.png){kind=icon}
返回
Estimation and inference for step-function selection models in meta-analyses with dependent effects
.png){kind=icon}
OA
AI
DOI：10.1017/rsm.2026.10117.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
社会科学领域的元分析面临来自原始研究设计与报告的多重方法学挑战。一个挑战是许多原始研究报告了多个相关效应量估计值，导致出现具有相依观测值的数据结构。另一个挑战是选择性报告偏倚，即研究结果的可获得性受统计显著性的影响。尽管已提出许多选择性报告诊断和偏倚校正方法，但鲜有适用于涉及相依效应量的元分析。在现有方法中，阶梯函数选择模型概念上具有吸引力，并在先前模拟中显示出前景，但若忽略相依效应，则倾向于低估参数估计的不确定性。我们研究了从涉及相依效应量的数据中估计阶梯函数模型的方法，重点在于估计效应量的边际分布参数，并使用聚类稳健方差估计或自助法重采样来处理相依性。我们描述了两种估计策略，通过重新分析一项关于自我损耗效应的先前综合研究的示例数据来演示这些策略，并在单变量和多变量选择过程下通过广泛的模拟研究评估其性能。模拟发现表明，选择模型能提供平均效应量的低偏倚估计，且聚类自助法置信区间在至少30项研究的元分析中提供可接受的覆盖水平。尽管在不存在或极少存在选择性报告时，未校正估计更为高效，但所提出的方法为评估元分析中存在相依效应时的潜在偏倚提供了稳健且有用的途径。
Keyword:
dependent effect sizes
meta-analysis
publication bias
selection models
selective reporting
期刊
IF:
6.1
论文数:
837
被引数:
8.7K
机构
引用论文
暂无论文信息