Bagaimana cara terbaik menangani subskala dalam meta-analisis?

9

Saya melakukan meta-analisis ukuran efek d dalam R menggunakan paket metafor. d mewakili perbedaan dalam skor memori antara pasien dan sehat. Namun beberapa penelitian melaporkan hanya subskala ukuran minat d (misalnya beberapa skor memori yang berbeda atau skor dari tiga blok pengujian memori yang terpisah). Silakan lihat kumpulan data dummy berikut dengan d yang mewakili ukuran efek studi serta deviasi standar mereka 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)

Saya ingin meminta pendapat Anda tentang cara terbaik untuk menangani subskala ini - misalnya:

Pilih satu subscore dari setiap studi yang melaporkan lebih dari satu skor.
Masukkan semua subscores (ini akan melanggar asumsi independensi model rfx karena subscores dari satu studi berasal dari sampel yang sama)
Untuk setiap penelitian yang melaporkan subskala: hitung skor rata-rata & simpangan baku rata-rata dan sertakan "ukuran efek gabungan" ini dalam meta-analisis rfx.
Sertakan semua subskala dan tambahkan variabel dummy yang menunjukkan dari studi mana skor tertentu diturunkan.

r meta-analysis effect-size meta-regression

— jokel
sumber

7

Jenis data ini dikenal sebagai ukuran efek dependen. Beberapa pendekatan dapat digunakan untuk menangani ketergantungan. Saya akan merekomendasikan penggunaan meta-analisis tiga tingkat (Cheung, 2014; Konstantopoulos, 2011; Van den Noortgate et al. 2013). Ini menguraikan variasi ke level 2 dan heterogenitas level 3. Dalam contoh Anda, heterogenitas level 2 dan level 3 merujuk pada heterogenitas karena subskala dan studi. Paket metaSEM ( http://courses.nus.edu.sg/course/psycwlm/Internet/metaSEM/ ) yang diterapkan di R menyediakan fungsi untuk melakukan meta analisis tiga tingkat. Sebagai contoh,

## Your data
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))

## Load the library with the data set  
library(metaSEM)
summary( meta3(y=d, v=sd^2, cluster=study, data=my_data) )

Outputnya adalah:

Running Meta analysis with ML 

Call:
meta3(y = d, v = sd^2, cluster = study, data = my_data)

95% confidence intervals: z statistic approximation
Coefficients:
            Estimate  Std.Error     lbound     ubound z value  Pr(>|z|)    
Intercept 4.9878e+00 4.2839e-01 4.1482e+00 5.8275e+00  11.643 < 2.2e-16 ***
Tau2_2    1.0000e-10         NA         NA         NA      NA        NA    
Tau2_3    1.0000e-10         NA         NA         NA      NA        NA    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Q statistic on homogeneity of effect sizes: 0.1856967
Degrees of freedom of the Q statistic: 4
P value of the Q statistic: 0.9959473
Heterogeneity indices (based on the estimated Tau2):
                              Estimate
I2_2 (Typical v: Q statistic)        0
I2_3 (Typical v: Q statistic)        0

Number of studies (or clusters): 3
Number of observed statistics: 5
Number of estimated parameters: 3
Degrees of freedom: 2
-2 log likelihood: 8.989807 
OpenMx status1: 1 ("0" and "1": considered fine; other values indicate problems)

Dalam contoh ini, estimasi heterogenitas level 2 dan level 3 mendekati 0. Kovariat level 2 dan level 3 juga dapat dimasukkan untuk memodelkan heterogenitas. Lebih banyak contoh tentang meta-analisis tiga tingkat tersedia di http://courses.nus.edu.sg/course/psycwlm/Internet/metaSEM/3level.html

Referensi

Cheung, MW-L. (2014). Memodelkan ukuran efek dependen dengan meta analisis tiga tingkat: Pendekatan pemodelan persamaan struktural . Metode Psikologis , 19 (2), 211-29. doi: 10.1037 / a0032968.

Konstantopoulos, S. (2011). Estimasi efek tetap dan komponen varians dalam meta analisis tiga tingkat. Metode Sintesis Penelitian , 2 (1), 61-76. doi: 10.1002 / jrsm.35

Van den Noortgate, W., Lopez-Lopez, JA, Marín-Martínez, F., & Sánchez-Meca, J. (2013). Meta-analisis tiga tingkat dari ukuran efek dependen. Metode Penelitian Perilaku , 45 (2), 576-594. doi: 10.3758 / s13428-012-0261-6

— Mike Cheung
sumber

4

Saya setuju ini situasi yang sulit. Ini hanya beberapa pemikiran.

Apakah untuk ukuran efek rata-rata: Jika Anda tidak tertarik pada subskala, maka pilihan pertama saya adalah mengambil ukuran efek rata-rata untuk subskala dalam studi yang diberikan.

Itu mengasumsikan bahwa semua subskala sama relevan dengan pertanyaan penelitian Anda. Jika beberapa skala lebih relevan, maka saya mungkin hanya menggunakan subskala itu.

Jika Anda tertarik pada perbedaan antara subskala, maka masuk akal untuk memasukkan ukuran efek untuk setiap subskala yang dikodekan untuk jenis.

Kesalahan standar ukuran efek d: Mungkin Anda menggunakan rumus untuk menghitung kesalahan standar d berdasarkan nilai d dan ukuran sampel grup. Mengadaptasi formula ini , kami dapatkan

s e (d) = \sqrt{(\frac{n_{1} + n_{2}}{n_{1} n_{2}} + \frac{d^{2}}{2 (n_{1} + n_{2} - 2)}) (\frac{n_{1} + n_{2}}{n_{1} + n_{2} - 2})},

$se(d) = \sqrt{\left( \frac{n_1 + n_2}{n_1 n_2} + \frac{d^2}{2(n_1+n_2-2)}\right) \left(\frac{n_1 + n_2}{n_1+n_2-2} \right)},$

di mana dan adalah ukuran sampel dari dua kelompok yang dibandingkan dan adalah Cohen . $n_1$ $n_2$ $d$ $d$

Saya membayangkan Anda bisa menerapkan formula seperti itu untuk menghitung kesalahan standar dengan nilai rata-rata d untuk subskala.

— Jeromy Anglim
sumber

Terima kasih atas jawaban anda! Ketika saya meratakan ukuran efek dari subskala - bagaimana Anda dalam kasus ini akan mendapatkan standar deviasi dari ukuran efek rata-rata? Hanya rata-rata dari semua standar deviasi?

— jokel