Metafor 軟件包：偏差和敏感性診斷
我正在進行多層次的薈萃分析，其中包括一些具有多種結果的文章。因此我正在使用該
rma.mv()功能。示例代碼：test.main = rma.mv(yi,vi,random = ~1|ID, data = data)我有兩個問題：
- 我在之前的查詢中讀到，使用
rma.mv(),ranktest()不是漏斗圖不對稱性的可靠測試。但是，如果將樣本方差作為調節因子添加到原始模型中，則該模型將類似於 Egger 檢驗：test.egger = rma.mv(yi,vi, mod = vi, random = ~1|ID, data = data)該代碼是否對該指南的正確解釋？此外，漏斗圖作為模型工具是否也（或多或少）無用
rma.mv()？ 2. 既不leave1out()也不trimfill()合作rma.mv()評估模型結果的敏感性。目前是否有其他敏感性分析工具可用於rma.mv()不涉及對 R 的精通理解的模型？
**關於 1：**是的，添加
vi為主持人確實是將 Egger 的測試擴展到更複雜模型的合乎邏輯的方式。實際上，使用抽樣方差作為調節因子只是進行“漏斗圖不對稱回歸檢驗”的一種可能性。其他人建議使用抽樣方差的倒數或標準誤差（抽樣方差的平方根）或其倒數或總樣本量（或其某些函數）作為調節因子。目前尚不完全清楚哪個預測變量是“最佳”選擇（這可能取決於您用於薈萃分析的結果度量）。例如，對於某些度量，我們用來近似/估計抽樣方差的方程實際上是觀察到的結果的函數，即使沒有發表偏倚（或“小研究偏倚”），它也會自動在兩者之間建立關係或者我們想怎麼稱呼它）。在這種情況下，
但要點是：是的，在處理更複雜的模型時，可以通過在模型中添加適當的調節器來輕鬆應用回歸測試。
當數據背後存在多級/多變量結構時，漏斗圖是否有用是有爭議的。例如，由於統計依賴性（在使用適當的多級/多變量模型時會考慮），點集可能會聚集在一起，但在漏斗圖中，點就是：一堆點。這使得漏斗圖的解釋更加困難，因為（除非你通過使用不同的顏色或符號採取額外的步驟）你看不到這些內在的依賴關係——並不是說大多數人（包括我自己）都擅長解釋漏斗圖，即使是最簡單的案例（有實證研究證明！）。
**關於 2：**是的，一堆模型後擬合功能目前不適用於
rma.mv模型對象。我只是還沒來得及實施這個，其中一些實際上需要一些思考。例如，leave1out()一次刪除一項研究——在單變量上下文中，這相當於一次刪除每個觀察到的結果，但是多水平/多變量數據呢？還一次刪除每個觀察到的結果？或者刪除點集？或者提供不同的選擇？關於修剪和填充（撇開這種方法真正有用的問題不談）：將該方法擴展到多級/多變量數據將值得寫一整篇論文。因此，您想要進行敏感性分析非常棒，但到目前為止，您將不得不手動執行其中的一些操作。留一分析很容易通過簡單的 for 循環完成，並仔細考慮“一”是什麼（例如，每個觀察到的結果，每個集群/研究）。你可以做回歸測試，也許現在就離開修剪和填充。標準化殘差可通過 獲得
rstandard()，因此您可以檢查數據中的潛在異常值。您可以通過hatvalues()（僅沿對角線或整個帽子矩陣的槓桿）獲得帽子值，這可以指示哪些點對結果有很大影響。在這種情況下，另一個真正有用的度量是庫克的距離，您可以通過 獲得cooks.distance()，也可以用於rma.mv對象。