New In
Meta-analiză pe mai multe niveluri
Doriți să analizați rezultatele mai multor studii, în care dimensiunile efectului raportate sunt imbricate în grupări de nivel superior, cum ar fi regiuni sau școli. Stata 18 adaugă două comenzi noi, meta meregress și meta multilevel, la suita meta pentru a efectua metaanaliză și meta-regresie pe mai multe niveluri. Includeți interceptări și coeficienți aleatorii la diferite niveluri ierarhice și presupuneți diferite structuri de covarianță cu efecte aleatorii, inclusiv schimbabile și nestructurate. Efectuați analize de sensibilitate prin plasarea diferitelor constrângeri asupra componentelor de varianță. Evaluați eterogenitatea. Prevedeți efectele aleatorii și erorile lor standard comparative și de diagnosticare. Și multe altele.
Metaanaliza multinivel este un instrument statistic puternic pentru a sintetiza dimensiunile efectului cu o structură ierarhică, cum ar fi într-o metaanaliză care explorează impactul unei noi tehnici de predare asupra rezultatelor la testele de matematică în diferite districte școlare. Aici, mărimile efectului sunt imbricate în școli, care la rândul lor sunt imbricate în districte. Meta-analiza pe mai multe niveluri ne permite nu numai să determinăm efectul global al tehnicii, ci și să evaluăm variabilitatea între dimensiunile efectului la diferite niveluri ale ierarhiei. Acest lucru este important, deoarece studiile din cadrul aceluiași district sunt probabil similare și, prin urmare, potențial dependente, iar ignorarea acestei dependențe poate duce la rezultate inexacte. Prin luarea în considerare în mod corespunzător a dependenței dintre mărimile efectului, putem produce inferențe mai precise și putem obține o mai bună înțelegere a impactului tehnicii de predare.
Repere
-
Multilevel meta-analysis and meta-regression
-
Ajustare pentru moderatori
-
Mai multe niveluri de ierarhie
-
Intercepte și pante aleatorii
-
Structuri de covarianță cu efecte aleatorii
-
Analiza de sensibilitate
-
Metode de estimare REML și ML
-
Statistica și testul Q pe mai multe niveluri
-
-
Heterogenitate
-
Cochran’s multilevel I2
I2
statistică
-
Higgins-Thompson multinivel I2
I2
statistică
-
-
Postestimare
-
Predicția efectelor aleatorii
-
Erorile standard comparative și de diagnosticare
-
Matricea de varianță-covarianță a efectelor aleatorii
-
Reziduuri
-
Reziduuri standardizate
-
Să vedem cum funcționează
-> Exemplu de set de date: Date modificate privind calendarul școlar -> Meta-analiză pe mai multe niveluri: Modelul numai constant -> Eterogenitate pe mai multe niveluri -> Meta-regresie multinivel și pante aleatoare: Încorporarea moderatorilor -> Structuri de covarianță cu efecte aleatorii -> Predicția efectelor aleatorii
Exemplu de set de date: Date modificate privind calendarul școlar
Multe studii sugerează că pauza lungă de vară de la sfârșitul anului școlar este legată de un decalaj de învățare între elevi, din cauza accesului diferențiat al elevilor la oportunitățile de învățare pe timpul verii.
Cooper, Valentine și Melson (2003) au efectuat o meta-analiză pe mai multe niveluri privind școlile care și-au modificat calendarul fără a prelungi anul școlar. Setul de date este format din 56 de studii care au fost efectuate în 11 districte școlare. Unele școli au adoptat calendare modificate care prezentau pauze mai scurte și mai frecvente pe parcursul anului (de exemplu, 12 săptămâni de școală urmate de 4 săptămâni libere), spre deosebire de calendarul tradițional cu o pauză de vară mai lungă și pauze de iarnă și primăvară mai scurte. Studiile au comparat rezultatele școlare ale elevilor cu un calendar tradițional cu cele ale celor cu un calendar modificat. Mărimea efectului (stdmdiff) este diferența medie standardizată, valorile pozitive indicând rezultate mai bune, în medie, în grupul care a urmat calendarul modificat. Eroarea standard (se) a stdmdiff a fost, de asemenea, raportată de fiecare studiu. Să descriem mai întâi setul nostru de date:
. 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
Meta-analiză pe mai multe niveluri: Modelul numai constant
Deoarece școlile sunt imbricate în cadrul districtelor, am aplicat un model cu trei niveluri cu intervale aleatorii. Acest lucru necesită să specificăm două ecuații cu efecte aleatorii: una pentru nivelul 3 (identificat prin variabila district) și una pentru nivelul 2 (identificat prin variabila școală).
. 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) |
Primul tabel afișează informații privind grupurile la diferite niveluri ierarhice, cu câte un rând pentru fiecare grupare (nivel ierarhic).
Al doilea tabel afișează coeficienții cu efecte fixe. Aici există doar o interceptare corespunzătoare mărimii efectului global θ^
�^
. Valoarea lui θ
�
este de 0,185 cu un IC de 95% de [0,019, 0,35]. Acest lucru înseamnă că, în medie, elevii care au urmat calendarul școlar modificat au obținut scoruri mai mari decât cei care nu au urmat acest calendar.
Cel de-al treilea tabel prezintă parametrii efectelor aleatorii, cunoscuți în mod tradițional drept componente ale varianței în contextul modelelor cu mai multe niveluri sau cu efecte mixte. Estimările componentelor de varianță sunt acum organizate și etichetate în funcție de fiecare nivel. În mod implicit, meta meregress raportează abaterile standard ale interceptărilor aleatorii (și corelațiile, dacă acestea au existat în model) la fiecare nivel. Dar puteți specifica în schimb opțiunea variance pentru a raporta varianțele (și covarianțele, dacă acestea au existat în model). Avem τ3^=0,255
�3^=0.255
și τ2^=0,181
�2^=0.181
. Aceste valori sunt elementele de bază pentru evaluarea eterogenității pe diferite niveluri ierarhice și sunt interpretate în mod obișnuit în acest context. În general, cu cât este mai mare valoarea lui τl
��
, cu atât mai multă eterogenitate este de așteptat între grupurile din cadrul nivelului l
�
.
Alternativ, acest lucru poate fi specificat utilizând comanda meta multilevel, după cum urmează:
. meta multilevel stdmdiff, relevels(district school) essevariable(se) (output omitted)
Comanda meta multilevel a fost concepută pentru a se potrivi modele de meta-regresie cu valori aleatorii, care sunt utilizate în mod obișnuit în practică. Este un înveliș convenabil pentru meta meregress.
Eterogenitate pe mai multe niveluri
Vom utiliza comanda de postestimare estat heterogeneity pentru a cuantifica eterogenitatea pe mai multe niveluri între dimensiunile efectului.
. estat heterogeneity Method: Cochran Joint: I2 (%) = 90.50 Method: Higgins–Thompson district: I2 (%) = 63.32 school: I2 (%) = 31.86 Total: I2 (%) = 95.19
I2 al lui Cochran
I2
cuantifică nivelul de eterogenitate în comun pentru toate nivelurile ierarhice. I2=90.50%
I2=90,50%</math
înseamnă că 90,50% din variabilitatea dintre mărimile efectului se datorează eterogenității reale din datele noastre, spre deosebire de variabilitatea eșantionării. Indicele Higgins-Thompson I2
I2
evaluează contribuția fiecărui nivel ierarhic la eterogenitatea totală, în plus față de contribuția lor comună. De exemplu, eterogenitatea între școli sau eterogenitatea în cadrul districtelor (eterogenitatea de nivel 2) este cea mai scăzută, reprezentând aproximativ 32 % din variația totală din datele noastre, în timp ce eterogenitatea între districte (eterogenitatea de nivel 3) reprezintă aproximativ 63 % din variația totală.
Meta-regresie multinivel și pante aleatoare: Încorporarea moderatorilor
Vom utiliza variabila year_c pentru a realiza o meta-regresie pe trei niveluri și vom include pante aleatorii (corespunzătoare variabilei year_c) la nivel de district.
. 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 | |
Estimarea coeficientului de regresie al variabilei year_c este de 0,006 cu un IC 95% de [-0,015, 0,027] . Nu observăm nicio dovadă a asocierii dintre stdmdiff și year_c (p = 0,575).
Structuri de covarianță cu efecte aleatorii
Deși anul_c nu a explicat eterogenitatea, continuăm să îl includem ca moderator în scop ilustrativ.
În mod implicit, pantele și interceptările aleatorii (la nivel de district) sunt presupuse independente. Alternativ, putem specifica o structură de covarianță interschimbabilă folosind opțiunea covariance(exchangeable). Suprimăm antetul și jurnalul iterațiilor și afișăm rezultatele cu trei zecimale utilizând opțiunile noheader, nolog și 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 | |
Alternativ, putem specifica o structură de covarianță personalizată, fixând corelația dintre intercepte și pante la 0,5 și permițând ca abaterile lor standard să fie estimate din date:
. 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
Predicția efectelor aleatorii
Mai jos, vom prezice efectele aleatorii folosind predict, reffects și vom obține erorile standard de diagnosticare ale acestora prin specificarea opțiunii 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. |
Interceptele aleatorii u3 sunt abateri specifice fiecărui district de la mărimea medie globală a efectului. De exemplu, pentru districtul 18, diferența medie standardizată prezisă este cu 0,14 mai mare decât mărimea generală a efectului.
Referință
Cooper, H., Valentine, J. C., și Melson, A. 2003. Efectele calendarelor școlare modificate asupra rezultatelor elevilor și asupra atitudinilor școlare și ale comunității. Review of Educational Research 73: 1-52.