Arcsine Transformation In Stata Forex

Handbuch für biologische Statistik Wenn eine Messgröße nicht zu einer Normalverteilung passt oder sehr unterschiedliche Standardabweichungen in verschiedenen Gruppen vorliegt, sollten Sie eine Datentransformation durchführen. Einleitung Viele biologische Variablen erfüllen nicht die Annahmen parametrischer statistischer Tests: Sie werden nicht normal verteilt. Die Standardabweichungen sind nicht homogen. oder beides. Die Verwendung eines parametrischen statistischen Tests (wie einer anova oder einer linearen Regression) auf solchen Daten kann ein irreführendes Ergebnis ergeben. In einigen Fällen wird die Umwandlung der Daten wird es passen die Annahmen besser. Histogramme der Anzahl der Ostmudminnows pro 75 m Streckenabschnitt (Proben mit 0 Mudminnows ausgeschlossen). Untransformierte Daten links, log-transformierte Daten rechts. Histogramme der Anzahl der Ostmudminnows pro 75 m Streckenabschnitt (Proben mit 0 Mudminnows ausgeschlossen). Untransformierte Daten links, log-transformierte Daten rechts. Um Daten zu transformieren, führen Sie eine mathematische Operation auf jede Beobachtung, dann verwenden Sie diese transformierten Zahlen in Ihrem statistischen Test. Zum Beispiel, wie in der ersten Grafik oben gezeigt, ist die Fülle der Fisch-Arten Umbra pygmaea (östlichen mudminnow) in Maryland Streams nicht normal verteilt gibt es eine Menge von Bächen mit einer kleinen Dichte von mudminnows, und ein paar Bäche mit viel von ihnen. Das Anwenden der Protokolltransformation macht die Daten normaler, wie in der zweiten Grafik gezeigt. Östliches Mudminnow (Umbra pygmaea). Hier sind 12 Zahlen aus dem mudminnow-Datensatz, die erste Spalte die untransformierten Daten, die zweite Spalte die Quadratwurzel der Zahl in der ersten Spalte und die dritte Spalte der logarithmische Grund-10 der Zahl in der ersten Spalte. Sie tun die Statistiken über die transformierten Zahlen. Beispielsweise beträgt der Mittelwert der untransformierten Daten 18,9, der Mittelwert der quadratwurzeltransformierten Daten 3,89, der Mittelwert der logarithmierten transformierten Daten 1,044. Wenn Sie die Fisch-Fülle in verschiedenen Wasserscheiden verglichen haben, und Sie beschlossen, dass Log-Transformation war die beste, würden Sie eine One-Way-Anova auf den Protokollen der Fisch-Fülle zu tun, und Sie würden die Null-Hypothese, dass die Mittel der Log - Transformierten Häufigkeiten gleich waren. Rücktransformation Obwohl Sie einen statistischen Test auf eine transformierte Variable, wie das Protokoll der Fisch-Fülle getan haben, ist es nicht eine gute Idee, Ihre Mittel, Standardfehler, etc. in transformierten Einheiten zu melden. Ein Diagramm, das zeigte, dass der Durchschnitt des Fischfisches pro 75 Meter des Stroms 1.044 nicht sehr informativ für jemanden war, der nicht fraktionale Exponenten in ihrem Kopf tun kann. Stattdessen sollten Sie Ihre Ergebnisse zurücktransformieren. Dabei geht es um das Gegenteil der mathematischen Funktion, die Sie in der Datentransformation verwendet haben. Für die Log-Transformation, würden Sie zurück-transformieren, indem Sie 10 an die Macht Ihrer Zahl. Zum Beispiel haben die log-transformierten Daten oben einen Mittelwert von 1,044 und ein Konfidenzintervall von plusmn 0,344 log-transformierten Fischen. Das zurücktransformierte Mittel wäre 10 1.044 11.1 Fische. Die obere Konfidenzgrenze wäre 10 (1.0440.344) 24.4 Fische, und die untere Vertrauensgrenze wäre 10 (1.044-0.344) 5.0 Fische. Beachten Sie, dass das Vertrauensintervall nicht symmetrisch ist, ist die obere Grenze 13,3 Fische über dem Mittelwert, während die untere Grenze 6,1 Fische unter dem Mittelwert ist. Beachten Sie auch, dass Sie nicht nur zurück-Transformation der Vertrauensintervall und addieren oder subtrahieren, dass von der zurück-transformierten Mittel können Sie nicht 10 0.344 nehmen und addieren oder subtrahieren. Auswahl der richtigen Transformation Daten-Transformationen sind ein wichtiges Instrument für die korrekte statistische Analyse biologischer Daten. Für diejenigen mit einer begrenzten Kenntnis der Statistik, können sie jedoch ein bisschen fischig, eine Form des Spiels mit Ihren Daten, um die Antwort, die Sie wollen. Daher ist es von wesentlicher Bedeutung, dass Sie Ihre Datenverarbeitung verteidigen können. Es gibt eine unendliche Anzahl von Transformationen, die Sie verwenden können, aber es ist besser, eine Transformation zu verwenden, die andere Forscher häufig in Ihrem Bereich verwenden, wie die Quadratwurzeltransformation für Zähldaten oder die Protokolltransformation für Größendaten. Auch wenn eine obskure Transformation, die nicht viele Menschen gehört haben, gibt Ihnen etwas mehr normal oder mehr homoscedastic Daten, wird es wahrscheinlich besser sein, eine allgemeinere Transformation verwenden, damit die Menschen nicht verdächtig werden. Denken Sie daran, dass Ihre Daten nicht perfekt normal und homoscedastic parametrische Tests arent extrem empfindlich auf Abweichungen von ihren Annahmen sein müssen. Es ist auch wichtig, dass Sie entscheiden, welche Transformation zu verwenden, bevor Sie den statistischen Test tun. Versuchen Sie verschiedene Transformationen, bis Sie eine finden, die Ihnen ein erhebliches Ergebnis ist Betrug. Wenn Sie eine große Anzahl von Beobachtungen haben, vergleichen Sie die Auswirkungen verschiedener Transformationen auf die Normalität und die Homosedastizität der Variablen. Wenn Sie eine kleine Anzahl von Beobachtungen haben, können Sie nicht sehen, viel Wirkung der Transformationen auf die Normalität und Homoscedasticity in diesem Fall sollten Sie verwenden, was Transformation Menschen in Ihrem Bereich routinemäßig für Ihre Variable verwenden. Zum Beispiel, wenn youre, das Pollenverbreitungstrecke studiert und andere Leute routinemäßig log-umwandeln, sollten Sie Protokoll-umwandeln Pollenabstand auch, selbst wenn Sie nur 10 Beobachtungen haben und deshalb nicht wirklich Blick auf Normalität mit einem Histogramm können. Gemeinsame Transformationen Es gibt viele Transformationen, die gelegentlich in der Biologie verwendet werden, hier sind drei der häufigsten: Log Transformation. Dies besteht darin, das Protokoll jeder Beobachtung zu nehmen. Sie können entweder Basis-10-Protokolle (LOG in einer Tabellenkalkulation, LOG10 in SAS) oder Basisprotokolle verwenden, auch als natürliche Logs (LN in einer Tabellenkalkulation, LOG in SAS) bezeichnet. Es macht keinen Unterschied für einen statistischen Test, ob Sie Basis-10-Logs oder natürliche Logs verwenden, da sie sich um einen konstanten Faktor unterscheiden, der Basis-10 Log einer Zahl ist nur 2.303helliptimes das natürliche Log der Zahl. Sie sollten angeben, welches Protokoll Sie verwenden, wenn Sie die Ergebnisse schreiben, da es Auswirkungen auf Dinge wie die Steilheit und Intercept in einer Regression. Ich bevorzuge Base-10-Protokolle, weil es möglich ist, sie zu betrachten und die Größe der ursprünglichen Zahl zu sehen: log (1) 0, log (10) 1, log (100) 2, etc. Die Rücktransformation soll 10 erhöhen Oder e auf die Potenz der Zahl, wenn der Mittelwert der log-transformierten Daten der Basis-10 1,43 beträgt, ist das rücktransformierte Mittel 10 1,43 26,9 (in einer Kalkulationstabelle, 101,43). Wenn der Mittelwert der log-transformierten Daten der Basis-e 3,65 beträgt, ist das rücktransformierte Mittel e 3,65 38,5 (in einer Kalkulationstabelle, EXP (3,65).) Wenn Sie Nullen oder negative Zahlen haben, können Sie das Protokoll nicht hinzufügen Konstante für jede Zahl, um sie positiv und nicht-Null. Wenn Sie Zähldaten haben und einige der Zählungen null sind, ist die Konvention, um 0,5 zu jeder Zahl hinzufügen. Viele Variablen in der Biologie haben log-normale Verteilungen, was bedeutet, dass nach Log-Transformation, die Werte sind in der Regel verteilt. Dies ist, weil wenn Sie eine Reihe von unabhängigen Faktoren und multiplizieren sie zusammen, ist das resultierende Produkt log-normal. Zum Beispiel, können Sie sagen, Sie haben eine Reihe von Ahornsamen, dann 10 Jahre gepflanzt Später sehen Sie, wie groß die Bäume sind. Die Höhe eines einzelnen Baumes würde durch den Stickstoff im Boden, die Menge an Wasser, die Sonneneinstrahlung, die Menge an Insektenschäden usw. beeinflusst werden. Nach mehr Stickstoff könnte ein Baum 10 größer werden Als eine mit weniger Stickstoff die richtige Menge an Wasser machen könnte es 30 größer als eins mit zu viel oder zu wenig Wasser mehr Sonnenlicht könnte es 20 größer weniger Insektenschaden machen könnte es 15 größer, etc. So die endgültige Größe eines Baumes würde Eine Funktion von nitrogentimeswatertimessunlighttimesinsects, und mathematisch, diese Art von Funktion entpuppt sich als log-normal. Quadratwurzeltransformation. Dies besteht darin, die Quadratwurzel jeder Beobachtung zu nehmen. Die Rücktransformation ist, die Zahl zu quadrieren. Wenn Sie negative Zahlen haben, können Sie die Quadratwurzel nicht nehmen, die Sie eine Konstante zu jeder Zahl addieren sollten, um sie alle positiv zu bilden. Die Menschen benutzen häufig die Quadratwurzeltransformation, wenn die Variable eine Zählung von etwas ist, wie Bakterienkolonien pro Petrischale, Blutzellen, die eine Kapillare pro Minute durchlaufen, Mutationen pro Generation usw. Arcsin-Transformation. Das besteht darin, die Bogenwurzel der Quadratwurzel einer Zahl zu nehmen. (Das Ergebnis ist in Bogenmaß und nicht in Grad angegeben und kann von minuspi2 bis pi2 reichen.) Die zu verarbeitenden Zahlen müssen im Bereich von 0 bis 1 liegen. Dies wird üblicherweise für Proportionen verwendet, die von 0 bis 1 reichen Als der Anteil der weiblichen östlichen Mudminnows, die von einem Parasiten befallen sind. Beachten Sie, dass diese Art von Proportion wirklich eine Nennvariable ist. So dass es nicht korrekt ist, es als Messgröße zu behandeln, unabhängig davon, ob Sie Arcsin transformieren oder nicht. Zum Beispiel wäre es falsch, die Anzahl der Mudminnows zu zählen, die in Maryland jeweils von mehreren Strömen parasitiert sind oder nicht, und behandeln den arcsin-transformierten Anteil der parasitierten Weibchen in jedem Strom als Messvariable und führen dann eine lineare Regression auf diesen durch Daten vs. Dies liegt daran, dass die Proportionen von Strömen mit einer kleineren Probengröße von Fischen eine höhere Standardabweichung aufweisen als Proportionen von Strömen mit grßeren Fischproben, die bei der Behandlung der arcsin-transformierten Proportionen als Messgrößen nicht berücksichtigt werden. Stattdessen sollten Sie einen Test verwenden, der für nominale Variablen in diesem Beispiel entworfen wurde, sollten Sie die logistische Regression statt der linearen Regression durchführen. Wenn Sie darauf bestehen, die Arcsin-Transformation zu verwenden, trotz allem, was ich Ihnen gerade gesagt habe, ist die Rücktransformation, den Sinus der Zahl zu quadrieren. Wie Sie Daten transformieren Spreadsheet Geben Sie in einer leeren Spalte die entsprechende Funktion für die gewählte Transformation ein. Wenn Sie z. B. Zahlen umwandeln wollen, die in Zelle A2 beginnen, gehen Sie zu Zelle B2 und geben Sie LOG (A2) oder LN (A2) ein, um die Transformation, SQRT (A2) zur Quadratwurzeltransformation oder ASIN (SQRT A2)) zur Arkus-Transformation. Dann kopieren Sie die Zelle B2 und fügen Sie in alle Zellen in Spalte B, die neben den Zellen in Spalte A, die Daten enthalten. Um die transformierten Werte in eine andere Tabelle zu kopieren und zu fügen, verwenden Sie die Funktion Einfügen. Und wählen Sie dann Werte einfügen aus. Verwenden der Paste Special. Mit dem Befehl "Werte" wird Excel das numerische Ergebnis einer Gleichung und nicht die Gleichung selbst kopieren. (Wenn Ihre Kalkulationstabelle Calc ist, wählen Sie im Menü Bearbeiten die Option Einfügen, deaktivieren Sie die Kontrollkästchen Alle einfügen und Formeln, und markieren Sie das Kontrollkästchen Zahlen.) Um Daten zurück zu transformieren, geben Sie einfach die Umkehrung der Funktion ein, die Sie für die Umwandlung verwendet haben Daten. Zur Rücktransformation logarithmierter transformierter Daten in Zelle B2 geben Sie 10B2 für Basis-10-Protokolle oder EXP (B2) für natürliche Protokolle für quadratisch-transformierte Daten ein, geben Sie B22 für arkus-transformierte Daten ein, geben Sie (SIN (B2)) ein Kenntnis von Webseiten, die Daten-Transformationen tun wird. Um Daten in SAS zu transformieren, lesen Sie die ursprünglichen Daten ein und erstellen Sie eine neue Variable mit der entsprechenden Funktion. Dieses Beispiel zeigt, wie zwei neue Variablen, Quadratwurzel-transformiert und log-transformiert, der mudminnow-Daten erstellt werden. Der Dataset mudminnow enthält alle Originalvariablen (Ort, Bannertyp und Anzahl) plus die neuen Variablen (countlog und countsqrt). Sie führen dann, was PROC Sie wollen und analysieren Sie diese Variablen genau wie Sie alle anderen. Natürlich ist dieses Beispiel zwei verschiedene Transformationen nur als Abbildung in der Realität, sollten Sie entscheiden, auf eine Transformation, bevor Sie Ihre Daten analysieren. Die SAS-Funktion für die arcsin-transformierende X ist ARSIN (SQRT (X)). Youll wahrscheinlich finden es am einfachsten zu backtransform mit einer Kalkulationstafel oder Taschenrechner, aber wenn Sie wirklich wollen, dass alles in SAS, die Funktion für die Aufnahme 10 auf die X-Leistung ist 10X die Funktion für die Aufnahme von e zu einer Leistung ist EXP (X) die Funktion Für Quadrierung X X2 ist und die Funktion zur Rücktransformation einer arcsin-transformierten Zahl SIN (X) 2 ist. Diese Seite wurde zuletzt am 18. Dezember 2015 überarbeitet. Ihre Adresse ist biostathandbooktransformation. html. Es kann zitiert werden als: McDonald, J. H. 2014. Handbuch der biologischen Statistik (3. Auflage). Sparky Haus-Publishing, Baltimore, Maryland. Diese Seite enthält den Inhalt der Seiten 140-144 in der gedruckten Version. Copy2014 von John H. McDonald. Sie können vermutlich tun, was Sie mit diesem Inhalt wünschen, sehen Sie die Berechtigungsseite für details. The metafor Paket Basierend auf etwas Code, den ich als Teil meiner Dissertationsforschung schrieb, entwickelte ich eine Funktion, die mima () genannt wird, die die grundlegende Funktionalität zur Befestigung des Festnetz - Und randommixed-Effekte (Meta-Regression) Modelle. Um 2006 stellte ich die Funktion auf meiner Website (zusammen mit einem kurzen Tutorial) auf und wurde von mehreren Forschern aufgenommen, die die Funktion erfolgreich in mehreren Metaanalysen verwendeten. Während die mima () - Funktion die Basisfunktionalität für die Anpassung von Standard-Metaanalyse-Modellen und die Durchführung von Meta-Regressions-Analysen lieferte, wurde das Meta-Paket als Antwort auf mehrere Anfragen zur Erweiterung der Funktion in ein Komplettpaket zur Durchführung von Metaanalysen geschrieben Zusätzliche Optionen und Support-Funktionen. Die Funktion mima () ist daher veraltet und wurde von meiner Website entfernt. Es wurden verschiedene Versuche unternommen, um die Funktionen in der metafor-Paket zu validieren. Zuerst, wenn entsprechende Analysen durchgeführt werden konnten, habe ich die Ergebnisse verglichen, die das metafor Paket mit denen bereitstellt, die von anderen Softwarepaketen für mehrere Datensätze zur Verfügung gestellt werden. Insbesondere wurden die Ergebnisse mit denen der Metan verglichen. Metareg. Metabias Und metatrim Befehle in Stata (für weitere Details zu diesen Befehlen, siehe Sterne, 2009). Die Ergebnisse wurden auch mit denen von SAS verglichen, die mit dem proc mixed - Befehl verwendet wurden (vgl. Van Houwelingen, Arends, amp Stijnen, 2002), von SPSS mit den von David Wilson (Lipsey amp Wilson, 2001) entwickelten Makros Meta (CRAN Link) und rmeta (CRAN Link) in R und durch umfassende Meta-Analyse. MetaWin. Und der Review Manager der Cochrane Collaboration. Die Ergebnisse stimmten entweder völlig überein oder fielen innerhalb einer Fehlergrenze, die bei der Verwendung numerischer Verfahren erwartet wurde. Zweitens wurden die Ergebnisse der metafor package mit veröffentlichten Ergebnissen in Artikeln und Büchern verglichen (die Annahme, dass diese Ergebnisse tatsächlich korrekt sind). Auf dieser Website stelle ich einige Analysen vor, die Sie selbst untersuchen können. Alle diese Beispiele (und einige mehr) werden auch in automatisierten Tests unter Verwendung des Testes dieses Pakets eingekapselt, so daß Änderungen des Codes, die dazu führen, daß diese Beispiele nicht reproduzierbar werden, automatisch erkannt werden. Drittens habe ich umfangreiche Simulationsstudien für viele der im Paket implementierten Methoden durchgeführt, um sicherzustellen, dass ihre statistischen Eigenschaften wie man es erwarten würde, basierend auf der zugrunde liegenden Theorie. Um ein einfaches Beispiel zu geben, muss die empirische Ablehnungsrate von H0: theta 0 unter den Annahmen eines Gleichgewichtsmodells (dh homogene Effekte, normalverteilte Effektgrößenschätzungen, bekannte Stichprobenvarianzen) nominal (innerhalb der Fehlergrenze) sein Man würde erwarten, wenn man solche Daten zufällig simuliert). Dies ist in der Tat der Fall, die Unterstützung, dass die rma () - Funktion für dieses Szenario angemessen funktioniert. Ähnliche Tests wurden für die komplizierteren Verfahren in dem Paket durchgeführt. Es kann auch nützlich sein, zu merken, dass es jetzt eine bemerkenswerte Benutzerbasis des metafor Pakets gibt (der Viechtbauer (2010) Artikel, der das Paket beschreibt, ist in über 1000 Artikeln zitiert worden, von denen viele Meta-Analysen und methodisch-statistische Papiere angewendet werden Verwendet das metafor Paket als Teil der Forschung). Dies erhöht die Chancen, dass alle Fehler erkannt, berichtet und korrigiert werden. Schließlich habe ich mich sehr gut am Ballmer Peak getroffen. Zum größten Teil wurde die Entwicklung des Pakets durch meine eigene kostbare Zeit finanziert. Durch eine kooperative Arbeit an der 039Open Meta-Analyst039-Software vom Center for Evidence-Based Medicine an der Brown University. Ich habe im Rahmen eines Subunternehmers einen Zuschuss erhalten. Außerdem haben Sandra Wilson und Mark Lipsey vom Peabody Research Institute der Vanderbilt University Fördermittel zur Verfügung gestellt, um die rma. mv () effizienter zu machen und Multicore-Funktionen der Funktion profile. rma. mv () hinzuzufügen. Die weitere Entwicklung des Pakets könnte jedoch viel schneller voranschreiten, wenn zusätzliche Mittel zur Verfügung stünden. Wenn Sie irgendwelche Finanzierungsmöglichkeiten bewusst sind, fühlen Sie sich frei, mich wissen zu lassen. Zuerst von allen, Dank für das Versuchen, so zu tun in erster Linie. Am besten zitiert man das Paket: Viechtbauer, W. (2010). Durchführung von Metaanalysen in R mit dem Meta-Paket. Übrigens, versuchen Sie Zitat (quotmetaforquot) in R (dies ist kein Befehl, der für das metafor Paket spezifisch ist, das Sie dieses mit anderen Paketnamen versuchen können und Zitat () wird Ihnen erklären, wie Um R selbst zu zitieren). Für die Durchführung von Meta-Analysen gibt es tatsächlich eine ganze Reihe verschiedener R-Pakete. Glücklicherweise gibt es jetzt eine Task-View für Meta-Analyse. Die einen ziemlich gründlichen Überblick über die verschiedenen Pakete und ihre Fähigkeiten bietet. Technische Fragen Standard meta-analytische Modelle (wie sie mit der rma () - Funktion ausgestattet werden können) gehen davon aus, dass die Sampling-Varianzen bekannt sind. Andererseits nehmen die Modelle der Funktionen lm () und lme () an, dass die Abtastvarianzen nur bis zu einer Proportionalitätskonstante bekannt sind. Das sind also unterschiedliche Modelle, wie sie typischerweise in Metaanalysen verwendet werden. Für weitere Details habe ich einen umfassenderen Vergleich der Funktionen rma () und lm () und lme () geschrieben. Für zufällige Effekte wird die I2-Statistik mit I2 100 mal frac 2 2 s2 berechnet, wobei h 2 der geschätzte Wert von tau2 und s2 frac ist, wobei wi die Umkehrung der Stichprobenvarianz der i-Studie ist (s2 ist Gleichung 9 in Higgins amp Thompson, 2002, und kann als die 039typical039 innerhalb der Studie Varianz der beobachteten Effekte Größen oder Ergebnisse angesehen werden). Die H2-Statistik wird mit H2 frac 2 s2 berechnet. Analoge Gleichungen werden für Mixed-Effekt-Modelle verwendet. Daher ändern sich in Abhängigkeit von dem verwendeten Schätzer von tau2 die Werte von I2 und H2. Für random-effect Modelle werden I2 und H2 oft in der Praxis mit I2 100-fach berechnet (Q - (k-1)) Q und H2 Q (k-1), wobei Q die Statistik für den Heterogenitäts-Test und k die Anzahl der Studien (dh beobachtete Wirkungen oder Ergebnisse), die in der Meta-Analyse enthalten sind. Die Gleichungen, die im meta-Paket zur Berechnung dieser Statistiken verwendet werden, basieren auf allgemeineren Definitionen und haben den Vorteil, dass die Werte von I2 und H2 mit dem Schätzwert von tau2 übereinstimmen (dh wenn Hut 2 0, dann I2 0 und H2 1 Und wenn Hut 2 gt 0, dann I2 gt 0 und H2 gt 1). Diese beiden Sätze von Gleichungen für I2 und H2 fallen tatsächlich zusammen, wenn der DerSimonian-Laird-Schätzer von tau2 verwendet wird (d. h. die allgemein verwendeten Gleichungen sind tatsächlich spezielle Fälle der allgemeineren Definitionen, die oben gegeben sind). Wenn Sie also die konventionelleren Definitionen dieser Statistiken bevorzugen, verwenden Sie methodquotDLquot, wenn Sie das randommixed-effects-Modell mit der rma () - Funktion anpassen. Ein Beispiel hierfür ist das Analysebeispiel für Raudenbush (2009). Die Pseudo R2-Statistik (Raudenbush, 2009) wird mit R2 frac 2 - hat 2 2 berechnet, wobei h 2 den geschätzten Wert von tau2 auf der Basis des Zufallseffektmodells (dh der Gesamtmenge an Heterogenität) und Hut 2 den geschätzten Wert angibt Wert von tau2, basierend auf dem Mischeffektmodell (dh der Restmenge an Heterogenität). Es kann passieren, dass Hut 2 lt hat 2, in welchem ​​Fall R2 auf Null gesetzt wird. Wiederum ändert sich der Wert von R2 in Abhängigkeit von dem verwendeten Schätzer von tau2. Beachten Sie auch, dass diese Statistik nur berechnet wird, wenn das Mixed-Effect-Modell einen Intercept enthält (damit das Random-Effect-Modell im Mixed-Effekt-Modell klar verschachtelt ist). Sie können auch die anova. rma. uni () - Funktion verwenden, um R2 für alle zwei Modelle zu berechnen, die als verschachtelt bekannt sind. Die Funktionen escalc () und rma () bieten die Möglichkeit, Rohproportionen und Inzidenzraten mit der Freeman-Tukey-Transformation umzuwandeln (Freeman amp Tukey, 1950). Für Proportionen, wird dies auch manchmal die 039Freeman-Tukey-Doppel-Arkus-Transformation039 genannt. Für Proportionen wird die Gleichung yi 12 mal berechnet (mbox (sqrt) mbox (sqrt)), wobei xi die Anzahl der Individuen bezeichnet, die das interessierende Ereignis erfahren und ni die Gesamtzahl der Individuen bezeichnet (dh Stichprobe) Größe). Die Varianz von yi wird dann mit vi 1 (4ni 2) berechnet. Für Inzidenzraten wird die Transformation (measurequotIRFTquot) mit der Gleichung yi 12 mal (sqrt sqrt) berechnet, wobei xi die Gesamtzahl der aufgetretenen Ereignisse und ti die gesamte Person-Zeit-Gefahr bezeichnet. Die Varianz von yi wird dann mit vi 1 (4ti) berechnet. Man kann auch Definitionen dieser Transformationen ohne die multiplikative Konstante 12 finden (die Gleichungen für die Varianz sollten dann mit 4 multipliziert werden). Da die 12 nur eine Konstante ist, spielt es keine Rolle, welche Definition man verwendet (solange man die richtige Gleichung für die Stichprobenvarianz verwendet). Das Meta-Paket verwendet die oben angegebenen Definitionen, so dass die aus der Arcus-Quadratwurzel-Transformation (measurequotPASquot) und der Freeman-Tukey-Doppelbogensinustransformation (measurequotPFTquot) erhaltenen Werte ungefähr gleich groß sind (ohne den 12-Multiplikator, PFT-Werte etwa doppelt so groß sein würden). Das gleiche gilt für Quadratwurzel-transformierte Inzidenzraten (measurequotIRSquot) und Freeman-Tukey-transformierte Raten (measurequotIRFTquot). Bei Verwendung mit den Standardeinstellungen kann die rma. mh () - Funktion in metafor tatsächlich Ergebnisse liefern, die sich von denen anderer Metaanalyse-Software unterscheiden, z. B. der Metan-Funktion von Stata, dem Review Manager (RevMan) der Cochrane Collaboration , Oder umfassende Meta-Analyse (CMA). Standardmäßig werden bei der Anwendung der Mantel-Haenszel-Methode keine Anpassungen der Zellzahl in Studien mit Nullfällen in beiden Gruppen angewendet, während andere Software dies automatisch tun kann. Für weitere Details, werfen Sie einen Blick auf den Vergleich der Mantel-Haenszel-Methode in verschiedenen Software und welche Einstellungen zu verwenden, um metafor liefern die exakt gleichen Ergebnisse wie andere Software. Literatur Freeman, M. F. amp Tukey, J. W. (1950). Transformationen bezogen auf die Winkel - und Quadratwurzel. Annalen der mathematischen Statistik, 21 (4), 607611. Higgins, J. P. T. amp Thompson, S. G. (2002). Quantifizierung der Heterogenität in einer Meta-Analyse. Statistiken in Medicine, 21 (11), 15391558. van Houwelingen, H. C. Arends, L. R. amp Stijnen, T. (2002). Fortgeschrittene Methoden in der Metaanalyse: Multivariater Ansatz und Meta-Regression. Statistiken in Medicine, 21 (4), 589624. Lipsey, M. W. amp Wilson, D. B. (2001). Praktische Meta-Analyse. Salbei, Thousand Oaks, CA. Raudenbush, S. W. (2009). Analysieren von Effektgrößen: Random Effects Modelle. In H. Cooper, L. V. Hedges, amp J. C. Valentine (Hrsg.), Das Handbuch der Forschungssynthese und Metaanalyse (2. Aufl., S. 295315). New York: Russell Sage Stiftung. Sterne, J. A. C. (Hrsg.) (2009). Meta-Analyse in Stata: Eine aktualisierte Sammlung aus dem Stata Journal. Stata Presse, Hochschulstation, TX. Faq. txt Letzte Änderung: 20160607 19:34 von Wolfgang Viechtbauer