Birincil hedefimiz, alt gruplar arasındaki farklılıkları değerlendirmek ve sürecin bir parçası olarak bir varyans analizini kullanmak olduğunda, alt gruplar arasındaki birleşik etkiler, seçenek 1 kullanılarak hesaplanır. Bu, dahili olarak tutarlı bir veri seti verir.

Alt gruplar arasındaki birleşik etkiyi gerçekten önemsiyorsak, 2. ve 3. seçenekler daha mantıklı seçeneklerdir. Alt gruplar gerçekten daha büyük bir kümeden rastgele seçilmişse, o zaman seçenek 2, farklı hata kaynaklarını ayrı ayrı modellememize ve birleşik etki için gerçek güven aralığının daha iyi bir tahminini elde etmemize izin verir (aynı zamanda bir için tahmin aralıklarını tartışır). gelecekteki alt grup) ve muhtemelen daha iyi bir seçimdir.

Bu, elbette, alt gruplar arasındaki varyansın makul bir kesinlik tahminini elde etmek için yeterli bilgiye sahip olduğumuzu varsayar. Buna karşılık, alt gruplama çok önemli değilse veya çalışmaların birden fazla farklı alt grubu düşünülüyorsa, 3. seçenek daha mantıklı bir seçimdir.

ÖZET NOKTALAR

• Grup üyeliği ve sonuç arasındaki ilişkiyi değerlendirmek için birincil çalışmalarda t-testlerini veya varyans analizini kullanabileceğimiz gibi, alt grup üyeliği ile etki büyüklüğü arasındaki ilişkiyi değerlendirmek için meta-analizde bu prosedürlerin analoglarını kullanabiliriz.
• Alt gruplar arasında ortalama etkiyi karşılaştırmak için kullanılabilecek üç yöntem sunduk. Ortalama etkiyi iki grupta karşılaştırmak için bir Z testi kullanabiliriz. İki veya daha fazla gruptaki ortalama etkiyi karşılaştırmak için varyans analizini (alt gruplarla kullanım için değiştirilmiş) veya Q-homojenlik testini kullanabiliriz. Her üç prosedür de matematiksel olarak eşdeğerdir.
• Bu analizler, gruplar içinde sabit efekt veya rastgele etkiler modeli kullanılarak gerçekleştirilebilir, ancak çoğu durumda ikincisi uygundur.
• Birincil çalışmalarda, grup üyeliği tarafından açıklanan varyans oranını yansıtmak için R2’yi kullanırız. Meta-analiz için alt grup üyeliği tarafından açıklanan gerçek varyans oranını yansıtan benzer bir indeks kullanılabilir.

Meta-Regresyon

Birincil çalışmalarda, bir veya daha fazla ortak değişken (yönetici) ile bir bağımlı değişken arasındaki ilişkiyi değerlendirmek için regresyon veya çoklu regresyon kullanırız. Esasen aynı yaklaşım meta-analiz için de kullanılabilir, ancak ortak değişkenler konu düzeyinden ziyade çalışma düzeyindedir ve bağımlı değişken, çalışmalarda konu puanlarından ziyade etki büyüklüğüdür. Meta-analizde kullanıldıklarında bu prosedürlere atıfta bulunmak için meta-regresyon terimini kullanırız.

Regresyon için birincil çalışmalardan meta-analize geçerken ele almamız gereken farklılıklar, alt grup analizleri için birincil çalışmalardan meta-analize geçerken ele almamız gereken farklılıklara benzer. Bunlar, her çalışmaya bir ağırlık atama ihtiyacını ve uygun modeli seçme ihtiyacını (sabit ve rastgele etkiler) içerir. Ayrıca, alt grup analizleri için geçerli olduğu gibi, ortak değişkenler tarafından açıklanan varyans oranını ölçmek için kullanılan R2 indeksi, meta-analizde kullanılmak üzere değiştirilmelidir.

Ancak bu değişikliklerle birlikte, çoklu regresyon başlığı altına giren prosedürlerin tüm cephaneliği meta-analist için kullanılabilir hale gelir. Birlikte bir tedaviyi tanımlayan veya ortak değişkenler ile etki büyüklüğü arasında doğrusal olmayan bir ilişkiye izin veren üç değişken gibi ortak değişken kümeleriyle çalışabiliriz.

Meta-regresyon analizi
Meta standart nedir
comprehensive meta-analysis
Egger testi nedir
cma meta-analiz programı indir
Meta-Analiz kitap PDF
Meta-analiz heterojenlik
CMA ile Meta-Analiz

Önceden tanımlanmış bir diziyi kullanarak analize ortak değişkenler girebilir ve kafa karıştırıcı değişkenleri kontrol etmek için önceki kümelerin etkisine ek olarak herhangi bir kümenin etkisini değerlendirebiliriz. Hem kategorik (örneğin, kukla kodlu) hem de sürekli değişkenleri ortak değişkenler olarak dahil edebiliriz. Bu prosedürleri hem ortak değişkenlerin etkisini değerlendirmek hem de belirli özelliklere sahip çalışmalarda etki büyüklüğünü tahmin etmek için kullanabiliriz.

Çoklu regresyon, çok çeşitli prosedürleri içerir ve bunları bu ciltte tam olarak ele alamayız. Bunun yerine, okuyucunun birincil çalışmalarda çoklu regresyona aşina olduğunu varsayıyoruz ve buradaki amacımız, birincil çalışmalarda kullanılan aynı tekniklerin meta-regresyona nasıl uygulanabileceğini göstermektir.

Analizin anlamlı olması için deneklerin ortak değişkenlere uygun şekilde büyük bir oranına ihtiyaç duyduğumuz birincil çalışmalarda olduğu gibi, meta-analizde uygun şekilde büyük bir çalışma / ortak değişken oranına ihtiyacımız var.

Bu nedenle, özellikle çok sayıda ortak değişkenli metaregresyon kullanımı, çalışma sayısı az olduğunda önerilen bir seçenek değildir. Birincil çalışmalarda bazıları, meta-regresyonda her bir ortak değişken için on çalışmaya karşılık gelen, her ortak değişken için en az on denek oranı önermiştir. Aslında, her iki durumda da katı ve hızlı kurallar yoktur.

SABİT ETKİ MODEL

Alt grup analizini tartışırken yaptığımız gibi, daha basit olan sabit etkili modelle başlıyoruz ve ardından genellikle daha uygun olan rastgele etkiler modeline geçiyoruz.

BCG veri seti

Çeşitli araştırmacılar, tüberküloz (TB) gelişimini önlemek için BCG olarak bilinen bir aşının etkisini değerlendiren çalışmalar yayınladılar. Son yıllarda Amerika Birleşik Devletleri’nde tüberkülozun yeniden ortaya çıkmasıyla (birçok ilaca dirençli vaka dahil), araştırmacıların BCG aşısının tavsiye edilip edilmemesi gerektiğini belirlemesi gerekiyordu. Bu nedenle Colditz ve ark. (1994) bu çalışmaların bir meta-analizini bildirmiştir ve Berkey ve ark. (1995), tedavi etkilerindeki bazı varyansları açıklamak için meta-regresyonun nasıl kullanılabileceğini gösterdi.

Orman arsası gösterilmektedir. Etki büyüklüğü risk oranı olup, 0,10 risk oranı aşının TB riskini %90 azalttığını, risk oranı 1,0’ın etki göstermediğini ve 1,0’dan yüksek risk oranları aşının tüberküloz riskini artırdığını gösterir. tüberküloz Çalışmalar en etkiliden en az etkiliye doğru sıralanır. Risk oranlarının analizi için her zaman olduğu gibi, analiz log dönüştürülmüş değerleri kullanılarak yapıldı ve ardından sunum için tekrar risk oranlarına dönüştürüldü.

Sabit etki analizi kullanıldığında, 13 çalışma için risk oranı 0,650’dir ve 0,601 ila 0,704 güven aralığı vardır; bu, aşının TB riskini en az %30 ve muhtemelen %40 kadar azalttığını söyler. Günlük birimlerinde risk oranı, 0,040 standart hatayla 􏰁0,430’dur. Z değeri 􏰁10.625’tir (p < 0.0001), bu da etkisiz sıfır hipotezini reddetmemize izin verir.

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

Daha genel olarak, herhangi bir çalışma için gözlenen etki Yi, genel ortalama, çalışmanın gerçek etkisinin genel ortalamadan sapması ve çalışmanın gözlemlenen etkisinin çalışmanın gerçek etkisinden sapması ile verilir.

Bu nedenle, herhangi bir çalışmada Yi’nin gözlemlenen etkisinin 􏰑’den ne kadar düşeceğini tahmin etmek için hem 􏰌i’nin varyansını hem de “i’nin varyansını dikkate almamız gerekir.

􏰑’den (üçgen) her 􏰎i’ye (daireler) olan mesafe, çalışmalar arasındaki gerçek etkilerin dağılımının 􏰔 (tau) (veya varyansı için 􏰔 2) olarak adlandırılan standart sapmasına bağlıdır. Aynı 􏰔 2 değeri, meta-analizdeki tüm çalışmalar için geçerlidir ve Şekil 12.4’te, alttaki normal eğri ile temsil edilir ve bu, kabaca 0,50’den 0,70’e kadar uzanır.

􏰎i’den Yi’ye olan mesafe, 􏰎i ile ilgili örnek etkilerinin örnekleme dağılımına bağlıdır. Bu, her çalışmadan gözlemlenen etki büyüklüğünün varyansına bağlıdır, VYi ve dolayısıyla bir çalışmadan diğerine değişecektir. Şekil 12.4’te Çalışma 1’in eğrisi nispeten genişken Çalışma 2’nin eğrisi nispeten dardır.

BİR RASTGELE ETKİ META-ANALİZİN YAPILMASI

Gerçek bir meta-analizde, elbette, nüfus etkisi ile başlamak ve gözlenen etkiler hakkında tahminler yapmak yerine, gözlenen etkilerle başlar ve nüfus etkisini tahmin etmeye çalışırız. Başka bir deyişle amacımız, genel ortalamayı, 􏰑 tahmin etmek için Yi koleksiyonunu kullanmaktır. Genel ortalamanın en kesin tahminini elde etmek için (varyansı en aza indirmek için), her bir çalışmaya atanan ağırlığın o çalışmanın varyansının tersi olduğu bir ağırlıklı ortalama hesaplarız.

Rastgele etkiler modeli altında bir çalışmanın varyansını hesaplamak için, çalışmanın toplam varyansı bu iki değerin toplamı olduğundan, hem çalışma içi varyansı hem de 􏰔2’yi bilmemiz gerekir. Çalışma içi varyansı hesaplamak için formüller Bölüm 3’te sunulmuştur. Çalışmalar arası varyansı tahmin etmeye yönelik bir yöntem, çalışılan örnekle devam edebilmemiz için burada verilmiştir, ancak bu yöntemin tam bir tartışması ertelenmiştir. heterojenlik konusunu biraz ayrıntılı olarak ele alacağız.

Tau-kare Tahmini

2 parametresi (tau-kare), çalışmalar arası varyanstır (etki büyüklüğü parametrelerinin çalışma popülasyonu üzerindeki varyansı). Başka bir deyişle, her çalışma için gerçek etki büyüklüğünü bir şekilde bilseydik ve bu etki büyüklüklerinin varyansını hesaplarsak (sonsuz sayıda çalışma boyunca), bu varyans 􏰔2 olurdu. 􏰔2’yi tahmin etmek için bir yöntem, aşağıdaki gibi momentler yöntemi (veya DerSimonian ve Laird) yöntemidir.

Ortalama etki büyüklüğünü tahmin etme

Sabit etki analizinde her çalışma, varyansının tersi ile ağırlıklandırılmıştır. Rastgele etkiler analizinde de her çalışma, varyansının tersi ile ağırlıklandırılacaktır. Aradaki fark, varyansın artık orijinal (çalışma içi) varyansı artı çalışmalar arası varyansın tahminini, T 2’yi içermesidir. Genel kuralına uygun olarak, parametreye atıfta bulunmak için 􏰔 2’yi ve atıfta bulunmak için T 2’yi kullanırız. 

Forest plot yorumlama
Orman grafiği yorumlama
Meta analiz örnekleri
Metaanaliz nasıl yapılır
Meta analiz Nedir
Kontenjans katsayısı formülü
Meta-analiz özellikleri
Meta standart nedir

Buradaki formüller (rastgele efektler) ile önceki bölümdekiler (sabit efekt) arasındaki paralelliği vurgulamak için aynı gösterimleri kullanıyoruz, ancak rastgele efekt versiyonunu temsil etmek için bir yıldız işareti (*) ekledik.

ÖZET NOKTALAR

• Gizli etkiler modeli,çalışmalardaki gerçek etkilerin, gerçek etkilerin dağılımından örneklendiği varsayılır.
• Özetetki, ilgili gerçek etkilerin tahmini için geçerlidir ve boş hipotez, bu etkilerin ortalamasının 0.0 (oran ölçüleri için 1.0 oranına eşdeğer) olmasıdır.
• Amacımız dağılımın ortalamasını tahmin etmek olduğundan, iki varyans kaynağını hesaba katmamız gerekiyor. İlk olarak, her çalışmada etkiyi tahmin etmede çalışma içi hata vardır. İkincisi (çalışmalarımızın her birinin gerçek ortalamasını bilsek bile), çalışmalar arasında gerçek etkilerde farklılıklar vardır. Çalışma ağırlıkları, her iki varyans kaynağını da en aza indirmek amacıyla atanır.

Sabit Etki ve Rastgele Etki Modelleri

Sabit etki ve rastgele etki modellerini tanıttık. Burada, aralarındaki kavramsal ve pratik farklılıkları vurguluyoruz. Orman arazilerini düşünün. Aynı altı çalışmayı içerirler, ancak ilki sabit etki analizini, ikincisi ise rastgele etki analizini kullanır. Bu grafikler, aşağıdaki tartışma için bir bağlam sağlar.

ÖZET ETKİNİN TANIMI

Her iki grafik de alt satırda bir özet etkisi gösterir, ancak bu özet etkisinin anlamı iki modelde farklıdır. Sabit etki analizinde, gerçek etki büyüklüğünün tüm çalışmalarda aynı olduğunu ve özet etkinin bu ortak etki büyüklüğüne ilişkin tahminimiz olduğunu varsayıyoruz. Rastgele etkiler analizinde, gerçek etki büyüklüğünün bir çalışmadan diğerine değiştiğini ve analizimizdeki çalışmaların gözlemlenebilecek rastgele bir etki büyüklüğü örneğini temsil ettiğini varsayıyoruz. Özet etki, bu etkilerin ortalamasına ilişkin tahminimizdir.

ÖZET ETKİNİN TAHMİNİ

Sabit etki modeli altında, tüm çalışmalar için gerçek etki büyüklüğünün aynı olduğunu ve etki büyüklüğünün çalışmalar arasında değişmesinin tek nedeninin örnekleme hatası olduğunu varsayıyoruz (etki büyüklüğü tahmininde hata). Bu nedenle, daha büyük çalışmalarda aynı etki büyüklüğü hakkında daha iyi bilgiye sahip olduğumuz için, farklı çalışmalara ağırlıklar atarken, daha küçük çalışmalardaki bilgileri büyük ölçüde görmezden gelebiliriz.

Buna karşılık, rastgele etkiler modelinde amaç, tek bir gerçek etkiyi tahmin etmek değil, etkilerin dağılımının ortalamasını tahmin etmektir. Her çalışma farklı bir etki büyüklüğü hakkında bilgi sağladığından, tüm bu etki büyüklüklerinin özet tahminde gösterildiğinden emin olmak istiyoruz. Bu, küçük bir çalışmayı ona çok küçük bir ağırlık vererek indiremeyeceğimiz anlamına gelir (sabit etki analizinde yaptığımız gibi).

Bu çalışma tarafından sağlanan tahmin kesin olmayabilir, ancak başka hiçbir çalışmanın tahmin etmediği bir etki hakkında bilgidir. Aynı mantıkla, çok büyük bir çalışmaya çok fazla ağırlık veremiyoruz (sabit etki analizinde yapabileceğimiz gibi). Amacımız, bir dizi çalışmadaki ortalama etkiyi tahmin etmektir ve bu genel tahminin herhangi birinden aşırı derecede etkilenmesini istemiyoruz.

Bu grafiklerde, her etüde atanan ağırlık, o etüd için kutunun (özellikle alan) boyutuna yansıtılır. Sabit etki modelinde (kutuların boyutunda yansıtıldığı gibi) geniş bir ağırlık aralığı bulunurken, rastgele etkiler modelinde ağırlıklar nispeten dar bir aralığa düşmektedir.

Örneğin, en büyük çalışmaya (Donat) atanan ağırlığı, iki model altındaki en küçük çalışmaya (Peck) atanan ağırlıkla karşılaştırın. Sabit etki modeli altında Donat’a Peck’in yaklaşık beş katı ağırlık verilir. Rastgele etkiler modeli altında Donat’a Peck’in sadece 1.8 katı ağırlık verilir.

The post Tau-kare Tahmini – Meta-Analiz Ödevleri – Meta-Analiz Alanında Tez Yaptırma – Meta-Analiz Tez Yaptırma Ücretleri first appeared on Online (Parayla Ödev Yaptırma).