r - 从 Metafor 中的混合效应多级模型获取 R 平方

Question

我正在 R 中对森林的特定处理进行荟萃分析。对于这个模型，我需要拟合随机效应来解释研究方法的差异和地点年龄的变化之间的差异，因为这两个都是混杂变量，而且我对调查它们引起的变化并不明确感兴趣。

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

无论如何，为了更清楚地描述我的问题，这里有一个模拟数据集

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)

上面的模型是一个空模型，用于观察截距是否在统计上与零显着不同。在我们的例子中确实如此。然而，我还想看看治疗的差异是否描述了我在森林图上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，我想从该模型中获得相当于 R 平方的拟合优度。人们过去在使用 GLMM 时曾遇到过这些问题 but there are now ways of doing this 。我想知道是否有人知道进行类似荟萃分析的好方法？我有审稿人要求这样做，我不确定我是否应该告诉他们这不能完成。

预先感谢您的帮助!

Answer 1

首先，您没有完全使用 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，您可以将方差分量的按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。因此，基于上述模型:

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

如果某个值应为负数，则通常将其设置为零。

如果您想要单个值，您还可以使用以下方法计算总方差的比例减少:

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