Metaanaliza kombinatoryczna

Metaanaliza kombinatoryczna (CMA) to badanie zachowania właściwości statystycznych kombinacji badań z metaanalitycznego zbioru danych (zazwyczaj w badaniach z zakresu nauk społecznych). W artykule, który rozwija pojęcie „grawitacji” w kontekście metaanalizy, dr Travis Gee zaproponował, aby metody scyzoryka zastosowane w metaanalizie w tym artykule można rozszerzyć, aby zbadać wszystkie możliwe kombinacje badań (tam, gdzie jest to praktyczne) lub losowe podzbiory badań (gdzie kombinatoryka sytuacji uczyniła to obliczeniowo niewykonalnym).

Pojęcie

W oryginalnym artykule k obiektów (badań) jest łączonych k -1 naraz ( szacowanie scyzoryka ), co daje k oszacowań. Zauważono, że jest to szczególny przypadek bardziej ogólnego podejścia CMA, które oblicza wyniki dla k badań wykonanych 1, 2, 3 ... k - 1, k na raz.

Tam, gdzie jest obliczeniowo wykonalne uzyskanie wszystkich możliwych kombinacji, wynikowy rozkład statystyk jest określany jako „dokładny CMA”. Tam, gdzie liczba możliwych kombinacji jest zbyt duża, nazywa się to „przybliżonym CMA”.

CMA umożliwia badanie względnego zachowania różnych statystyk w warunkach kombinatorycznych. Różni się to od standardowego podejścia w metaanalizie polegającego na przyjęciu jednej metody i obliczeniu pojedynczego wyniku oraz umożliwia wystąpienie znaczącej triangulacji poprzez obliczenie różnych wskaźników dla każdej kombinacji i zbadanie, czy wszystkie opowiadają tę samą historię.

Implikacje

Implikacją tego jest to, że tam, gdzie istnieje wiele losowych punktów przecięcia, heterogeniczność w pewnych kombinacjach zostanie zminimalizowana. CMA może być zatem wykorzystana jako eksploracji danych w celu określenia liczby przechwyceń, które mogą być obecne w zbiorze danych, poprzez sprawdzenie, które badania są zawarte w lokalnych minimach, które można uzyskać poprzez rekombinację.

Dalszą konsekwencją tego jest to, że spory dotyczące włączenia lub wyłączenia badań mogą być dyskusyjne, gdy weźmie się pod uwagę rozkład wszystkich możliwych wyników. Użytecznym narzędziem opracowanym przez dr Gee (odniesienie pojawi się po opublikowaniu) jest wykres „PPES” (skrót od „Prawdopodobieństwo wielkości efektu pozytywnego”, przy założeniu, że różnice są skalowane w taki sposób, że pożądany jest większy w kierunku dodatnim). Dla każdego podzbioru kombinacji, w których przeprowadzane są badania j = 1, 2, ... k - 1, k na raz, brana jest proporcja wyników wykazujących pozytywny rozmiar efektu (BMR lub SMD będzie działać) i to jest wykreślone względem j . Można to dostosować do wykresu „PMES” (skrót od „Prawdopodobieństwo minimalnej wielkości efektu”), gdzie dla każdej wartości j = 1, 2 przyjmuje się odsetek badań przekraczających pewną minimalną wielkość efektu (np. SMD = 0,10 ) . , ... k - 1, k . Tam, gdzie występuje wyraźny efekt, wykres ten powinien dość szybko asymptotować do blisko 1,0. Dzięki temu możliwe jest, że na przykład spory dotyczące włączenia lub wyłączenia dwóch lub trzech badań z tuzina lub więcej mogą zostać ujęte w kontekście fabuły, która pokazuje wyraźny efekt dla dowolnej kombinacji 7 lub więcej studia.

Dzięki CMA możliwe jest również zbadanie związku współzmiennych z wielkościami efektu. Na przykład, jeśli podejrzewa się, że źródłem błędu jest finansowanie przemysłu, to odsetek badań w danym podzbiorze, które były finansowane przez przemysł, można obliczyć i wykreślić bezpośrednio na podstawie oszacowania wielkości efektu. Jeśli średni wiek w różnych badaniach sam w sobie był dość zmienny, wówczas można uzyskać średnią tych średnich w badaniach w danej kombinacji i podobnie wykreślić.

Implementacje

Oryginalne oprogramowanie Dr. Gee do przeprowadzania metaanalizy typu scyzoryk i metaanalizy kombinatorycznej było oparte na starszych makrach metaanalitycznych napisanych w języku programowania SAS. To było podstawą jednego raportu w dziedzinie leczenia zapalenia stawów. Chociaż to oprogramowanie było nieformalnie udostępniane współpracownikom, nie zostało opublikowane. Późniejsza metaanaliza zastosowała tę koncepcję w kontekście leczenia biegunki.

Kilka lat później do danych metaanalitycznych zastosowano metodę scyzoryka, ale nie wydaje się, aby opracowano specjalistyczne oprogramowanie do tego zadania. Inni komentatorzy również wzywali do pokrewnych metod, najwyraźniej nieświadomi oryginalnej pracy. Nowsza praca zespołu zajmującego się przenoszeniem oprogramowania z Brown University zaimplementowała tę koncepcję w STATA.

Ograniczenia

CMA nie rozwiązuje problemu metaanalizy „śmieci na wejściu, śmieci na wyjściu” . Kiedy jednak klasa studiów zostanie uznana przez krytyka za śmieci, oferuje sposób zbadania, w jakim stopniu te studia mogły zmienić wynik. Podobnie nie oferuje bezpośredniego rozwiązania problemu wyboru metody łączenia lub ważenia. To, co oferuje, jak wspomniano powyżej, to triangulacja, w której można uzyskać zgodność między metodami i rozbieżności między metodami rozumianymi w całym zakresie możliwych kombinacji badań.