra belirsizlik, aşırı yayılımı hesaba katan bir lojistik modelin kullanılmasıyla dahil edilebilir. Bu, (0.549 ila 0.664) güven aralığı üretir; Orijinal Tahmin. Çalışmalar arasındaki büyük heterojenlik, birçok çalışmanın sonuçlarının özet özgüllüğünden biraz uzakta olmasıyla açıkça görülmektedir. Böyle bir durumda, özgüllükleri bir araya toplamak muhtemelen hiç uygun değildir ve özgüllüklerin değiştiği görülen [0·267 ila 0·875] aralığını tanımlayarak heterojenliği not etmek en iyisi olabilir. Olasılık Oranlarının Havuzlanması Olabilirlik oranları, olasılık oranlarıdır ve bir meta-analizde risk oranları olarak ele alınabilir (ancak RCT'lerde olduğu gibi satırlar arasında değil, 2􏰉2 tablosunun sütunları arasında hesaplanmıştır). Olabilirlik oranlarının ağırlıklı ortalaması, standart Mantel-Haenszel veya ana hatlarıyla belirtilen risk oranlarının meta-analizinin ters varyans yöntemleri kullanılarak hesaplanabilir. Olabilirlik oranlarının heterojenliği, istatistikleri bir meta-analizde birleştirdikten sonra standart heterojenlik testleri ile de test edilebilir. Duyarlılık analizi örneği Duyarlılık analizi nasıl yapılır Yöneylem Araştırması duyarlılık analizi Duyarlılık analizi hesaplayıcı Duyarlılık analizi Grafik yöntem Duyarlılık Analizi yorumlama DUYARLILIK ANALİZİ Soruları Duyarlılık analizi çözümlü sorular Vaka çalışması: Olasılık oranlarının birleştirilmesi Olasılık oranları, duyarlılık ve özgüllüğe ilişkin özet tahminlerden veya meta-analizin risk oranı yöntemleri kullanılarak her çalışma için hesaplanan olasılık oranlarının havuzlanmasıyla tahmin edilebilir (bkz. Bölüm 15). Havuzlama yöntemi, çalışmalar arasındaki olabilirlik oranlarındaki heterojenliğin araştırılmasına izin verdiği ve yukarıda hesaplanan güvenilmez özgüllük tahminini kullanmadığı için tercih edilir. Mantel-Haenszel yöntemini kullanarak pozitif olabilirlik oranlarını birleştirmek, 2.38 (2.26 ila 2.51) genel bir tahmin (%95 GA) verir. Ancak, özgüllüklerde olduğu gibi, çalışmalar arasında pozitif olabilirlik oranlarında önemli bir heterojenlik vardır (Cochran's Q=187, df=19, P<0.001) ve 2·38 tahmini, 8'in %95 güven aralığının dışındadır. 20 çalışma. Aradaki çalışma varyasyonu, DerSimonian ve Laird rastgele etkiler modeli kullanılarak dahil edilebilir (pozitif LR (%95 GA): 2,54 (2.16 ila 2·98)) ancak yine bu tür heterojen sonuçları birleştirmenin mantıklı olup olmadığı tartışmalıdır. Özet pozitif olabilirlik oranının, çalışma değerlerinin çoğundan biraz uzakta olduğu oldukça açıktır. Bununla birlikte, olabilirlik oranının resmi bir havuzlanmış tahmininin sunulup sunulmadığına bakılmaksızın, çalışmalar genelindeki pozitif olabilirlik oranlarının değerlerinden (hepsi 10'un oldukça altındadır) pozitif bir test sonucunun varlığına dair ikna edici kanıt sağlayamayacağı açıktır.  Negatif olabilirlik oranları, önemli bir heterojenlik kanıtı göstermez (Cochran's Q=27.9, df=19, P=0.09), Mantel-Haenszel havuzlanmış tahmini (%95 GA) 0.09 (0.06 ila 0) ·13) ve ROC grafiğindeki özet satırı, çalışma sonuçlarının çoğuna yakındır. Bu bulgu, 5 mm'den daha küçük bir EVUS ölçümünün endometriyal kanseri ekarte eden makul derecede ikna edici kanıtlar sağlayabileceğini gösterdiği için çok faydalıdır. EVUS'si 5 mm'nin altında olan bir kadında endometriyal kanser olasılığı, postmenopozal vajinal kanama ile başvuran kadınlarda endometriyal kanserin lokal prevalansına bağlıdır. 20 çalışmadaki %13'lük ortalama prevalansı alarak ve Bayes teoremi1,3,11 uygulayarak, EVUS ölçümü <5 mm olan kadınların yalnızca %1,3'ünün endometriyal kansere sahip olacağını aşağıdaki gibi tahmin edebiliriz. Belirli klinik örnek için, olabilirlik oranlarının havuzlanması, muhtemelen bu çalışmalardan elde edilen en önemli klinik özet bilgileri sağlar. Vaka çalışması : Tanısal olasılık oranlarını birleştirmek Tanısal eşikten bağımsız olarak sabit tanı olasılık oranlarını varsayan bir model, duyarlılığın özgüllüğe eşit olduğu azalan bir çapraz çizgi etrafında simetrik olan bir özet ROC eğrisine karşılık gelir. 20 çalışmanın tümünün duyarlılıkları özgüllüklerden daha yüksek olduğundan, 20 çalışmanın tümünün sonuçları ROC grafiğinde bu diyagonal çizginin üzerindedir. Bu durumda simetrik bir özet ROC çizgisi savunulabilir. Odds oranlarını birleştirmek için Mantel-Haenszel yöntemini kullanarak bir özet tanısal olasılık oranının hesaplanması, 28·0 (18·2 ila 43·2) bir tahmin (%95 GA) verir. Büyük bir heterojenlik kanıtı yoktu (Cochran's Q=22.0, df=19, P=0.3), bu nedenle bu tanısal olasılık oranı, çalışmalar arasında tanısal performansın makul ölçüde tutarlı bir özet ölçüsü gibi görünmektedir. Tanısal olasılık oranı, rakamlara bakılarak (duyarlılık=0.95 ve özgüllük=0.60 ise DOR'nin 28.5 olacağını gösterir) veya özetin grafiğini çizerek duyarlılıklar ve özgüllükler açısından yorumlanabilir. Bununla birlikte, duyarlılık ve özgüllüğün benzersiz bir ortak özet tahmini yoktur: yalnızca diğerinin değerine bağlı olarak bir değerin özet tahminini elde etmek mümkündür.

Korelasyonların Meta-analizi – Meta-Analiz Ödevleri – Meta-Analiz Alanında Tez Yaptırma – Meta-Analiz Tez Yaptırma Ücretleri

Moderatör Analizinde Örnekleme Hatasında Kodlama Çalışması Özellikleri ve Büyük Harf Kullanımı

Dolayısıyla meta-analizde geleneksel moderatör analizinde şanstan yararlanma sorununun son derece ciddi olduğu açıktır. Yayınlanmış meta-analizlerde regresyon ve korelasyon yöntemlerini kullanan birçok moderatör muhtemelen gerçek değildir. Tamamen ampirik olarak tanımlanan ve bir teori veya hipotez tarafından a priori tahmin edilmeyenlerin, özellikle örnekleme hatasında büyük harf kullanımıyla yaratılan yanılsamalar olması muhtemeldir.

Öte yandan, düşük istatistiksel güç nedeniyle gerçek olan moderatörlerin tespit edilmesi olası değildir. Bu bölümde daha önce yer alan istatistiksel güç tartışmaları, diğer korelasyonların yanı sıra çalışma özellikleri ve çalışma sonuçları arasındaki korelasyonlar için de geçerlidir.

Örneklem boyutu, çalışmaların sayısı genellikle küçüktür (örneğin, 40-100) ve gözlemlenen çalışma sonuç istatistiklerinin (rs ve d değerleri) varyansının çoğu örnekleme hatası varyansı ve diğer olduğundan çalışma karakteristik korelasyonlarının küçük olması muhtemeldir. yapay varyans. Bu nedenle, gerçek moderatörleri tespit etmek için istatistiksel güç tipik olarak oldukça düşük olacaktır. Bu nedenle, gerçek moderatörlerin tespit edilmesi olası değildir ve aynı zamanda, örnekleme hatasında büyük harf kullanımının mevcut olmayan moderatörlerin “tespit edilmesine” yol açması olasılığı yüksektir. Bu gerçekten mutsuz bir durumdur.

Çalışmalar arasındaki tüm varyasyonları yüz değerinden almak, örnekleme hatasının olmadığını varsaymaktır. Çoğu çalışma küçük örneklemlerle (örneğin, 500 denekten daha az) yapıldığından, örnekleme hatası, gözlemlenen sonuç değerlerine kıyasla oldukça büyüktür. Bu nedenle, örnekleme hatasını göz ardı etmek, analizin bir noktasında büyük istatistiksel hataları garantilemektir.

Klasik gözden geçirenin hatası, sonuç değerlerinin aralığını bildirmektir; aralık, çalışma setindeki en uç iki örnekleme hatası tarafından belirlenir. Birçok güncel meta-analizdeki hata, r veya d değerlerindeki çalışmalar arasındaki varyasyonu kodlanmış çalışma özellikleriyle ilişkilendirmede şans ve düşük istatistiksel güçten yararlanmadır.

Moderatör analizinde şans ve düşük istatistiksel güç üzerinde kapitalizasyon sorunlarına cevap verdiğimizi iddia etmiyoruz. Kanaatimizce bu sorunun istatistik içinde bir çözümü yoktur. İstatistiksel testin sorunu çözmediği istatistiklerde iyi bilinmektedir; Tip I hataya karşı Tip II hata değiş tokuşu kaçınılmazdır.

Bu nedenle, sorunlar yalnızca istatistiksel gerekçelerle çözülecekse, o zaman ince soruların yanıtı yalnızca daha fazla veri, genellikle büyük miktarda veri toplamak olabilir. Daha uygulanabilir bir alternatif, argümana dolaylı olarak yeni verilerin çekilmesine izin veren teoriler geliştirmektir. Bu yeni veriler daha sonra konunun teorik zeminde nesnel bir çözümüne izin verebilir.


İleriye Bir Bakış

Ampirik araştırmalar için en yaygın iki araştırma tasarımı, ilişkisel çalışma ve iki grup müdahale çalışmasıdır (yani, bağımsız tedavi ve kontrol gruplu deneysel bir çalışma). İlişkisel tasarımlarda ilişkinin gücü genellikle korelasyon katsayısı ile ölçülür. Korelasyon katsayısını toplamak için yöntemler sunuyoruz. Bazıları korelasyon yerine eğim veya kovaryansın toplanması gerektiğini savundu.

Bununla birlikte, eğimler ve kovaryanslar, ancak her bir çalışmada bağımsız ve bağımlı değişkenleri ölçmek için tam olarak aynı araçlar kullanılıyorsa, çalışmalar arasında karşılaştırılabilir. Bunun doğru olduğu nadir bir çalışma grubudur. Bu nedenle, eğim veya kovaryans, tüm çalışmalarda aynı metrikte olduğu için yalnızca nadir durumlarda kümülatiflenebilir. Ayrıca, bir eğim veya kovaryans ile temsil edilen ilişkinin gücü, ancak bu sayılar standart sapmalarla karşılaştırıldığında, yani yalnızca korelasyon katsayısı hesaplandığında bilinebilir. Eğimlerin ve kesişimlerin kümülasyonunu ayrıntılı olarak inceleyeceğiz.

Tedavi etkilerine ilişkin deneysel çalışmalarda en yaygın olarak rapor edilen istatistik, t-testi istatistiğidir. Bununla birlikte, t, örneklem boyutunun karekökü ile çarpıldığından ve bu nedenle, çalışmalar arasında aynı metriğe sahip olmadığı için iyi bir etki gücü ölçüsü değildir. Örnek boyutu t istatistiğinden çıkarıldığında, elde edilen formül etki boyutu istatistiği d’dir. Etki büyüklüğü istatistiğini d’yi ele alacağız. Ayrıca onun korelasyonel analogunu, nokta ikili korelasyonunu da ele alacağız.

D değerlerini nokta ikili korelasyonlara dönüştürmek, bu korelasyonlar üzerinde meta-analizi yürütmek ve daha sonra nihai sonucu d-değeri istatistiğine dönüştürmek genellikle daha iyidir. Bazıları r veya d yerine varyans oranının kullanılmasını savunur, ancak açıklanan (veya açıklanan) varyans oranının birçok kusuru vardır. Örneğin, tedavi etkisinin işaretini veya yönünü korumaz. Ayrıca, işaret kaybının bir sonucu olarak, kare etkisi ölçüm ortalaması yanlı olur. Varyans indekslerinin oranı, daha ayrıntılı olarak tartışılmış ve eleştirilmiştir.

Korelasyon katsayısıyla ilgili bölümler ve d değerleriyle ilgili bölümler, her girişin istatistiksel olarak bağımsız bir örneğe dayandığını varsayar. Bununla birlikte, aynı çalışmadan bir korelasyon veya etki büyüklüğünün birden fazla ilgili tahmini elde etmek sıklıkla mümkündür. O halde, aynı çalışma içindeki bir ilişkinin birden fazla tahmini, çalışmalar arasında bir birikime nasıl katkıda bulunmalıdır? 

Artifaktlar İçin Tek Tek Düzeltilen Korelasyonların Meta Analizi

Korelasyon katsayısının boyutunu etkileyebilecek 11 çalışma tasarımı yapaylığını inceledik. Meta-analiz düzeyinde, bu artefaktlardan biri dışında hepsini düzeltmek mümkündür: raporlama veya transkripsiyon hatası. Aykırı değer analizi dışında, veri hatalarını düzeltmenin bir yolunu bilmiyoruz. Aykırı değer analizi, bazı kötü verileri tespit edebilir, ancak hepsini değil ve meta-analizde genellikle sorunludur. Örnekleme hatası düzeltilebilir, ancak düzeltmenin doğruluğu meta-analizin dayandığı toplam örnek boyutuna bağlıdır.

Toplam örnek boyutu sonsuza yaklaştıkça örnekleme hatası düzeltmesi mükemmel hale gelir. Bu bölümde ve Bölüm 4’teki meta-analiz tartışmamız, dolaylı olarak meta-analizin çok sayıda çalışmaya dayandığını varsayacaktır. Çalışma sayısı azsa, burada sunulan formüller yine de geçerlidir, ancak nihai meta-analiz sonuçlarında önemsiz olmayan örnekleme hatası olacaktır. Bu, Bölüm 9’da tartışılan “ikinci dereceden” örnekleme hatası sorunudur. 

Potansiyel olarak düzeltilebilir 10 çalışma tasarımı eseri listelenmiştir. Bir eserin etkisini düzeltmek için, eserin boyutu ve doğası hakkında bilgi sahibi olmamız gerekir. İdeal olarak, bu bilgi her bir çalışma (yani her bir korelasyon) için her eser için ayrı ayrı verilecektir. Bu durumda her bir korelasyon ayrı ayrı düzeltilebilir ve düzeltilen korelasyonlar üzerinden meta-analiz yapılabilir. Bu tür meta-analiz bu bölümün konusudur.

Artefakt bilgisi genellikle sadece ara sıra mevcuttur ve bazen hiç mevcut değildir. Ancak, artefaktların doğası öyledir ki, çoğu araştırma alanında, artefakt değerleri çalışmalar arasında bağımsız olacaktır. Örneğin, örneklem büyüklüğü büyük veya küçükse, ölçüm güvenilirliğinin daha yüksek veya daha düşük olacağını varsaymak için hiçbir neden yoktur. Yapıtlar birbirinden bağımsız ve gerçek popülasyon korelasyonunun boyutundan bağımsız ise, meta-analizi yapaylık dağılımlarına dayandırmak mümkündür. Yani, bağımsızlık varsayımı göz önüne alındığında, bireysel korelasyonları düzeltemesek de meta-analiz düzeyinde yapaylıkları düzeltmek mümkündür.