Meta-analisi: correlazione
| Comando: | Statistiche Meta-analisiCorrelazione |
|---|
Per una breve panoramica della meta-analisi in MedCalc, vedi Meta-analisi: introduzione.
MedCalc usa il metodo di Hedges-Olkin (1985) per calcolare il coefficiente di correlazione riassuntivo ponderato secondo il modello a effetti fissi, usando una trasformazione Z di Fisher dei coefficienti di correlazione. Poi la statistica di eterogeneità viene incorporata per calcolare il coefficiente di correlazione riassuntivo secondo il modello a effetti casuali (DerSimonian e Laird, 1986).
Come inserire i dati
I dati dei diversi studi possono essere inseriti nel foglio di lavoro come segue:
| A | B | C | D | |
|---|---|---|---|---|
| Study | Correlation_coefficient | N | ||
| 1 | Moore, 2006 | 0,56 | 133 | |
| 2 | Davis, 2008 | 0,43 | 149 | |
| 3 | Thomas, 1999 | 0,53 | 131 | |
| 4 | Miller, 2012 | 0,51 | 120 | |
| 5 | Williams, 2012 | 0,66 | 111 | |
| 6 | Young, 2013 | 0,46 | 152 | |
| 7 | Baker, 2009 | 0,33 | 60 | |
| 8 | Adams, 2006 | 0,38 | 122 |
Input richiesto
Si può quindi compilare la finestra di dialogo "Meta-analisi: correlazione".
Studi: una variabile che contiene un'identificazione dei diversi studi.
Dati
Numero di casi: una variabile che contiene il numero totale di casi inclusi nei diversi studi.
Coefficienti di correlazione: una variabile che contiene il coefficiente di correlazione riportato nei diversi studi.
Filtro: un filtro per includere nel grafico solo un sottogruppo selezionato di casi.
Opzioni
- Diagramma a foresta: crea un diagramma a foresta.
- Dimensioni indicatore rispetto a peso studio: opzione per far variare la dimensione degli indicatori che rappresentano gli effetti degli studi in base ai pesi assegnati ai diversi studi. Puoi scegliere i pesi del modello a effetti fissi o i pesi del modello a effetti casuali.
- Traccia effetto aggregato - modello a effetti fissi: opzione per includere nel diagramma a foresta l'effetto aggregato secondo il modello a effetti fissi.
- Traccia effetto aggregato - modello a effetti casuali: opzione per includere nel diagramma a foresta l'effetto aggregato secondo il modello a effetti casuali.
- Rombi per effetti aggregati: opzione per rappresentare gli effetti aggregati con un rombo (la posizione del rombo rappresenta la dimensione stimata dell'effetto e la sua larghezza riflette la precisione della stima).
- Grafico a imbuto: crea un grafico a imbuto per verificare la presenza di bias di pubblicazione. Vedi Meta-analisi: introduzione.
Risultati
Variabile per gli studi | Study |
|---|---|
Variabile per il numero di casi | N |
Variabile per i coefficienti di correlazione | Correlation_coefficient |
Studio | Dimensione campione | Coefficiente di correlazione | IC al 95% | z | P | Peso (%) | |
|---|---|---|---|---|---|---|---|
Fissi | Casuali | ||||||
Moore, 2006 | 133 | 0.560 | 0.431 a 0.667 |
|
| 13.63 | 13.24 |
Davis, 2008 | 149 | 0.430 | 0.289 a 0.553 |
|
| 15.30 | 13.96 |
Thomas, 1999 | 131 | 0.530 | 0.394 a 0.643 |
|
| 13.42 | 13.14 |
Miller , 2012 | 120 | 0.510 | 0.364 a 0.632 |
|
| 12.26 | 12.58 |
Williams, 2012 | 111 | 0.660 | 0.540 a 0.754 |
|
| 11.32 | 12.08 |
Young, 2013 | 152 | 0.460 | 0.325 a 0.577 |
|
| 15.62 | 14.08 |
Baker, 2009 | 60 | 0.330 | 0.0830 a 0.539 |
|
| 5.97 | 8.25 |
Adams, 2006 | 122 | 0.380 | 0.217 a 0.522 |
|
| 12.47 | 12.68 |
Totale (effetti fissi) | 978 | 0.495 | 0.446 a 0.541 | 16.760 | <0.001 | 100.00 | 100.00 |
Totale (effetti casuali) | 978 | 0.494 | 0.422 a 0.560 | 11.640 | <0.001 | 100.00 | 100.00 |
Test per l'eterogeneità
Q | 14.1536 |
|---|---|
DF | 7 |
Livello di significatività | P = 0.0485 |
I2 (incoerenza) | 50.54% |
IC al 95% per I2 | 0.00 a 77.88 |
Bias di pubblicazione
Test di Egger | |
|---|---|
Intercetta | -1.8510 |
IC al 95% | -12.2909 a 8.5889 |
Livello di significatività | P = 0.6796 |
Test di Begg | |
Tau di Kendall | 0.0000 |
Livello di significatività | P = 1.0000 |
  |
Il programma elenca i risultati dei singoli studi inclusi nella meta-analisi: numero di casi e coefficiente di correlazione con IC al 95%.
Il coefficiente di correlazione aggregato con IC al 95% viene riportato sia per il modello a effetti fissi sia per il modello a effetti casuali.
Il modello a effetti casuali tende a fornire una stima più conservativa (cioè con un intervallo di confidenza più ampio), ma i risultati dei due modelli di solito concordano quando non c'è eterogeneità. Vedi Meta-analisi: introduzione per l'interpretazione delle statistiche di eterogeneità Q di Cochran e I2. In presenza di eterogeneità il modello da preferire è quello a effetti casuali.
Vedi Meta-analisi: introduzione per l'interpretazione dei diversi test di bias di pubblicazione.
Diagramma a foresta
I risultati dei diversi studi, con IC al 95%, e i coefficienti di correlazione aggregati con IC al 95% sono mostrati in un diagramma a foresta:
Letteratura
- Borenstein M, Hedges LV, Higgins JPT, Rothstein HR (2009) Introduction to meta-analysis. Chichester, UK: Wiley.
- DerSimonian R, Laird N (1986) Meta-analysis in clinical trials. Controlled Clinical Trials 7:177-188.
- Hedges LV, Olkin I (1985) Statistical methods for meta-analysis. London: Academic Press.
- Higgins JP, Thompson SG, Deeks JJ, Altman DG (2003) Measuring inconsistency in meta-analyses. BMJ 327:557-560.
- Petrie A, Bulman JS, Osborn JF (2003) Further statistics in dentistry. Part 8: systematic reviews and meta-analyses. British Dental Journal 194:73-78.