WikiDer > Мета-регрессия - Википедия

Эта статья включает в себя список общих Рекомендации, но он остается в основном непроверенным, потому что ему не хватает соответствующих встроенные цитаты. Пожалуйста, помогите улучшать эта статья введение более точные цитаты. (Июль 2012 г.) (Узнайте, как и когда удалить этот шаблон сообщения)

Мета-регрессия это инструмент, используемый в метаанализ изучить влияние переменные модератора по величине эффекта исследования с использованием регресс-основанные техники. Мета-регрессия более эффективна в решении этой задачи, чем стандартные метааналитические методы.^[1]

Мета-регрессионные модели

Мета-регрессионный анализ (MRA) - это количественный метод проведения обзоры литературы. Мета-регрессия приобрела популярность в социальных, поведенческих и экономических науках. Важные приложения были сосредоточены на уточнении оценок параметров, важных для политики, проверке экономических теорий, объяснении неоднородности и оценке потенциальных предубеждений. Как правило, в литературе по метаанализу можно выделить три типа моделей: простая регрессия, мета-регрессия с фиксированным эффектом и мета-регрессия со случайными эффектами.

Простая регрессия

Модель может быть указана как

${ displaystyle y_ {j} = beta _ {0} + beta _ {1} x_ {1j} + beta _ {2} x_ {2j} + cdots + varepsilon}$

Где ${ displaystyle y_ {j}}$ размер эффекта в исследовании ${ displaystyle j}$ и ${ displaystyle beta _ {0}}$ (перехват) предполагаемый общий размер эффекта. Переменные ${ Displaystyle х_ {я.} (я = 1 ldots k)}$ указать различные характеристики исследования, ${ displaystyle varepsilon}$ определяет вариацию между исследованиями. Обратите внимание, что эта модель не позволяет специфицировать вариации в рамках исследования.

Мета-регрессия с фиксированным эффектом

Мета-регрессия с фиксированным эффектом предполагает, что размер выбранного эффекта ${ displaystyle theta}$ обычно распространяется с ${ Displaystyle { mathcal {N}} ( theta, sigma _ { theta})}$ куда ${ Displaystyle sigma _ { theta} ^ {2}}$ - дисперсия величины эффекта в рамках исследования. Таким образом, модель мета-регрессии с фиксированным эффектом допускает вариабельность внутри исследования, но не вариабельность между исследованиями, поскольку все исследования имеют одинаковый ожидаемый фиксированный размер эффекта. ${ displaystyle theta}$, т.е. ${ displaystyle varepsilon = 0}$.

${ displaystyle y_ {j} = beta _ {0} + beta _ {1} x_ {1j} + beta _ {2} x_ {2j} + cdots + eta _ {j} ,}$

Здесь ${ displaystyle sigma _ { eta _ {j}} ^ {2}}$ дисперсия величины эффекта в исследовании ${ displaystyle j}$.Фиксированная мета-регрессия игнорирует различные варианты исследования. В результате оценки параметров смещаются, если нельзя игнорировать вариации между исследованиями. Кроме того, обобщения для населения невозможны.

Мета-регрессия со случайными эффектами

Мета-регрессия случайных эффектов основана на предположении, что ${ displaystyle theta}$ в ${ Displaystyle { mathcal {N}} ( theta, sigma _ {я})}$ случайная величина, подчиняющаяся (гипер) распределению ${ displaystyle { mathcal {N}} ( theta, sigma _ { theta}).}$ Мета-регрессия случайных эффектов называется модель смешанных эффектов при добавлении модераторов к модели.

${ displaystyle y_ {j} = beta _ {0} + beta _ {1} x_ {1j} + beta _ {2} x_ {2j} + cdots + eta + varepsilon _ {j} ,}$

Здесь ${ displaystyle sigma _ { varepsilon _ {j}} ^ {2}}$ дисперсия величины эффекта в исследовании ${ displaystyle j}$. Разница между исследованиями ${ displaystyle sigma _ { eta} ^ {2}}$ оценивается с использованием общих процедур оценки для моделей случайных эффектов (оценок с ограниченным максимальным правдоподобием (REML)).

Какую модель выбрать

Мета-регрессия использовалась в качестве метода для получения улучшенных оценок параметров, которые могут быть непосредственно использованы политиками. Мета-регрессия обеспечивает основу для репликации и предлагает анализ чувствительности для спецификации модели.^[2] Существует ряд стратегий для идентификации и кодирования данных эмпирических наблюдений. Мета-регрессионные модели могут быть расширены для моделирования зависимости внутри исследования, избыточной неоднородности и отбора публикаций.^[2] Простая регрессионная модель не допускает вариаций внутри исследования. Модель регрессии с фиксированными эффектами не допускает вариаций между исследованиями. Модель со случайными или смешанными эффектами допускает вариации внутри исследования и между вариантами исследования и поэтому является наиболее подходящей моделью для выбора во многих приложениях. Существует ли вариация между исследованиями (избыточная неоднородность), можно проверить в предположении, что величина эффекта однородна или имеет тенденцию к центральному среднему значению. Если тест показывает, что размеры эффектов имеют избыточную неоднородность, модель мета-регрессии случайных эффектов может быть наиболее подходящей.

Приложения

Мета-регрессия - это объективный и статистически строгий подход к систематические обзоры. Недавние приложения включают количественные обзоры эмпирической литературы по экономике, бизнесу, энергетике и водной политике.^[3] Мета-регрессионный анализ был замечен в исследованиях эластичности цен и дохода различных товаров и налогов,^[3] вторичные эффекты производительности для транснациональных компаний,^[4] и расчеты стоимости статистической жизни (VSL).^[5] Другой недавний мета-регрессионный анализ был сосредоточен на оценке эластичности, полученной из функций спроса. Примеры включают эластичность собственных цен на алкоголь, табак, воду и энергию.^[3]

В области энергосбережения мета-регрессионный анализ использовался для оценки поведенческих информационных стратегий в жилищном секторе электроснабжения.^[6] В анализе водной политики мета-регрессия использовалась для оценки оценок экономии затрат за счет приватизации местных государственных услуг по распределению воды и сбору твердых отходов.^[7] Мета-регрессия становится все более популярным инструментом для оценки имеющихся данных в исследованиях анализа затрат и выгод политики или программы, распределенных по множеству исследований.

Рекомендации

дальнейшее чтение

• Thompson, S.G .; Хиггинс, Дж. П. Т. (2002). «Как следует проводить и интерпретировать мета-регрессионный анализ?». Статистика в медицине. 21 (11): 1559–1573. Дои:10.1002 / sim.1187. PMID 12111920.
• Робертс, Колин; Стэнли, Т. Д. (2005). Мета-регрессионный анализ: проблемы публикационной предвзятости в экономике. Вили-Блэквелл. ISBN 978-1-4051-3799-7.
• Бонетт Д.Г. (2009). «Метааналитическая интервальная оценка стандартизованных и нестандартных разностей средних». Психологические методы. 14 (3): 225–38. Дои:10.1037 / a0016619. PMID 19719359.