Метаанализ с многоуровневым apporach

Question

Я хочу сделать метаанализ с многоуровневым подходом с использованием пропорций, измеренных до и после администрирования вмешательств в сообществах. В метафоре, который может использовать «PLO» или PFT »? У меня тоже 4 модератора. Из 17 исследований, в которых у меня есть 4 исследования, есть 2 сообщества, каждый из которых имеет разные вмешательства, т.е. разные дозы одного и того же препарата. Я использовал следующие команды:

salt<- escalc(measure="PLO", xi=pos, ni=sur, data=salt,add=1/2, to="all") 

model1<-rma(yi, vi, method="FE", data=salt) for fixed effects model (Traditional MA) 
model2<-rma(yi, vi, data=salt) for Random effects vmodel (Traditional MA) 
model3<-rma(yi, vi, mods=~factor(intcode)+factor(smrsz)+durint+basemf+percap, data=salt) for mixed effects model including moderators (Traditional MA) 
model4<-rma.mv(yi, vi, random=~1|stdy, data=salt) - random effect multilevel model 
model5<-rma(yi, vi, mods=~factor(intcode)+factor(smrsz)+durint+basemf+percap, random=~1|stdy, data=salt) 

Здесь stdy дает исследование идентификатор. Какую команду следует использовать?

ли эти команды, подходящие для типа анализа я хочу сделать?

Answer 1

ли использовать логит преобразованные пропорции (measure="PLO") или что-то вроде арксин-квадратного корня преобразованных пропорций (measure="PAS") или преобразованные пропорции с двойным арксином Фримана-Туки (measure="PFT") зависят от разных вещей, а главное от размера исследований и того, является ли результат интереса очень редкими очень распространенными (т. Е. Ожидается, будут ли близкие истинные пропорции близкими до 0 или 1). Но в конце концов, это, вероятно, хорошая идея сделать анализ чувствительности в любом случае, чтобы проверить, остались ли выводы независимо от того, какую меру вы используете.

Что касается моделей, модели 1-3 являются стандартными метааналитическими моделями, и здесь синтаксис прекрасен. В модели 4 вы добавляете только случайные эффекты на уровне исследования, но это предполагает, что вся гетерогенность обусловлена ​​различиями между исследованиями и что в исследованиях нет гетерогенности. Обычно это неверно, поэтому вы должны добавлять случайные эффекты в исследование и уровень результата. Что-то вроде этого:

salt$id <- 1:nrow(salt) 
rma.mv(yi, vi, random=~1|stdy/id, data=salt) 

Смотрите также: http://www.metafor-project.org/doku.php/analyses:konstantopoulos2011

В модели 5, у вас есть опечатка - вы должны использовать rma.mv(), не rma(), когда вы используете random аргумент. И снова используйте random=~1|stdy/id.