Dividido entre o PET-PEESE e as abordagens multiníveis da metanálise: existe um meio feliz?


10

Atualmente, estou trabalhando em uma metanálise, para a qual preciso analisar vários tamanhos de efeito aninhados nas amostras. Sou parcial à abordagem de meta-análise de três níveis de Cheung (2014) para meta-analisar tamanhos de efeito dependentes, em oposição a algumas das outras estratégias possíveis (por exemplo, ignorar dependência, calcular a média de tamanhos de efeito nos estudos, selecionar um tamanho de efeito ou mudança da unidade de análise). Muitos dos meus tamanhos de efeito dependentes são correlações que envolvem variáveis ​​bastante distintas (mas topicamente relacionadas); portanto, a média entre elas não faz sentido conceitual e, mesmo que isso acontecesse, reduziria meu número total de tamanhos de efeito para analisar pela metade.

Ao mesmo tempo, no entanto, também estou interessado em usar o método de Stanley & Doucouliagos (2014) para abordar o viés de publicação no decorrer da estimativa de um efeito meta-analítico. Em poucas palavras, é possível ajustar um modelo de meta-regressão prevendo os tamanhos dos efeitos do estudo por suas respectivas variações (o teste do efeito de precisão ou PET) ou seus respectivos erros padrão (a estimativa do efeito de precisão com erros padrão ou PEESE). Dependendo da significância da interceptação no modelo PET, pode-se usar a interceptação do modelo PET (se o PET interceptar p > 0,05) ou o modelo PEESE (se o PET interceptar p <0,05) como publicação estimada. tamanho médio do efeito sem viés.

Meu problema, no entanto, deriva deste trecho de Stanley & Doucouliagos (2014):

Em nossas simulações, o excesso de heterogeneidade inexplicável é sempre incluído; assim, pela prática convencional, o REE [estimadores de efeitos aleatórios] deve ser preferido em relação ao FEE [estimadores de efeitos fixos]. No entanto, a prática convencional está errada quando há seleção de publicação. Com a seleção para significância estatística, o GER é sempre mais tendencioso que o FEE (Tabela 3). Essa inferioridade previsível se deve ao fato de que o EED é uma média ponderada da média simples, que possui o maior viés de publicação, e a taxa de câmbio.

Essa passagem me leva a acreditar que eu não deveria estar usando o PET-PEESE em modelos meta-analíticos de efeitos aleatórios / efeitos mistos, mas um modelo meta-analítico multinível parece exigir um estimador de efeitos aleatórios.

Estou dividido quanto ao que fazer. Quero poder modelar todos os tamanhos de efeito dependente, mas simultaneamente tirar proveito desse método específico de correção do viés de publicação. Existe alguma maneira de integrar legitimamente a estratégia de meta-análise de três níveis ao PET-PEESE?

Referências

Cheung, MWL (2014). Modelagem de tamanhos de efeitos dependentes com meta-análises em três níveis: Uma abordagem de modelagem de equações estruturais. Psychological Methods , 19 , 211-229.

Stanley, TD, & Doucouliagos, H. (2014). Aproximações de meta-regressão para reduzir o viés de seleção de publicação. Research Synthesis Methods , 5 , 60-78.

Respostas:


4

Eu trabalhei em uma meta-análise seguindo principalmente a abordagem Cheung (mas não os três níveis) e recentemente me deparei com a abordagem PET-PEESE para corrigir o viés de publicação. Também fiquei intrigado com as combinações das duas abordagens. Até agora minha experiência. Eu acho que existem duas maneiras de resolver seu problema. Um simples e um mais complicado.

A citação abaixo parece sugerir que efeitos aleatórios exacerbam o viés de publicação; portanto, para mim, parece que se você suspeita que o viés de publicação seja um problema, não pode simplesmente usar um modelo de efeitos aleatórios.

Com a seleção para significância estatística, o GER é sempre mais tendencioso que o FEE (Tabela 3). Essa inferioridade previsível se deve ao fato de que o EED é uma média ponderada da média simples, que possui o maior viés de publicação, e a taxa de câmbio.

Estou assumindo que o viés de publicação é uma preocupação séria.

Abordagem simples: modelar a heterogeneidade no PET-PEESE

Se entendi as perguntas corretamente, acho que essa abordagem é o ponto de partida mais pragmático.

A abordagem PET-PEESE se presta a extensões de regressões meta-analíticas. Se a fonte da heterogeneidade deriva principalmente das diferentes variáveis ​​nos tamanhos dos efeitos, você pode modelar a heterogeneidade como efeitos fixos, incluindo variáveis ​​indicadoras (1/0) para cada variável *. Além disso, se você suspeitar que algumas variáveis ​​têm melhores propriedades de medição ou estão mais relacionadas ao seu construto de interesse, dê uma olhada no estilo Hunter e Schmidt da metanálise. Eles propõem algumas correções para erros de medição.

Essa abordagem provavelmente forneceria uma idéia inicial do tamanho do viés de publicação por meio das interceptações PET e PEESE e da heterogeneidade com base na variação nos efeitos fixos.

A abordagem mais complicada: heterogeneidade do modelo e viés de publicação explicitamente

Quero dizer que você modela explicitamente a ocorrência de viés de publicação, de acordo com o artigo de Stanley e Doucouliagos. Você também deve escrever explicitamente os três níveis de Cheung como efeitos aleatórios. Em outras palavras, essa abordagem exige que você especifique a probabilidade por conta própria e provavelmente seria uma contribuição metodológica em si mesma.

Penso que é possível especificar tal probabilidade (com antecedentes apropriados) seguindo uma abordagem hierárquica de Bayes em Stan e usar as estimativas posteriores. O manual possui uma seção curta sobre meta-análise. A lista de usuários também é muito útil.

A segunda abordagem provavelmente é um exagero para o que você deseja neste estágio, mas provavelmente seria mais correta que a primeira. E eu estaria interessado em saber se funciona.

* Se você tiver muitas variáveis ​​(e não muitos tamanhos de efeito), poderá ser melhor agrupar variáveis ​​semelhantes em grupos (sim, isso é um julgamento) e usar variáveis ​​indicadoras de grupo.

Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.