جستجو
فرا رگرسیون (Meta-regression)، تحلیل متغیرهای تعدیلگر پیوسته در تحلیل فراتحلیل است. فرا رگرسیون یا متا رگرسیون به عنوان یک متاآنالیز تعریف می شود که از تحلیل رگرسیون برای ترکیب، مقایسه و ترکیب یافته های تحقیقاتی از مطالعات متعدد استفاده می کند و در عین حال اثرات متغیرهای کمکی موجود را بر روی یک متغیر پاسخ تنظیم می کند.
فرا رگرسیون در اصل شبیه به رگرسیون های ساده است که در آن یک متغیر نتیجه با توجه به مقادیر یک یا چند متغیر توضیحی پیش بینی می شود. در فرا رگرسیون، متغیر نتیجه، تخمین اثر است (به عنوان مثال، تفاوت میانگین، تفاوت ریسک، نسبت شانس گزارش یا نسبت ریسک لاگ). متغیرهای توضیحی ویژگی های مطالعاتی هستند که ممکن است بر اندازه اثر مداخله تأثیر بگذارند. اینها اغلب «تغییرکننده‌های اثر بالقوه» یا متغیرهای کمکی نامیده می‌شوند. متا رگرسیون معمولا از دو جهت با رگرسیون های ساده متفاوت است:
اولاً، مطالعات بزرگ‌تر نسبت به مطالعات کوچک‌تر تأثیر بیشتری بر رابطه دارند، زیرا مطالعات با دقت تخمین اثر مربوطه وزن می‌شوند.
دوم، عاقلانه است که اجازه دهیم ناهمگونی باقیمانده در بین اثرات مداخله ای که توسط متغیرهای توضیحی مدلسازی نشود. این باعث ایجاد اصطلاح “فرا رگرسیون اثرات تصادفی” می شود، زیرا تنوع اضافی به همان روشی که در فراتحلیل اثرات تصادفی گنجانده شده است.
ضریب رگرسیون به دست آمده از تجزیه و تحلیل فرارگرسیون، چگونگی تغییر متغیر نتیجه (اثر مداخله) را با افزایش واحد در متغیر توضیحی (تعدیل کننده اثر بالقوه) توصیف می کند.معناداری آماری ضریب رگرسیون آزمونی است برای اینکه آیا رابطه خطی بین اثر مداخله و متغیر توضیحی وجود دارد یا خیر.
زمانی که فراتحلیل شامل ناهمگونی در اندازه اثرات برحس مطالعات مختلف می شود، ضروری است که منابع این ناهمگونی را براساس متغیرهای تعدیلگر شناسایی کنیم. در حقیقت، متغیرهای تعدیلگر علاوه بر نزدیکی به میانگین اندازه اثرات، به سوال تحقیق که درصدد پاسخگویی به آن هستیم، وابسته اند. متغیر تعدیل گر در متاآنالیز یک فرم از بازبینی نظام مند و سیستماتیک به شمار می رود.
این روش این شرایط را فراهم می سازد تا نتایجی از یک مجموعه از مطالعات اولیه که روی یک موضوع رایج تمرکز دارند با استفاده از روش های آماری به‌وسیله برخی از نرم افزار ها به صورت یکپارچه تجزیه و تحلیل گردند. از آنجایی که مطالعات اولیه عموماً افراد پاسخ دهنده و مشارکت کننده را به‌عنوان یک واحد تجزیه و تحلیل در نظر می گیرد، در تحلیل های فرا تحلیل هر مطالعه به عنوان یک واحد در نظر گرفته می شود. به طور کلی دو دسته متغیر تعدیلگر در فراتحلیل وجود دارد. دسته اول تعدیلگر های گسسته و یا طبقه ای. دسته دوم تعدیلگر های پیوسته.
منطق بررسی تعدیل گرهای طبقه ای در فراتحلیل مشابه استفاده از واریانس یک طرفه در مطالعات اولیه است. در تحلیل تعدیلگرها در فراتحلیل هم ناهمگونی بین طمالعات در بین گروه ها و درون گروه های مطالعات بررسی می شوند، به عبارت دیگر، ارزیابی تعدیلگرهای طبقه ای در فراتحلیل شامل مقایسه گروهی مطالعات طبقه بندی شده به وسیله جایگاه این مطالعات در بین طبقات تعدیلگرها است.
برای بررسی معناداری بین گروه ها باید انواع ناهمگونی را در تحلیل تعدیلگرها محاسبه نماییم. به طور کلی اینجا سه دسته ناهمگونی وجود دارد که شامل ناهمگونی کل، ناهمگونی بین گروهی و ناهمگونی درون گروهی است. ناهمگونی کل به تفاوت بین اندازه اثرات همه مطالعات برحسب خصوصیات آنها اشاره دارد. ناهمگونی بین گروهی، مربوط به ناهمگونی برحسب تفاوت بین گروه های مبتنی بر تعدیل گرها می شود. ناهمگونی درون گروهی به ناهمگونی بین مطالعات در یک گروه اشاره می کند.
تعدیل گرهای پیوسته در فراتحلیل متغیرهایی هستند که براساس مطالعات کدهای پیوسته به آنها تعلق گرفته است. مانند سن، درآمد. همان گونه که تعدیل گرهای طبقه ای شباهت با تحلیل واریانس یک طرفه داشتند، تعدیل گرهای پیوسته تشابهاتی با رگرسیون در تحقیقات اولیه دارند. به همین دلیل به این نوع تعدیل گرها، فرا رگرسیون گفته می شود.
Benjamini, Yoav (2020). “Selective Inference: The Silent Killer of Replicability”. Harvard Data Science Review. ۲ (۴).
