タグ付けされた質問 「meta-analysis」

さまざまなソースのデータを組み合わせたい。 化学的性質（例えば分配係数）を推定したいとしましょう： いくつかの経験的データがありますが、平均値周辺の測定誤差により変動します。 次に、他の情報から推定値を予測するモデルがあります（モデルには不確実性もあります）。 これら2つのデータセットを組み合わせるにはどうすればよいですか？[結合された推定値は、別のモデルで予測子として使用されます]。 メタ分析とベイズ法が適しているようです。しかし、それを実装する方法やアイディアはあまり見つかりませんでした（私はRを使用していますが、PythonとC ++にも精通しています）。 ありがとう。 更新 わかりました、これはより現実的な例です： 化学物質の毒性を推定するために（通常、 =動物の50％が死亡する濃度）ラボ実験を行います。幸いにも、実験の結果はデー​​タベース（EPA）に収集されます。LC50LC50LC_{50} 殺虫剤Lindaneの値をいくつか示します。 ### Toxicity of Lindane in ug/L epa <- c(850 ,6300 ,6500 ,8000, 1990 ,516, 6442 ,1870, 1870, 2000 ,250 ,62000, 2600,1000,485,1190,1790,390,1790,750000,1000,800 ) hist(log10(epa)) # or in mol / L # molecular weight of Lindane mw = 290.83 …

8 r  bayesian  meta-analysis  jags 

関連する質問が2つあります。どちらも、私が行っているメタ分析に関連しています。ここで、主要な結果は標準化された平均差で表されます。 私の研究には、標準化された平均差を計算するために使用できる複数の変数があります。1つの変数で計算された標準化された平均差が、他の変数の標準化された平均差とどの程度一致しているかを知りたいのですが。私の考えでは、この質問は、2組の標準化された平均差の違いに関するメタ分析として表現できます。ただし、同じ研究内の2つの標準化された平均差の差の効果サイズとサンプリング誤差を決定するのに問題があります。 別の方法で私の問題を表現するために、グループとと結果変数とた2条件の検討を考えてみ。これら2つの結果変数は、として相関しています。とにわたると標準化された平均差を計算して、、、およびそれらのサンプリング分散とます。以下の状況の非常に単純な図を含めました。g1g1g_1g2g2g_2v a r1var1var_1v a r2var2var_2c o r （v a r1、V Rを2）cor(var1,var2)cor(var_1, var_2)v a r1var1var_1v a r2var2var_2g1g1g_1g2g2g_2dv a r 1dvar1d_{var1}dv a r2dvar2d_{var_2}vdv a r1vdvar1v_{d_{var_1}}vdv a r2vdvar2v_{d_{var_2}} とをとして計算するとします。との標準化された平均差をとして計算できます。これにはサンプリング分散ます。 v a r 2 d i f f g 1 g 2 d d i f f v d d i f …

8 standard-error  meta-analysis  effect-size 

私は、結果をオッズ比、ハザード比、またはレート比（すべて信頼区間）としてさまざまに報告するいくつかの研究のメタ分析を行っています。すべての研究のメタ分析を行えるように、これらを組み合わせたり変換したりする方法はありますか？

8 meta-analysis  odds-ratio 

背景：冠状動脈疾患のいくつかの画像モダリティを含む系統的レビューに取り組んでいますが、エビデンスネットワークは非常に大きく、さまざまなモダリティも含まれています。 ネットワークメタ分析は、ランダム化比較試験の確立されたアプローチであり、WinBUGS、Stata、R、およびSASでいくつかの潜在的なアプローチを利用できます。 ただし、診断テストの精度調査のネットワークメタ分析を実施できるかどうかは知りません。 質問：診断テストの精度調査のネットワークメタ分析を実施するための、意味のある堅牢なアプローチはありますか？ 試み：私の考えでは、診断オッズ比（DOR）を効果の推定値として使用し、たとえばnetmetaRパッケージまたは同様のアプローチを使用して、エビデンスネットワークフレームワーク内の標準的な手法でプールすることができます。（参照：ネットワークのメタ分析に最適な方法はどれですか？） 更新： GGAと広範な検索からのフィードバックに基づいて、潜在的に適切なアプローチとして言及することができます：メンテンとレザッフルが診断テストの精度の研究のベイジアンネットワークメタ分析を実施するために提案したベイジアン法（メンテンとレザッフル、BMC Med Res Methodol 2015） 、およびNyagaらによって提案された2つの異なるベイズ法（Nyagaら、Stat Methods Med Res 2016、Nyagaら、Stat Methods Med Res 2016）。

8 meta-analysis  diagnostic  network-meta-analysis  systematic-review 

Nature Neuroscienceの2013年のレビュー記事で、Button et al。停電：小さなサンプルサイズは、神経科学の信頼性を損なう理由は、それがあると述べました。 神経科学の研究の平均統計力は非常に低い 彼らはメタ分析を検索し、それぞれのポストホックパワーを計算し、中央値のポストホックパワーを取ることによって結果を組み合わせました。中央値は20％でした。わかりません。事後電力は、常に本質的に達成されたp値に関連付けられています。中央値のp値が〜0.3のようなもので、ポストホックパワーが20％であることを記述するのと同じではないでしょうか。 では、基本的に、この結果はどのように神経科学の研究の質を損なうのでしょうか？彼らは多くの有意でないp値を用いた研究を発表しているようです。 このレビューは非常に有名な著者によるNature Neuroscienceの研究なので、私の解釈には欠陥がある可能性が高いと思います。 編集：名目上の有意性のある研究のみが含まれているとしたら、ある点がわかるでしょう。その場合、中央値パワーは、重要な発見の中央値複製確率を示します。

7 p-value  meta-analysis  power  neuroscience  replicability