Je travaille actuellement sur une méta-analyse, pour laquelle j'ai besoin d'analyser plusieurs tailles d'effet imbriquées dans des échantillons. Je suis partisan de l'approche de méta-analyse à trois niveaux de Cheung (2014) pour méta-analyser la taille des effets dépendants, par opposition à certaines des autres stratégies possibles (par exemple, ignorer la dépendance, faire la moyenne des tailles d'effet dans les études, sélectionner une taille d'effet, ou déplacement de l'unité d'analyse). Beaucoup de mes tailles d'effet dépendantes sont des corrélations impliquant des variables assez distinctes (mais liées de manière topique), donc la moyenne entre elles n'a pas de sens conceptuel, et même si c'était le cas, cela réduirait mon nombre de tailles d'effet totales à analyser de près de la moitié.
En même temps, cependant, je suis également intéressé à utiliser la méthode de Stanley et Doucouliagos (2014) pour traiter le biais de publication dans le cadre de l'estimation d'un effet méta-analytique. En un mot, on ajuste soit un modèle de méta-régression prédisant la taille des effets de l'étude par leurs variances respectives (le test d'effet de précision, ou PET), ou leurs erreurs standard respectives (l'estimation de l'effet de précision avec des erreurs standard ou PEESE). Selon l'importance de l'ordonnée à l'origine dans le modèle PET, on utilise soit l'ordonnée à l'origine du modèle PET (si l'interception PET p > 0,05) ou le modèle PEESE (si l'interception PET p <0,05) comme publication estimée - taille d'effet moyenne sans biais.
Mon problème, cependant, découle de cet extrait de Stanley et Doucouliagos (2014):
Dans nos simulations, une hétérogénéité inexpliquée en excès est toujours incluse; ainsi, selon la pratique conventionnelle, les REE [estimateurs à effets aléatoires] devraient être préférés aux FEE [estimateurs à effets fixes]. Cependant, la pratique conventionnelle est erronée lorsqu'il y a sélection de publications. Avec la sélection pour la signification statistique, l'ETR est toujours plus biaisé que l'ETF (tableau 3). Cette infériorité prévisible est due au fait que REE est lui-même une moyenne pondérée de la moyenne simple, qui a le biais de publication le plus important, et FEE.
Ce passage m'amène à penser que je ne devrais pas utiliser le PET-PEESE dans des modèles méta-analytiques à effets aléatoires / à effets mixtes, mais un modèle méta-analytique à plusieurs niveaux semble nécessiter un estimateur à effets aléatoires.
Je suis déchiré quant à quoi faire. Je veux pouvoir modéliser toutes mes tailles d'effet dépendantes, mais profiter simultanément de cette méthode particulière de correction du biais de publication. Existe-t-il un moyen pour moi d'intégrer légitimement la stratégie de méta-analyse à 3 niveaux avec PET-PEESE?
Références
Cheung, MWL (2014). Modélisation de la taille des effets dépendants avec des méta-analyses à trois niveaux: une approche de modélisation par équation structurelle. Psychological Methods , 19 , 211-229.
Stanley, TD et Doucouliagos, H. (2014). Approximations de méta-régression pour réduire le biais de sélection des publications. Research Synthesis Methods , 5 , 60-78.