讓gydF4y2BakgydF4y2Ba是薈萃分析中研究的數量。此外,讓gydF4y2BaxgydF4y2Ba我gydF4y2Ba為研究內治療效果估計(如對數比值比);gydF4y2Ba的研究內方差gydF4y2BaxgydF4y2Ba我gydF4y2Ba,gydF4y2BawgydF4y2Ba我gydF4y2Ba學習的重要性gydF4y2Ba我gydF4y2Ba(gydF4y2Ba我gydF4y2Ba= 1,…,gydF4y2BakgydF4y2Ba)。在本文中,我們總是使用逆方差權重,即:gydF4y2BawgydF4y2Ba我gydF4y2Ba= 1 /gydF4y2Ba若采用固定效應模型,則gydF4y2BawgydF4y2Ba我gydF4y2Ba= 1 / (gydF4y2Ba+gydF4y2BaτgydF4y2Ba2gydF4y2Ba),如果使用隨機效應模型(見下文異質性方差的定義和估計)gydF4y2BaτgydF4y2Ba2gydF4y2Ba)。有幾種統計異質性的測量方法被廣泛使用:gydF4y2Ba
1.科克倫的gydF4y2Ba問gydF4y2Ba統計量,在無異質性的零假設下遵循agydF4y2BaχgydF4y2Ba2gydF4y2Ba分布與gydF4y2BakgydF4y2Ba- 1個自由度[gydF4y2Ba8gydF4y2Ba]。Q由gydF4y2Ba
2.希金斯和湯普森的gydF4y2Ba我gydF4y2Ba2gydF4y2Ba,源自科克倫定律gydF4y2Ba問gydF4y2Ba通過定義[gydF4y2Ba4gydF4y2Ba]gydF4y2Ba
3.研究間方差,gydF4y2BaτgydF4y2Ba2gydF4y2Ba在隨機效應薈萃分析中估計。有幾種估算建議gydF4y2BaτgydF4y2Ba2gydF4y2Ba在元分析中,例如REML估計器或Hedges-Olkin估計器[gydF4y2Ba5gydF4y2Ba- - - - - -gydF4y2Ba7gydF4y2Ba,gydF4y2Ba9gydF4y2Ba]。然而,大多數評論者使用基於時刻的估計gydF4y2BaτgydF4y2Ba2gydF4y2Ba[gydF4y2Ba10gydF4y2Ba],在RevMan中實現[gydF4y2Ba11gydF4y2Ba],計算為gydF4y2Ba
4.gydF4y2BaHgydF4y2Ba2gydF4y2Ba,源自科克倫定律gydF4y2Ba問gydF4y2Ba通過定義[gydF4y2Ba4gydF4y2Ba]gydF4y2Ba
和gydF4y2Ba
5.gydF4y2BaRgydF4y2Ba2gydF4y2Ba,類似於gydF4y2BaHgydF4y2Ba2gydF4y2Ba從gydF4y2BaτgydF4y2Ba2gydF4y2Ba以及所謂的“典型”研究內方差gydF4y2BaσgydF4y2Ba2gydF4y2Ba(必須估算),定義為:gydF4y2Ba
正如在這裏看到的,在其他地方也有描述[gydF4y2Ba4gydF4y2Ba],有些措施直接相關,有些則近似相關。表格gydF4y2Ba1gydF4y2Ba顯示了各種度量的關鍵屬性;更多詳情載於[gydF4y2Ba4gydF4y2Ba]。總而言之:gydF4y2Ba
1.gydF4y2Ba問gydF4y2Ba,這是在gydF4y2BaχgydF4y2Ba2gydF4y2Ba分布與gydF4y2BakgydF4y2Ba- 1個自由度gydF4y2BaHgydF4y2Ba0gydF4y2Ba,為研究均值與固定效應估計值之差的加權平方和。它總是隨著研究的增多而增加,gydF4y2BakgydF4y2Ba,在元分析中。gydF4y2Ba
2.與…相反gydF4y2Ba問gydF4y2Ba,統計數據gydF4y2Ba我gydF4y2Ba2gydF4y2Ba是由希金斯和湯普森提出的gydF4y2Ba4gydF4y2Ba作為獨立於的尺度gydF4y2BakgydF4y2Ba,即薈萃分析中研究的數量。gydF4y2Ba我gydF4y2Ba2gydF4y2Ba被解釋為治療估計中可變性的百分比,該百分比可歸因於研究之間的異質性,而不是抽樣誤差。gydF4y2Ba
3.gydF4y2BaτgydF4y2Ba2gydF4y2Ba描述研究間潛在的可變性。它的平方根,gydF4y2BaτgydF4y2Ba是用與結果相同的單位來衡量的。它的估計不會隨著薈萃分析中研究的數量或規模而係統地增加。gydF4y2Ba
4.gydF4y2BaHgydF4y2Ba2gydF4y2Ba是檢驗統計量。它描述了所觀察到的事物之間的相對差異gydF4y2Ba問gydF4y2Ba以及它在不存在異質性的情況下的期望值。因此,它不會隨著研究數量的增加而係統地增加[gydF4y2Ba4gydF4y2Ba]。gydF4y2BaHgydF4y2Ba對應於徑向(Galbraith)圖中的殘差標準差[gydF4y2Ba12gydF4y2Ba]。gydF4y2BaHgydF4y2Ba= 1表示完全均勻性。gydF4y2Ba
5.gydF4y2BaRgydF4y2Ba2gydF4y2Ba是統計量的平方嗎gydF4y2BaRgydF4y2Ba它描述了與固定效應模型相比隨機效應置信區間的膨脹。它不隨gydF4y2BakgydF4y2Ba。gydF4y2BaRgydF4y2Ba2gydF4y2Ba= 1表示完全均勻性[gydF4y2Ba4gydF4y2Ba]。gydF4y2Ba
注意,與gydF4y2BaτgydF4y2Ba2gydF4y2Ba,措施gydF4y2Ba問gydF4y2Ba,gydF4y2Ba我gydF4y2Ba2gydF4y2Ba,gydF4y2BaHgydF4y2Ba和gydF4y2BaRgydF4y2Ba所有這些都取決於精度,而精度與研究規模成正比[gydF4y2Ba13gydF4y2Ba]。因此,給定一個基礎模型,如果研究規模擴大,置信區間就會變小,異質性(例如)使用gydF4y2Ba我gydF4y2Ba2gydF4y2Ba,增加。這反映在解釋中:agydF4y2Ba我gydF4y2Ba2gydF4y2Ba由研究間異質性引起的變異性百分比是1 -gydF4y2Ba我gydF4y2Ba2gydF4y2Ba是由於抽樣誤差引起的可變性的百分比。當研究變得非常大時,抽樣誤差趨向於0和gydF4y2Ba我gydF4y2Ba2gydF4y2Ba趨於1。這種異質性可能與臨床無關。gydF4y2Ba
我們現在使用模擬進一步探索這一點。首先要注意的是,簡單地觀察按一個共同因素放大所有樣本量的效果(保持它們的處理效果不變)是不合適的。這是因為如果研究規模確實增加,估計將接近每個研究的真實值,而不是固定在原始觀察值上。相反,我們在隨機效應模型下進行模擬。在這個模型下,gydF4y2BaμgydF4y2Ba和gydF4y2BaτgydF4y2Ba2gydF4y2Ba假設為常數,研究中的總方差是多少gydF4y2Ba我gydF4y2Ba是gydF4y2Ba+gydF4y2BaτgydF4y2Ba2gydF4y2Ba,隨著研究樣本量的增加而減小,最終趨於gydF4y2BaτgydF4y2Ba2gydF4y2Ba。gydF4y2Ba
基於隨機效應模型的研究規模膨脹gydF4y2Ba
假設在薈萃分析試驗中gydF4y2Ba我gydF4y2Ba治療效果評估報告gydF4y2BaxgydF4y2Ba我gydF4y2Ba(例如,在對數賠率尺度上)與觀察到的抽樣方差gydF4y2Ba。讓gydF4y2BaτgydF4y2Ba2gydF4y2Ba表示異質性方差。模型是gydF4y2Ba
在哪裏gydF4y2BaμgydF4y2Ba是平均治療效果。對於給定的通脹因素gydF4y2Ba米gydF4y2Ba= 1,2,3,…,the model with inflated sample size (corresponding to an米gydF4y2Ba-精度增加一倍)是gydF4y2Ba
我們為每個通貨膨脹因素生成了一個說明性的元分析。對於每個薈萃分析中的每個試驗,我們生成一個隨機gydF4y2Ba米gydF4y2Ba通過繪製治療效果估計來誇大試驗gydF4y2BaxgydF4y2Ba米gydF4y2Ba,gydF4y2Ba我gydF4y2Ba從這個模型中,使用gydF4y2Ba/gydF4y2Ba米gydF4y2Ba為試驗內抽樣方差和dersimonan - laird估計gydF4y2Ba對於非均質參數gydF4y2BaτgydF4y2Ba2gydF4y2Ba。gydF4y2Ba