मेटा-विश्लेषण के लिए पीईटी-पीईईएस और मल्टीलेवल दृष्टिकोण के बीच फटे: क्या एक खुशहाल माध्यम है?


10

मैं वर्तमान में मेटा-विश्लेषण पर काम कर रहा हूं, जिसके लिए मुझे नमूनों के भीतर निहित कई प्रभाव आकारों का विश्लेषण करने की आवश्यकता है। मैं चेग के 2014 (2014) के तीन-स्तरीय मेटा-एनालिसिस अप्रोच पर मेटा-एनालाइजिंग डिपेंडेंट इफेक्ट साइज के लिए आंशिक हूं, कुछ अन्य संभावित रणनीतियों के विपरीत (जैसे, निर्भरता की अनदेखी, पढ़ाई के भीतर औसत आकार, एक प्रभाव आकार का चयन, या विश्लेषण की इकाई को स्थानांतरित करना)। मेरे कई आश्रित प्रभाव आकार सहसंबंध काफी विशिष्ट (लेकिन सामयिक रूप से संबंधित) चर हैं, इसलिए उनमें से औसतन वैचारिक अर्थ नहीं होता है, और अगर ऐसा हुआ भी, तो यह मेरे कुल प्रभाव आकारों की संख्या में लगभग आधे का विश्लेषण करेगा।

इसी समय, हालांकि, मैं मेटा-एनालिटिक प्रभाव का अनुमान लगाने के लिए प्रकाशन पूर्वाग्रह को संबोधित करने के स्टैनली और डकौलीगोस (2014) पद्धति का उपयोग करने में भी दिलचस्पी रखता हूं। संक्षेप में, एक या तो एक मेटा-रिग्रेशन मॉडल को उनके संबंधित भिन्न (सटीक प्रभाव परीक्षण, या पीईटी), या उनके संबंधित मानक त्रुटियों (मानक त्रुटियों, या पीईईएसई के साथ सटीक प्रभाव अनुमान) द्वारा अध्ययन प्रभाव आकारों की भविष्यवाणी करने के लिए फिट बैठता है। पीईटी मॉडल में अवरोधन के महत्व के आधार पर, एक या तो पीईटी मॉडल (यदि पीईटी अवरोधन p > .05) या PEESE मॉडल (यदि पीईटी अवरोधन p <.05) अनुमानित प्रकाशन के रूप में अवरोधन का उपयोग करता है- पूर्वाग्रह मुक्त माध्य प्रभाव आकार।

हालाँकि, मेरी समस्या, स्टैनली और डौकौलीगोस (2014) के इस अंश से उपजी है:

हमारे सिमुलेशन में, अधिक अस्पष्टीकृत विषमता हमेशा शामिल होती है; इस प्रकार, पारंपरिक अभ्यास द्वारा, REE [यादृच्छिक-प्रभाव अनुमानक] को FEE [निश्चित-प्रभाव अनुमानक] से अधिक पसंद किया जाना चाहिए। हालांकि, प्रकाशन चयन होने पर पारंपरिक प्रथा गलत है। सांख्यिकीय महत्व के लिए चयन के साथ, REE हमेशा FEE (तालिका 3) की तुलना में अधिक पक्षपाती है। यह अनुमानित हीनता इस तथ्य के कारण है कि आरईई अपने आप में सरल औसत का एक भारित औसत है, जिसमें सबसे बड़ा प्रकाशन पूर्वाग्रह है, और एफईई है।

यह मार्ग मुझे यह विश्वास दिलाता है कि मुझे पीईटी-पीईईएसई का उपयोग यादृच्छिक-प्रभाव / मिश्रित-प्रभाव मेटा-एनालिटिक मॉडल में नहीं करना चाहिए, लेकिन एक बहुस्तरीय मेटा-एनालिटिक्स मॉडल को यादृच्छिक-प्रभाव अनुमानक की आवश्यकता होगी।

मैं फटा हुआ हूं कि क्या करना है। मैं अपने सभी आश्रित प्रभाव आकारों को मॉडल करने में सक्षम होना चाहता हूं, लेकिन साथ ही साथ प्रकाशन के पूर्वाग्रह को सुधारने के इस विशेष तरीके का लाभ उठाएं। क्या मेरे पास पीईटी-पीईईएसई के साथ 3-स्तरीय मेटा-विश्लेषण रणनीति को वैध रूप से एकीकृत करने का कोई तरीका है?

संदर्भ

चेउंग, MWL (2014)। तीन-स्तरीय मेटा-विश्लेषणों के साथ आश्रित प्रभाव आकार मॉडलिंग: एक संरचनात्मक समीकरण मॉडलिंग दृष्टिकोण। मनोवैज्ञानिक तरीके , 19 , 211-229।

स्टेनली, टीडी, और डॉकौलीगोस, एच। (2014)। प्रकाशन चयन पूर्वाग्रह को कम करने के लिए मेटा-रिग्रेशन सन्निकटन। अनुसंधान संश्लेषण के तरीके , 5 , 60-78।

जवाबों:


4

मैंने मुख्य रूप से चेउंग दृष्टिकोण (लेकिन 3 स्तरों का नहीं) के बाद एक मेटा-विश्लेषण पर काम किया है और हाल ही में प्रकाशन पूर्वाग्रह को सुधारने के लिए पीईटी-पीईईएस दृष्टिकोण पर आया था। मुझे दो दृष्टिकोणों के संयोजन में भी अंतर्ज्ञान था। अब तक का मेरा अनुभव। मुझे लगता है कि आपकी समस्या से निपटने के दो तरीके हैं। एक साधारण एक और एक अधिक जटिल।

नीचे दिए गए उद्धरण से लगता है कि यादृच्छिक प्रभाव प्रकाशन पूर्वाग्रह को बढ़ा देते हैं इसलिए मुझे ऐसा लगता है कि यदि आपको प्रकाशन के पूर्वाग्रह का संदेह है, तो आप बस एक यादृच्छिक प्रभाव मॉडल का उपयोग नहीं कर सकते।

सांख्यिकीय महत्व के लिए चयन के साथ, REE हमेशा FEE (तालिका 3) की तुलना में अधिक पक्षपाती है। यह अनुमानित हीनता इस तथ्य के कारण है कि आरईई अपने आप में सरल औसत का एक भारित औसत है, जिसमें सबसे बड़ा प्रकाशन पूर्वाग्रह है, और एफईई है।

मैं मान रहा हूं कि प्रकाशन पूर्वाग्रह एक गंभीर चिंता है।

सरल दृष्टिकोण: पीईटी-पीईएसई के तहत विषमता का मॉडल

यदि मुझे प्रश्नों को सही तरीके से समझ में आया है, तो मुझे लगता है कि यह दृष्टिकोण सबसे व्यावहारिक शुरुआती बिंदु है।

PET-PEESE का दृष्टिकोण मेटा-एनालिटिक रिग्रेशन के एक्सटेंशन तक ही पहुँचता है। यदि विषमता का स्रोत मुख्य रूप से प्रभाव के आकारों में विभिन्न चर से उपजा है, तो आप प्रत्येक चर के लिए सूचक चर (1/0) को शामिल करके निश्चित प्रभाव के रूप में विषमता को मॉडल कर सकते हैं। इसके अलावा, यदि आपको संदेह है कि कुछ चर में बेहतर माप गुण हैं या आपकी रुचि के निर्माण से संबंधित हैं, तो आप मेटा-एनालिसिस के हंटर और श्मिट शैली पर एक नज़र डालना चाहते हैं। वे माप त्रुटि के लिए कुछ सुधार प्रस्तावित करते हैं।

यह दृष्टिकोण शायद आपको पीईटी और PEESE इंटरसेप्ट्स के माध्यम से प्रकाशन पूर्वाग्रह के आकार का एक प्रारंभिक विचार देगा और निश्चित प्रभावों में विचरण के आधार पर विषमता का।

अधिक जटिल दृष्टिकोण: स्पष्ट रूप से मॉडल विविधता और प्रकाशन पूर्वाग्रह

मेरा मतलब है कि आप स्पष्ट रूप से स्टेनली और डकौलीगोस पेपर के अनुसार प्रकाशन पूर्वाग्रह की घटना को मॉडल करते हैं। आपको स्पष्ट रूप से यादृच्छिक प्रभाव के रूप में चेउंग के तीन स्तरों को भी लिखना होगा। दूसरे शब्दों में, इस दृष्टिकोण से आपको खुद को संभावना निर्दिष्ट करने की आवश्यकता होती है और शायद यह अपने आप में एक पद्धतिगत योगदान होगा।

मुझे लगता है कि स्टेन में एक पदानुक्रमित बेयस दृष्टिकोण के बाद इस तरह की संभावना (उचित पुजारियों के साथ) को निर्दिष्ट करना संभव है और पश्च अनुमानों का उपयोग करें। मैनुअल मेटा-विश्लेषण पर एक छोटा भाग है। उपयोगकर्ताओं की सूची भी बहुत उपयोगी है।

दूसरा दृष्टिकोण संभवतः इस स्तर पर ओवरक्लिल है जो आप इस स्तर पर चाहते हैं लेकिन यह संभवतः पहले दृष्टिकोण की तुलना में अधिक सही होगा। और मुझे इसमें दिलचस्पी होगी कि क्या यह काम करता है।

* यदि आपके पास बहुत सारे चर हैं (और बहुत अधिक प्रभाव आकार नहीं हैं) तो समान चर को समूहों में समूहित करना बेहतर हो सकता है (हाँ, यह एक निर्णय कॉल है), और समूह सूचक चर का उपयोग करें।

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.