A penalization approach to random-effects meta-analysis.
A penalization approach to random-effects meta-analysis.
复制标题
随机效应荟萃分析的惩罚方法。
DOI：
10.1002/sim.9261
复制
发表时间：
2022-02-10
影响因子：
2
通讯作者：
Chu H
中科院分区：
文献类型：
--
作者：
Wang Y;Lin L;Thompson CG;Chu H
系统评价和荟萃分析是许多研究领域综合多个独立来源证据的主要工具。考虑到对模型选择和治疗效果结论的影响，在进行荟萃分析时，对所收集研究的异质性评估是关键步骤。当研究被认为是同质的时，通常使用共同效应（CE）模型，而随机效应（RE）模型用于异质性研究。然而，这两种模式都有局限性。例如，当收集的研究具有异质性治疗效应时，CE模型产生过度保守的置信区间，覆盖概率较低。另一方面，与CE模型相比，RE模型为小型研究分配了更高的权重。在存在小型研究效应或发表偏倚的情况下，RE模型中的过度加权小型研究可能导致总体治疗效应估计值存在显著偏倚。此外，离群研究可能会夸大研究间异质性。本文介绍了惩罚方法之间的CE和RE模型的妥协。所提出的方法的动机是惩罚似然方法，这是广泛使用的，在当前的文献中，以控制模型的复杂性和减少参数估计的方差。我们比较现有的和建议的方法与模拟数据和几个案例研究来说明惩罚方法的好处。
Systematic reviews and meta-analyses are principal tools to synthesize evidence from multiple independent sources in many research fields. The assessment of heterogeneity among collected studies is a critical step when performing a meta-analysis, given its influence on model selection and conclusions about treatment effects. A common-effect (CE) model is conventionally used when the studies are deemed homogeneous, while a random-effects (RE) model is used for heterogeneous studies. However, both models have limitations. For example, the CE model produces excessively conservative confidence intervals with low coverage probabilities when the collected studies have heterogeneous treatment effects. The RE model, on the other hand, assigns higher weights to small studies compared to the CE model. In the presence of small-study effects or publication bias, the over-weighted small studies from a RE model can lead to substantially biased overall treatment effect estimates. In addition, outlying studies may exaggerate between-study heterogeneity. This article introduces penalization methods as a compromise between the CE and RE models. The proposed methods are motivated by the penalized likelihood approach, which is widely used in the current literature to control model complexity and reduce variances of parameter estimates. We compare the existing and proposed methods with simulated data and several case studies to illustrate the benefits of the penalization methods.
登录
查看更多内容
混合效应模型中的固定和随机效应选择。
影响因子：
1.9
作者：
Ibrahim JG;Zhu H;Garcia RI;Guo R
通讯作者：
Guo R
影响因子：
2
作者：
Hoaglin, David C.
通讯作者：
Hoaglin, David C.
DOI：
10.1016/0197-2456(86)90046-2
发表时间：
1986-09-01
期刊：
CONTROLLED CLINICAL TRIALS
影响因子：
--
作者：
DERSIMONIAN, R;LAIRD, N
通讯作者：
LAIRD, N
影响因子：
39.2
作者：
Cornell, John E.;Mulrow, Cynthia D.;Goodman, Steven N.
通讯作者：
Goodman, Steven N.
影响因子：
2
作者：
Higgins, JPT;Thompson, SG
通讯作者：
Thompson, SG