从metafor中的混合效果多级模型得到R平方

Question

我在R中对森林的特定处理进行了荟萃分析。对于这个模型，我需要拟合随机效应来解释方法的研究差异和站点年龄的变化之间，因为这两者都是混淆变量，我对调查由它们引起的变化没有明确的兴趣。

但是，据我所知，当您拥有多级模型时，包[metfor]不允许您计算R平方类型统计量。

无论如何，在这里更清楚地描述我的问题是模拟数据集

Log<-data.frame(Method=rep(c("RIL","Conv"),each=10),
     RU=runif(n=20,min=10,max=50),SDU=runif(n=20,5,20),
     NU=round(runif(n=20,10,20),0))
Log$Study<-rep(1:4,each=5)
Log$Age<-rep(c(0,10,15,10),times=5)
RIL<-(Log$RU-(Log$RU*(abs(rnorm(n=20,mean=.6,sd=0.1)))))+(0.5*Log$Age)
Conv<-(Log$RU-(Log$RU*(abs(rnorm(n=20,mean=.2,sd=0.1)))))+(0.2*Log$Age)
Log$RL<-ifelse(Log$Method=="RIL",RIL,Conv)
Log$SDL<-Log$SDU
Log$NL<-Log$NU

#now we perform a meta-analysis using metafor
require(metafor)
ROM<-escalc(data=Log,measure="ROM",m2i=RU,
sd2i=SDU,n2i=NU,m1i=RL,sd1i=SDL,n1i=NL,append=T)
Model1<-rma.mv(yi,vi,random=~(1|Study)+(1|Age),method="ML",data=ROM)
summary(Model1)
forest(Model1)

上述模型是一个空模型，用于查看截距在统计上是否与零显着不同。就我们而言。但是，我还想看看治疗方面的差异是否描述了我在森林情节中看到的效果大小的差异，你可以在这里看到

所以我运行这个模型：

Model2<-rma.mv(yi,vi,mods=~Method,random=~(1|Study)+(1|Age),method="ML",data=ROM)
summary(Model2)

看起来不错。

    Multivariate Meta-Analysis Model (k = 20; method: ML)

  logLik  Deviance       AIC       BIC      AICc  
  0.4725   19.8422    7.0550   11.0380    9.7217  

Variance Components: 

outer factor: Age   (nlvls = 3)
inner factor: Study (nlvls = 4)

            estim    sqrt  fixed
tau^2      0.0184  0.1357     no
rho        1.0000             no

Test for Residual Heterogeneity: 
QE(df = 18) = 23.3217, p-val = 0.1785

Test of Moderators (coefficient(s) 2): 
QM(df = 1) = 19.6388, p-val < .0001

Model Results:

           estimate      se     zval    pval    ci.lb    ci.ub     
intrcpt     -0.1975  0.1007  -1.9622  0.0497  -0.3948  -0.0002    *
MethodRIL   -0.4000  0.0903  -4.4316  <.0001  -0.5768  -0.2231  ***

---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

但是，我希望从这个等效于R平方的模型中得到拟合度量。 GLMM but there are now ways of doing this过去曾经遇到过这些问题。我想知道是否有人知道用元分析做类似事情的好方法？我有评论者要求这样做，我不确定是否应该告诉他们不能这样做。

提前感谢您的帮助！

Answer 1

首先，您没有使用rma.mv()函数的正确语法。对于这两个模型，我假设您实际上打算使用：

Model1 <- rma.mv(yi, vi, random = list(~ 1 | Study, ~ 1 | Age), method="ML", data=ROM)
Model2 <- rma.mv(yi, vi, mods = ~ Method, random = list(~ 1 | Study, ~ 1 | Age), method="ML", data=ROM)

现在，对于R平方，您可以将方差分量中的比例减少计算为一种伪R平方值。这只是常规元回归中通常所做的逻辑扩展。所以，基于上面的模型：

(Model1$sigma2[1] - Model2$sigma2[1]) / Model1$sigma2[1]
(Model1$sigma2[2] - Model2$sigma2[2]) / Model1$sigma2[2]

如果某个值应为负值，则通常设置为零。

如果您想要单个值，您还可以使用以下公式计算总方差的比例减少：

(sum(Model1$sigma2) - sum(Model2$sigma2)) / sum(Model1$sigma2)