مېټا-تحلیل

د معلوماتو پورته کول

ستونونه مستقیم له پاڼې څخه (د سرلیکونو د کتار په ګډون) پېسټ کېږي – په اکسل کې په نښه کېږي، کاپي کېږي او دلته پېسټ کېږي:

متحولونه او تنظیمات

کله کارول کېږي؟

کله چې څو څېړنې وي چې هماغه پوښتنه یې څېړلې – هماغه مداخله د کنټرول په وړاندې، د دوو متحولونو ترمنځ هماغه اړیکه – او غواړو پوه شو چې دوی په ګډه څه وايي: منځنی اغېز څه دی، څومره دقیق دی، او آیا د څېړنو ترمنځ ثابت دی. مېټا-تحلیل (meta-analysis) دا د اغېز د اندازو په وزن لرونکي اوسط سره کوي، چې پکې ډېره دقیقه څېړنه ډېر وزن ترلاسه کوي. پېژندل شوی بدیل – شمېرل چې څو څېړنې معنادارې راوتلې – غلط دی: "د رایو شمېرل" (vote counting) نامعناداره پایله د اغېز د نشتوالي د شاهد په توګه ګڼي، که څه هم کېدای شي له ټیټ احصایوي ځواک (statistical power) څخه راپیدا شي، او Hedges او Olkin وښوده چې د هغه ځواک حتی د څېړنو د شمېر په زیاتېدو سره صفر ته نږدې کېدای شي (لکه څنګه چې په Borenstein et al.، 2009، مخ 251-252 کې راغلي). هلته په بېلګه کې، پنځه څېړنې چې هره یوه نامعناداره ده (p = .265) په یو معنادار اغېز راټولېږي (p = .013).

محاسبه کوچنۍ برخه ده. مخکې له دې چې ورته ورسېږو یوه ټاکلې پوښتنه، سیستماتیک لټون، د شاملولو معیارونه او کوډ ورکول دي – Harrer او همکاران یې (2021، مخ 9-11) دامونه شمېري: "مڼې او مالټې" (څېړنې چې د یوځای کولو لپاره ډېرې بېلې دي)، "کثافات ننوځي، کثافات وځي" (متعصبې څېړنې)، "المارۍ" (څېړنې چې نه دي خپرې شوې)، او د څېړونکي اجنډا – چې وروستۍ یې د تحلیل د پلان په مخکیني ثبت کمېدای شي. د تشخیصي ازموینو د حساسیت او ځانګړتیا (specificity) مېټا-تحلیل دوه متحوله ماډلونو ته اړتیا لري، چې دواړه په ګډه وزن کوي (Macaskill et al., 2023, p. 203) – پاڼه یې نه چلوي؛ د یوې ازموینې لپاره – د د ROC تحلیل پاڼه.

د اغېز اندازه (effect size)

په دوو ډلو کې اوسطونه. کله چې ټولو څېړنو هماغه مقیاس (scale) کارولی وي – د اوسطونو خام توپیر وزن کېدای شي، چې د اصلي واحدونو په بڼه پوهېدل کېږي؛ کله چې بېلابېلې وسیلې یې کارولې وي – یوازې معیاري شوی (standardized) توپیر، د اوسطونو توپیر په ګډ معیاري انحراف وېشل شوی (Borenstein et al., 2009, p. 25). d په کوچنیو نمونو کې "لږ تعصب لري"، نو د Hedges g ته سمېږي (همدلته، مخ 27). د g واریانس څو فورمولونه لري، او Borenstein او همکاران یې پخپله یادوي چې بېلابېلو لیکوالانو "لږ بېل بیانونه" ورکړي دي (مخ 28) – "دواړه": پاڼه لکه په metafor کې escalc محاسبه کوي (دقیق سمون، او واریانس له g² سره)، او کتاب نږدې سمون او د d واریانس ضرب J² کاروي. توپیر ناچیز دی پرته له ډېرو کوچنیو نمونو؛ د کتاب په بشپړه بېلګه کې وزن شوی اغېز 0.3585 د 0.3582 په پرتله. لوری خپلسری دی، خو باید یو شان وي: که مثبت معنا دا وي چې د ازمایښت ډله ښه ده، دا باید پر ټولو څېړنو تطبیق شي (همدلته، مخ 25).

2×2 جدولونه. د خطر نسبت او د چانسونو نسبت (odds ratio) نسبي شاخصونه دي، "د بنسټ په کچه کې توپیرونو ته نسبتاً حساس نه دي"؛ د خطر توپیر مطلق دی – د بنسټ کچې ته حساس، خو کله کله "په کلینیکي لحاظ ډېر معنادار" (Borenstein et al., 2009, p. 38). نسبتونه په لوګاریتم کې تحلیلېږي او د ښودلو لپاره بېرته اړول کېږي (مخ 39). کله چې په څېړنه کې صفر حجره وي، پاڼه د همدې څېړنې ټولو څلورو حجرو ته نیمه ورزیاتوي، لکه escalc.

همبستګۍ. د r واریانس پخپله په r پورې تړلی دی، نو د Fisher د z له بدلون وروسته وزن کېږي او د ښودلو لپاره بېرته r ته اړول کېږي (Borenstein et al., 2009, pp. 41-43).

د رګرسیون له ضریب څخه جزئي همبستګي. د پالیسۍ، ادارې او ټولنیزو علومو په څېړنو کې ډېری موندنې د رګرسیون د ضریبونو په بڼه راځي، او Ringquist (2013، مخ 104-105) سپارښتنه کوي چې د r د کورنۍ د اغېز په اندازو کې وکارول شي: د ضریب له t څخه r = t/√(t² + df) محاسبه کېږي – د وړاندوینوونکي او تړلي متحول ترمنځ جزئي همبستګي، په ماډل کې د وړاندوینوونکو له شمېر پرته؛ هغه کوچنی تعصب چې د وړاندوینوونکو له شمېر څخه پیدا کېږي په ډېری حالتونو کې "ناچیز" دی (مخ 105-106). نښه د ضریب ده، او باید ډاډ ترلاسه شي چې په ټولو څېړنو کې په یو شان لوري دی (مخ 137-138). هغه څېړنه چې یوازې ستوري یې راپور کړي – د t د پولې ارزښت ایښودل کېږي، او ترلاسه شوې همبستګي ښکتنۍ پوله ده؛ هغه څېړنه چې یوازې یې "نامعنادار" لیکلي – غوره ده چې r = 0 کېښودل شي نه دا چې پرېښودل شي، ځکه چې پرېښودل "نږدې په یقیني ډول" منځنی اغېز پړسوي (مخ 108). په واریانس کې "دواړه": Ringquist د Fisher د z عادي واریانس کاروي، 1/(n − 3) (مخ 109)؛ پاڼه لکه په metafor کې escalc("ZPCOR") محاسبه کوي، 1/(n − m − 2) له m وړاندوینوونکو سره – په لویو نمونو کې توپیر کوچنی دی.

مخکې محاسبه شوی اغېز. کله چې څېړنو یوازې اغېز او د باور واټن راپور کړی وي، معیاري تېروتنه د واټن پلنوالی وېشل پر 2 × 1.96 ده؛ د نسبت لپاره (OR، RR، HR) – د لوګاریتم پر پیمانه. د هغه g لپاره چې داسې داخلېږي – ښه ده ډاډ ترلاسه شي چې د تعصب سمون لا دمخه پلی شوی، ځکه چې پاڼه نه پوهېږي (Harrer et al., 2021, p. 105).

ثابت اغېز یا تصادفي اغېزونه

د ثابت اغېز (fixed effect) په ماډل کې انګېرل کېږي چې ټولې څېړنې هماغه ریښتینی اغېز لري، او یوازې د نمونه اخیستنې په تېروتنه کې توپیر لري؛ د تصادفي اغېزونو (random effects) په ماډل کې – چې ریښتینی اغېز د څېړنو ترمنځ بدلېږي، او موخه د اغېزونو د وېش اوسط دی (Borenstein et al., 2009, p. 77). ثابت اغېز هغه وخت مناسب دی چې څېړنې "په دنده کې ورته" وي او موخه له هغوی هاخوا عمومي کول نه وي – یو "نسبتاً نادر" حالت؛ کله چې څېړنې د بېلابېلو څېړونکو له خوا شوې وي او له ادبیاتو څخه راټولې شوې وي، تصادفي اغېزونه "معمولاً ډېر معقول دي" (مخ 83-86). Harrer او همکاران یې (2021، مخ 101) زیاتوي چې په ټولنیزو علومو کې "دود دی چې تل" تصادفي اغېزونه وکارول شي، خو "دواړه": ماډل کوچنیو څېړنو ته ډېر وزن ورکوي، چې کله کله ډېرې متعصبې وي – او ځینو استدلال کړی چې ثابت اغېز کله کله غوره دی (همدلته). د برخو له مخې کتابونه هم تصادفي اغېزونه غوره ګڼي: Ringquist (2013، مخ 33) – "تل"، مګر دا چې د ثابت اغېز د انګېرلو لپاره ځانګړي قوي دلایل وي، ځکه چې د ثابت اغېز پایلې یوازې پر راټولو شویو څېړنو تطبیقېږي (مخ 120-121)؛ Cooke (2024، مخ 133) – ارواپوهنیزې څېړنې په بېلابېلو ټیمونو کې په یو ډول نه ترسره کېږي، نو ثابت اغېز "توجیه کول یې ګران دي". او "دواړه": Kumar (2023، مخ 112-113) لیکي چې هغه پخپله ثابت اغېز غوره ګڼي تر هغه چې واریانس ډېر نه وي، او دا چې د ناهمجنسۍ د سرچینو څېړل یې له ماډل کولو غوره دي. پاڼه دواړه ښيي؛ پاراګراف تصادفي اغېزونه راپور کوي.

څه باید ونه شي: په ثابت اغېز پیل کول او تصادفي اغېزونو ته تګ که د ناهمجنسۍ ازموینه معناداره وي – "باید په کلکه ترې ډډه وشي"، ځکه چې انتخاب په دې پوهه پورې تړلی دی چې آیا څېړنې یو اغېز شریکوي، او ازموینه کمزورې ده (Borenstein et al., 2009, p. 84)؛ ماډل "د پلان په پړاو کې" ټاکل کېږي (Kumar, 2023, p. 36). او بل توپیر: په تصادفي اغېزونو کې د باور واټن تل پراخ دی، او حتی له ډېرو لویو څېړنو سره صفر ته نه راټیټېږي – ځکه چې د څېړنو شمېر، نه د هغوی اندازه، د اوسط دقت محدودوي (مخ 80-81). کله چې ډېرې لږې څېړنې وي، د څېړنو ترمنځ د واریانس اټکل دقیق نه دی، او "هره شونې ستونزمنه ده" (مخ 84).

د τ² اټکلوونکی او Knapp-Hartung

اټکلوونکی. د څېړنو ترمنځ واریانس، τ²، په څو لارو اټکل کېدای شي. DerSimonian-Laird تر ټولو عام دی او په زړو پروګرامونو کې تلواله (default) ده، خو "کېدای شي متعصب وي، په ځانګړي ډول کله چې د څېړنو شمېر کوچنی او ناهمجنسي لوړه وي". د Harrer او همکارانو لارښوونې (2021، مخ 102-103)، "دواړه": د پرله پسې اغېزونو لپاره REML د پیل ټکي په توګه (او دا د metafor تلواله ده)؛ د دوه ارزښتیزو اغېزونو لپاره Paule-Mandel؛ او DerSimonian-Laird کله چې غواړئ نور پایله له R بهر هم بیا جوړه کړي. "اوسپنیز قواعد نشته"، او توپیرونه معمولاً کوچني دي – ښه ده چې له بل اټکلوونکي سره بیا وچلول شي او وکتل شي چې آیا تفسیر بدلېږي. پاڼه درې واړه ممکن کوي.

Knapp-Hartung. عادي د باور واټن د τ² په اټکل کې نا ډاډمنتیا له پامه غورځوي. د Knapp او Hartung سمون (په بشپړ نوم HKSJ) بله معیاري تېروتنه محاسبه کوي او د t وېش له k − 1 د ازادۍ درجو (degrees of freedom) سره کاروي؛ په شبیه سازیو کې دا د Wald له ازموینې څخه د څېړنو په هغو شمېرو کې چې په عمل کې عام دي "ډېر ښه کار کوي"، او د Cochrane د 689 مېټا-تحلیلونو په کتنه کې، په عادي مېتود کې د معنادارو موندنو څلورمه برخه له دې سره معناداره نه وه (Stijnen et al., 2021, p. 51). Harrer او همکاران یې (2021، مخ 104) دا "معمولاً معقول" ګڼي، او یادوي چې ځینو استدلال کړی چې د ډېرو همجنسو اغېزونو په نادرو حالتونو کې ډېر نرم دی. پاڼه دواړه واټنونه څنګ په څنګ ښيي.

ناهمجنسي او د وړاندوینې واټن

څلور شاخصونه، او هر یو خپله دنده لري (Borenstein et al., 2009, pp. 119-122; Harrer et al., 2021, pp. 140-150): Q او د هغه p ګوري چې آیا اصلاً ریښتینی واریانس شته – خو د څېړنو شمېر او اندازې ته حساس دي؛ τ² او τ – د ریښتینو اغېزونو واریانس او معیاري انحراف، د اغېز په واحدونو کې؛ I² – د لیدل شوي خپرېدو هغه برخه چې ریښتینې ده نه د نمونه اخیستنې تېروتنه، "د سیګنال او شور نسبت" د 0% او 100% ترمنځ. د Higgins او همکارانو پولې – 25%، 50%، 75% د ټیټ، منځني او لوړ لپاره – "لنډمهاله" دي (Borenstein et al., 2009, p. 119)، او I² نه وايي چې اغېزونه څومره خپاره دي: 100% ته نږدې I² کولی شي د داسې اغېزونو له تنګې ساحې څخه راشي چې په ډېر دقت اټکل شوي (همدلته). I² هم د څېړنو په دقت پورې تړلی دی – په ډېرو لویو څېړنو کې 100% ته نږدې کېږي (Harrer et al., 2021, p. 149). کتابونه هم په پولو کې توپیر لري: Kumar (2023، مخ 42) د Cochrane پر یو بل پرتې ساحې راوړي – 0%-40% ټیټ، 30%-60% منځنی، 50%-90% د پام وړ، 75%-100% ډېر لوړ – او خبرداری ورکوي چې I² کله چې لږې څېړنې وي متعصب دی. او کله چې ناهمجنسي ډېره لوړه وي، لومړی شی چې باید وکتل شي په معلوماتو کې د ټایپ تېروتنې دي (همدلته، مخ 43).

د ناهمجنسۍ لپاره د باور واټنونه. "د τ² یا I² شاوخوا نا ډاډمنتیا ډېر ځله ډېره لویه ده"، نو "دا به تېروتنه وي" چې د صفر اټکل د ثبات د شاهد په توګه تفسیر شي، مګر دا چې واټن لوی ارزښتونه رد کړي (Borenstein et al., 2009, p. 122). پاڼه واټنونه د Q-profile په مېتود محاسبه کوي، لکه metafor او meta (Harrer et al., 2021, pp. 148-149)؛ Borenstein او همکاران یې (2009، مخ 122-125) ساده فورمول لري، او دا بل ځای دی چې پروګرامونه پکې توپیر لري.

د وړاندوینې واټن (prediction interval). د باور واټن وايي چې اوسط څومره دقیق دی؛ د وړاندوینې واټن – چې په نوې څېړنه کې ریښتینی اغېز چېرته د پرېوتو تمه کېږي، نو "دواړه اندازې د بدلون وړ نه دي" (Borenstein et al., 2009, p. 131). هر څومره چې د څېړنو شمېر زیاتېږي، د باور واټن صفر ته راټیټېږي، او د وړاندوینې واټن نه – هغه ریښتیني خپرېدو ته نږدې کېږي (مخ 132-133). که ټول یې له صفر پورته وي، تمه کېږي چې مداخله په نورو شرایطو کې هم ګټوره وي؛ که صفر پکې شامل وي – لږ ډاډمن (Harrer et al., 2021, p. 150). فورمول – "دواړه": Higgins او همکاران یې (لکه څنګه چې په Borenstein et al.، 2009، مخ 130 کې راغلي) t له k − 2 د ازادۍ درجو سره کاروي، او دا هغه څه دي چې پاڼه یې راپور کوي؛ Harrer او همکاران یې (2021، مخ 150) – k − 1؛ او په metafor کې predict – نورمال وېش (د لوستلو په بکس کې ښودل شوی). Cooke (2024، مخ 165) – چې τ² هېڅ نه راپور کوي (مخ 137) – سپارښتنه کوي چې "د وړاندوینې واټنونه باید په منظم ډول راپور شي".

فرعي ډلې

د فرعي ډلو (subgroups) تحلیل پوښتنه کوي چې آیا اغېز د څېړنو د ډولونو ترمنځ توپیر لري – انفرادي پروګرام د ډله ییز په وړاندې، ځاني راپور د متخصص د ارزونې په وړاندې. د هرې ډلې دننه – عادي مېټا-تحلیل، او بیا د ډلو اټکلونه په Q ازموینه کې پرتله کېږي، لکه هره ډله چې یوه لویه څېړنه وي (Harrer et al., 2021, pp. 184-185). یوه پرانیستې پوښتنه – "دواړه" – دا ده چې آیا په هره ډله کې جلا τ² اټکل شي که یو ګډ: جلا، کله چې تمه کېږي چې خپرېدل د ډلو ترمنځ توپیر لري؛ ګډ، کله چې انګېرل کېږي چې ورته دی، او همدارنګه کله چې په ډله کې پنځه یا لږې څېړنې وي، ځکه چې بیا جلا اټکل دقیق نه دی (Borenstein et al., 2009, pp. 162-163). پاڼه دواړه محاسبه کوي: د Q_between ازموینه له جلا τ² سره، او ګډ ماډل له ګډ τ² سره (Q_M، او د تشریح شوي واریانس برخه R²؛ مخ 179).

درې خبرداري (Harrer et al., 2021, pp. 188-190): احصایوي ځواک ټیټ دی، او منل شوې قاعده لږ تر لږه 10 څېړنې دي؛ د معنادار توپیر نشتوالی د دې ثبوت نه دی چې ډلې برابرې دي؛ او تحلیل "یوازې کتنیز" دی – حتی کله چې ټولې څېړنې کنټرول شوي ازمایښتونه وي، ډلې کېدای شي په نورو متحولونو کې توپیر ولري (او همدارنګه Borenstein et al.، 2009، مخ 209). او بل دام: د راټول شوي شاخص له مخې وېش، لکه د ګډونوالو منځنی عمر، "ایکولوژیک تعصب" ته لار پرانیزي – د څېړنو ترمنځ اړیکه د خلکو ترمنځ اړیکه نه ده (Harrer et al., 2021, p. 189). Cooke (2024، مخ 146) په هره ډله کې لږ تر لږه پنځو څېړنو ته سپارښتنه کوي؛ Kumar (2023، مخ 57) هغه کلینیکي دود راوړي چې پکې د ډلو ترمنځ د توپیر په ازموینه کې له .10 کوچنی p لا دمخه معنادار ګڼل کېږي، ځکه چې ازموینه کمزورې ده. او Ringquist (2013، مخ 142) مېټا-رګرسیون – یو ماډل چې د ډلې متحول پکې وړاندوینوونکی وي – د هرې ډلې لپاره له جلا مېټا-تحلیلونو غوره ګڼي، چې "لږ ځواک لري"؛ دا دقیقاً په پاڼه کې دویمه لاره ده (ګډ τ²).

د خپرونې تعصب

هغه څېړنې چې لوی او معنادار اغېزونه لري ډېرې خپرېږي، نو هغه مېټا-تحلیل چې پر خپرو شویو ادبیاتو تکیه کوي کېدای شي زیات اټکل وکړي (Borenstein et al., 2009, p. 277). د قیف ګراف (funnel plot) هره څېړنه د هغې د اغېز او معیاري تېروتنې له مخې ښيي؛ پرته له تعصب ټکي د اوسط شاوخوا په متناظر ډول خپرېږي، او هغه کوچنۍ څېړنې چې په یو اړخ کې ورکې وي د خبرداري نښه ده. د Egger ازموینه نا متناظري په رګرسیون کې ازمويي (Harrer et al., 2021, pp. 236-238)، او پرې کول او ډکول (trim-and-fill) "ورکې" څېړنې تر هغه بشپړوي چې قیف متناظر شي او سمون شوی اټکل محاسبه کوي (Borenstein et al., 2009, p. 286).

خو – او دا اصلي خبره ده – دواړه مېتودونه "د کوچنیو څېړنو اغېز" پېژني، نه د خپرونې تعصب (publication bias): اغېز کېدای شي په کوچنیو څېړنو کې د ریښتینو لاملونو له امله لوی وي (بېله احصایوي ټولګه، بېل دقت، بېل کیفیت)، یا په تصادفي ډول (Borenstein et al., 2009, p. 291; Harrer et al., 2021, pp. 235-236). نو داسې لیکل کېږي: "که نا متناظري له تعصب څخه راپیدا شوې وي، تحلیل ښيي چې…". ازموینې کمزورې دي، او سپارښتنه کېږي چې یوازې هغه وخت وچلول شي چې لږ تر لږه 10 څېړنې وي (Sterne et al.، 2011، لکه څنګه چې په Harrer et al.، 2021، مخ 242 کې راغلي)، نو د معنادارې نا متناظرۍ نشتوالی د تناظر ضمانت نه کوي (Borenstein et al., 2009, p. 291). پرې کول او ډکول "کله چې ناهمجنسي لویه وي د باور وړ پایلې نه ورکوي"، او ډېر ځله کافي سمون نه کوي (Harrer et al., 2021, pp. 243, 282)؛ او هېڅ مېتود نشته چې کله I² د 75% شاوخوا وي ښه کار وکړي (همدلته، مخ 282). نوي مېتودونه – PET-PEESE، p-curve، د انتخاب ماډلونه – په پاڼه کې نشته، او "لا تر اوسه څرګند ګټونکی نشته" (همدلته، مخ 281). تر ټولو ښه لاره: د هغو څېړنو لټون چې نه دي خپرې شوې (همدلته).

د پرې کولو او ډکولو په اړه "دواړه": Borenstein او همکاران یې (2009، مخ 286) دا د سمون شوي اغېز د اټکل د یوې لارې په توګه وړاندې کوي، او Ringquist (2013، مخ 256) یې د پالیسۍ او ادارې په څېړنو کې هېڅ سپارښتنه نه کوي – کله چې د اغېزونو ترمنځ ریښتینی واریانس وي دا منځنی اغېز ډېر کم ښيي. د Egger ازموینه هم کله چې ناهمجنسي لویه وي ډېره نرمه کېږي، او په لویو او ناهمجنسو مېټا-تحلیلونو کې یې د غلطو مثبتو کچه کېدای شي 100% ته نږدې شي (Peters et al.، 2006، لکه څنګه چې په Ringquist، 2013، مخ 249 کې راغلي). هلته سپارښتنه: په دولتي راپورونو او خړو ادبیاتو کې هم بشپړ لټون، او د "خپور شوی / نه خپور شوی" متحول د فرعي ډلې په توګه (مخ 265-266).

ارواپوهنه، کلینیکي څېړنه، پالیسي

ارواپوهنه. Cooke (2024) ارواپوهانو ته لیکي، او د اغېز دوه اندازې وړاندې کوي: r د سروې له څېړنو او d (په پاڼه کې – g) له ازمایښتونو او مداخلو (مخ 1، 75). دوه عملي خبرداري: r = .5 لویه همبستګي ده، خو d = .5 منځنی اغېز دی – او په ارواپوهنه کې ډېری d د −0.50 او +0.50 ترمنځ دي، نو که ستاسو ډېری ارزښتونه لوی وي – "ښه ده چې محاسبې وګورئ" (مخ 26، 29)؛ او ناهمجنسي قاعده ده، نه استثنا (مخ 135). کله چې یوې څېړنې څو اندازه ګیرنې یا څو وختونه راپور کړي وي، یوه لاره دا ده چې مخکې له مخکې یو وټاکل شي یا اوسط یې ونیول شي، او څو کچیز مېتودونه اجازه ورکوي چې ټول شامل شي (مخ 167-169) – هغه چې پاڼه یې نه چلوي. په PROSPERO کې مخکینی ثبت او د PRISMA له مخې راپور (مخ 46-47).

کلینیکي څېړنه. Kumar (2023) کلینیکي څېړونکو ته لیکي: د کنټرول شویو ازمایښتونو مېټا-تحلیل د شواهدو د سلسله مراتبو په سر کې دی (مخ 1-2)، او د PRISMA له مخې راپور (مخ 1، 3). د دوه ارزښتیزې پایلې لپاره – د وزن ورکولو لپاره د خطر نسبت یا د چانسونو نسبت، ځکه چې د بنسټ په بېلابېلو کچو کې ډېر باثباته دي، او د خطر توپیر د کلینیکي ګټې د ښودلو لپاره (مخ 29)؛ د پرله پسې پایلې لپاره – د اوسطونو توپیر کله چې ټولو څېړنو په یو مقیاس اندازه کړې وي، او معیاري شوی توپیر یوازې کله چې نه (مخ 27-28). هغه تېروتنې چې هغه ډېر ورسره مخ کېږي: د ټایپ تېروتنې او د شمېرو بدلول، د اوسط معیاري تېروتنه چې د معیاري انحراف پر ځای داخله شوې، او یوه څېړنه دوه ځله (مخ 108-109). د هغه په اند د باوري پایلې لپاره لږ تر لږه 10 څېړنو ته اړتیا ده (مخ 109) – له منل شوي څخه سخته غوښتنه، چې Borenstein او همکاران یې (2009، مخ 84) بل ډول بیانوي: له لږو څېړنو سره ټولې شونې ستونزمنې دي.

پالیسي او عامه اداره. Ringquist (2013) هغې څېړنې ته لیکي چې پکې ډېری څېړنې کتنیزې دي، اغېزونه له رګرسیونونو څخه راځي (جزئي همبستګي – "د اغېز اندازه" وګورئ)، او ناهمجنسي قاعده ده (مخ 18، 33). هلته د معنادارو څېړنو شمېرل په ځانګړي ډول ګمراه کوونکي دي: د .50 احصایوي ځواک لرونکې شل څېړنې نیمې-نیمې وېشل کېږي، او دا پایله چې "شواهد وېشل شوي دي" – "غلطه" ده (مخ 24). نو د هغه په اند مېټا-رګرسیون "اصلي تمرکز" دی (مخ 20)؛ یوه څېړنه معمولاً څو اغېزونه ورکوي، او د هغوی ترمنځ تړاو باید سم شي (مخ 150-151) – دوه کارونه چې پاڼه یې نه کوي. هغه څه چې پاڼه یې ورکوي: د څېړنې د متحول له مخې فرعي ډلې (سکتور، د پروګرام ډول، خپور شوی / نه خپور شوی) په ګډ ماډل کې، لکه له یو کټګوریک وړاندوینوونکي سره مېټا-رګرسیون.

پایلې (output) څنګه ولولو؟

جدول 1 – څېړنې: د هرې څېړنې لپاره – د اغېز اندازه، د باور واټن، معیاري تېروتنه او په دواړو ماډلونو کې وزن. ګراف 1 – د ځنګل ګراف (forest plot): همدا څېړنې په ګراف کې، د هر وزن شوي اغېز لپاره له یوې معین بڼې او د وړاندوینې د واټن له کرښې سره. جدول 2 – وزن شوی اغېز: ثابت اغېز، تصادفي اغېزونه، او تصادفي اغېزونه له Knapp-Hartung سره. جدول 3 – ناهمجنسي: Q، τ²، τ، I² او H² د باور له واټنونو سره، او د وړاندوینې واټن.

کله چې فرعي ډله وټاکل شي – د فرعي ډلو جدول په هره ډله کې په دواړو لارو له اټکل سره او په یادونه کې د توپیر ازموینې. له درېیو څېړنو او پورته – د قیف ګراف او د کوچنیو څېړنو د اغېز جدول (Egger، پرې کول او ډکول)، او په کلیک سره – په خپل وار د هرې څېړنې پرېښودل: که د یوې څېړنې پرېښودل انځور بدل کړي، هغه په ځانګړي ډول اغېزمنه ده (Harrer et al., 2021, p. 156).

انګېرنې او خبرداري

له یوې څېړنې یو اغېز. ټوله محاسبه انګېري چې هر کتار یوه خپلواکه نمونه ده. هغه څېړنه چې پر همدې ګډونوالو یې څو پایلې راپور کړې (څو مقیاسونه، د اندازه ګیرنې څو وختونه) څو څېړنې نه ده – د ټولو داخلول "د واریانس غلطو اټکلونو ته لار هواروي" (Borenstein et al., 2009, p. 215)؛ د مخکې ټاکل شوې قاعدې له مخې یوه پایله ټاکل کېږي، یا د پېچلو جوړښتونو لپاره مېتودونه کارول کېږي (همدلته، برخه 5)، چې په پاڼه کې نشته. د یوې څېړنې دننه خپلواکې فرعي ډلې (د بېلګې په توګه ماشومان او لویان) د دوو کتارونو په توګه داخلېدای شي (همدلته).

نورمال نږدې والی. تحلیل معیاري تېروتنې معلومې ګڼي او اغېزونه نورمال وېش لرونکي – یو نږدې والی چې په لویو نمونو او په مناسبو پیمانو کې ښه دی (د نسبتونو لپاره لوګاریتم، د همبستګیو لپاره د Fisher z)؛ په ډېرو کوچنیو څېړنو یا نادرو پېښو کې دقیق مېتودونه غوره دي (Stijnen et al., 2021, p. 43)، چې په پاڼه کې نشته.

دا پاڼه څه نه محاسبه کوي. له پرله پسې وړاندوینوونکي سره مېټا-رګرسیون، څو کچیز او څو متحوله ماډلونه، د شبکې مېټا-تحلیل، د 2×2 جدولونو لپاره د Mantel-Haenszel او Peto مېتودونه، د Peters ازموینه، PET-PEESE، p-curve او د انتخاب ماډلونه، او د تشخیصي ازموینو مېټا-تحلیل. پولې: لږ تر لږه 2 څېړنې (3 د وړاندوینې د واټن او د کوچنیو څېړنو د ازموینو لپاره)؛ هغه څېړنې چې په ټاکل شویو ستونونو کې ورکه حجره لري – نه شاملېږي، او پاڼه خبر ورکوي.

او دا په SPSS کې څنګه کېږي؟

د SPSS Statistics په نویو نسخو کې د مېټا-تحلیل مېنو شته (Analyze › Meta Analysis)، د معلوماتو د ډول له مخې – دا د پروګرام په اړه عمومي معلومات دي، چې دلته نه دي ازمویل شوي. PSPP، وړیا بدیل، مېټا-تحلیل نه لري. نو پاڼه د SPSS سینټکس پر ځای یو د R سکریپټ صادروي چې معلومات پکې ځای پر ځای شوي، او پایلې د metafor په کڅوړه کې بیا جوړوي – او د بېلګې پر فایل په R کې وچلول شو.

او دا په R کې څنګه کېږي؟

د metafor کڅوړه (Viechtbauer، 2010): escalc د هرې څېړنې لپاره د اغېز اندازه او واریانس محاسبه کوي، rma ماډل چلوي (method – اټکلوونکی؛ test = "knha" – Knapp-Hartung؛ mods – وړاندوینوونکي)، confint د ناهمجنسۍ لپاره د باور واټنونه ورکوي، او forest، funnel، regtest، trimfill او leave1out – پاتې نور. Harrer او همکاران یې (2021) همدا مواد د meta په کڅوړه کې ښيي. پاڼه په پایلو کې په ټولو شمېرو کې د metafor په وړاندې تایید شوې، او لاندې سکریپټ لکه څنګه چې دی د بېلګې پر فایل وچلول شو (ارزښتونه په یادښتونو کې).

# مېټا-تحلیل – پروفیسور سټاټ. دا فایل په UTF-8 کې خوندي شوی؛ د یادښت هره کرښه په یوې پښتو کلمې پیلېږي
library(readxl)    # د اکسل لوستل
library(metafor)   # مېټا-تحلیل (Viechtbauer, 2010)

# پورته کول: کتار = څېړنه؛ پاڼه "Data"
d <- read_excel("C:/Rdata/DATA_meta_example_eng.xlsx", sheet = "Data")
d <- d[complete.cases(d[, c("mean_mentor", "sd_mentor", "n_mentor", "mean_control", "sd_control", "n_control")]), ]   # له 18 څخه 17

# د اغېز اندازه: د Hedges g (لارښوونه منفي کنټرول) او واریانس یې
d <- escalc(measure = "SMD", m1i = mean_mentor, sd1i = sd_mentor, n1i = n_mentor,
            m2i = mean_control, sd2i = sd_control, n2i = n_control, data = d)

# تصادفي اغېزونه (REML)، او ورسره ثابت اغېز او Knapp-Hartung
re <- rma(yi, vi, data = d, method = "REML", slab = study)
re                                                      # پایله: g = 0.48 [0.34, 0.62]; Q(16) = 36.07, p = .003; I² = 51.8%
rma(yi, vi, data = d, method = "FE")                    # ثابت اغېز: g = 0.49 [0.40, 0.58]
rma(yi, vi, data = d, method = "REML", test = "knha")   # پایله Knapp-Hartung: [0.34, 0.62], t(16) = 7.35
confint(re)                                             # پایله: τ² = 0.042 [0.005, 0.111]; I² [11.3%, 74.1%]

# د وړاندوینې واټن د Higgins او همکارانو له مخې – t له k − 2 د ازادۍ درجو سره (predict نورمال وېش کاروي)
c(re$b) + c(-1, 1) * qt(.975, re$k - 2) * sqrt(re$tau2 + re$se^2)   # واټن: [0.02, 0.94]

# د ځنګل ګراف او د قیف ګراف
forest(re, addpred = TRUE)
funnel(re)

# فرعي ډلې د چوکاټ له مخې (1 = ډله ییز، 2 = انفرادي): جلا τ²، او د ډلو د اټکلونو ترمنځ Q ازموینه
sub <- lapply(split(d, d$format), function(x) rma(yi, vi, data = x, method = "REML"))
sub                                                     # ډله ییز: g = 0.39 [0.23, 0.55]؛ انفرادي: g = 0.57 [0.35, 0.80]
rma(sapply(sub, coef), sapply(sub, vcov), method = "FE")   # ترمنځ Q: Q(1) = 1.67, p = .196
rma(yi, vi, mods = ~ factor(format), data = d, method = "REML", control = list(threshold = 1e-10))   # ګډ τ²: QM(1) = 1.54, p = .214; R² = 16.0% (پرته له control: 15.9%، ژر درېدل)

# د کوچنیو څېړنو اغېز: د Egger ازموینه او پرې کول او ډکول
regtest(rma(yi, vi, data = d, method = "FE"), model = "lm")   # د Egger قطع کوونکی: t(15) = -0.24, p = .812
trimfill(re)                                            # هېڅ څېړنه نه ده بشپړه شوې
leave1out(re)                                           # په خپل وار د هرې څېړنې پرېښودل

د پایلو راپور ورکول

ماډل، د τ² اټکلوونکی او دا چې آیا Knapp-Hartung پلی شوی راپور ورکول کېږي – Harrer او همکاران یې (2021، مخ 104) د بېلګې متن راوړي: "څرنګه چې د څېړنو ترمنځ د پام وړ ناهمجنسۍ تمه درلوده، د تصادفي اغېزونو ماډل وکارول شو… د REML اټکلوونکی د τ² د محاسبې لپاره وکارول شو… او د Knapp-Hartung سمونونه د باور د واټن د محاسبې لپاره". او وروسته: د څېړنو او ګډونوالو شمېر؛ وزن شوی اغېز له باور واټن سره؛ Q، τ² او I² د باور له واټنونو سره، او د وړاندوینې واټن (Harrer et al., 2021, p. 150)؛ فرعي ډلې او د تعصب ازموینې – لکه څنګه چې مخکې پلان شوي. د ځنګل ګراف د راپور منل شوې برخه ده. هغه پاراګراف چې پاڼه یې جوړوي د پیل ټکی دی.

عامې تېروتنې

د اغېزونو د وزن ورکولو پر ځای د معنادارو څېړنو شمېرل (Borenstein et al., 2009, pp. 251-252).

د ناهمجنسۍ د ازموینې له مخې د ماډل ټاکل (Borenstein et al., 2009, p. 84; Harrer et al., 2021, p. 145).

I² د خپرېدو د شاخص په توګه لوستل، یا صفر I² د ثبات د شاهد په توګه (Borenstein et al., 2009, pp. 119, 122) – او د وړاندوینې واټن هېرول.

د اوسطونو د خام توپیر وزن ورکول د هغو څېړنو ترمنځ چې بېلابېل مقیاسونه یې کارولي (Borenstein et al., 2009, p. 25)، یا د لوریو ګډول – هغه څېړنه چې پکې لوړه نمره بده ده له هغې سره چې پکې ښه ده.

له یوې څېړنې څو اغېزونه داخلول لکه چې جلا څېړنې وي (Borenstein et al., 2009, p. 215).

دا پرېکړه چې "د خپرونې تعصب نشته" ځکه چې د Egger ازموینه معناداره نه وه، یا چې "شته" ځکه چې وه (Borenstein et al., 2009, p. 291).

د فرعي ډلو لاملي تفسیر، یا نامعنادار توپیر د برابرۍ په توګه (Harrer et al., 2021, pp. 188-190).

د Cohen د پولو له مخې پرته له شرایطو اغېز ته د "کوچني" یا "لوی" لیبل ورکول – "وروستۍ چاره" (Ellis, 2010, p. 42).

د Fisher z راپور ورکول لکه چې r وي. د Cooke بېلګه (2024، مخ 102-105) r = 0.546 [0.416, 0.676] راپور کوي – خو دا د z ارزښتونه دي: په بېرته اړولو کې همبستګي r = .50 [.39، .59] ده، او پخپله د کتاب د پولو له مخې (مخ 24) – منځنۍ ده نه لویه. پاڼه تل بېرته اړوي.

د معیاري انحراف پر ځای د اوسط معیاري تېروتنه داخلول (Kumar, 2023, pp. 108-109) – اغېز پړسېږي، او ناهمجنسي لوړېږي.

د هغو څېړنو پرېښودل چې یوازې یې "نامعنادار" راپور کړی – دا منځنی اغېز پړسوي (Ringquist, 2013, p. 108).

سرچینې

American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). https://doi.org/10.1037/0000165-000

Borenstein, M., Hedges, L. V., Higgins, J. P. T., & Rothstein, H. R. (2009). Introduction to meta-analysis. Wiley. https://doi.org/10.1002/9780470743386

Cooke, R. (2024). Meta-analysis for psychologists. Palgrave Macmillan. https://doi.org/10.1007/978-3-031-73773-2

Ellis, P. D. (2010). The essential guide to effect sizes: Statistical power, meta-analysis, and the interpretation of research results. Cambridge University Press. https://doi.org/10.1017/CBO9780511761676

Harrer, M., Cuijpers, P., Furukawa, T. A., & Ebert, D. D. (2021). Doing meta-analysis with R: A hands-on guide. Chapman & Hall/CRC. https://doi.org/10.1201/9781003107347

Kumar, A. (2023). Meta-analysis in clinical research: Principles and procedures. Springer. https://doi.org/10.1007/978-981-99-2370-0

Macaskill, P., Takwoingi, Y., Deeks, J. J., & Gatsonis, C. (2023). Understanding meta-analysis. In J. J. Deeks, P. M. Bossuyt, M. M. Leeflang, & Y. Takwoingi (Eds.), Cochrane handbook for systematic reviews of diagnostic test accuracy (pp. 203-248). Wiley.

Ringquist, E. J. (2013). Meta-analysis for public management and policy (M. R. Anderson, Ed.). Jossey-Bass.

Stijnen, T., White, I. R., & Schmid, C. H. (2021). Analysis of univariate study-level summary data using normal models. In C. H. Schmid, T. Stijnen, & I. R. White (Eds.), Handbook of meta-analysis (pp. 41-64). Chapman & Hall/CRC. https://doi.org/10.1201/9781315119403

Viechtbauer, W. (2010). Conducting meta-analyses in R with the metafor package. Journal of Statistical Software, 36(3), 1-48. https://doi.org/10.18637/jss.v036.i03

Hedges او Olkin (1980)، Higgins او همکاران یې، او Duval او Tweedie (2000) – لکه څنګه چې په Borenstein او همکارانو (2009) کې راغلي؛ Sterne او همکاران یې (2011)، Schwarzer او همکاران یې (2015)، Pustejovsky او Rodgers (2019) او van Aert او همکاران یې (2016) – لکه څنګه چې په Harrer او همکارانو (2021) کې راغلي. Peters او همکاران یې (2006) – لکه څنګه چې په Ringquist (2013) کې راغلي. د وېبپاڼې د قاعدې له مخې، د سرچینو په لېست کې یوازې هغه سرچینې راځي چې په اصل کې لوستل شوې دي؛ اقتباسونه د چاپي مخ له مخې. د "مېټا تحلیل" په فولډر کې له کتابونو څخه، Cooper او همکاران یې (2019)، Cheung (2015) او Chen او Peace (2021) په پاڼه کې نه دي راوړل شوي – د هغوی موضوعګانې (پراخه څېړنیزه ترکیب، SEM، Stata) د دې له ساحې بهر دي. له 2 نسخې راهیسې – د برخو له مخې درې کتابونه هم: Cooke (2024) د ارواپوهنې لپاره، Kumar (2023) د کلینیکي څېړنې لپاره او Ringquist (2013) د پالیسۍ او عامې ادارې لپاره. په پاڼه کې محاسبه د R 4.3.3 او د metafor 4.4 کڅوړې (escalc، rma، confint، predict، regtest، trimfill، leave1out) په وړاندې تایید شوې، او د Borenstein او همکارانو (2009) د 14 او 17 څپرکو د محاسبه شویو بېلګو او د Cooke د دوو بېلګو (2024، جدولونه 7.3 او 10.1) په وړاندې.