Análisis de moderadores en un meta-análisis de proporciones utilizando el paquete metafor en R

Question

Estoy realizando un meta-análisis de proporciones utilizando el paquete metafor en R y tengo algunos problemas con el análisis del moderador.

Básicamente, hay tres aspectos de los que no estoy seguro:

1. Como el efecto global se calcula utilizando transformaciones, y requiere un comando para transformar el tamaño del efecto de nuevo en una proporción, ¿debo hacer esto también para los moderadores? (Y si es así, ¿cómo?)
2. He incluido tanto moderadores categóricos/discotómicos como continuos, ¿tengo que especificarlo en alguna parte?
3. He añadido todos los moderadores en 1 modelo. ¿Es esta una buena manera de probar los moderadores o debería haber probado cada moderador individualmente?

Código para el efecto global:

Data <- escalc(measure="PFT", xi=Right, ni=N, data=Data)

res <- rma(yi, vi, method = "REML", data=Data) 

pred <- predict(res, transf=transf.ipft.hm, targs=list(ni=Data$N))

dat.back <- summary(Data, transf=transf.ipft, ni=N)

La salida:

Random-Effects Model (k = 41; tau^2 estimator: REML)

tau^2 (estimated amount of total heterogeneity): 0.0122 (SE = 0.0028)
tau (square root of estimated tau^2 value):      0.1105
I^2 (total heterogeneity / total variability):   99.96%
H^2 (total variability / sampling variability):  2455.16

Test for Heterogeneity: 
Q(df = 40) = 113735.3842, p-val < .0001

Model Results:

estimate       se     zval     pval    ci.lb    ci.ub          
  1.0650   0.0176  60.6505   <.0001   1.0306   1.0995      *** 

---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

   pred  ci.lb  ci.ub  cr.lb  cr.ub
 0.7659 0.7360 0.7945 0.5603 0.9211

Código para el análisis de moderadores (donde cat = moderador categórico, dic = moderador dicotómico y con = moderador continuo):

res <- rma(yi, vi, mods = ~ Con1 + Con2 + Cat1 + Dic1 + Dic2 + Dic3 +
Dic4 + Dic5 + Dic6, method="REML", data=Data)

La salida:

Mixed-Effects Model (k = 41; tau^2 estimator: REML)

tau^2 (estimated amount of residual heterogeneity):     0.0118 (SE = 0.0033)
tau (square root of estimated tau^2 value):             0.1088
I^2 (residual heterogeneity / unaccounted variability): 99.89%
H^2 (unaccounted variability / sampling variability):   911.72
R^2 (amount of heterogeneity accounted for):            3.07%

Test for Residual Heterogeneity: 
QE(df = 27) = 22291.5447, p-val < .0001

Test of Moderators (coefficient(s) 2,3,4,5,6,7,8,9,10,11,12,13,14): 
QM(df = 13) = 14.2799, p-val = 0.3544

Model Results:

                                estimate       se     zval    pval     ci.lb    ci.ub
intrcpt                           2.8676  12.3553   0.2321  0.8165  -21.3482  27.0835
Con1                             -0.0010   0.0062  -0.1579  0.8746   -0.0130   0.0111
Con2                              0.0046   0.0040   1.1509  0.2498   -0.0032   0.0123
Cat1A                            -0.0792   0.1664  -0.4759  0.6342   -0.4053   0.2470
Cat1B                             0.0508   0.2111   0.2404  0.8100   -0.3631   0.4646
Cat1C                            -0.1115   0.1837  -0.6067  0.5440   -0.4716   0.2486
Cat1D                             0.0517   0.1509   0.3428  0.7318   -0.2440   0.3474
Cat1E                            -0.0305   0.1606  -0.1897  0.8495   -0.3452   0.2843
Dic1                             -0.0145   0.0731  -0.1982  0.8429   -0.1578   0.1288    
Dic2                             -0.1013   0.1377  -0.7353  0.4622   -0.3712   0.1687
Dic3                              0.0332   0.0950   0.3498  0.7265   -0.1530   0.2194
Dic4                             -0.1281   0.1286  -0.9957  0.3194   -0.3802   0.1240
Dic5                              0.0915   0.0757   1.2091  0.2266   -0.0568   0.2398
Dic6                              0.0597   0.0572   1.0446  0.2962   -0.0524   0.1719                    

---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Answer 1

Q1 si hay una manera fácil de transformar de nuevo en la escala original, entonces usted puede transformar de nuevo los coeficientes del moderador, pero hasta donde yo sé, esto no es posible para el Freeman-Tukey que ha utilizado.

P2 si usted tiene su moderador categórico como un factor o variable de carácter, entonces R se encarga de la cuestión para usted. Tenga en cuenta que tiene más de una estimación para Cat.

Las pruebas Q3 de los moderadores uno por uno pueden tentarle a intentar hacer una selección de subconjuntos de variables, lo que generalmente perturba el proceso de inferencia de una manera difícil de predecir, por lo que se suele preferir un modelo global. Las opiniones difieren en este sentido y dependen de su pregunta científica. Hay un ejemplo en las páginas de Wolfgang Viechtbauer que utiliza el glmulti paquete http://www.metafor-project.org/doku.php/tips que puede ser útil.

Si se trata de un conjunto de datos reales y no de una simulación, me preocuparía (a) el uso de tantos moderadores en relación con el número de observaciones (b) el alto grado de heterogeneidad incluso después de ajustar los moderadores.