New In
Mehrebenen-Meta-Analyse
Sie möchten Ergebnisse aus mehreren Studien analysieren, in denen die berichteten Effektgrößen innerhalb von Gruppierungen auf höherer Ebene wie Regionen oder Schulen verschachtelt sind. Stata 18 fügt der Meta-Suite zwei neue Befehle hinzu, meta meregress und meta multilevel, um Meta-Analysen und Meta-Regressionen auf mehreren Ebenen durchzuführen. Sie können zufällige Achsenabschnitte und Koeffizienten auf verschiedenen Hierarchieebenen einbeziehen und verschiedene Kovarianzstrukturen für zufällige Effekte annehmen, einschließlich austauschbarer und unstrukturierter. Führen Sie Sensitivitätsanalysen durch, indem Sie verschiedene Beschränkungen für die Varianzkomponenten festlegen. Bewertung der Heterogenität. Vorhersage zufälliger Effekte und ihrer vergleichenden und diagnostischen Standardfehler. Und mehr.
Die Mehrebenen-Metaanalyse ist ein leistungsfähiges statistisches Instrument zur Synthese von Effektgrößen mit hierarchischer Struktur, wie z. B. in einer Metaanalyse zur Untersuchung der Auswirkungen einer neuen Lehrmethode auf die Ergebnisse von Mathe-Tests in verschiedenen Schulbezirken. Hier sind die Effektgrößen innerhalb von Schulen verschachtelt, die ihrerseits innerhalb von Bezirken verschachtelt sind. Die mehrstufige Meta-Analyse ermöglicht es uns nicht nur, die Gesamtwirkung der Technik zu bestimmen, sondern auch die Variabilität der Effektgrößen auf den verschiedenen Ebenen der Hierarchie zu bewerten. Dies ist wichtig, da Studien innerhalb desselben Distrikts wahrscheinlich ähnlich und damit potenziell abhängig sind, und die Nichtberücksichtigung dieser Abhängigkeit kann zu ungenauen Ergebnissen führen. Wenn wir die Abhängigkeit zwischen den Effektgrößen angemessen berücksichtigen, können wir genauere Schlussfolgerungen ziehen und ein besseres Verständnis für die Auswirkungen der Lehrmethode gewinnen.
Höhepunkte
-
Mehrebenen-Meta-Analyse und Meta-Regression
-
Anpassung für Moderatoren
-
Mehrere Ebenen der Hierarchie
-
Zufällige Abschnitte und Steigungen
-
Kovarianzstrukturen mit zufälligen Effekten
-
Sensitivitätsanalyse
-
REML- und ML-Schätzungsmethoden
-
Multilevel-Q-Statistik und Test
-
-
Heterogenität
-
Cochrans mehrstufiges I2
I2
Statistik
-
Higgins-Thompson mehrstufig I2
I2
Statistik
-
-
Nachkalkulation
-
Vorhersage von Zufallseffekten
-
Vergleichende und diagnostische Standardfehler
-
Varianz-Kovarianz-Matrix der zufälligen Effekte
-
Rückstände
-
Standardisierte Residuen
-
Wir wollen sehen, wie es funktioniert
-> Beispiel-Datensatz: Geänderte Schulkalenderdaten -> Mehrebenen-Meta-Analyse: Nur-konstantes Modell -> Heterogenität auf mehreren Ebenen -> Mehrebenen-Meta-Regression und zufällige Steigungen: Einbeziehung von Moderatoren -> Kovarianzstrukturen mit zufälligen Effekten -> Vorhersage von Zufallseffekten
Beispiel-Datensatz: Geänderte Schulkalenderdaten
Viele Studien deuten darauf hin, dass die lange Sommerpause am Ende des Schuljahres mit einem Lerngefälle zwischen den Schülern zusammenhängt, das auf den unterschiedlichen Zugang der Schüler zu Lernmöglichkeiten im Sommer zurückzuführen ist.
Cooper, Valentine und Melson (2003) führten eine mehrstufige Meta-Analyse über Schulen durch, die ihren Kalender änderten, ohne das Schuljahr zu verlängern. Der Datensatz besteht aus 56 Studien, die in 11 Schulbezirken durchgeführt wurden. Einige Schulen führten modifizierte Kalender ein, die im Laufe des Jahres häufiger kürzere Pausen vorsahen (z. B. 12 Wochen Schule, gefolgt von 4 Wochen Pause), im Gegensatz zum traditionellen Kalender mit einer längeren Sommerpause und kürzeren Winter- und Frühjahrspausen. In den Studien wurden die akademischen Leistungen von Schülern mit einem traditionellen Kalender mit denen mit einem modifizierten Kalender verglichen. Die Effektgröße (stdmdiff) ist der standardisierte Mittelwertunterschied, wobei positive Werte auf eine durchschnittlich höhere Leistung in der Gruppe mit dem modifizierten Kalender hinweisen. Der Standardfehler (se) von stdmdiff wurde ebenfalls von jeder Studie angegeben. Lassen Sie uns zunächst unseren Datensatz beschreiben:
. 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
Mehrebenen-Meta-Analyse: Nur-konstantes Modell
Da die Schulen in den Bezirken verschachtelt sind, verwenden wir ein Drei-Ebenen-Modell mit zufälligen Abschnitten. Dies erfordert, dass wir zwei Gleichungen mit zufälligen Effekten angeben: eine für Ebene 3 (identifiziert durch die Variable Bezirk) und eine für Ebene 2 (identifiziert durch die Variable Schule).
. 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) |
Die erste Tabelle enthält Informationen über Gruppen auf verschiedenen Hierarchieebenen mit einer Zeile für jede Gruppierung (Hierarchieebene).
Die zweite Tabelle zeigt die Koeffizienten der festen Effekte. Hier gibt es nur einen Intercept, der der Gesamteffektgröße θ^
�^
. Der Wert von θ
�
beträgt 0,185 mit einem 95%-KI von [0,019, 0,35]. Dies bedeutet, dass die Schüler, die den geänderten Schulkalender befolgten, im Durchschnitt bessere Ergebnisse erzielten als diejenigen, die dies nicht taten.
Die dritte Tabelle zeigt die Parameter der zufälligen Effekte, die traditionell als Varianzkomponenten im Kontext von Mehrebenen- oder Mixed-Effects-Modellen bekannt sind. Die Varianzkomponentenschätzungen sind nun nach den einzelnen Ebenen geordnet und beschriftet. Standardmäßig gibt meta meregress die Standardabweichungen der zufälligen Achsenabschnitte (und Korrelationen, falls sie im Modell vorhanden sind) auf jeder Ebene an. Sie können jedoch stattdessen die Option variance angeben, um die Varianzen (und Kovarianzen, falls sie im Modell vorhanden sind) auszugeben. Wir haben τ3^=0.255
�3^=0.255
und τ2^=0,181
�2^=0.181
. Diese Werte sind die Bausteine für die Bewertung der Heterogenität über verschiedene Hierarchieebenen hinweg und werden in der Regel in diesem Zusammenhang interpretiert. Im Allgemeinen gilt, je höher der Wert von τl
��
ist, desto mehr Heterogenität wird zwischen den Gruppen innerhalb der Ebene l erwartet
�
.
Alternativ kann dies mit dem Befehl meta multilevel wie folgt spezifiziert werden:
. meta multilevel stdmdiff, relevels(district school) essevariable(se) (output omitted)
Der Befehl meta multilevel wurde entwickelt, um Meta-Regressionsmodelle mit zufälligen Abschnitten anzupassen, die in der Praxis häufig verwendet werden. Es handelt sich dabei um einen praktischen Wrapper für meta meregress.
Heterogenität auf mehreren Ebenen
Wir werden den Postestimationsbefehl estat heterogeneity verwenden, um die mehrstufige Heterogenität der Effektgrößen zu quantifizieren.
. estat heterogeneity Method: Cochran Joint: I2 (%) = 90.50 Method: Higgins–Thompson district: I2 (%) = 63.32 school: I2 (%) = 31.86 Total: I2 (%) = 95.19
Cochrans I2
I2
quantifiziert den Grad der Heterogenität für alle Hierarchieebenen gemeinsam. I2=90.50%
I2=90,50%</math
bedeutet, dass 90,50 % der Variabilität zwischen den Effektgrößen auf echte Heterogenität in unseren Daten zurückzuführen ist und nicht auf die Variabilität der Stichprobe. Der mehrstufige Higgins-Thompson I2
I2
Statistiken bewerten den Beitrag der einzelnen Hierarchieebenen zur Gesamtheterogenität zusätzlich zu ihrem gemeinsamen Beitrag. So ist beispielsweise die Heterogenität zwischen den Schulen oder innerhalb der Bezirke (Heterogenität der Ebene 2) am geringsten und macht etwa 32 % der Gesamtvariation in unseren Daten aus, während die Heterogenität zwischen den Bezirken (Heterogenität der Ebene 3) etwa 63 % der Gesamtvariation ausmacht.
Mehrebenen-Meta-Regression und zufällige Steigungen: Einbeziehung von Moderatoren
Wir werden die Variable Jahr_c verwenden, um eine Meta-Regression auf drei Ebenen durchzuführen und zufällige Steigungen (entsprechend der Variable Jahr_c) auf der Ebene der Bezirke einzubeziehen.
. 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 | |
Der geschätzte Regressionskoeffizient für die Variable year_c beträgt 0,006 mit einem 95% CI von [-0,015, 0,027] . Es gibt keinen Hinweis auf einen Zusammenhang zwischen stdmdiff und year_c (p = 0,575).
Kovarianzstrukturen mit zufälligen Effekten
Obwohl das Jahr_c die Heterogenität nicht erklärt hat, wird es zur Veranschaulichung weiterhin als Moderator einbezogen.
Standardmäßig werden die zufälligen Steigungen und zufälligen Achsenabschnitte (auf Bezirksebene) als unabhängig angenommen. Alternativ können wir mit der Option covariance(exchangeable) eine austauschbare Kovarianzstruktur angeben. Wir unterdrücken die Kopfzeile und das Iterationsprotokoll und zeigen die Ergebnisse mit drei Dezimalpunkten an, indem wir die Optionen noheader, nolog und cformat(%9.3f) verwenden.
. 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 | |
Alternativ können wir eine benutzerdefinierte Kovarianzstruktur angeben, indem wir die Korrelation zwischen den Achsenabschnitten und Steigungen auf 0,5 festlegen und zulassen, dass ihre Standardabweichungen anhand der Daten geschätzt werden:
. 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
Vorhersage von Zufallseffekten
Im Folgenden werden die zufälligen Effekte mit predict, reffects vorhergesagt und ihre diagnostischen Standardfehler durch Angabe der Option reses(, diagnostic) ermittelt.
. 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. |
Die Zufallsintervalle u3 sind distriktspezifische Abweichungen von der mittleren Gesamteffektgröße. Zum Beispiel ist für den Bezirk 18 die vorhergesagte standardisierte mittlere Differenz um 0,14 höher als die Gesamteffektgröße.
Referenz
Cooper, H., Valentine, J. C., und Melson, A. 2003. Die Auswirkungen von geänderten Schulkalendern auf die Leistungen der Schüler und auf die Einstellung von Schule und Gemeinde. Review of Educational Research 73: 1-52.