[论文解读] Testing for publication bias in meta-analysis under Copas selection model

Rui Duan, Jin Piao+6 more|arXiv (Cornell University)|Jul 2, 2020

Statistical Methods in Clinical Trials参考文献 38被引用 6

一句话总结

本文提出了一种基于得分检验的新方法，用于在Copas选择模型下检测元分析中的发表偏倚，解决了标准检验程序因非正规性和参数不可识别性而失效的问题。该方法采用基于网格的极大化检验统计量，并结合参数自展法计算p值，在网格点数量有限时仍表现出高检验效能，从而在广泛使用的筛选模型下实现了可靠的发表偏倚假设检验。

ABSTRACT

In meta-analyses, publication bias is a well-known, important and challenging issue because the validity of the results from a meta-analysis is threatened if the sample of studies retrieved for review is biased. One popular method to deal with publication bias is the Copas selection model, which provides a flexible sensitivity analysis for correcting the estimates with considerable insight into the data suppression mechanism. However, rigorous testing procedures under the Copas selection model to detect bias are lacking. To fill this gap, we develop a score-based test for detecting publication bias under the Copas selection model. We reveal that the behavior of the standard score test statistic is irregular because the parameters of the Copas selection model disappear under the null hypothesis, leading to an identifiability problem. We propose a novel test statistic and derive its limiting distribution. A bootstrap procedure is provided to obtain the p-value of the test for practical applications. We conduct extensive Monte Carlo simulations to evaluate the performance of the proposed test and apply the method to several existing meta-analyses.

研究动机与目标

• 解决在Copas选择模型下缺乏严谨假设检验程序的问题。
• 解决在原假设下参数消失时标准检验统计量的非正规性和不可识别性问题。
• 开发一种实用且可检验的方法，用于检测发表偏倚，可作为敏感性分析前的常规应用。
• 在多种情景下评估该检验在第一类错误率和统计功效方面的实证表现。
• 提供一种可量化的发表偏倚风险度量，类似于异质性指标I²。

提出的方法

• 提出一种基于得分检验原理的新检验统计量，适用于处理Copas选择模型中的非正规性问题。
• 推导在无发表偏倚原假设下的检验统计量极限分布。
• 在选择模型参数（γ₀, γ₁）上进行网格搜索，以最大化检验统计量在合理参数值范围内的取值。
• 采用参数自展程序估计p值，以考虑复杂抽样分布的影响。
• 在多种情景下对模拟数据应用该方法，以评估第一类错误率和统计功效。
• 通过真实世界元分析验证该方法，以证明其实际应用价值。

实验结果

研究问题

• RQ1 尽管存在非正规性和参数不可识别性，是否仍可在Copas选择模型下构建有效的发表偏倚假设检验？
• RQ2 与现有方法相比，所提出检验在第一类错误率和统计功效方面的表现如何？
• RQ3 当真实的选择模型参数未知且必须通过网格搜索估计时，该检验是否仍能保持良好的统计功效？
• RQ4 该检验能否作为常规诊断工具，用于评估元分析中发表偏倚的风险？
• RQ5 γ₀和γ₁的网格点数量如何影响检验的统计功效和稳定性？

主要发现

• 由于在原假设下参数不可识别且Fisher信息矩阵奇异，标准得分检验在Copas模型下无效。
• 所提出的检验统计量基于网格最大化的得分检验并结合自展p值，可在各种模拟情景下保持适当的I类错误率。
• 统计功效随网格点数量增加而提升，但在达到某一阈值后趋于稳定，表明即使在稀疏网格下也具有稳健性。
• 与已知真实(γ₀, γ₁)值的理想情形相比，该检验实现了良好的功效，表明其具有出色的实证表现。
• 该方法提供了一种实用且可解释的发表偏倚风险度量，p值越小，表示选择性发表的风险越高。
• 作者建议在进行基于Copas模型的敏感性分析前，将该检验作为初步诊断工具使用，尤其在可行时可搜索未发表研究的情况下。