How much does the typical ecological meta‐analysis overestimate the true mean effect size?
Notice bibliographique
Résumé
Many primary research studies in ecology are underpowered, providing very imprecise estimates of effect size. Meta-analyses partially mitigate this imprecision by combining data from different studies. But meta-analytic estimates of mean effect size may still remain imprecise, particularly if the meta-analysis includes a small number of studies. Imprecise, large-magnitude estimates of mean effect size from small meta-analyses likely would shrink if additional studies were conducted (regression towards the mean). Here, I propose a way to estimate and correct this regression to the mean, using meta-meta-analysis (meta-analysis of meta-analyses). Hierarchical random effects meta-meta-analysis shrinks estimated mean effect sizes from different meta-analyses towards the grand mean, bringing those estimated means closer on average to their unknown true values. The intuition is that, if a meta-analysis reports a mean effect size much larger in magnitude than that reported by other meta-analyses, that large mean effect size likely is an overestimate. This intuition holds even if different meta-analyses of different topics have different true mean effect sizes. Drawing on a compilation of data from hundreds of ecological meta-analyses, I find that the typical (median) ecological meta-analysis overestimates the absolute magnitude of the true mean effect size by ~10%. Some small ecological meta-analyses overestimate the magnitude of the true mean effect size by >50%. Meta-meta-analysis is a promising tool for improving the accuracy of meta-analytic estimates of mean effect size, particularly estimates based on just a few studies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,330 | 0,617 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,014 | 0,016 |
| Bibliométrie | 0,011 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,009 | 0,011 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».