Как я могу ^ 2 == 0 (мера неоднородности) в мета-анализе случайных эффектов RMA в R?

Question

Я работаю над метаанализом эпидемиологических исследований. Исследования очень разнородны с точки зрения населения, вмешательства и анализа, поэтому я использую модель случайных эффектов для мета-анализа с использованием «метафоры» в R.

Я разделил исследования на подгруппы с сопоставимыми результатами. 5/6 выглядят хорошо.

Однако есть одна подгруппа, которая выглядит неправильно, потому что тау равен 0, а I ^ 2 равен 0. Глядя на данные, я не понимаю, почему общая неоднородность была бы равна 0.

res <- rma(yi=beta, sei=se, slab=(1:7), measure="OR",data=SIPVdata,  digits=3, method= "ML")

Random-Effects Model (k = 3; tau^2 estimator: ML)

  logLik  deviance       AIC       BIC      AICc  
  -0.217     2.635     4.433     2.630    16.433  

tau^2 (estimated amount of total heterogeneity): 0.000 (SE = 0.044)
tau (square root of estimated tau^2 value):      0.001
I^2 (total heterogeneity / total variability):   0.00%
H^2 (total variability / sampling variability):  1.00

Test for Heterogeneity: 
Q(df = 2) = 2.635, p-val = 0.268

Model Results:

estimate     se    zval   pval   ci.lb   ci.ub   
  -0.350  0.145  -2.417  0.016  -0.634  -0.066  *

График вывода модели выглядит следующим образом:

---

Таким образом, вы можете видеть, что 2 наблюдения (5 и 3), которые имеют небольшие доверительные интервалы и аналогичные оценки, имеют наибольшее влияние в выборке. Другие оценки имеют широкие КИ, которые все перекрываются. Я мог бы ожидать, что оценка неоднородности будет низкой в ​​этом случае, но не 0, и, конечно, не общая изменчивость тау.

Кто-нибудь имеет представление о том, что происходит в этом мета-анализе?

Большое спасибо!

Answer 1

Известно, что оценщик ML tau^2 имеет отрицательное смещение. Это, конечно, не означает, что оно слишком низкое в данном конкретном случае, но я бы предложил перейти к оценке, которая, как известно, приблизительно объективна. Я бы порекомендовал REML. Фактически это оценщик по умолчанию (т. Е. Если вы не укажете аргумент method).

Также обратите внимание, что в 7 исследованиях оценка tau^2 (и, следовательно, I^2) не будет очень точной. Запустите confint(res), и вы увидите, что доверительный интервал для I^2 будет очень широким. Другими словами, все значения в CI совместимы с этими данными, поэтому на самом деле не может быть разнородности или ее большого количества.