¿Cómo hacer una metarregresión en SPSS?

Question

Estoy intentando gestionar una metarregresión en SPSS17 utilizando el tamaño del efecto como variable dependiente. Quiero explorar si mis variables independientes afectan al tamaño del efecto. Algunas pequeñas preguntas prácticas:

1. ¿Cuál es el número mínimo de estudios necesarios para una metarregresión?

   • Algunos sugieren que se necesitan al menos 10 estudios. ¿Por qué no 20 o 5 estudios?
   • ¿Es el tamaño total de la muestra una consideración importante?
   • ¿Por qué 10 estudios con 200 pacientes son suficientes, pero 5 estudios con 400 pacientes no lo son?

2. ¿Puedo introducir los tres regresores a la vez e informar del modelo global, o tengo que introducir un regresor a la vez e informar de 3 modelos cada uno por separado?

   • ¿Cómo afecta la correlación entre las variables independientes a esta elección?
   • ¿Cómo afecta el número de estudios al número de variables independientes que debo introducir simultáneamente?

3. ¿Tiene que ser la variable independiente una variable de escala?

   • La variable dependiente (=tamaño del efecto) es, por supuesto, la escala. La variable independiente debe ser también de escala, ¿o podría ser ordinal o nominal?

4. ¿Cómo puedo ponderar el tamaño del efecto para el tamaño de la muestra?

5. ¿Cuál es el nivel de significación preferible?

   • ¿Sigue siendo aceptable p<0,05 para la investigación clínica en un análisis de este tipo?

Answer 1

No utilice las rutinas incorporadas del SPSS para realizar una metarregresión (errores estándar erróneos; no da índices de modelo correctos; no hay estadísticas de heterogeneidad). Eche un vistazo al SPSS de David Wilson " macros para realizar análisis meta-analíticos ". Una de estas macros se llama MetaReg que puede realizar una metarregresión de efectos fijos o mixtos. Yo siempre utilizaría Stata o R. Por cierto, el usuario Wolfgang es el autor de un paquete R llamado metafor . Se trata de un software excelente para realizar metarregresiones.

Como introducción general (no técnica) a la metarregresión, puedo recomendar Thompson/Higgins (2002) "¿Cómo deben realizarse e interpretarse los análisis de metarregresión? ".

Ahora a su pregunta:

P1: ¿Cuál es el número mínimo de estudios necesarios para una metarregresión? Algunas personas sugieren que se necesitan al menos 10 estudios. ¿Por qué no 20 o 5 estudios?

La respuesta se encuentra en Borenstein et al (2009: 188) :

"Al igual que en los estudios primarios, donde necesitamos una proporción adecuadamente grande de sujetos a covariables para que para que el análisis sea significativo, en el meta-análisis necesitamos una proporción una proporción adecuada de estudios y covariables. Por lo tanto, el uso de la metarregresión especialmente con múltiples covariables, no es una opción recomendada cuando el número de estudios es pequeño. En los estudios primarios estudios primarios, algunos han recomendado una relación de al menos diez sujetos por cada covariable, lo que correspondería a diez estudios por cada covariable en meta-regresión. Sin embargo, en realidad no hay reglas estrictas ni rápidas en en ninguno de los dos casos".

P2: ¿Es el tamaño total de la muestra una consideración importante?

¿Cuál es el tamaño total de la muestra? ¿El número de estudios? Sí, es importante. ¿O el número de individuos? No, no es (o es menos) importante.

P3: ¿Por qué 10 estudios con 200 pacientes son suficientes, pero 5 estudios con 400 pacientes no lo son?

Es sólo una regresión (ordinaria). No harías una regresión con 5 puntos de datos, ¿verdad? En tu comentario, afirmas que tienes 20 estudios, lo que es suficiente para realizar una metarregresión.

P4: ¿Puedo introducir los tres regresores a la vez e informar del modelo global, o tengo que introducir un regresor a la vez e informar de 3 modelos cada uno por separado?

Es sólo una regresión. Yo empezaría con tres modelos bivariantes simples y luego construiría modelos más complejos (ten en cuenta la multicolinealidad, véase más adelante).

P5: ¿Cómo afecta la correlación entre las variables independientes a esta elección?

Una alta correlación entre sus variables predictoras tendrá un impacto (negativo) en sus resultados. Debería evitarlo. Consulte un libro de texto sobre el problema de multicolinealidad .

P6: ¿Cómo afecta el número de estudios al número de variables independientes que debo introducir simultáneamente?

Véase la cita de Borenstein et al.

P7: ¿Tiene que ser la variable independiente una variable de escala? [...] ¿La variable independiente debe ser también de escala, o puede ser ordinal o nominal?

¿Qué es una "variable de escala"? ¿Se refiere a una variable continua/métrica? Las variables predictoras pueden tener cualquier nivel de medición . Sin embargo, si tiene una variable de predicción categórica (nominal), tendrá que tratar con variables ficticias (véase Regresión múltiple con variables categóricas ).

P8: ¿Cómo puedo ponderar el tamaño del efecto para el tamaño de la muestra?

Hasta donde yo sé, todos los enfoques de metarregresión esperan que las ponderaciones sean la varianza inversa del estudio, es decir. $\frac{1}{v_i}=\frac{1}{SE_i^2}$ . De nuevo, necesitará errores estándar :-)

P9: ¿Cuál es el nivel de significación preferible? ¿Sigue siendo aceptable p<0,05 para la investigación clínica en un análisis de este tipo?

No puedo responder a su pregunta. Eso depende realmente de su pregunta de investigación. En mi investigación (no clínica) me basta con una p < 0,10.

Answer 2

Estas son algunas respuestas maravillosas a sus preguntas iniciales, y la guía de referencia es particularmente útil.

Si busca un paquete relativamente sencillo para realizar metarregresiones, le recomiendo el paquete de software de Borenstein Metanálisis exhaustivo . Se limita a la metarregresión de un solo predictor, pero éste puede ser de escala/continuo o puede ser categórico. La salida y los gráficos producidos son fáciles de seguir, y a menos que esté utilizando múltiples predictores será suficiente. Dado que se trata de un estudio de pequeño tamaño (p. ej., 10), es probable que no se puedan detectar múltiples predictores.