Pacote Metafor: diagnóstico de viés e sensibilidade

Estou conduzindo uma meta-análise multinível que inclui alguns artigos com vários resultados. Portanto, eu estou usando a rma.mv()função Código de exemplo:

test.main = rma.mv(yi,vi,random = ~1|ID, data = data) 

Eu tenho duas perguntas:

1. Li em uma consulta anterior que, ao usar rma.mv(), ranktest()não é um teste confiável de assimetria de plotagem de funil. No entanto, se a variação da amostra foi adicionada ao modelo original como moderador, esse modelo seria semelhante ao teste de Egger:

   test.egger = rma.mv(yi,vi, mod = vi, random = ~1|ID, data = data)
   

   Esse código é uma interpretação correta dessa orientação? Além disso, os gráficos de funil também são (mais ou menos) inúteis como uma ferramenta nos rma.mv()modelos?

2. Nem leave1out()nem trimfill()trabalho com rma.mv()para avaliar a sensibilidade dos resultados do modelo. Existem outras ferramentas de análise de sensibilidade atualmente disponíveis para rma.mv()modelos que não envolvem uma compreensão magistral de R?

Em relação a 1: Sim, adicionar vicomo moderador é realmente a maneira lógica de estender o teste de Egger para modelos mais complexos.

Na verdade, usar as variações de amostragem como moderador é apenas uma possibilidade de realizar o "teste de regressão para assimetria do gráfico de funil". Outros sugeriram usar o inverso das variações de amostragem ou os erros padrão (raiz quadrada das variações de amostragem) ou seus inversos ou o tamanho total da amostra (ou alguma função dela) como moderadores. Não está totalmente claro qual preditor é a "melhor" opção (e isso pode depender de qual medida de resultado você usa para sua metanálise). Por exemplo, para algumas medidas, a equação que usamos para aproximar / estimar a variância amostral é na verdade uma função do resultado observado, que cria automaticamente uma relação entre os dois, mesmo na ausência de viés de publicação (ou "viés de pequeno estudo" ou o que quisermos chamar). Nesse caso,

Mas o ponto principal é: Sim, o teste de regressão pode ser facilmente aplicado ao trabalhar com modelos mais complexos, adicionando um moderador apropriado ao modelo.

É discutível se as plotagens de funil são úteis ou não quando existem estruturas multiníveis / multivariadas subjacentes aos dados. Por exemplo, conjuntos de pontos podem se agrupar devido a dependências estatísticas (que são contabilizadas ao usar um modelo multinível / multivariado apropriado), mas no gráfico de funil, os pontos são exatamente isso: um monte de pontos. Isso torna a interpretação das plotagens de funil mais difícil porque (a menos que você tome medidas extras usando cores ou símbolos diferentes), você não pode ver essas dependências inerentes - não que a maioria das pessoas (inclusive eu) seja boa em interpretar plotagens de funil, mesmo das mais simples. casos (há pesquisas empíricas demonstrando isso!).

No que diz respeito a 2: Sim, atualmente várias funções de ajuste de pós-modelo não funcionam com rma.mvobjetos de modelo. Eu simplesmente não consegui implementar isso e parte disso realmente exigirá alguma reflexão. Por exemplo, leave1out()remove um estudo de cada vez - no contexto univariado, isso equivale a remover cada resultado observado por vez, mas e os dados multiníveis / multivariados? Também remover cada resultado observado de cada vez? Ou remover conjuntos de pontos? Ou disponibilizar diferentes opções? Com relação ao aparar e preencher (deixando de lado a questão de quão útil esse método é realmente): Estender o método para dados multiníveis / multivariados valeria a pena escrever um artigo inteiro.

Portanto, é ótimo que você queira fazer análises de sensibilidade, mas, a partir de agora, precisará fazer isso manualmente. As análises de deixar um fora são facilmente feitas com um loop for simples e pensando cuidadosamente sobre o que é "um" (por exemplo, cada resultado observado, cada cluster / estudo). Você pode fazer o teste de regressão e talvez deixar o aparar e preencher por enquanto. Os resíduos padronizados estão disponíveis via rstandard(), para que você possa examinar os dados quanto a possíveis discrepâncias. Você pode obter os valores do chapéu via hatvalues()(apenas as alavancas ao longo da diagonal ou de toda a matriz do chapéu ), que fornece uma indicação de quais pontos influenciam fortemente os resultados. Outra medida realmente útil nesse contexto é a distância de Cook , que você pode obter via cooks.distance()também para rma.mvobjetos.