[论文解读] robumeta: An R-package for robust variance estimation in meta-analysis

Zachary F. Fisher, Elizabeth Tipton|arXiv (Cornell University)|Mar 7, 2015

Advanced Statistical Methods and Models参考文献 26被引用 280

一句话总结

本论文介绍了 robumeta R 包，用于元分析中的稳健方差估计（RVE），在效应量因未知或复杂的依赖结构而存在非独立性时，可实现有效的推断。该包实现了大样本和小样本校正的 RVE 估计器，即使研究数量少于 40 项，也能提高元回归的准确性，并支持分层加权和通过组均值及组中心化预测变量进行效应量分解。

ABSTRACT

Meta-regression models are commonly used to synthesize and compare effect sizes. Unfortunately, traditional meta-regression methods are ill-equipped to handle the complex and often unknown correlations among non-independent effect sizes. Robust variance estimation (RVE) is a recently proposed meta-analytic method for dealing with dependent effect sizes. The robumeta package provides functions for performing robust variance meta-regression using both large and small sample RVE estimators under various weighting schemes. These methods are distribution free and provide valid point estimates, standard errors and hypothesis tests even when the degree and structure of dependence between effect sizes is unknown.

研究动机与目标

• 解决传统元回归在效应量因未知或复杂协方差结构而存在非独立性时的局限性。
• 在 R 中实现稳健方差估计（RVE），在无需了解研究内相关性的情况下，提供有效的标准误和假设检验。
• 利用近期提出的小样本校正方法，将 RVE 扩展至小样本情境，提升研究数量少于 40 项时的覆盖率和推断准确性。
• 为研究人员提供一个用户友好、分布自由的元回归工具，可处理不平衡或偏态的协变量以及嵌套的研究设计。

提出的方法

• 使用稳健方差估计（RVE）在一般条件下产生一致的点估计和有效的标准误，即使效应量之间的依赖结构未知。
• 应用大样本和小样本校正的 RVE 估计器，后者可提升研究数量少于 40 项时的有限样本表现。
• 实现分层效应加权（HIER），用于在效应量嵌套于研究或治疗中心时建模依赖性。
• 利用预测变量（如随访时长）的组均值和组中心化变换，分别估计组内和组间效应。
• 应用 Satterthwaite 自由度近似法，以在自由度较低或不平衡时改善推断。
• 提供与 RVE 方法兼容的森林图和模型诊断函数。

实验结果

研究问题

• RQ1 当非独立效应量之间的协方差结构未知或错误指定时，稳健方差估计能否提供有效的推断？
• RQ2 在研究数量少于 40 项的小样本情境下，RVE 的表现如何变化？是否可通过调整提升覆盖率和 I 类错误率？
• RQ3 不平衡或偏态的协变量在多大程度上影响 Satterthwaite 自由度在 RVE 中的可靠性？
• RQ4 在分层元回归模型中，如何将预测变量（如随访时长）的组内和组间效应分离？
• RQ5 在心理学、教育学和医学等不同元分析情境中，是否可以无需掌握研究内相关性信息，一致地应用 RVE？

主要发现

• robumeta 包成功实现了大样本和小样本校正的 RVE 估计器，在研究数量少于 40 项时显著提升了元回归的推断准确性。
• Tipton（in press）提出的小样本校正方法极大提升了标准误和置信区间的准确性，尤其在研究数量较少或协变量不平衡时效果显著。
• 在实际应用示例中，将暴饮行为测量作为因变量的效应被发现为正且具有统计学显著性（p = 0.0035），表明此类研究中的治疗效应量更高。
• 随访时长预测变量的 Satterthwaite 自由度低于 4，表明这些效应的推断不可靠，与不平衡协变量的模拟证据一致。
• 对随访时长进行组均值和组中心化变换，使得组内和组间效应得以分离，提升了结果的可解释性。
• 该包使研究人员能够在效应量非独立的情况下进行元回归，同时保持有效的统计推断，即使确切的依赖结构未知。