New In
Мета-анализ на много нива
Искате да анализирате резултати от множество проучвания, в които отчетените размери на ефекта са вложени в групи на по-високо ниво, като региони или училища. Stata 18 добавя две нови команди, meta meregress и meta multilevel, към пакета meta за извършване на метаанализ и метарегресия на много нива. Включете случайни интерсепции и коефициенти на различни нива на йерархия и приемете различни ковариационни структури на случайните ефекти, включително обменни и неструктурирани. Извършвайте анализ на чувствителността, като поставяте различни ограничения върху компонентите на дисперсията. Оценете хетерогенността. Прогнозирайте случайните ефекти и техните сравнителни и диагностични стандартни грешки. И още.
Многостепенният метаанализ е мощен статистически инструмент за синтезиране на големините на ефектите с йерархична структура, като например в метаанализ, изследващ въздействието на нова техника на преподаване върху резултатите от тестовете по математика в различни училищни райони. Тук размерите на ефекта са вложени в училища, които от своя страна са вложени в окръзи. Многостепенният метаанализ ни позволява не само да определим цялостния ефект на техниката, но и да оценим променливостта между размерите на ефекта на различните нива на йерархията. Това е важно, тъй като изследванията в рамките на един и същи район вероятно са сходни и следователно потенциално зависими, а пренебрегването на тази зависимост може да доведе до неточни резултати. Чрез правилното отчитане на зависимостта между размерите на ефекта можем да направим по-точни изводи и да получим по-добро разбиране за въздействието на техниката на преподаване.
Акценти
-
Многостепенни мета-анализи и мета-регресия
-
Корекция за модератори
-
Множество нива на йерархия
-
Случайни интерсепции и наклони
-
Ковариационни структури със случайни ефекти
-
Анализ на чувствителността
-
Методи за оценяване REML и ML
-
Многостепенна Q статистика и тест
-
-
Хетерогенност
-
Многониво на Кокран I2
I2
статистика
-
Хигинс-Томпсън, многостепенно I2
I2
статистика
-
-
Последваща оценка
-
Прогнозиране на случайни ефекти
-
Сравнителни и диагностични стандартни грешки
-
Дисперсионно-ковариационна матрица на случайните ефекти
-
Остатъчни стойности
-
Стандартизирани остатъци
-
Нека видим как работи
-> Примерен набор от данни: Модифицирани данни за училищния календар -> Мета-анализ на няколко нива: Модел само с константа -> Многостепенна хетерогенност -> Многостепенна метарегресия и случайни наклони: Включване на модераторите -> Ковариационни структури със случайни ефекти -> Предвиждане на случайни ефекти
Примерен набор от данни: Модифицирани данни за училищния календар
Много проучвания показват, че дългата лятна ваканция в края на учебната година е свързана с изоставане в обучението на учениците поради различния достъп на учениците до възможности за обучение през лятото.
Купър, Валънтайн и Мелсън (2003 г.) провеждат многостепенен мета-анализ на училища, които променят календара си, без да удължават учебната година. Наборът от данни се състои от 56 проучвания, проведени в 11 училищни района. Някои училища са приели модифицирани календари, които включват по-кратки почивки по-често през годината (например 12 учебни седмици, последвани от 4 почивни седмици), за разлика от традиционния календар с по-дълга лятна ваканция и по-кратки зимни и пролетни почивки. Проучванията сравняват академичните постижения на учениците по традиционния календар с тези по модифицирания календар. Размерът на ефекта (stdmdiff) е стандартизираната средна разлика, като положителните стойности показват по-високи средни постижения в групата с модифициран календар. Стандартната грешка (se) на stdmdiff също е докладвана от всяко изследване. Нека първо опишем нашата съвкупност от данни:
. webuse schoolcal (Effect of modified school calendar on student achievement) . describe Contains data from https://www.stata-press.com/data/r18/schoolcal.dta Observations: 56 Effect of modified school calendar on student achievement Variables: 8 19 Jan 2023 21:44 (_dta has notes)
Variable Storage Display Value | name type format label Variable label | district int %12.0g District ID | school byte %9.0g School ID | study byte %12.0g Study ID | stdmdiff double %10.0g Standardized difference in means of achievement test scores | var double %10.0g Within-study variance of stdmdiff | year int %12.0g Year of the study | se double %10.0g Within-study standard-error of stdmdiff | year_c byte %9.0g Year of the study centered around 1990 |
Sorted by: district
Мета-анализ на няколко нива: Модел само с константа
Тъй като училищата са разположени в рамките на районите, ние използваме модел на три нива със случайни прекъсвания. Това изисква да определим две уравнения със случайни ефекти: едно за ниво 3 (идентифицирано с променливата област) и едно за ниво 2 (идентифицирано с променливата училище).
. meta meregress stdmdiff || district: || school: , essevariable(se) Performing EM optimization ... Performing gradient-based optimization: Iteration 0: Log restricted-likelihood = -104.8525 (not concave) Iteration 1: Log restricted-likelihood = -46.670529 (not concave) Iteration 2: Log restricted-likelihood = -22.871266 (not concave) Iteration 3: Log restricted-likelihood = -12.977299 Iteration 4: Log restricted-likelihood = -7.9642885 Iteration 5: Log restricted-likelihood = -7.9587271 Iteration 6: Log restricted-likelihood = -7.9587239 Iteration 7: Log restricted-likelihood = -7.9587239 Computing standard errors ... Multilevel REML meta-analysis Number of obs = 56 Grouping information
No. of Observations per group
groups Minimum Average Maximum
11 3 5.1 11
56 1 1.0 1
Group variable | district | school |
Wald chi2(0) = . Log restricted-likelihood = -7.9587239 Prob > chi2 = .
Coefficient Std. err. z P>|z| [95% conf. interval]
.1847132 .0845559 2.18 0.029 .0189866 .3504397
stdmdiff | _cons |
Test of homogeneity: Q_M = chi2(55) = 578.86 Prob > Q_M = 0.0000
Estimate
.2550724
.1809324
Random-effects parameters | district: Identity | sd(_cons) | school: Identity | sd(_cons) |
The first table displays information on groups at different levels of hierarchy with one row for each grouping (level of hierarchy).
The second table displays the fixed-effects coefficients. Here there is only an intercept corresponding to the overall effect size θ^
�^
. The value of θ
�
is 0.185 with a 95% CI of [0.019, 0.35]. This means that, on average, students following the modified school calendar achieved higher scores than those who did not.
The third table displays the random-effects parameters, traditionally known as variance components in the context of multilevel or mixed-effects models. The variance-component estimates are now organized and labeled according to each level. By default, meta meregress reports standard deviations of the random intercepts (and correlations if they existed in the model) at each level. But you can instead specify the variance option to report variances (and covariances if they existed in the model). We have τ3^=0.255
�3^=0.255
and τ2^=0.181
�2^=0.181
. These values are the building blocks for assessing heterogeneity across different hierarchical levels and are typically interpreted in that context. In general, the higher the value of τl
��
, the more heterogeneity is expected among the groups within level l
�
.
Alternatively, this can be specified using the meta multilevel command as follows:
. meta multilevel stdmdiff, relevels(district school) essevariable(se) (output omitted)
The meta multilevel command was designed to fit random-intercepts meta-regression models, which are commonly used in practice. It is a convenience wrapper for meta meregress.
Многостепенна хетерогенност
Ще използваме командата за последващо оценяване estat heterogeneity, за да определим количествено многостепенната хетерогенност сред размерите на ефектите.
. estat heterogeneity Method: Cochran Joint: I2 (%) = 90.50 Method: Higgins–Thompson district: I2 (%) = 63.32 school: I2 (%) = 31.86 Total: I2 (%) = 95.19
I2 на Кокран
I2
определя количествено размера на хетерогенността съвместно за всички нива на йерархията. I2=90.50%
I2=90,50%</math
означава, че 90,50 % от вариациите между размерите на ефектите се дължат на истинската хетерогенност на нашите данни, за разлика от вариациите на извадката. Многостепенната стойност на Хигинс-Томпсън I2
I2
оценява приноса на всяко ниво на йерархия към общата хетерогенност, в допълнение към общия им принос. Например хетерогенността между училищата или хетерогенността в рамките на районите (хетерогенност на ниво 2) е най-ниска и представлява около 32 % от общата вариация в нашите данни, докато хетерогенността между районите (хетерогенност на ниво 3) представлява около 63 % от общата вариация.
Многостепенна метарегресия и случайни наклони: Включване на модераторите
Ще използваме променливата year_c, за да проведем метарегресия на три нива и да включим случайни наклони (съответстващи на променливата year_c) на ниво област.
. meta meregress stdmdiff year_c || district: year_c || school: , essevariable(se) Performing EM optimization ... Performing gradient-based optimization: Iteration 0: Log restricted-likelihood = -101.95646 (not concave) Iteration 1: Log restricted-likelihood = -94.528133 (not concave) Iteration 2: Log restricted-likelihood = -29.169697 (not concave) Iteration 3: Log restricted-likelihood = -10.67081 (not concave) Iteration 4: Log restricted-likelihood = -7.5089434 (not concave) Iteration 5: Log restricted-likelihood = -7.2219899 Iteration 6: Log restricted-likelihood = -7.2085474 (not concave) Iteration 7: Log restricted-likelihood = -7.2082538 (not concave) Iteration 8: Log restricted-likelihood = -7.2079523 (not concave) Iteration 9: Log restricted-likelihood = -7.2073687 (not concave) Iteration 10: Log restricted-likelihood = -7.2067537 (not concave) Iteration 11: Log restricted-likelihood = -7.1989783 Iteration 12: Log restricted-likelihood = -7.1891619 Iteration 13: Log restricted-likelihood = -7.1815206 Iteration 14: Log restricted-likelihood = -7.1813888 Iteration 15: Log restricted-likelihood = -7.1813887 Computing standard errors ... Multilevel REML meta-regression Number of obs = 56 Grouping information
No. of Observations per group | ||||
Group variable | groups Minimum Average Maximum | |||
district | 11 3 5.1 11 | |||
school | 56 1 1.0 1 | |||
Wald chi2(1) = 0.31 Log restricted-likelihood = -7.1813887 Prob > chi2 = 0.5753
stdmdiff | Coefficient Std. err. z P>|z| [95% conf. interval] | |||||
year_c | .0059598 .0106378 0.56 0.575 -.0148899 .0268094 | |||||
_cons | .1805809 .0904865 2.00 0.046 .0032306 .3579311 | |||||
Test of homogeneity: Q_M = chi2(54) = 550.26 Prob > Q_M = 0.0000
Random-effects parameters | Estimate | |
district: Independent | ||
sd(year_c) | .0177247 | |
sd(_cons) | .219239 | |
school: Identity | ||
sd(_cons) | .1807703 | |
Оценката на регресионния коефициент на променливата year_c е 0,006 с 95% ДИ [-0,015, 0,027] . Не виждаме никакви доказателства за връзката между stdmdiff и year_c (p = 0,575).
Ковариационни структури със случайни ефекти
Въпреки че година_c не обяснява хетерогенността, ние продължаваме да я включваме като модератор с цел илюстрация.
По подразбиране случайните наклони и случайните интерцепти (на ниво област) се приемат за независими. Като алтернатива можем да посочим обменна ковариационна структура, като използваме опцията covariance(exchangeable). Потискаме заглавието и дневника на итерациите и показваме резултатите с три десетични точки, като използваме опциите noheader, nolog и cformat(%9.3f).
. meta meregress stdmdiff year_c || district: year_c, covariance(exchangeable) || school:, essevariable(se) noheader nolog cformat(%9.3f)
stdmdiff | Coefficient Std. err. z P>|z| [95% conf. interval] | |||||
year_c | 0.010 0.012 0.80 0.426 -0.014 0.033 | |||||
_cons | 0.153 0.074 2.06 0.039 0.008 0.298 | |||||
Test of homogeneity: Q_M = chi2(54) = 550.26 Prob > Q_M = 0.0000
Random-effects parameters | Estimate | |
district: Exchangeable | ||
sd(year_c _cons) | 0.032 | |
corr(year_c,_cons) | 1.000 | |
school: Identity | ||
sd(_cons) | 0.181 | |
Като алтернатива можем да зададем потребителска ковариационна структура, като фиксираме корелацията между интерцептите и наклоните на 0,5 и позволим стандартните им отклонения да бъдат оценени от данните:
. matrix A = (.,.5 \ .5,.) . meta meregress stdmdiff year_c || district: year_c, covariance(custom A) || school:, essevariable(se) noheader nolog cformat(%9.3f)
stdmdiff | Coefficient Std. err. z P>|z| [95% conf. interval] | |||||
year_c | 0.007 0.011 0.67 0.500 -0.014 0.028 | |||||
_cons | 0.170 0.082 2.08 0.038 0.010 0.330 | |||||
Test of homogeneity: Q_M = chi2(54) = 550.26 Prob > Q_M = 0.0000
Random-effects parameters | Estimate | |
district: Custom | ||
sd(year_c) | 0.026 | |
sd(_cons) | 0.116 | |
corr(year_c,_cons) | 0.500* | |
school: Identity | ||
sd(_cons) | 0.180 | |
(*) fixed during estimation
Предвиждане на случайни ефекти
По-долу предсказваме случайните ефекти с помощта на predict, reffects и получаваме техните диагностични стандартни грешки, като задаваме опцията reses(, diagnostic).
. quietly meta meregress stdmdiff || district: || school: , essevariable(se) . predict double u3 u2, reffects reses(se_u3 se_u2, diagnostic) . by district, sort: generate tolist = (_n==1) . list district u3 se_u3 if tolist
district u3 se_u3
11 -.18998595 .07071817
12 -.08467077 .13168501
18 .1407273 .11790486
27 .24064814 .13641505
56 -.1072942 .13633364
58 -.23650899 .15003184
71 .5342778 .12606073
86 -.2004695 .1499012
91 .05711692 .14284823
108 -.14168396 .13094894
644 -.01215679 .10054689
1. | 5. | 9. | 12. | 16. | 20. | 31. | 34. | 42. | 48. | 53. |
Случайните интерпекти u3 са специфични за района отклонения от общия среден размер на ефекта. Например за област 18 прогнозираната стандартизирана средна разлика е с 0,14 по-висока от общия размер на ефекта.
Справка
Cooper, H., Valentine, J. C., and Melson, A. 2003. Ефекти от модифицираните училищни календари върху постиженията на учениците и върху нагласите на училището и общността. Review of Educational Research 73: 1-52.