PET-PEESE와 메타 분석에 대한 다단계 접근 방식 사이에서 찢어진 것 : 행복한 매체가 있습니까?

현재 메타 분석을 진행 중이며 샘플에 중첩 된 여러 효과 크기를 분석해야합니다. 다른 가능한 전략 (예 : 의존도 무시, 연구 내 효과 크기 평균화, 하나의 효과 크기 선택 또는)과는 대조적으로 Cheung (2014)의 3 단계 메타 분석 접근법에 의존하여 종속 효과 크기를 메타 분석합니다. 분석 단위 이동). 내 의존 효과 크기의 대부분은 상관 관계가 상당히 독특하지만 (주제 적으로 관련된) 변수를 포함하므로 변수를 평균화하는 것은 개념적으로 의미가 없으며, 그렇게해도 내 총 효과 크기를 거의 절반으로 줄였습니다.

그러나 동시에 메타 분석 효과를 추정하는 과정에서 출판 편견을 해결하는 Stanley & Doucouliagos (2014)의 방법을 사용하는 데 관심이 있습니다. 간단히 말해서, 각각의 분산 (정밀 효과 테스트 또는 PET)에 의해 연구 효과 크기를 예측하는 메타 회귀 모델에 적합하거나 각각의 표준 오차 (표준 오차 또는 PEESE를 사용한 정밀 효과 추정)입니다. PET 모델에서 절편의 중요성에 따라 PET 모델 (PET 절편이 p > .05 인 경우) 또는 PEESE 모델 (PET 절편이 p <.05 인 경우)의 절편을 추정 된 간행물로 사용합니다. 바이어스없는 평균 효과 크기.

그러나 내 문제는 Stanley & Doucouliagos (2014)의 발췌에서 비롯됩니다.

시뮬레이션에서는 설명 할 수없는 초과 이질성이 항상 포함됩니다. 따라서, 통상적 인 관행에 의해, REE [임의 효과 추정기]는 FEE [고정 효과 추정기]보다 선호되어야한다. 그러나 출판물 선택이있을 때는 기존 관행이 잘못되었습니다. 통계적 유의성을 선택하면 REE는 항상 FEE보다 편향됩니다 (표 3). 이 예측 가능한 열등 성은 REE 자체가 간행물 편견이 가장 큰 단순 평균과 FEE의 가중 평균이라는 사실에 기인합니다.

이 구절은 내가 랜덤 효과 / 혼합 효과 메타 분석 모델에서 PET-PEESE를 사용해서는 안된다는 것을 믿게하지만 다중 레벨 메타 분석 모델은 랜덤 효과 추정기가 필요합니다.

무엇을해야할지 찢어졌습니다. 모든 종속 효과 크기를 모델링 할 수 있기를 원하지만 동시에 출판 편향을 수정하는이 특정 방법을 활용하십시오. 3 단계 메타 분석 전략을 PET-PEESE와 합법적으로 통합 할 수있는 방법이 있습니까?

참고 문헌

청, MWL (2014). 3 단계 메타 분석을 통한 모델링 종속 효과 크기 : 구조 방정식 모델링 접근 방식. 심리학 적 방법 , 19 , 211-229.

Stanley, TD, & Doucouliagos, H. (2014). 간행물 선택 편향을 줄이기위한 메타 회귀 근사치. 연구 합성 방법 , 5 , 60-78.

나는 주로 Cheung 접근법 (3 단계는 아님)에 따라 메타 분석을 수행했으며 최근에는 출판 편향을 수정하기 위해 PET-PEESE 접근법을 접했습니다. 나는 또한 두 가지 접근법의 조합에 흥미가 있었다. 지금까지 내 경험. 문제를 해결하는 데는 두 가지 방법이 있다고 생각합니다. 단순하고 복잡한 것.

아래 인용문은 임의의 효과가 출판 편향을 악화 시킨다는 것을 암시하는 것으로 보입니다. 저에게 출판 편향이 문제라고 의심되면 무작위 효과 모델을 사용할 수없는 것 같습니다.

통계적 유의성을 선택하면 REE는 항상 FEE보다 편향됩니다 (표 3). 이 예측 가능한 열등 성은 REE 자체가 간행물 편견이 가장 큰 단순 평균과 FEE의 가중 평균이라는 사실에 기인합니다.

나는 출판 편견이 심각한 관심사라고 가정하고있다.

간단한 접근 방식 : PET-PEESE에서 이질성을 모델링

질문을 올바르게 이해했다면이 방법이 가장 실용적인 출발점이라고 생각합니다.

PET-PEESE 접근법은 메타 분석 회귀에 대한 확장에 적합합니다. 이질성 소스가 주로 효과 크기의 다른 변수에서 비롯된 경우 각 변수에 대해 지표 변수 (1/0)를 포함하여 이종성을 고정 효과로 모델링 할 수 있습니다 *. 또한 일부 변수가 더 나은 측정 속성을 가지고 있거나 관심있는 구성과 더 밀접한 관련이 있다고 생각되면 Hunter and Schmidt 스타일의 메타 분석을 살펴볼 수 있습니다. 측정 오류에 대한 일부 수정 사항을 제안합니다.

이 접근법은 아마도 PET 및 PEESE 인터셉트를 통한 출판 편향의 크기와 고정 효과의 분산에 따른 이질성의 초기 아이디어를 제공 할 것입니다.

보다 복잡한 접근 방식 : 모델 이질성 및 게시 바이어스

Stanley and Doucouliagos 논문에 따라 출판 편향의 발생을 명시 적으로 모델링했음을 의미합니다. 또한 3 가지 수준의 Cheung을 임의의 효과로 명시 적으로 작성해야합니다. 다시 말해서,이 접근법은 가능성을 직접 지정해야하며 아마도 방법 론적 기여가 될 것입니다.

Stan 의 계층 적 Bayes 접근 방식에 따라 그러한 적절한 가능성을 지정 하고 사후 추정을 사용할 수 있다고 생각합니다 . 이 매뉴얼 에는 메타 분석에 대한 짧은 섹션 이 있습니다 . 사용자 목록도 매우 유용합니다.

두 번째 접근법은 아마도이 단계에서 원하는 것에 대해 과잉이지만 아마도 첫 번째 접근법보다 더 정확할 것입니다. 그리고 그것이 작동하는지에 관심이 있습니다.

* 변수가 많고 효과 크기가 많지 않은 경우 유사한 변수를 그룹으로 그룹화하고 (예, 판단 요청) 그룹 표시기 변수를 사용하는 것이 좋습니다.