[论文解读] Fixed-effects model: the most convincing model for meta-analysis with few studies

Enxuan Lin, Tiejun Tong+2 more|arXiv (Cornell University)|Feb 11, 2020

Meta-analysis and systematic reviews参考文献 23被引用 13

一句话总结

本文主张，在研究数量较少的元分析中，固定效应模型是最可靠的分析方法，当存在异质性时，其表现优于通用效应模型和随机效应模型。本文提出了一种针对未加权平均效应的最优估计量，通过更充分地利用研究层面的信息，降低了均方误差，从而在不依赖不稳定的组间方差估计的前提下，获得了更精确的置信区间。

ABSTRACT

According to Davey et al. (2011) with a total of 22,453 meta-analyses from the January 2008 Issue of the Cochrane Database of Systematic Reviews, the median number of studies included in each meta-analysis is only three. In other words, about a half or more of meta-analyses conducted in the literature include only two or three studies. While the common-effect model (also referred to as the fixed-effect model) may lead to misleading results when the heterogeneity among studies is large, the conclusions based on the random-effects model may also be unreliable when the number of studies is small. Alternatively, the fixed-effects model avoids the restrictive assumption in the common-effect model and the need to estimate the between-study variance in the random-effects model. We note, however, that the fixed-effects model is under appreciated and rarely used in practice until recently. In this paper, we compare all three models and demonstrate the usefulness of the fixed-effects model when the number of studies is small. In addition, we propose a new estimator for the unweighted average effect in the fixed-effects model. Simulations and real examples are also used to illustrate the benefits of the fixed-effects model and the new estimator.

研究动机与目标

• 解决在研究数量较少的元分析中，通用效应模型和随机效应模型存在的局限性。
• 证明当存在异质性且研究数量较少时，固定效应模型能提供更可靠、更精确的估计。
• 为固定效应模型中的未加权平均效应提出一种新的最优估计量，以充分利用组间研究信息。
• 证明新估计量相比现有未加权平均估计量，能降低均方误差。
• 提供基于实证和模拟研究的证据，支持固定效应模型是小样本元分析中最令人信服的选择。

提出的方法

• 为固定效应模型中的未加权平均效应提出一种新的最优估计量，根据研究的精确度和信息量分配研究特定权重。
• 通过理论推导证明，新估计量的均方误差低于Laird-Mosteller提出的未加权平均估计量。
• 利用模拟方法比较在不同异质性和研究数量条件下，固定效应模型与通用效应模型及随机效应模型的表现。
• 分析四个恰好包含三篇研究的真实元分析案例，以说明不同模型在效应量估计和置信区间宽度上的差异。
• 通过评估不同情境下的覆盖概率、第一类错误率和均方误差，来衡量估计量的表现。
• 比较三种模型的置信区间，突出固定效应模型在精度与有效性之间的平衡优势。

实验结果

研究问题

• RQ1 在研究数量较少的元分析中，固定效应模型是否比通用效应模型和随机效应模型提供更可靠、更精确的估计？
• RQ2 在固定效应模型中，针对未加权平均效应的新估计量是否相比现有未加权平均估计量能降低均方误差？
• RQ3 当研究数量较少时，固定效应模型的置信区间在宽度和覆盖性方面与随机效应模型相比如何？
• RQ4 在何种条件下，固定效应模型能避免通用效应模型（如第一类错误膨胀）和随机效应模型（如方差估计不精确）的缺陷？
• RQ5 当异质性不可忽略且研究数量较少时，固定效应模型中的未加权平均效应是否比随机效应模型的平均效应更具实际意义？

主要发现

• 在所有模拟情境中，固定效应模型始终产生比随机效应模型更窄的置信区间，同时保持相近的覆盖概率，因此在小样本元分析中更具信息量。
• 在所有模拟设置中，所提出的未加权平均效应最优估计量的均方误差均低于Laird-Mosteller未加权平均估计量。
• 固定效应模型中未加权平均效应的点估计值与随机效应模型的平均效应值几乎完全相同，但置信区间显著更窄。
• 对于包含三篇研究且异质性较高的元分析（如I² = 80%），通用效应模型产生了误导性的显著结果，而随机效应模型则给出了过于宽泛的置信区间。
• 最优估计量在降低方差方面的收益超过其增加偏差的代价，因此在所有测试情境下均实现了均方误差的净降低。
• 在真实案例中，当研究数量较少且异质性不可忽略时，固定效应模型提供的总结比通用效应模型和随机效应模型更具意义且更易解释。