我想知道我的元分析结果的解释。元变量回归:方差在哪里?
设置非常简单:我有一个包含变量TVAL(取自一组主要研究)的数据集y。 TVAL是标准化的,因此其所有观测值的标准误差(来自主要研究的抽样标准误差)均为1。 SHORTREF是代表不同主要研究的因素。
我现在恒定执行一个简单的元回归,使用metafor包:
> m<-rma.mv(yi=TVAL, V=1, random= ~ 1|SHORTREF, intercept=TRUE, method="REML", data=y)
> summary(m)
Multivariate Meta-Analysis Model (k = 933; method: REML)
logLik Deviance AIC BIC AICc
-3056.0316 6112.0633 6116.0633 6125.7379 6116.0762
Variance Components:
estim sqrt nlvls fixed factor
sigma^2 6.6821 2.5850 84 no SHORTREF
Test for Heterogeneity:
Q(df = 932) = 8115.1664, p-val < .0001
Model Results:
estimate se zval pval ci.lb ci.ub
-0.5544 0.2861 -1.9375 0.0527 -1.1151 0.0064 .
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
残余异质性(西格马^ 2)是6.6821。再加上主要研究的抽样方差(由于标准化而为1),总方差为6.6821 + 1 = 7.6821。 但是,我的回归和TVAL的总方差是var(y$TVAL)
= 8.70726。这意味着,我“遗漏”了我的总方差的一部分,既不是抽样方差也不是残差异质性。这种效果显示不出来,如果我离开了1|SHORTREF
因素:
> m<-rma(yi=TVAL, sei=1, intercept=TRUE, method="REML", data=y)
> summary(m)
Random-Effects Model (k = 933; tau^2 estimator: REML)
logLik deviance AIC BIC AICc
-2330.9480 4661.8959 4665.8959 4675.5706 4665.9088
tau^2 (estimated amount of total heterogeneity): 7.7073 (SE = 0.4034)
tau (square root of estimated tau^2 value): 2.7762
I^2 (total heterogeneity/total variability): 88.52%
H^2 (total variability/sampling variability): 8.71
Test for Heterogeneity:
Q(df = 932) = 8115.1664, p-val < .0001
Model Results:
estimate se zval pval ci.lb ci.ub
-0.5964 0.0966 -6.1731 <.0001 -0.7857 -0.4070 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
这里,残余的异质性的tau^2的总方差var(y$TVAL)
= 8.70726减去1
也许我的抽样误差,这是真的很简单,我只是没有得到它,但任何想法为什么在第一个模型(与1|SHORTREF
因素的一个)不是完全方差的TVAL分裂成假设的两个误差分量(采样和残余异质性)?
谢谢!你的帮助真的很感激。
帮助解释统计模型的结果不作为具体的编程问题的质量。如果您对统计方法的应用有疑问,您应该在[stats.se]上提问关于统计问题是否在话题上的问题。 – MrFlick