Wie gehe ich am besten mit Unterpunkten in einer Metaanalyse um?

Ich führe eine Metaanalyse der Effektgrößen d in R unter Verwendung des Metafor-Pakets durch. d repräsentiert Unterschiede in den Gedächtniswerten zwischen Patienten und Gesunden. Einige Studien berichten jedoch nur über Unterpunkte des interessierenden Maßes d (z. B. mehrere unterschiedliche Speicherbewertungen oder Bewertungen aus drei getrennten Blöcken von Gedächtnistests). Bitte beachten Sie den folgenden Dummy-Datensatz, wobei d die Effektgrößen der Studien sowie deren Standardabweichungen sd darstellt:

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)

Ich möchte Sie um Ihre Meinung bitten, wie Sie am besten mit diesen Unterpunkten umgehen können - z. B.:

1. Wählen Sie aus jeder Studie einen Unterpunkt aus, der mehr als einen Punkt enthält.
2. Alle Unterpunkte einschließen (dies würde die Annahme der Unabhängigkeit des RFX-Modells verletzen, da die Unterpunkte einer Studie aus derselben Stichprobe stammen).
3. Für jede Studie, die Unterpunkte meldet: Berechnen Sie eine durchschnittliche Punktzahl und eine durchschnittliche Standardabweichung und nehmen Sie diese "Größe des zusammengeführten Effekts" in die RFX-Metaanalyse auf.
4. Schließen Sie alle Unterpunkte ein und fügen Sie eine Dummy-Variable hinzu, die angibt, aus welcher Studie ein bestimmter Wert abgeleitet wird.

Diese Art von Daten wird als abhängige Effektgröße bezeichnet. Zur Bewältigung der Abhängigkeit können verschiedene Ansätze verwendet werden. Ich würde die Verwendung einer dreistufigen Metaanalyse empfehlen (Cheung, 2014; Konstantopoulos, 2011; Van den Noortgate et al. 2013). Es zerlegt die Variation in Heterogenität der Stufen 2 und 3. In Ihrem Beispiel beziehen sich die Heterogenitäten der Stufen 2 und 3 auf die Heterogenität aufgrund von Subskalen und Studien. Das in R implementierte metaSEM-Paket ( http://courses.nus.edu.sg/course/psycwlm/Internet/metaSEM/ ) bietet Funktionen zur Durchführung einer dreistufigen Metaanalyse. Beispielsweise,

## 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) )

Die Ausgabe ist:

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)

In diesem Beispiel liegen die Schätzungen der Heterogenität der Stufen 2 und 3 nahe bei 0. Kovariaten der Stufen 2 und 3 können ebenfalls einbezogen werden, um die Heterogenität zu modellieren. Weitere Beispiele zur dreistufigen Metaanalyse finden Sie unter http://courses.nus.edu.sg/course/psycwlm/Internet/metaSEM/3level.html

Verweise

Cheung, MW-L. (2014). Modellierung abhängiger Effektgrößen mit dreistufigen Metaanalysen: Ein Ansatz zur Modellierung von Strukturgleichungen . Psychological Methods , 19 (2), 211 & ndash; 29. doi: 10.1037 / a0032968.

Konstantopoulos, S. (2011). Feste Effekte und Varianzkomponentenschätzung in dreistufiger Metaanalyse. Research Synthesis Methods , 2 (1), 61–76. doi: 10.1002 / jrsm.35

W. Van den Noortgate, JA López-López, F. Marín-Martínez & J. Sánchez-Meca (2013). Dreistufige Metaanalyse abhängiger Effektgrößen. Behavior Research Methods , 45 (2), 576–594. doi: 10.3758 / s13428-012-0261-6

Ich bin damit einverstanden, dass es eine schwierige Situation ist. Dies sind nur einige Gedanken.

Ob d durchschnittliche Effektgrößen gemittelt werden sollen: Wenn Sie nicht an Subskalen interessiert sind, wäre meine erste Wahl, die durchschnittliche Effektgröße für die Subskalen in einer bestimmten Studie zu verwenden.

Dies setzt voraus, dass alle Subskalen für Ihre Forschungsfrage gleichermaßen relevant sind. Wenn einige Skalen relevanter sind, kann ich nur diese Subskalen verwenden.

Wenn Sie an Unterschieden zwischen Subskalen interessiert sind, ist es sinnvoll, die Effektgröße für jede für den Typ codierte Subskala anzugeben.

Standardfehler der d-Effektgrößen: Vermutlich verwenden Sie eine Formel, um den Standardfehler von d basierend auf dem Wert von d und den Gruppenstichprobengrößen zu berechnen. Wenn wir diese Formel anpassen , bekommen wir

wobei und die Stichprobengrößen der beiden verglichenen Gruppen sind und Cohens .n 2 d $n_1$$n_2$$d$$d$

Ich stelle mir vor, Sie könnten eine solche Formel anwenden, um den Standardfehler auf den durchschnittlichen d-Wert für die Subskalen zu berechnen.