Meta分析是综合现有证据的重要工具。

我们围绕Meta技术进行一些咨询，帮助客户解决独特的业务问题。它通常用于医学和临床环境中，以评估关于治疗或暴露对感兴趣结果的影响的现有证据。基本思想是将先前研究中感兴趣的影响的估计汇总在一起。在进行Meta分析时必须做出的选择是固定效应和随机效应之间的选择。在这篇文章中，我们将看看这种选择的一些后果，实际上研究正在测量不同的效果。

设置

我们假设我们对n个研究对我们感兴趣的影响进行了估计。

固定效应Meta分析

在固定效应荟萃分析中，我们假设所包含的每项研究都在估计相同的基础参数。

随机效应Meta分析

相比之下，在随机效应荟萃分析中，我们假设每项研究都在估计研究特定的真实效果。观察到的估计异质性归因于两个来源：1）研究之间的真实效应异质性，以及2）研究内抽样误差。

固定与随机效应Meta分析

我们使用哪种方法会影响我们获得的估计总体效果及其相应的95％置信区间，因此决定哪种方法适合在任何给定情况下使用是很重要的。我个人认为，这个决定应该基于对成分研究的了解，而不是基于实际查看点估计。

两种方法之间的另一个明显差异是，固定效应荟萃分析的计算标准误差小于随机效应荟萃分析的计算标准误差。这可能会使研究人员相信固定效应估计更精确。

R中的模拟研究

为了进行模拟研究，我们将模拟30项研究的重复荟萃分析。

然后，我们执行固定效应和随机效应荟萃分析。代码如下所示：

fixedEffectEsts < -  array（0，dim = c（nSims））
fixedCI < -  array（0，dim = c（nSims，2））
randomEffectEsts < -  array（0，dim = c（nSims））
randomCI < -  array（0，dim = c（nSims，2））for（i in 1：nSims）{trueEffects < -  rnorm（nStudies，mean = 1，sd = 0.1）#sample在研究标准偏差范围内withinStudySD < -  rgamma（nStudies，shape = 2.5，scale = 0.04）studyEstimate < -  rnorm（nStudies，mean = trueEffects，sd = withinStudySD）#fixed effects meta-analysismaFixed < -  （studyEstimate~1，S = withinStudySD ^ 2，method =“fixed”）fixedEffectEsts [i] < -  coef（maFixed）fixedCI [i，] < -  c（coef（maFixed）-1.96 * maFixed $ vcov ^ 0.5，coef（maFixed）+ 1.96 * maFixed $ vcov ^ 0.5）#random-effects元分析maRandom < -  （studyEstimate~1，S = withinStudySD ^ 2，method =“mm”）randomEffectEsts [i] < -  coef（maRandom）randomCI [i，] < -  c（coef（maRandom）-1.96 * maRandom $ vcov ^ 0.5，coef（maRandom）+ 1.96 * maRandom $ vcov ^ 0.5）
}

#ci覆盖范围

mean（（fixedCI [，1] <1）＆（fixedCI [，2]> 1））
mean（（randomCI [，1] <1）＆（randomCI [，2]> 1））

R代码的最后几行计算1000次模拟中固定和随机效应估计的平均值和SD，然后计算95％置信区间的覆盖范围。当我运行我获得的代码时：

> mean（fixedEffectEsts）
[1] 0.9990649
> sd（fixedEffectEsts）
[1] 0.04939415
>
> mean（randomEffectEsts）
[1] 1.000967
> sd（randomEffectEsts）
[1] 0.0242558
>
> #置信区间
> mean（（fixedCI [，1] <1）＆（fixedCI [，2]> 1））
[1] 0.322
> mean（（randomCI [，1] <1）＆（randomCI [，2]> 1））
[1] 0.926

首先要注意的是，固定效应方法仍然是无偏的，即使数据是基于随机效应模型进行模拟的。然而，我们发现固定效应方法的SD要大得多（随机效应为0.049对0.024）。或者换句话说，随机效应估计器是一种更精确的估计。

对这种明显矛盾的解释是，当实际存在研究异质性之间时，由固定效应方法计算的标准误差是无效的。

结论

我从这个小型模拟研究中得出的结论是，应该警惕使用固定效应分析，除非人们相信meta分析中的研究正在估计相同的共同效应。

R语言中固定与随机效应Meta分析 - 效率和置信区间覆盖相关推荐

R语言中的多项式回归、局部回归、核平滑和平滑样条回归模型
全文下载链接:http://tecdat.cn/?p=20531 当线性假设无法满足时,可以考虑使用其他方法(点击文末"阅读原文"获取完整代码数据). 相关视频多项式回归扩展可 ...
r语言 rgl 强制过程中_一个R语言中操纵矢量空间数据的标准化工具—sf
注: 本文是R语言sf包的核心开发者和维护者--来自德国明斯特大学的地理信息学教授:Edzer Pebesma 的一篇关于sf包的简介,发表于2018年7月的R语言期刊,主要讲述了sf的定位.功能. ...
r语言中正定矩阵由于误差不正定_R语言之数据处理(一)
在上一篇小文中,提到了关于R语言导入数据的一些方法,之后的重点就转向了数据的处理上.数据处理其实在整个数据分析项目中所占用的时间是比较多的,所以根据处理的目的不同,也有不同的处理方法.在R语言中,我通 ...
技巧 | 在R语言中使用高德地图的API进行地理/逆地理编码（地址与经纬度的相互转换）...
高德地图和百度地图都提供了坐标拾取系统,通过坐标查询或坐标反查操作可以查询一个地址对应的经纬度或经纬度对应的地址名称.但是,手动查询的方式效率很低,也不能进行批量查询. 本篇就来介绍在R语言中调用高德 ...
c语言比率分布函数 rate(m),R语言中统计分布和模拟_R语言培训
R语言中统计分布和模拟前言很多应用都需要随机数.像interlink connection,密码系统.视频游戏.人工智能.优化.问题的初始条件,金融等都需要生成随机数.但实际上目前我们并没有&qu ...
R语言中如何进行PCA分析？利用ggplot和prcomp绘制基因表达量分析图
学习笔记的主要内容是在R语言中利用ggplot2进行PCA分析和绘图,包括简单分析与操作流程,对比不同方式得到的结果差异,提供脚本代码供练习. PCA分析的原理在处理基因差异表达数据时,有时候需要分 ...
用r语言画出y = ax^2 + bx + c,R语言中如何使用最小二乘法
这里只是介绍下R语言中如何使用最小二乘法解决一次函数的线性回归问题. 代码如下: > x > y > lsfit(x,y) 结果如下: $coefficients Intercept ...
R语言CART决策树、随机森林、chaid树预测母婴电商平台用户寿命、流失可视化
全文链接:http://tecdat.cn/?p=31644 借着二胎政策的开放与家庭消费升级的东风,母婴市场迎来了生机盎然的春天,尤其是母婴电商行业,近年来发展迅猛(点击文末"阅读原文&q ...
还在被R语言中的因子factor毒打吗
还在被R语言中的因子 factor毒打吗? 视频教程在B站或者微信里搜这个标题即可. 一.R语言为什么要设计出因子factor? Python中没有因子的概念,为什么R中会有呢? 首先,我们知道,R语 ...

R语言中固定与随机效应Meta分析 - 效率和置信区间覆盖

设置

固定效应Meta分析

随机效应Meta分析

固定与随机效应Meta分析

R中的模拟研究

结论

R语言中固定与随机效应Meta分析 - 效率和置信区间覆盖相关推荐

最新文章

热门文章