মেটা-রিগ্রেশন-এ আমি একটি স্বতন্ত্র ভেরিয়েবল হিসাবে কোনও প্রভাব আকারকে অন্তর্ভুক্ত করতে পারি?

Question

আমার প্রশ্ন হ'ল আমি কী একটি প্রভাব আকারের নির্ভরশীল ভেরিয়েবল হিসাবে এবং অন্য প্রভাবের আকার করে মেটা-রিগ্রেশনে স্বতন্ত্র পরিবর্তনশীল হিসাবে ব্যবহার করতে পারি ?$X$$Y$

উদাহরণস্বরূপ, আমি মদ্যপানের সমস্যায় ব্যায়ামের প্রভাবগুলির জন্য একটি মেটা-বিশ্লেষণ পরিচালনা করেছি এবং আমি উল্লেখযোগ্য ফলাফল এবং উচ্চতর বৈচিত্র্য পেয়েছি। আমি একটি মেটা-রিগ্রেশন করতে চাই এবং উদ্বেগের সেই হস্তক্ষেপগুলির প্রভাবের আকারটি একটি স্বতন্ত্র পরিবর্তনশীল হিসাবে এবং মদ্যপানের সমস্যাগুলির প্রভাব আকারকে নির্ভরশীল ভেরিয়েবল হিসাবে ব্যবহার করতে চাই (ধরে নিই যে প্রতিটি গবেষণায় উদ্বেগ এবং পানীয় উভয়ই সমস্যা নির্ধারণ করা হয়েছে এবং আমি এর প্রভাবটি গণনা করেছি) হেজসের হিসাবে আকার ))$g$

এটি কি আপনার অর্থবোধ করে?

Comments

আমার একমাত্র উদ্বেগ হ'ল আপনার যদি রিগ্রেশন হওয়ার আগে প্রভাবের আকারটি রূপান্তর করা দরকার ... ফিশারের জেড ট্রান্সফর্ম ব্যবহার করে আর রূপান্তর করার অনুরূপ।

— নির্ভরযোগ্য

Answer 1

এই (ভাল) প্রশ্নের উত্তর দেওয়ার জন্য সম্ভবত প্রচলিত মেটা-রিগ্রেশন ছাড়িয়েও মেটা-বিশ্লেষণের বিষয়গুলি সম্বোধন করা প্রয়োজন। ক্লায়েন্টদের মেটা-বিশ্লেষণগুলির সাথে পরামর্শ করার ক্ষেত্রে আমি এই সমস্যার মুখোমুখি হয়েছি তবে এখনও সন্তোষজনক সমাধান খুঁজে পাইনি বা বিকাশ পাইনি, সুতরাং এই উত্তরটি চূড়ান্ত নয়। নীচে আমি নির্বাচিত রেফারেন্স উদ্ধৃতি সহ পাঁচটি প্রাসঙ্গিক ধারণা উল্লেখ করি mention

প্রথমে আমি পরিস্কারের জন্য পরিভাষা এবং স্বরলিপি প্রবর্তন করব। আমি ধরে নিই যে আপনার কাছে স্বতন্ত্র সমীক্ষা থেকে প্রাপ্ত জোড়-আকারের (ES) ডেটা রয়েছে , যেমন স্টাডি এর ইএস অনুমান করে যে সমস্যা (ডিপি) এবং anxiety উদ্বেগের জন্য, , সেইসাথে প্রতিটি অনুমান এর শর্তাধীন / স্যাম্পলিং ভ্যারিয়েন্স (অর্থাত, মান ত্রুটি ছক) বলতে এবং । আসুন স্টাডির দুটি ইএস প্যারামিটারকে (যেমন, সত্য বা অসীম-নমুনা ইএস)) এবংi y D i y A i i = 1 , 2 , … , k v D i v A i i θ D i θ A i μ D = E ( θ D i ) τ 2 D = V a r ( θ D i ) μ এ = ই ( θ এ আই ) $k$$i$$y_{Di}$$y_{Ai}$$i = 1, 2, \ldots, k$$v_{Di}$$v_{Ai}$$i$$\theta_{Di}$$\theta_{Ai}$। এলোমেলো-প্রভাব দেখুন যে এই ES প্যারামিটারগুলি অধ্যয়নের মধ্যে এলোমেলোভাবে পরিবর্তিত হয়, আমরা তাদের মধ্যবর্তী স্টাডিজের মাধ্যম এবং এবং DP এর জন্য এবং জন্য এবং । পৃথক পৃথক ডিপি এবং উদ্বেগের জন্য একটি প্রচলিত মেটা-বিশ্লেষণে (যেমন, ওজন হিসাবে যথার্থতা সহ) আমরা ধরে নিতে পারি যে প্রতিটি ইএস অনুমানের নমুনা বিতরণ জানা বৈকল্পিকের সাথে স্বাভাবিক — যা, এবং সঙ্গে$\mu_D = \mathrm{E}(\theta_{Di})$$\tau_D^2 = \mathrm{Var}(\theta_{Di})$$\mu_A = \mathrm{E}(\theta_{Ai})$ইডিআই| θDi∼N(θDi,vDi)yAi| θএআই∼এন(θএআই,ভিএআই)ভিডিআইভিএ$\tau_A^2 = \mathrm{Var}(\theta_{Ai})$$y_{Di} | \theta_{Di} \sim \mathcal{N}(\theta_{Di}, v_{Di})$$y_{Ai} | \theta_{Ai} \sim \mathcal{N}(\theta_{Ai}, v_{Ai})$$v_{Di}$এবং পরিচিত — কমপক্ষে বড়-অধ্যয়নের নমুনাগুলির জন্য।$v_{Ai}$

আমাদের অগত্যা এই সমস্যাটির এলোমেলো-প্রভাবের দৃষ্টিভঙ্গি নেওয়ার দরকার নেই, তবে তাদের জন্য আমাদের গবেষণার মধ্যে এবং আলাদা করার অনুমতি দেওয়া উচিত। আমরা প্রক্রিয়া এবং ব্যাখ্যা সম্পর্কে সতর্ক হলে (যেমন, বনেট, ২০০৯) আমরা একটি ভিন্ন ভিন্ন স্থির-কার্যকর ফ্রেমওয়ার্কে এটি করতে সক্ষম হতে পারি। এছাড়াও, আমি জানি না যে আপনার ইএসগুলি পারস্পরিক সম্পর্ক, (মানযুক্ত) অর্থ পার্থক্য, (লগ) প্রতিক্রিয়া অনুপাত, বা অন্য কোনও পরিমাপ, তবে আমি নীচে যা বলেছি তার বেশিরভাগ ক্ষেত্রে ইএস মেট্রিকের তেমন কিছু আসে যায় না। θ এ $\theta_{Di}$$\theta_{Ai}$

এখন, পাঁচটি ধারণা।

1. বাস্তুসংস্থান বায়াস: আপনার দুটি ইএস এর মধ্যে একটি অ্যাসোসিয়েশনের মূল্যায়ন একটি অধ্যয়ন-স্তরের প্রশ্নকে সম্বোধন করে , বিষয়-স্তরের নয়প্রশ্ন। আমি মেটা-বিশ্লেষককে আপনার মতো দুটি ইএসের মধ্যে একটি ইতিবাচক সংযোগের অনুপযুক্তভাবে ব্যাখ্যা করতে দেখেছি: যে বিষয়গুলির জন্য হস্তক্ষেপ উদ্বেগ হ্রাস করে ডিপি-তে আরও হ্রাস পায়। অধ্যয়ন-স্তরের ইএস ডেটার বিশ্লেষণগুলি এর মতো বিবৃতি সমর্থন করে না; এটি বাস্তুগতিক পক্ষপাত বা বাস্তুসংক্রান্ত অবজ্ঞার সাথে সম্পর্কযুক্ত (যেমন, বার্লিন এট আল।, 2002; ম্যাকআইনটোস, 1996)। ঘটনাক্রমে, যদি আপনার অধ্যয়ন থেকে কিছু পৃথক রোগী / অংশগ্রহণকারী ডেটা (আইপিডি) থাকে বা কিছু অতিরিক্ত নমুনা অনুমান (যেমন, উদ্বেগ এবং ডিপির মধ্যে প্রতিটি গ্রুপের সম্পর্ক), তবে আপনি মধ্যস্থতা বা মধ্যস্থতা সম্পর্কিত কিছু বিষয়-স্তরের প্রশ্নগুলিতে হস্তক্ষেপের সাথে জড়িত থাকতে পারেন, উদ্বেগ এবং ডিপি, যেমন উদ্বেগ-ডিপি সংস্থায় হস্তক্ষেপের প্রভাব বা উদ্বেগের মাধ্যমে ডিপির উপর হস্তক্ষেপের অপ্রত্যক্ষ প্রভাব (যেমন, হস্তক্ষেপ$\rightarrow$ উদ্বেগ ডিপি)।$\rightarrow$

২. মেটা-রিগ্রেশন সমস্যা: যদিও আপনি কে করতে পারলেন একটি প্রচলিত মেটা-রিগ্রেশন পদ্ধতি যা a কে একটি নির্দিষ্ট, পরিচিত কোভারিয়েট / রেজিস্ট্রার / ভবিষ্যদ্বাণী হিসাবে বিবেচনা করে, সম্ভবত এটি পুরোপুরি উপযুক্ত নয়। এটির সাথে সম্ভাব্য সমস্যাগুলি বোঝার জন্য, এটি সম্ভব হলে পরিবর্তে আমরা কী করতে পারি তা বিবেচনা করুন: on সাধারণ (উদাহরণস্বরূপ, ওএলএস) ব্যবহার করতে হবে কিনা তা পরীক্ষা করতে বা কীভাবে 'দিয়ে গড় covaries গুলি । যদি আমাদের প্রতিটি অধ্যয়নের , তবে করতে প্রচলিত মেটা-রিগ্রেশন ব্যবহার করে y A i y A i θ $y_{Di}$$y_{Ai}$$y_{Ai}$ θ একজন আমি θ ডি আমি θ একজন আমি θ একজন আমি Y ডি আমি θ একজন আমি θ ডি আমি = β 0 + + β 1 θ একজন আমি + + U আমি তোমার আমি Y ডি আমি y A i y A i θ A i v $\theta_{Di}$$\theta_{Ai}$$\theta_{Di}$$\theta_{Ai}$$\theta_{Ai}$$y_{Di}$$\theta_{Ai}$ আমাদের যা চায় তা আমাদের , কারণ (সাধারণ) মধ্যবর্তী স্টাডিজ মডেলটি হ'ল , যেখানে এলোমেলো ত্রুটি। Regress একই পদ্ধতির ব্যবহার উপর অবশ্য দুটি সমস্যা উপেক্ষা করে: পৃথক থেকে কারণে ত্রুটি স্যাম্পলিং (যেমন, সংখ্যায় ) এবং একটি হয়েছে উদ্বেগ এবং ডিপির মধ্যে বিষয়-স্তরের পারস্পরিক সম্পর্কের কারণে সাথে অধ্যয়নের মধ্যে পারস্পরিক সম্পর্ক। আমার সন্দেহ হয় যে এবং মধ্যে অ্যাসোসিয়েশনের বিকৃত করবে$\theta_{Di} = \beta_0 + \beta_1\theta_{Ai} + u_i$$u_i$$y_{Di}$$y_{Ai}$$y_{Ai}$$\theta_{Ai}$ y D i θ D i θ A $v_{Ai}$$y_{Di}$$\theta_{Di}$$\theta_{Ai}$যেমন রিগ্রেশন হ্রাস / ক্ষুদ্র পক্ষপাতের কারণে।

3. বেসলাইন ঝুঁকি:বাইনারি ফলাফলের উপর একটি হস্তক্ষেপের প্রভাবের মেটা-বিশ্লেষণের জন্য # 2 এর মতো সমস্যাগুলির সাথে বেশ কয়েকটি লেখক সমস্যাগুলির সমাধান করেছেন। এই জাতীয় মেটা-বিশ্লেষণে প্রায়শই উদ্বেগ থাকে যে চিকিত্সা প্রভাব চিকিত্সা প্রভাবিত না হওয়াতে বা চিকিত্সা না করা জনসংখ্যার হারের (যেমন, উচ্চতর ঝুঁকিতে থাকা বিষয়গুলির জন্য বৃহত্তর প্রভাব) সহকারে ফলাফল দেয়। এটি নিয়ন্ত্রণ গ্রুপের ঝুঁকি বা ইভেন্টের হার থেকে চিকিত্সার প্রভাব সম্পর্কে পূর্বাভাস দেওয়ার জন্য প্রচলিত মেটা-রিগ্রেশন ব্যবহার করার জন্য প্ররোচিত, যেহেতু পরেরটি অন্তর্নিহিত / জনসংখ্যা / বেসলাইন ঝুঁকিকে উপস্থাপন করে। বেশ কয়েকটি লেখক অবশ্য এই সহজ কৌশল বা প্রস্তাবিত বিকল্প কৌশলগুলির সীমাবদ্ধতা প্রদর্শন করেছেন (উদাহরণস্বরূপ, দোহু এট আল।, 2007; ঘিদে এট আল।, 2007; শ্মিড এট আল।, 1998)। এই কৌশলগুলির মধ্যে কয়েকটি উপযুক্ত হতে পারে বা দুটি মাল্টিপল-এন্ডপয়েন্ট পয়েন্ট ES এর সাথে জড়িত আপনার অবস্থার সাথে খাপ খাইয়ে নিতে পারে।

৪. বাইভারিয়েট মেটা-অ্যানালাইসিস: আপনি এটিকে একটি দ্বিঘাতীয় সমস্যা হিসাবে বিবেচনা করতে পারেন, যেখানে অধ্যয়ন জুটি of এর অনুমান শর্তসাপেক্ষ covariance ম্যাট্রিক্স আইআই - এখানে কমাগুলি পৃথক কলাম এবং একটি আধা-কোলন সারি পৃথক করে। আমরা নীতিগতভাবে, এবং মধ্যবর্তী স্টাডিজ কোভারিয়েন্স-উপাদান ম্যাট্রিক্স অনুমান করতে দ্বিবিভক্ত র্যান্ডম-এফেক্টস মেটা-বিশ্লেষণ ব্যবহার করতে । এমনকি যদি কিছু গবেষণা কেবল বা কেবল contribute অবদান রাখে তবে এটি করা যেতে পারেy i = [ y D i , y A i ] θ i = [ θ D i , θ A i ] V i = [ v D i , v D A i ; v A D i , v A i ] μ = [ μ D , μ A ] টি = [ τ $i$$y_i = [y_{Di}, y_{Ai}]$$\theta_i = [\theta_{Di}, \theta_{Ai}]$$\mathbf{V}_i = [v_{Di}, v_{\mathrm{DA}i}; v_{\mathrm{AD}i}, v_{Ai}]$$\mu = [\mu_D, \mu_A]$yডিভিএডি$\mathbf{T} = [\tau_D^2, \tau_{DA}; \tau_{AD}, \tau_A^2]$ ওয়াই এ আই τ ডি এ = τ এ ডি μ টি θ ডি আই θ এ আই θ ডি আই θ এ আই θ ডি আই θ এ আই θ এ আই θ ডি আই θ এ আই v D A i$y_{Di}$$y_{Ai}$(উদাঃ, জ্যাকসন এট আল।, ২০১০; হোয়াইট, ২০১১)। এছাড়া , এছাড়াও আপনি উদ্বেগ এবং ডিপি কার্যাবলী যেমন মধ্যে যোগসূত্র অন্যান্য ব্যবস্থা অনুমান পারে এবং যেমন মধ্যে পারস্পরিক হিসাবে, এবং , বা -on- রিগ্রেশন । উদ্বেগ-ডিপি অ্যাসোসিয়েশনের এই জাতীয় কোনও পরিমাপ সম্পর্কে কীভাবে সবচেয়ে ভাল সিদ্ধান্ত নেওয়া যায় তা সম্পর্কে আমি নিশ্চিত নই: আমরা কি এবং এলোমেলো হিসাবে বিবেচনা করি, বা সবচেয়ে ভাল ব্যবহার করি স্থির হিসাবে (আমরা যদি অন ​​করে$\tau_{DA} = \tau_{AD}$$\mu$$\mathbf{T}$$\theta_{Di}$$\theta_{Ai}$$\theta_{Di}$$\theta_{Ai}$$\theta_{Di}$$\theta_{Ai}$$\theta_{Ai}$$\theta_{Di}$$\theta_{Ai}$ ), এবং পরীক্ষাগুলি, আত্মবিশ্বাসের বা অন্যান্য অনুমানমূলক ফলাফলের (উদাহরণস্বরূপ, ডেল্টা পদ্ধতি, বুটস্ট্র্যাপ, প্রোফাইলের সম্ভাবনা) জন্য কী পদ্ধতিগুলি সবচেয়ে ভাল? দুর্ভাগ্যজনকভাবে, শর্তসাপেক্ষ covariance comp গণনা করা কঠিন হতে পারে, কারণ এটি উদ্বেগ এবং ডিপির মধ্যে গ্রুপ-এর মধ্যে খুব কমই সংযুক্তির উপর নির্ভর করে; আমি এটি পরিচালনা করার কৌশলগুলিকে এখানে সম্বোধন করব না (উদাঃ, রাইলি এট আল।, ২০১০)।$v_{\mathrm{DA}i} = v_{\mathrm{AD}i}$

৫. মেটা-বিশ্লেষণের জন্য এসইএম: স্ট্রাকচারাল সমীকরণ মডেল (এসইএম) হিসাবে মেটা-অ্যানালিটিক মডেল গঠনের বিষয়ে মাইকে চিউংয়ের কিছু কাজ সমাধানের প্রস্তাব দিতে পারে। তিনি এসইএম সফ্টওয়্যার ব্যবহার করে বিভিন্ন ধরণের ইউনি-এবং মাল্টিভারিয়েট ফিক্সড-, এলোমেলো- এবং মিশ্র-প্রভাব মেটা-বিশ্লেষণ মডেলগুলি প্রয়োগ করার প্রস্তাবিত উপায় এবং তিনি এ জন্য সফ্টওয়্যার সরবরাহ করেন:

http://courses.nus.edu.sg/course/psycwlm/internet/metaSEM/index.html

বিশেষত, চেউং (২০০৯) একটি উদাহরণ অন্তর্ভুক্ত করেছে যাতে এক ইএসকে একটি স্টাডি-লেভেল কোভারিয়েট এবং অন্য একটি ES এর মধ্যস্থতাকারী হিসাবে বিবেচনা করা হয়, যা অন্যের সাথে আপনার ES এর পূর্বাভাস দেওয়ার পরিস্থিতি থেকে জটিল।

তথ্যসূত্র

বার্লিন, জেএ, সান্টান্না, জে।, শ্মিড, সিএইচ, এসচেচ, এলএ, এবং ফিল্ডম্যান, এইচআই (2002)। চিকিত্সা প্রভাব সংশোধনকারীদের তদন্তের জন্য পৃথক রোগী-বনাম গ্রুপ-স্তরের ডেটা মেটা-রিগ্রেশনগুলি: পরিবেশগত পক্ষপাতটি তার কুরুচিপূর্ণ মাথাটিকে দেখা দেয়। মেডিসিনে পরিসংখ্যান, 21, 371-387। ডোই: 10,1002 / sim.1023

বনেট, ডিজি (২০০৯) মানকযুক্ত এবং অ-মানহীন গড় পার্থক্যগুলির জন্য মেটা-অ্যানালিটিকাল ব্যবধানের অনুমান। মনস্তাত্ত্বিক পদ্ধতি, 14, 225–238। ডোই: 10,1037 / a0016619

চেউং, এমডাব্লু-এল। (২০০৯, মে) কাঠামোগত সমীকরণ মডেলগুলির সাহায্যে মডেলিং মাল্টিভারিয়েট ইফেক্ট মাপ। এআর হাফদাহল (চেয়ার) এ, মাল্টিভারিয়াল লিনিয়ার মডেলগুলির জন্য মেটা-বিশ্লেষণে অগ্রগতি। সান ফ্রান্সিসকো, সিএ-এর মনোবিজ্ঞান বিজ্ঞান সমিতির সভায় আমন্ত্রিত সিম্পোজিয়াম উপস্থাপন করা হয়েছিল

দোহু, আই।, স্ট্রিহন, এইচ।, এবং সানচেজ, জে। (2007) মেটা-বিশ্লেষণগুলিতে বৈদ্যুতিনতার উত্স হিসাবে অন্তর্নিহিত ঝুঁকির মূল্যায়ন: বায়েসিয়ান একটি সিমুলেশন অধ্যয়ন এবং তিনটি মডেলের ঘনতান্ত্রিক বাস্তবায়ন। প্রতিরোধমূলক ভেটেরিনারি মেডিসিন, 81, 38-55। ডোই: 10,1016 / j.prevetmed.2007.04.010

গিডি, ডব্লিউ।, লেসফ্রে, ই।, এবং স্টিজনেন, টি। (2007)। মেটা-বিশ্লেষণে বেসলাইন ঝুঁকি বিতরণের আধা-প্যারামেট্রিক মডেলিং। মেডিসিনে পরিসংখ্যান, 26, 5434-5444। ডোই: 10,1002 / sim.3066

জ্যাকসন, ডি, হোয়াইট, আইআর, এবং থম্পসন, এসজি (২০১০)। মাল্টিভিয়ারেট এলোমেলো প্রভাব মেটা-বিশ্লেষণ সম্পাদন করতে ডেরসিমোনিয়ান এবং লেয়ার্ডের পদ্ধতিটি বাড়ানো হচ্ছে। মেডিসিনে পরিসংখ্যান, 29, 1282-1297। ডোই: 10,1002 / sim.3602

ম্যাকিনটোস, এমডাব্লু (1996) মেটা-বিশ্লেষণ এবং শ্রেণিবদ্ধ মডেলগুলিতে (ডক্টরাল গবেষণামূলক) কোনও পরিবেশগত পরামিতি নিয়ন্ত্রণ করা । প্রোকুয়েস্ট গবেষণামূলক প্রবন্ধ এবং থিস ডাটাবেস থেকে উপলব্ধ। (ইউএমআই নং 9631547)

রিলে, আরডি, থম্পসন, জেআর, এবং আব্রামস, কেআর (২০০৮)। বাইরিয়েট এলোমেলো-প্রভাবগুলি মেটা-বিশ্লেষণের জন্য বিকল্প মডেল যখন অভ্যন্তরীণ-অধ্যয়নের পারস্পরিক সম্পর্ক অজানা থাকে। বায়োস্টাটিক্স, 9, 172-186। ডোই: 10,1093 / জৈব পরিসংখ্যান / kxm023

শ্মিড, সিএইচ, লাউ, জে।, ম্যাকআইনটোস, এমডাব্লু, এবং ক্যাপেলারি, জেসি (1998)। ক্লিনিকাল ট্রায়ালগুলির মেটা-বিশ্লেষণে চিকিত্সার কার্যকারিতার পূর্বাভাসক হিসাবে নিয়ন্ত্রণ হারের প্রভাবের একটি অভিজ্ঞতাগত গবেষণা। মেডিসিনে পরিসংখ্যান, 17, 1923-1942। ডোই: 10.1002 / (SICI) 1097-0258 (19980915) 17:17 <1923 :: এইড-SIM874> 3.0.CO; 2-6

হোয়াইট, আইআর (২০১১)। মাল্টিভাইয়ারেট এলোমেলো-প্রভাবগুলি মেটা-রিগ্রেশন: এমভিমেটার আপডেট। স্টাটা জার্নাল, 11, 255-270।

Answer 2

অ্যাডামের উত্তরগুলিতে নির্মিত, আমার কয়েকটি বিবরণ রয়েছে। প্রথম এবং সর্বাগ্রে গুরুত্বপূর্ণ, কীভাবে এবং কেন একটি প্রভাব আকার অন্য প্রভাবের আকারের পূর্বাভাস দেয় সে সম্পর্কে মূল তত্ত্বগুলি ধারণা করা সহজ নয়। একটি মাল্টিভিয়ারেট মেটা-বিশ্লেষণ সাধারণত প্রভাব আকারের মধ্যে সমিতি ব্যাখ্যা করার জন্য যথেষ্ট। আপনি যদি প্রভাব আকারের মধ্যে দিকনির্দেশনাগুলিতে আগ্রহী হন, আপনি উইলিয়াম শাদিশ (শাদিশ, 1992, 1996; শ্যাডিশ অ্যান্ড সুইনি, 1991) এর কাজটিতে আগ্রহী হতে পারেন।

অ্যাডাম যেমন উল্লেখ করেছেন, প্রভাব আকারের মধ্যে মেটা-রিগ্রেশন প্রয়োগ করার ক্ষেত্রে কিছু সমস্যা রয়েছে issues প্রধান সমস্যাটি হ'ল এফেক্ট মাপগুলি শর্তাধীনভাবে পরিচিত রূপগুলি (এবং সমবায়িকাগুলি) দিয়ে বিতরণ করা হয়। একটি কাঠামোগত সমীকরণ মডেলিং (এসইএম) পদ্ধতির সমস্যাটি সমাধানের জন্য ব্যবহার করা যেতে পারে (চেউং, ২০০৮, ২০১৩, প্রেসে)। আমরা সুপ্ত ভেরিয়েবল হিসাবে "সত্য" প্রভাব আকার, এবং । পর্যবেক্ষিত প্রভাব আকারগুলি "সত্য" প্রভাব আকারের সূচক:$\theta_{Di}$$\theta_{Ai}$

$y_{Di} = \theta_{Di} + e_{Di}$ সহ এবং$\mathrm{Var}(e_{Di})=v_{Di}$

$y_{Ai} = \theta_{Ai} + e_{Ai}$ সঙ্গে ।$\mathrm{Var}(e_{Ai})=v_{Ai}$

একবার আমরা এই অংশটি (তথাকথিত পরিমাপের মডেল) তৈরি করলে, একটি কাঠামোগত মডেল সহজেই "সত্য" এফেক্ট মাপগুলির মধ্যে ফিট করা যায়:

$\theta_{Di} = \beta_0 + \beta_1 \theta_{Ai} + u_{Di}$ ,

যেখানে হ'ল এবং ভ্যারিয়েন্স হয় ।$\mathrm{Var}(u_{Di}) = \tau^2_{Di}$$\theta_{Di}$$\mathrm{Var}(\theta_{Ai})=\tau^2_{Ai}$$\theta_{Ai}$

যেহেতু এবং condition শর্তসাপেক্ষে a এর মানের সাথে সম্পর্কিত , তাই সর্বশেষ পদক্ষেপটি এই শর্তসাপেক্ষ covariance মডেল অন্তর্ভুক্ত করা হয়। প্রস্তাবিত মডেলটি হ'ল:$y_{Di}$$y_{Ai}$$v_{DAi}$

প্রচলিত এসএমএম স্বরলিপি ব্যবহার করে, বৃত্ত এবং স্কোয়ারগুলি সুপ্ত এবং পর্যবেক্ষিত ভেরিয়েবলগুলি উপস্থাপন করে। ত্রিভুজটি ইন্টারসেপ্ট (বা গড়) উপস্থাপন করে।

যেহেতু স্যাম্পলিং বৈকল্পিকগুলি এবং কোভেরিয়েনেসগুলি একটি মেটা-বিশ্লেষণে পরিচিত, তাই বেশিরভাগ এসইএম প্যাকেজগুলি এই মডেলটির সাথে মানানসই ব্যবহার করা যায় না। আমি এই মডেলটি ফিট করার জন্য আর এ প্রয়োগ করা ওপেনএমএক্স প্যাকেজটি ব্যবহার করি। আপনি যদি এমপ্লাস ব্যবহার করতে চান, তবে স্যাম্পলিংয়ের পরিচিত রূপগুলি এবং সমবায়িকাগুলি পরিচালনা করার জন্য আপনাকে কিছু কৌশলগুলি করতে হবে (উদাহরণস্বরূপ প্রেস_এতে চেউং দেখুন)।

নিম্নলিখিত উদাহরণটি প্রমাণ করে যে কীভাবে "লাইফেকন" দিয়ে ভবিষ্যদ্বাণী হিসাবে এবং "লাইফ্যাস্যাট" এর সাথে আর এর নির্ভরশীল ভেরিয়েবল হিসাবে ফিট করা যায় তাদের সম্পর্কিত সুপ্ত ভেরিয়েবলগুলিকে "ল্যাটকন" এবং "ল্যাটস্যাট" বলা হয়। ডেটাসেটটি মেটাএসইএম প্যাকেজে http://courses.nus.edu.sg/c ورس/psycwlm/Internet/metaSEM/ এ উপলব্ধ

## Load the library with the data set  
library(metaSEM)
## OpenMx is loaded automatically after loading metaSEM
## library(OpenMx)

## Select the sample effect sizes and their sampling covariance matrix
my.df <- wvs94a[, 2:6]

## It uses the reticular action model (RAM) specification
## A matrix specifies the asymmetric paths (regression coefficients and factor loadings)
## S matrix specifies the symmetric covariances and variances
## F matrix specifies a selection matrix to select the observed variables   
lat <- mxModel("LifesatOnLifeCon",
               mxData(observed=my.df, type="raw"),
               mxMatrix(type="Full", nrow=4, ncol=4,
                        free=c(F, T, rep(F, 14)),
                        values=c(0, 0.1, 1, rep(0,4), 1, rep(0,8)),
                        labels=c(NA, "beta1", rep(NA, 14)),
                        name="A"),
               mxMatrix(type="Symm", nrow=4, ncol=4,
                        values=0, free=c(T,rep(F,3),T,rep(F,5)),
                        labels=c("Var(LifeCon)",rep(NA,3),"Var(LifeSatError)",rep(NA,2),
                                 "data.lifecon_var", "data.inter_cov", "data.lifesat_var"),                        
                        name="S"),            
               mxMatrix(type="Full", nrow=2, ncol=4,
                        values=c(rep(0,4),1,0,0,1), name="F"),
               mxMatrix(type="Full", nrow=1, ncol=4, free=c(T, T, F, F),
                        values=c(0, 0, 0, 0), labels=c("MeanLifeCon", "beta0", NA, NA), name="M"),
               mxExpectationRAM("A", "S", "F", "M", dimnames=c("latcon", "latsat", "lifecon","lifesat")),
                                mxFitFunctionML())

summary(mxRun(lat))

আউটপুটটি হ'ল: লাইফস্যাটঅনলাইফকনের সংক্ষিপ্তসার

free parameters:
               name matrix row    col     Estimate   Std.Error
1             beta1      A   2      1  0.467619431 0.148202854
2      Var(LifeCon)      S   1      1  0.008413600 0.002537270
3 Var(LifeSatError)      S   2      2  0.002887461 0.001281026
4       MeanLifeCon      M   1 latcon  0.068825735 0.016819615
5             beta0      M   1 latsat -0.030834413 0.015565501

observed statistics:  84 
estimated parameters:  5 
degrees of freedom:  79 
-2 log likelihood:  -161.9216 
number of observations:  42 
Information Criteria: 
      |  df Penalty  |  Parameters Penalty  |  Sample-Size Adjusted
AIC:      -319.9216              -151.9216                       NA
BIC:      -457.1975              -143.2332                -158.8909
Some of your fit indices are missing.
  To get them, fit saturated and independence models, and include them with
  summary(yourModel, SaturatedLikelihood=..., IndependenceLikelihood=...). 
timestamp: 2015-01-20 18:56:09 
Wall clock time (HH:MM:SS.hh): 00:00:00.13 
optimizer:  NPSOL 
OpenMx version number: 2.0.0.4004 
Need help?  See help(mxSummary) 

চূড়ান্ত নোট হিসাবে, উপরের মডেলটি "সত্য" এফেক্ট প্রতিনিধিত্ব করে path একটি ডাবল তীর to এ পরিবর্তন করে মেটা-বিশ্লেষণের সমান । দ্বিখণ্ডিত মেটা-বিশ্লেষণ দ্বারা পরিচালিত হতে পারে:τ 2 ডি $\beta_1$$\tau^2_{DA}$

library(metaSEM)
summary( meta(y=cbind(lifesat, lifecon),
              v=cbind(lifesat_var, inter_cov, lifecon_var), 
              data=wvs94a) )

আউটপুটটি হ'ল:

Call:
meta(y = cbind(lifesat, lifecon), v = cbind(lifesat_var, inter_cov, 
    lifecon_var), data = wvs94a)

95% confidence intervals: z statistic approximation
Coefficients:
              Estimate   Std.Error      lbound      ubound z value  Pr(>|z|)
Intercept1  0.00134985  0.01385628 -0.02580797  0.02850766  0.0974 0.9223946
Intercept2  0.06882574  0.01681962  0.03585990  0.10179159  4.0920 4.277e-05
Tau2_1_1    0.00472726  0.00176156  0.00127465  0.00817986  2.6836 0.0072844
Tau2_2_1    0.00393437  0.00168706  0.00062779  0.00724094  2.3321 0.0196962
Tau2_2_2    0.00841361  0.00253727  0.00344064  0.01338657  3.3160 0.0009131

Intercept1    
Intercept2 ***
Tau2_1_1   ** 
Tau2_2_1   *  
Tau2_2_2   ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Q statistic on the homogeneity of effect sizes: 250.0303
Degrees of freedom of the Q statistic: 82
P value of the Q statistic: 0

Heterogeneity indices (based on the estimated Tau2):
                             Estimate
Intercept1: I2 (Q statistic)   0.6129
Intercept2: I2 (Q statistic)   0.7345

Number of studies (or clusters): 42
Number of observed statistics: 84
Number of estimated parameters: 5
Degrees of freedom: 79
-2 log likelihood: -161.9216 
OpenMx status1: 0 ("0" or "1": The optimization is considered fine.
Other values indicate problems.)

আমরা যখন এই দুটি মডেলের -2 লগ সম্ভাবনা তুলনা করি তখন সেগুলি হুবহু একই (-161.9216)। এই ক্ষেত্রে আমরা প্রভাব আকারগুলিতে একটি মেটা-রিগ্রেশন ফিট করে অতিরিক্ত অন্তর্দৃষ্টি অর্জন করতে পারি না - একটি দ্বিবিড়ীয় মেটা-বিশ্লেষণ ইতিমধ্যে যথেষ্ট।

তথ্যসূত্র

চেউং, এমডাব্লু-এল। (2008)। স্থির-, এলোমেলো- এবং মিশ্র-প্রভাবগুলি মেটা-বিশ্লেষণকে কাঠামোগত সমীকরণ মডেলিংয়ে সংহত করার জন্য একটি মডেল । মানসিক পদ্ধতি , 13 (3), 182-202। ডোই: 10,1037 / a0013163

চেউং, এমডাব্লু-এল। (2013)। কাঠামোগত সমীকরণ মডেল হিসাবে বহুবিভাজন মেটা-বিশ্লেষণ । স্ট্রাকচারাল সমীকরণ মডেলিং: একটি বহুমাত্রিক জার্নাল , 20 (3), 429-454। ডোই: 10.1080 / 10705511.2013.797827

চেউং, এমডাব্লু-এল। (2014)। মডেলিং নির্ভর প্রভাব আকারগুলি তিন-স্তরের মেটা-বিশ্লেষণ সহ: একটি কাঠামোগত সমীকরণ মডেলিং পদ্ধতির । মনস্তাত্ত্বিক পদ্ধতি , 19 (2), 211-29। doi: 10.1037 / a0032968।

শাদিশ, ডব্লিউআর (1992)। পরিবার এবং বৈবাহিক মনোচিকিত্সা কী করে লোকেরা যা পরিবর্তন করে? আচরণগত ফলাফলের একটি মেটা-বিশ্লেষণ। টিডি কুক, এইচ। কুপার, ডিএস কর্ড্রে, এইচ হার্টম্যান, এলভি হেজেস, আরজে লাইট, টিএ লুই, এবং এফ মোস্টেলার (এড), ব্যাখ্যার জন্য মেটা-বিশ্লেষণ: একটি কেসবুক (129-208)। নিউ ইয়র্ক: রাসেল সেজ ফাউন্ডেশন।

শাদিশ, ডব্লিউআর (1996)। মেটা-বিশ্লেষণ এবং কার্যকারণ মধ্যস্থতা প্রক্রিয়াগুলির অনুসন্ধান: উদাহরণ, পদ্ধতি এবং বিষয়গুলির একটি প্রাথমিক বিষয় r মানসিক পদ্ধতি , 1 , 47-65।

শাদিশ, ডাব্লুআর, এবং সুইনি, আর। (1991)। মেটা-বিশ্লেষণে মধ্যস্থতাকারী এবং মডারেটরস: একটি কারণ রয়েছে যা আমরা ডোডো পাখিদের বলি না যে কোন সাইকোথেরাপিগুলিতে পুরষ্কার হওয়া উচিত। পরামর্শ ও ক্লিনিকাল সাইকোলজির জার্নাল , 59 , 883-893।

Comments

মাইকে আমাদের সাইটে আপনাকে স্বাগতম, এবং এই অবদানের জন্য আপনাকে অনেক ধন্যবাদ।

— whuber

ধন্যবাদ, @ মাইক, শাদীশের গুরুত্বপূর্ণ কাজটি লক্ষ্য করার জন্য এবং আমার 5 নম্বরে বিশদ দেওয়ার জন্য। আপনি প্রস্তাব হিসাবে, আমি মনে করি আপনার 5-পরামিতি স্ট্রাকচারাল মডেলটি আমার পয়েন্ট # 4 (যেমন, , ) এর সমান এবং ); এবং ব্যাখ্যা সহজ হতে পারে। এবং for এর জন্য অন্যান্য গড়-ও- শ্বর্য কাঠামোগুলি বিবেচনা করা আকর্ষণীয় , বিশেষত আরও প্রভাব-আকারের পরামিতিগুলির সাথে, তবে তাদের বাস্তব-বিশ্বের ঘটনাগুলির ক্ষেত্রে ব্যাখ্যা করা চ্যালেঞ্জ হতে পারে। টি β 1 = τ ডি এ / τ 2 এ β 0 = μ ডি - β 1 μ এ β 0 β 1 μ $\mu$$\mathbf{T}$$\beta_1 = \tau_{DA} / \tau_A^2$$\beta_0 = \mu_D - \beta_1\mu_A$$\beta_0$$\beta_1$$\mu$$\mathbf{T}$

— অ্যাডাম হাফদাহল