Neu in 
Galbraith-Parzellen
Galbraith-Plots sind eine grafische Möglichkeit, die Geschichte Ihrer Meta-Analyse darzustellen. Sie geben Aufschluss über die studienspezifischen Effektgrößen, deren Genauigkeit, die Gesamteffektgröße und das Aufspüren möglicher Ausreißer. Sie lassen uns auch die Heterogenität unter den Effektgrößen beurteilen.
Zeigen Sie, wie es funktioniert
Wir werden den bcgset-Datensatz von Colditz et al. (1994) verwenden. Dieser Datensatz wurde bereits mit meta esize als Metadaten deklariert. Der BCG-Impfstoff wird zur Prävention von Tuberkulose (TB) eingesetzt. Es sind insgesamt 13 Studien in der Meta-Analyse enthalten. Für jede Studie wurden die Probanden nach dem Zufallsprinzip entweder einer Kontrollgruppe oder einer Behandlungsgruppe zugeordnet, in der sie den Impfstoff erhielten. Die interessierende Effektgröße ist das logarithmische Risikoverhältnis, an TB zu erkranken.
. webuse bcgset (Efficacy of BCG vaccine against TB; set with -meta esize-)
Höhepunkte
- Funktionen, die Dauern berechnen, wie z. B. Alter und andere Unterschiede zwischen Datumswerten
- Funktionen, die relative Daten oder Daten aus anderen Daten berechnen, z. B. den vorherigen oder nächsten Geburtstag oder Jahrestag relativ zu einem bestimmten Datum
- Funktionen, die die verschiedenen Komponenten aus Datumswerten und Variablen extrahieren
Angenommen, Sie haben eine Meta-Analyse durchgeführt und möchten nun Ihre Ergebnisse grafisch zusammenfassen. Der Forest Plot ist eine beliebte Option. Der Galbraith-Plot ist eine weitere Option. Der Galbraith-Plot gibt Auskunft über die studienspezifischen Effektgrößen und deren Genauigkeit, gibt die Gesamteffektgröße an und hilft, mögliche Ausreißer zu erkennen. Er bietet auch Richtlinien zur Bewertung der Heterogenität unter den Effektgrößen.
Wir verwenden meta galbraithplot, um eine Galbraith-Darstellung zu erzeugen:
. meta galbraithplot
The green reference line (y = 0) represents the “No effect” line. If a circle is above the reference line, the risk in the vaccinated group is higher than the risk in the control group for that study. Conversely, if a circle is below the line, the risk in the treatment group is lower than the risk in the control group. Only two studies reported a higher risk of contracting TB in the vaccinated group (a positive log risk-ratio, or a risk ratio that is greater than 1).
The red line is the regression line through the origin. The slope of this line equals the estimate of the overall effect size, which is the overall log risk-ratio in our example (equal to −0.454). Also, the slope of an imaginary line from the origin to an individual circle is equal to the effect size (log risk-ratio) estimate corresponding to that circle. In our example, the regression line is sloping downward, meaning that the overall risk ratio is less than 1, which also means that, overall, the vaccine reduced the risk of TB in the vaccinated group.
In the absence of substantial heterogeneity, we expect around 95% of the studies to lie within the 95% CI region (shaded area). Here 6 out of the 13 studies were outside the shaded region, which indicates considerable heterogeneity among the effect sizes.
Potential outliers may be studies that lie farther away from the shaded regions. Let’s mark these potential outliers on the Galbraith plot. In the graph below, we label four studies as potential outliers. These studies correspond to a standardized log risk-ratio (_meta_es/_meta_se) that is less than −4 or to a precision that is larger than 15.
. meta galbraithplot, mlabel(lbl) mlabpos(12)
The Galbraith plot is a useful tool to assess heterogeneity and detect potential outliers. To quantify the impact of these potential outliers on the estimation of the overall effect size, see Leave-one-out meta-analysis.
Referenzen
Colditz, G. A., T. F. Brewer, C. S. Berkey, M. E. Wilson, E. Burdick, H. V. Fineberg, and F. Mosteller. 1994. Efficacy of BCG vaccine in the prevention of tuberculosis. Meta-analysis of the published literature. JAMA 271: 698–702.