Meta-regresja

Meta-regresja jest zdefiniowana jako metaanaliza , która wykorzystuje analizę regresji do łączenia, porównywania i syntezy wyników badań z wielu badań, jednocześnie dostosowując wpływ dostępnych współzmiennych na zmienną odpowiedzi. Analiza metaregresji ma na celu pogodzenie sprzecznych badań lub potwierdzenie spójnych; analiza metaregresji charakteryzuje się zatem zestawieniem badań i odpowiadającymi im zestawami danych — czy zmienna odpowiedzi jest zmienna na poziomie badania (lub równoważnie zagregowana) ) lub danych indywidualnych uczestników (lub danych indywidualnych pacjentów w medycynie). Zestaw danych jest agregowany , gdy składa się ze statystyk sumarycznych, takich jak średnia próbki , wielkość efektu lub iloraz szans . Z drugiej strony dane poszczególnych uczestników są w pewnym sensie surowe w tym, że wszystkie obserwacje są zgłaszane bez skrótów, a zatem bez utraty informacji. Zagregowane dane można łatwo skompilować za pomocą wyszukiwarek internetowych, a zatem nie są drogie. Jednak dane poszczególnych uczestników są zwykle poufne i są dostępne tylko w ramach grupy lub organizacji, która przeprowadziła badania.

Chociaż metaanaliza danych obserwacyjnych jest również przedmiotem szeroko zakrojonych badań, literatura nadal w dużej mierze koncentruje się na łączeniu randomizowanych badań kontrolowanych (RCT) . W RCT badanie zazwyczaj obejmuje próbę składającą się z ramion . Ramię odnosi się do grupy uczestników, którzy otrzymali tę samą terapię , interwencję lub leczenie . Metaanaliza, w której niektóre lub wszystkie badania mają więcej niż dwie grupy, nazywana jest metaanalizą sieciową , metaanalizą pośrednią lub porównaniem wielu terapii . Pomimo tego, że jest to termin ogólny, metaanaliza czasami sugeruje, że wszystkie uwzględnione badania mają dokładnie dwa ramiona – te same dwa zabiegi we wszystkich badaniach – aby odróżnić się od metaanalizy sieciowej. Meta-regresję można sklasyfikować w ten sam sposób — meta-regresję i meta-regresję sieciową — w zależności od liczby odrębnych zabiegów w analizie regresji.

Metaanaliza (i metaregresja) jest często umieszczana na szczycie hierarchii dowodów, pod warunkiem, że analiza składa się z danych poszczególnych uczestników randomizowanych kontrolowanych badań klinicznych. Meta-regresja odgrywa kluczową rolę w wyjaśnianiu efektów współzmiennych, zwłaszcza w obecności zmiennych kategorialnych, które można wykorzystać do analizy podgrup.

Modele metaregresji

Meta-regresja obejmuje dużą klasę modeli, które mogą się różnić w zależności od charakterystyki danych, którymi dysponujemy. Zasadniczo nie ma jednego uniwersalnego opisu modeli metaregresji. W szczególności dane poszczególnych uczestników umożliwiają elastyczne modelowanie, które odzwierciedla różne typy zmiennych odpowiedzi: ciągłe, liczebnościowe, proporcjonalne i korelacyjne. Jednak dane zagregowane są generalnie modelowane jako normalna regresja liniowa y tk = x tk ′ β + ε tk przy użyciu centralnego twierdzenia granicznego i transformacji zmiennej, gdzie indeks dolny k oznacza k -te badanie lub próbę, t oznacza t -te leczenie, y tk wskazuje punkt końcowy odpowiedzi dla k - tej grupy t - tego badania , x tk jest wektorem współzmiennym na poziomie ramienia, ε tk jest wyrazem błędu, który jest niezależny i identycznie rozłożony jak rozkład normalny. Na przykład proporcja próbki p̂ tk może zostać przekształcona z użyciem logitu lub łuku sinusoidalnego przed modelowaniem meta-regresji, tj. y tk = logit( p̂ tk ) lub y tk = arcsin ( p̂ tk ). Podobnie transformacja z Fishera może być użyta do korelacji próbek, tj. y tk = arctanh( r tk ). Najczęstszą statystyką podsumowującą zgłaszaną w badaniu jest średnia próbki i odchylenie standardowe próbki, w którym to przypadku nie jest potrzebna żadna transformacja. Możliwe jest również wyprowadzenie modelu danych zagregowanych z bazowego modelu danych indywidualnych uczestników. Na przykład, jeśli y itk jest odpowiedzią binarną zero lub jedynką, gdzie dodatkowy indeks dolny i wskazuje i -tego uczestnika, proporcja próbki p̂ tk jako średnia próbki y itk dla i = 1, 2, ..., n tk może nie wymagać żadnej transformacji, jeśli zakłada się, że twierdzenie de Moivre-Laplace'a jest w grze. Należy zauważyć, że jeśli meta-regresja jest na poziomie badania, a nie na poziomie grupy, nie ma indeksu dolnego t wskazującego na leczenie przypisane do odpowiedniej grupy.

Jednym z najważniejszych rozróżnień w modelach metaanalizy jest to, czy zakładać heterogeniczność między badaniami. Jeśli badacz zakłada, że ​​badania nie są heterogeniczne , oznacza to, że różnią się one jedynie z powodu błędu próbkowania, bez istotnej różnicy między badaniami, w którym to przypadku żadne inne źródło zmienności nie wejdzie do modelu. Z drugiej strony, jeśli badania są heterogeniczne, dodatkowe źródło (źródła) zmienności — oprócz błędu próbkowania reprezentowanego przez ε tk -musi być zaadresowany. To ostatecznie przekłada się na wybór między meta-regresją z efektem stałym a meta-regresją z efektem losowym (ściśle mówiąc, z efektem mieszanym).

Meta-regresja z efektem stałym

Meta-regresja z efektem stałym odzwierciedla przekonanie, że w badaniach nie ma istotnej różnicy. Meta-regresja z efektem stałym na poziomie ramienia jest zapisywana jako y tk = x tk ′ β + ɛ tk . Jeśli dostępne są tylko statystyki podsumowujące na poziomie badania, indeks dolny t dla przypisania leczenia można usunąć, otrzymując y k = x k ′ β + ɛ k . Składnik błędu obejmuje składnik wariancji σ tk 2 (lub σ k 2 ), którego nie można oszacować, chyba że podano wariancję próbki s tk 2 (lub sk 2 ) oraz y tk (lub y k ). Najczęściej zakłada się, że wariancja modelu jest równa w grupach i badaniach, w którym to przypadku odrzuca się wszystkie indeksy dolne, tj. σ 2 . Jeśli zmienność między badaniami jest nieistotna, oszacowania parametrów będą obciążone, a odpowiedniego wnioskowania statystycznego nie można uogólnić.

Meta-regresja z efektem mieszanym

Terminy meta-regresja z efektem losowym i meta-regresja z efektem mieszanym są równoważne. Chociaż nazywanie modelu z efektem losowym sygnalizuje brak efektów stałych, co technicznie dyskwalifikuje go jako model regresji, można argumentować, że modyfikator efekt losowy jedynie dodaje, a nie odbiera to, co każdy model regresji powinien zawierać : efekty stałe. Trendy Google wskazują, że oba terminy cieszą się podobnym poziomem akceptacji w publikacjach na dzień 24 lipca 2021 r.

Meta-regresja z efektami mieszanymi obejmuje termin efektu losowego oprócz efektów stałych, co sugeruje, że badania są heterogeniczne. Efekty losowe, oznaczone przez w tk ′ γ k , wychwytują zmienność między próbami. Pełny model przyjmuje wtedy postać y tk = x tk ′ β + w tk ′ γ k + ε tk . Losowe efekty w meta-regresji mają na celu odzwierciedlenie hałaśliwych efektów leczenia - chyba że założono i modelowano inaczej - co oznacza, że ​​długość odpowiedniego wektora współczynników γ k powinna być taka sama jak liczba zabiegów włączonych do badania. Oznacza to, że zakłada się, że samo leczenie jest źródłem zmienności zmiennej końcowej — np. grupa otrzymująca placebo nie będzie miała takiego samego poziomu zmienności poziomu cholesterolu, jak grupa otrzymująca lek obniżający poziom cholesterolu. Ograniczając naszą uwagę do wąskiej definicji metaanalizy obejmującej dwa zabiegi, γ k jest dwuwymiarowy, tj. γ k = ( γ 1k , γ 2k )′, dla którego model jest przekształcany jako y tk = x tk ′ β + γ tk + ε tk . Zaletą zapisania modelu w notacji macierzowo-wektorowej jest to , że można zbadać korelację między zabiegami, Corr( γ1k , γ2k ). Losowy wektor współczynnika γ k jest wtedy hałaśliwą realizacją rzeczywistego efektu leczenia oznaczonego przez γ . Powszechnie przyjmuje się, że rozkład γ k należy do rodziny skali lokalizacji , w szczególności wielowymiarowy rozkład normalny , tj. γ k ~ N ( γ , Ω).

Który model wybrać

Meta-regresja została zastosowana jako technika uzyskiwania ulepszonych oszacowań parametrów, które są bezpośrednio wykorzystywane przez decydentów. Meta-regresja zapewnia ramy dla replikacji i oferuje analizę wrażliwości dla specyfikacji modelu. Istnieje wiele strategii identyfikacji i kodowania empirycznych danych obserwacyjnych. Modele metaregresji można rozszerzyć o modelowanie zależności w ramach badania, nadmiernej heterogeniczności i selekcji publikacji. Model regresji o ustalonych efektach nie pozwala na zmienność w ramach badania. Model efektów mieszanych pozwala na zmienność w ramach badania i między badaniami, dlatego jest uważany za najbardziej elastyczny model do wyboru w wielu zastosowaniach. Chociaż założenie heterogeniczności może być przetestowane statystycznie i jest to powszechna praktyka w wielu dziedzinach, jeśli po tym teście następuje inny zestaw analiz regresji, odpowiednie wnioskowanie statystyczne podlega tak zwanemu wnioskowaniu selektywnemu . Z tych testów heterogeniczności również nie wynika, że ​​nie ma heterogeniczności, nawet jeśli okazują się one nieistotne, a niektórzy badacze zalecają w każdym razie optowanie za metaregresją z efektami mieszanymi.

Aplikacje

Meta-regresja to statystycznie rygorystyczne podejście do przeglądów systematycznych . Najnowsze zastosowania obejmują ilościowe przeglądy literatury empirycznej z zakresu ekonomii, biznesu, polityki energetycznej i wodnej. Analizy meta-regresji zaobserwowano w badaniach elastyczności cen i dochodów różnych towarów i podatków, efektów ubocznych wydajności w firmach międzynarodowych oraz obliczeniach statystycznej wartości życia (VSL). Inne niedawne analizy metaregresji koncentrowały się na kwalifikowaniu elastyczności pochodzących z funkcji popytu. Przykłady obejmują własne elastyczności cenowe dla alkoholu, tytoniu, wody i energii.

W oszczędzaniu energii analiza metaregresji została wykorzystana do oceny behawioralnych strategii informacyjnych w sektorze energii elektrycznej w gospodarstwach domowych. W analizie polityki wodnej meta-regresja została wykorzystana do oceny szacunkowych oszczędności kosztów wynikających z prywatyzacji usług samorządowych w zakresie dystrybucji wody i odbioru odpadów stałych. Meta-regresja jest coraz bardziej popularnym narzędziem do oceny dostępnych dowodów w badaniach analizy kosztów i korzyści polityki lub programu rozłożonych na wiele badań.

Dalsza lektura

  •   Thompson, SG; Higgins, JPT (2002). „Jak należy przeprowadzać i interpretować analizy metaregresji?”. Statystyka w medycynie . 21 (11): 1559-1573. doi : 10.1002/sym.1187 . PMID 12111920 .
  •   Roberts, Colin; Stanley, TD (2005). Analiza meta-regresji: Kwestie stronniczości publikacji w ekonomii . Wiley-Blackwell. ISBN 978-1-4051-3799-7 .
  •   Bonett DG (2009). „Metaanalityczne oszacowanie przedziału dla standaryzowanych i niestandaryzowanych średnich różnic”. Metody psychologiczne . 14 (3): 225–38. doi : 10.1037/a0016619 . PMID 19719359 .
Pobrano z „ https://en.wikipedia.org/w/index.php?title=Meta-regression&oldid=1139764065 ”