Méta-analyse

Dans les statistiques , une méta-analyse combine les résultats de plusieurs études qui adressent un ensemble d'hypothèses relatives de recherches. La première méta-analyse a été effectuée par le Karl Pearson en 1904, afin d'essayer de surmonter le problème de la puissance statistique réduite dans les études avec de petites dimensions de l'échantillon ; l'analyse des résultats d'un groupe d'études peut permettre une analyse plus précise de données.

Bien que la méta-analyse soit employée couramment dans l'épidémiologie et la médecine Évidence-basée par aujourd'hui, une méta-analyse d'un traitement médical n'a pas été éditée jusqu'en 1955. Dans les années 70, des techniques analytiques plus sophistiquées ont été présentées dans la recherche éducative , commençant par le travail du gène V. en verre de , du Frank L. Schmidt , et du chasseur de John E.

Le dictionnaire en ligne de l'anglais d'Oxford de énumère la première utilisation de la limite dans le sens statistique en tant que 1976 par Glass. La méta-analyse environnante de théorie statistique a été considérablement avancée par le travail du Nambury S. Raju , des haies de Larry V., de l'Ingram Olkin, du chasseur de John E.

Utilisations en science moderne

Puisque les résultats de différentes études étudiant les variables indépendantes différent sont mesurés sur différentes échelles, la variable dépendente dans une méta-analyse est une certaine mesure normalisée de la taille d'effet de . Pour décrire les résultats des expériences de comparatif l'indicateur habituel de taille d'effet est la différence moyenne normalisée ( d ) qui est les points standard équivalents à la différence entre les moyens, ou un rapport de chance de si les résultats des expériences sont une variable dichotome (succès contre l'échec). Une méta-analyse peut être effectuée sur les études qui décrivent leurs résultats dans les coefficients de corrélation en tant que par exemple, les études de la corrélation entre les rapports familiaux et l'intelligence . Dans ces cas, la corrélation elle-même est l'indicateur de la taille d'effet.

La méthode n'est pas limitée aux situations dans lesquels ou plus de variables est défini comme " ; dependent." ; Par exemple, une méta-analyse pourrait être effectuée sur une collection d'études qui essaye d'estimer l'incidence du left-handedness dans divers groupes de personnes.

Les chercheurs devraient se rendre compte que les variations des arrangements de prélèvement puissent présenter l'hétérogénéité au résultat, qui est la présence de plus d'une interception dans la solution. Par exemple, si quelques études employaient 30mg d'une drogue, et d'autres a employé 50mg, puis nous nous attendrions à ce que plausiblement deux faisceaux soient présents dans les données, chacune variant autour du moyen d'un dosage ou l'autre. Ceci peut être modelé using un " ; Effets aléatoires modèle de . " ;

Des résultats des études sont combinés using différentes approches. Une approche fréquemment utilisée dans la méta-analyse dans la recherche de soins de santé se nomme « méthode inverse de désaccord ». Toute la taille moyenne d'effet à travers étudie est calculée comme une moyenne pondérée de , par lequel les poids soient égaux au désaccord inverse de chacune a étudié l'estimateur d'effet. De plus grandes études et des études avec moins de variation aléatoire sont données un plus grand poids que de plus petites études. D'autres approches de terrain communal inclure la méthode de Haenszel de mantel de et la méthode de Peto . Un libre Excel-basé la calculatrice pour exécuter l'analyse de Haenszel de mantel est disponible à : http://www.edu/~super1/lecture/lec1171/014. Ils ont également une calculatrice Excel-basée libre de méthode de Peto à : http://www.edu/~super1/lecture/lec1171/015.htm

Cochraine et d'autres sources fournissent un examen utile des différences entre ces deux approches.

Q : Pourquoi pas simplement ajouter tous les résultats à travers des études ?

Réponse : Il y a de souci concernant le paradoxe de Simpson de . La note, cependant cette analyse de Haenszel de mantel et l'analyse de Peto présentent leurs propres polarisations et déformations des résultats de données.

On a proposé une approche récente d'étudier l'influence que les arrangements de pondération peuvent avoir sur des résultats par le construire avec du la '' pesanteur '' , qui est un cas spécial de l'analyse combinatoire de méta de .

La méta-analyse moderne fait combinent plus que juste les tailles d'effet d'un ensemble d'études. Elle peut examiner si les résultats des études montrent plus de variation que la variation qui est prévue en raison de différents participants de recherches de prélèvement. Si c'est le cas, les caractéristiques d'étude telles que l'instrument de mesure ont employé, population prélevée, ou des aspects de la conception des études sont codés. Ces caractéristiques sont alors employées comme variables de facteur prédictif pour analyser la variation excessive des tailles d'effet. Quelques faiblesses méthodologiques dans les études peuvent être corrigées statistiquement. Par exemple, il est possible de corriger des tailles ou des corrélations d'effet pour la polarisation de haut en bas due à l'erreur ou à la restriction de mesure aux gammes de points.

L'analyse de méta mène à un décalage d'emphase à partir des études simples aux études multiples. Elle souligne l'importance pratique de la taille d'effet au lieu de la signification statistique de différentes études. Cette variation dans la pensée s'est nommée le de pensée méta-analytique.

Les résultats d'une méta-analyse sont souvent affichés dans une parcelle de terrain de forêt de .

Qualité d'essai

Une faiblesse de la méthode est que des sources de polarisation ne sont pas commandées par la méthode. Une bonne méta-analyse des études de projet mal aura toujours comme conséquence de mauvaises statistiques. Le Robert Slavin a argué du fait que seulement méthodologiquement des études de bruit devraient être incluses dans une méta-analyse, une pratique qu'il appelle la « meilleure méta-analyse d'évidence ». D'autres méta-analystes incluraient des études plus faibles, et ajoutent une variable de facteur prédictif d'étudier-niveau qui reflète la qualité méthodologique des études pour examiner l'effet de la qualité d'étude sur la taille d'effet. Une autre faiblesse de la méthode est la confiance lourde dans les études éditées, qui peuvent augmenter l'effet car il est très difficile d'éditer les études qui ne donnent aucun résultat significatif. Cette polarisation de publication de ou " ; effect" de dossier-tiroir ; (où non significatif les études finissent vers le haut dans le tiroir de bureau au lieu de dans le public domain) devrait être sérieusement considéré en interprétant les résultats d'une méta-analyse. En raison du risque de polarisation de publication, beaucoup de métas-analyse incluent maintenant un " ; N" de sécurité ; statistique qui calcule le nombre d'études avec les résultats nuls qui devraient être ajoutés à la méta-analyse pour qu'un effet ne soit plus fiable.

Livres

Sutton, A., chanson, méthodes de F. pour la méta-analyse dans la recherche médicale. Londres : John Wiley (2000). ISBN 0-471-49066-0

Voir également

Méthodes épidémiologiques
Psychologie éducative
La méthode de Fisher de pour combiner le indépendant du examine d'importance
Parcelle de terrain de Galbraith de
Polarisation de choix de
Le paradoxe de Simpson de
Hétérogénéité d'étude de
Revue systématique
de pensée méta-analytique
Méta , le mot ou préfixe

Random links: