Desgarrado entre PET-PEESE y los enfoques multinivel para el metanálisis: ¿hay un medio feliz?


10

Actualmente estoy trabajando en un metanálisis, para el cual necesito analizar múltiples tamaños de efectos anidados dentro de las muestras. Soy parcial al enfoque de metanálisis de tres niveles de Cheung (2014) para el metanálisis de tamaños de efectos dependientes, a diferencia de algunas de las otras estrategias posibles (por ejemplo, ignorar la dependencia, promediar los tamaños de efectos dentro de los estudios, seleccionar un tamaño de efecto o desplazando la unidad de análisis). Muchos de mis tamaños de efectos dependientes son correlaciones que involucran variables bastante distintivas (pero relacionadas tópicamente), por lo que promediarlas no tiene sentido conceptual, e incluso si lo hiciera, reduciría mi número de tamaños de efectos totales para analizar en casi la mitad.

Al mismo tiempo, sin embargo, también estoy interesado en utilizar el método de Stanley y Doucouliagos (2014) para abordar el sesgo de publicación en el curso de la estimación de un efecto metaanalítico. En pocas palabras, uno se ajusta a un modelo de meta-regresión que predice los tamaños del efecto del estudio por sus respectivas variaciones (la prueba de efecto de precisión o PET), o sus respectivos errores estándar (la estimación del efecto de precisión con errores estándar, o PEESE). Dependiendo de la importancia de la intercepción en el modelo PET, uno usa la intercepción del modelo PET (si la intercepción PET p > .05) o el modelo PEESE (si la intercepción PET p <.05) como la publicación estimada tamaño del efecto medio sin sesgo.

Mi problema, sin embargo, se deriva de este extracto de Stanley y Doucouliagos (2014):

En nuestras simulaciones, siempre se incluye el exceso de heterogeneidad inexplicable; así, según la práctica convencional, REE [estimadores de efectos aleatorios] debería preferirse a FEE [estimadores de efectos fijos]. Sin embargo, la práctica convencional es incorrecta cuando hay selección de publicación. Con la selección de significación estadística, REE siempre está más sesgado que FEE (Tabla 3). Esta inferioridad predecible se debe al hecho de que REE es en sí mismo un promedio ponderado de la media simple, que tiene el mayor sesgo de publicación, y FEE.

Este pasaje me lleva a creer que no debería usar PET-PEESE en modelos metaanalíticos de efectos aleatorios / efectos mixtos, pero un modelo metaanalítico multinivel parecería requerir un estimador de efectos aleatorios.

Estoy desgarrado sobre qué hacer. Quiero poder modelar todos mis tamaños de efectos dependientes, pero al mismo tiempo aprovechar este método particular para corregir el sesgo de publicación. ¿Hay alguna forma de integrar legítimamente la estrategia de metanálisis de 3 niveles con PET-PEESE?

Referencias

Cheung, MWL (2014). Modelado de tamaños de efectos dependientes con metaanálisis de tres niveles: un enfoque de modelado de ecuaciones estructurales. Métodos psicológicos , 19 , 211-229.

Stanley, TD y Doucouliagos, H. (2014). Aproximaciones de meta-regresión para reducir el sesgo de selección de publicación. Research Synthesis Methods , 5 , 60-78.

Respuestas:


4

He trabajado en un metanálisis siguiendo principalmente el enfoque de Cheung (pero no los 3 niveles) y recientemente encontré el enfoque de PET-PEESE para corregir el sesgo de publicación. También me intrigaron las combinaciones de los dos enfoques. Hasta ahora mi experiencia. Creo que hay dos formas de abordar su problema. Una simple y más complicada.

La cita a continuación parece sugerir que los efectos aleatorios exacerban el sesgo de publicación, por lo que me parece que si sospecha que el sesgo de publicación es un problema, no puede simplemente usar un modelo de efectos aleatorios.

Con la selección de significación estadística, REE siempre está más sesgado que FEE (Tabla 3). Esta inferioridad predecible se debe al hecho de que REE es en sí mismo un promedio ponderado de la media simple, que tiene el mayor sesgo de publicación, y FEE.

Supongo que el sesgo de publicación es una preocupación seria.

Enfoque simple: modelar la heterogeneidad bajo PET-PEESE

Si entendí las preguntas correctamente, creo que este enfoque es el punto de partida más pragmático.

El enfoque PET-PEESE se presta a extensiones de regresiones metaanalíticas. Si la fuente de heterogeneidad proviene principalmente de las diferentes variables en los tamaños del efecto, puede modelar la heterogeneidad como efectos fijos al incluir variables indicadoras (1/0) para cada variable *. Además, si sospecha que algunas variables tienen mejores propiedades de medición o están más relacionadas con su construcción de interés, es posible que desee echar un vistazo al estilo de metaanálisis de Hunter y Schmidt. Proponen algunas correcciones para el error de medición.

Este enfoque probablemente le dará una idea inicial del tamaño del sesgo de publicación a través de las intercepciones de PET y PEESE y de la heterogeneidad basada en la variación en los efectos fijos.

El enfoque más complicado: la heterogeneidad del modelo y el sesgo de publicación explícitamente

Me refiero a que modelas explícitamente el sesgo de publicación según el artículo de Stanley y Doucouliagos. También debe escribir explícitamente los tres niveles de Cheung como efectos aleatorios. En otras palabras, este enfoque requiere que usted mismo especifique la probabilidad y probablemente sería una contribución metodológica en sí misma.

Creo que es posible especificar dicha probabilidad (con antecedentes apropiados) siguiendo un enfoque jerárquico de Bayes en Stan y utilizar las estimaciones posteriores. El manual tiene una breve sección sobre metanálisis. La lista de usuarios también es muy útil.

El segundo enfoque probablemente sea excesivo para lo que desea en esta etapa, pero probablemente sería más correcto que el primer enfoque. Y me interesaría saber si funciona.

* Si tiene muchas variables (y no muchos tamaños de efectos), podría ser mejor agrupar variables similares en grupos (sí, eso es una decisión decisiva) y usar variables indicadoras de grupo.

Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.