Van Howe, 33 çalışma boyunca her hücredeki sayıları topladı (Toplam etiketli satıra bakın). Bu tabloyu kullanarak HIV riskini sünnetsizler için %14 (3962/28341), sünnetliler için %15 (2312/15679) ve olasılık oranını p- ile 0,94 (%95 güven aralığı 0,89 ila 0,99) olarak hesapladı. 0,05’in altındaki değer. Van Howe, “Ham veriler birleştirildiğinde, sünnetli bir penisi olan bir erkeğin, sünnetsiz bir penisi olan bir erkeğe göre HIV kapma ve bulaştırma riski daha fazladır.

Bu sonuç, çalışmaların çoğunluğunun (33’ten 25’inin) olasılık oranlarının 1.0’dan büyük olduğu, yani sünnetin daha düşük HIV riski ile ilişkili olduğu anlamına gelen tam veri tablosuyla çelişiyor gibi görünüyor. Bu anormallik, 1.0’ın sağ tarafında 25 çalışmanın sıralandığı ve sadece 8’inin solda olduğu arsada da belirgindir. Ayrıca soldaki 8 çalışma da etkiyi şimdiye kadar sola çekecek kadar büyük değil. Bu nedenle, özet etkisinin sola düşmesi gerektiği sezgisel görünmüyor.

Aslında, bu sezgi doğrudur. Veriler standart meta-analiz teknikleri kullanılarak analiz edildiğinde, sünnet daha düşük bir HIV riski ile ilişkilidir. Rastgele etkiler modeli altında, oran oranı 1,67’dir ve %95 güven aralığı 1,25 ila 2,24, Z 3,42 ve p değeri 0,001’dir.

Etkiler açıkça heterojen olduğundan (Q5419, df532, p<0.0001) sabit etki modeli burada uygun değildir, ancak sabit etki modeli 1.40’lık bir olasılık oranı ile aynı sonuca yol açacaktır, %95 güven aralığı: 1.29 1.51, Z 5 8.43 ve p değeri <0.0001. Bu bulgular, verilerin görsel izlenimi ile tutarlıdır ve Van Howe’un vardığı sonuçlarla çelişmektedir.

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).

Van Howe’un sünnet için daha yüksek bir risk rapor etmesinin nedeni, her çalışma için bir etki büyüklüğü hesaplamak ve ardından bu etkileri bir araya toplamak yerine, her çalışma için 2 􏰁 2 tablolarını bir araya toplaması ve ardından olasılık oranını hesaplamak için birleştirilmiş tabloyu kullanmasıdır. Bunun önemli olmasının nedeni aşağıdaki gibidir.

33 çalışmanın, sırasıyla %25, %11 ve %9 yaygınlık oranlarıyla Yüksek riskli, Ortaklar ve Rastgele olmak üzere üç tür popülasyon içerdiğini hatırlayın. Sünnetli hastaların orantısız bir bölümünün Yüksek riskli çalışmalardan olduğu ortaya çıktı. Sünnetli kişilerin %39’u yüksek riskli çalışmalardan gelirken, sadece %29’u Rastgele çalışmalardan gelmiştir. Sünnet olmayanlar arasında ise tam tersine, %25’i yüksek riskli çalışmalardan, %45’i Rastgele çalışmalardan geldi. Her bir çalışma türünden alınan sünnetsiz ve sünnetli deneklerin oranı gösterilmektedir.

Paradoks örnekleri
Matematiksel paradoks örnekleri
Kısa paradokslar
Paradoks örnekleri Felsefe
Ünlü paradokslar
Paradoks örnekleri kısa
Paradokslar
İmkansız paradokslar

Bu ışıkta, etiketler, gösterildiği gibi değiştirirsek gerçekleri daha iyi yansıtabilir. Sıralar, Sünnetsiz ve Sünnetli yerine, Sünnetsiz düşük HIV prevalansı popülasyonu ile Sünnetli, yüksek HIV prevalansı popülasyonu olarak etiketlenmiştir.

Özetle, Van Howe’un analizindeki sorun, ham verileri toplayarak kafa karıştırıcı hale getirmesidir. Yani sünnetsiz erkekler, başka açılardan farklı oldukları için, sünnetli nüfusla meşru olarak karşılaştırılamazlar. Sünnetle ilişkili görünen HIV riskinin artması, aynı zamanda bir dizi yüksek riskli davranışla (ve muhtemelen sünnetten çok bunlardan kaynaklanmaktadır) ilişkiliydi. Buna karşılık, her çalışma için bir etki büyüklüğü hesapladığımızda, bu karışıklıkları kontrol ederiz (en azından gözlemsel çalışmalarla çalışırken mümkün olduğu ölçüde).

Egger ayrıca Van Howe’un tarif ettiği üç grubun her biri içindeki olasılık oranını hesaplarsak ne olacağını gösterdi. Yüksek risk grubunda sünnet, HIV riskinin azalmasıyla (yaklaşık üçte iki oranında) ilişkilidir. Diğer iki çalışma grubunun her birinde sünnet ile HIV (eğer varsa) arasındaki ilişki küçüktür.

Egger, sünnetin HIV enfeksiyonu riski üzerinde etkisi olabilecek mekanizmalar hakkında birkaç hipotez formüle etmek için bu etki modelini kullandı ve bunların gelecekteki çalışmalarda test edilmesini önerdi. Bu, gelecekteki çalışmaların formülasyonunu ve yürütülmesini yönlendirmek için meta-analizin zarif ve uygun bir kullanımıdır.

Egger, etkilerin heterojenliği göz önüne alındığında, bu noktada analizden herhangi bir sonuç çıkarmanın yanlış olacağını da kaydetti. Egger’in Capetown’daki sunumunu bitirirken söylediği gibi, ‘Hepinizin hemen dışarı çıkıp sünnet olmanızı önermiyorum.

Bu bölümde ele alınan problem, istatistikçiler tarafından uzun süredir bilinmektedir ve genellikle Simpson paradoksu olarak adlandırılır. Paradoks terimi, bir grubun dahil edilen çalışmaların her birinde daha iyisini yapabileceği, ancak ham veriler bir araya getirildiğinde yine de daha kötüsünü yapabileceği gerçeğine atıfta bulunur.

Sorun, orantı kullanan çalışmalarla sınırlı değildir, aynı zamanda ortalamaları veya diğer indeksleri kullanan çalışmalarda da var olabilir. Sorun, yalnızca temel oran (veya ortalama) çalışmadan çalışmaya değiştiğinde ve her gruptan katılımcıların oranı da değiştiğinde ortaya çıkar. Bu nedenle, tahsis oranları çalışmadan çalışmaya değiştiğinde randomize araştırmalarda var olabilmesine rağmen, sorun genellikle gözlemsel çalışmalarla sınırlıdır.

Bu makalelerin orijinalinden zevk almayı seçen okuyucular için, Van Howe makalesinin bu bölüm için düzelttiğimiz bir dizi yazım hatası içerdiğini unutmayın (özellikle Van Howe özeti, olasılık oranının yönünü ters çevirir. kağıt gövdesinde kullanılır). Ayrıca Egger’in burada özetlenenlere ek olarak Van Howe’un metodolojisi hakkında birçok soru ortaya attığını unutmayın.

ÖZET NOKTALAR

Özet verileri birleştirmek ve daha sonra birleştirilmiş veriler için bir etki büyüklüğü hesaplamak yerine, bir analizde her çalışma için bir etki büyüklüğü hesaplarız ve bu etki büyüklüklerini birleştiririz.

Bu, etkilerin çalışmalar arasında tutarlı olup olmadığını belirlememizi sağlar. Bu aynı zamanda, her çalışmanın kendi kontrolü olarak hizmet etmesini sağlayarak, kafa karıştırıcı faktörlerin potansiyel etkisini en aza indirir. Çalışmalar arasında verileri bir araya toplar ve ardından havuzlanmış verilerden etki büyüklüğünü hesaplarsak, Simpson paradoksu nedeniyle yanlış yanıt alabiliriz.

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