PET-PEESEとメタ分析へのマルチレベルアプローチの間で引き裂かれた：幸せな媒体はありますか？

現在、メタ分析に取り組んでいます。そのため、サンプル内にネストされた複数の効果サイズを分析する必要があります。他の可能な戦略の一部とは対照的に、Cheung（2014）の3レベルのメタ分析アプローチによる依存効果サイズのメタ分析（たとえば、依存関係の無視、研究内の効果サイズの平均化、1つの効果サイズの選択、または分析単位のシフト）。私の依存するエフェクトサイズの多くは相関関係であり、かなり独特の（ただし、局所的に関連する）変数が含まれているため、それらを平均しても概念的に意味がありません。

ただし、同時に、メタ分析の影響を推定する過程で、出版バイアスに対処するためのStanley＆Doucouliagos（2014）の方法を使用することにも興味があります。簡単に言うと、メタ回帰モデルを当てはめて、それぞれの分散（精度効果テスト、PET）またはそれぞれの標準誤差（標準誤差を含む精度効果推定、またはPEESE）によって研究効果サイズを予測します。PETモデルの切片の重要性に応じて、PETモデルからの切片（PET切片p > .05の場合）またはPEESEモデル（PET切片p <.05の場合）を推定されたパブリケーションとして使用します。バイアスのない平均効果サイズ。

私の問題は、しかし、スタンレーとドゥクーリアゴス（2014）のこの抜粋に起因します。

私たちのシミュレーションでは、原因不明の過剰な異質性が常に含まれています。したがって、従来の慣例では、REE [ランダム効果推定量]はFEE [固定効果推定量]よりも優先されます。ただし、出版物の選択がある場合、従来の方法は間違っています。統計的有意性の選択により、REEは常にFEEよりバイアスされます（表3）。この予測可能な劣等性は、REE自体が最大の出版バイアスを持つ単純平均とFEEの加重平均であるという事実によるものです。

この一節から、変量効果/混合効果メタ分析モデルでPET-PEESEを使用するべきではないと信じるようになりましたが、マルチレベルのメタ分析モデルには変量効果推定量が必要なようです。

私は何をすべきかについて引き裂かれています。依存しているすべての効果サイズをモデル化できるようにしたいのですが、同時にこの特定の方法で出版バイアスを補正しています。3レベルのメタ分析戦略をPET-PEESEと合法的に統合する方法はありますか？

参考文献

Cheung、MWL（2014）。3レベルのメタ分析による依存効果サイズのモデリング：構造方程式モデリングアプローチ。心理的方法、19、211から229まで。

Stanley、TD、＆Doucouliagos、H.（2014）。出版物選択バイアスを減らすためのメタ回帰近似。研究の合成方法、5、60から78。

私は主にCheungアプローチ（ただし3レベルではない）に従ってメタ分析に取り組み、最近、出版バイアスを修正するためのPET-PEESEアプローチに出くわしました。2つのアプローチの組み合わせにも興味をそそられました。これまでのところ私の経験。私はあなたの問題に取り組む2つの方法があると思います。単純なものとより複雑なもの。

以下の引用は、変量効果が出版バイアスを悪化させることを示唆しているように思われるので、私には、出版バイアスが問題であると思われる場合、変量効果モデルを単に使用することはできないようです。

統計的有意性の選択により、REEは常にFEEよりバイアスされます（表3）。この予測可能な劣等性は、REE自体が最大の出版バイアスを持つ単純平均とFEEの加重平均であるという事実によるものです。

私は出版バイアスが深刻な懸念であると思います。

シンプルなアプローチ：PET-PEESEでの不均一性のモデル化

質問を正しく理解していれば、このアプローチが最も実用的な出発点だと思います。

PET-PEESEアプローチは、メタ分析回帰の拡張に適しています。不均一性の原因が主に効果サイズのさまざまな変数に由来する場合、各変数のインジケーター変数（1/0）を含めることにより、不均一性を固定効果としてモデル化できます*。さらに、いくつかの変数がより良い測定プロパティを持っているか、関心のある構成に関連していると思われる場合は、メタ分析のハンターおよびシュミットスタイルを確認することをお勧めします。彼らは測定誤差のいくつかの修正を提案します。

このアプローチは、おそらく、PETおよびPEESEインターセプトを介したパブリケーションバイアスのサイズと、固定効果の分散に基づく不均一性の最初のアイデアを提供します。

より複雑なアプローチ：異質性と公開バイアスを明示的にモデル化する

スタンレーとドゥクーリアゴスの論文に従って、出版バイアスの発生を明示的にモデル化することを意味します。また、Cheungの3つのレベルを変量効果として明示的に書き出す必要があります。言い換えると、このアプローチでは、可能性を自分で指定する必要があり、おそらくそれ自体が方法論的な貢献になるでしょう。

私は、スタンでの階層ベイズアプローチに従ってこのような可能性を（適切な事前確率で）指定し、事後推定を使用することは可能だと思います。このマニュアルには、メタ分析に関する短いセクションがあります。ユーザーリストも非常に役立ちます。

2番目のアプローチは、おそらくこの段階でやりたいことに対してはやり過ぎですが、おそらく最初のアプローチよりも正しいでしょう。そして、それが機能するかどうかに興味があります。

*変数がたくさんある（エフェクトサイズが少ない）場合は、類似の変数をグループにグループ化し（そう、それが判断の呼び出しです）、グループインジケーター変数を使用する方がよい場合があります。