A brief note on the random-effects meta-analysis model and its relationship to other models
Notice bibliographique
Résumé
Meta-analysis is a statistical method for combining quantitative results across studies. A fundamental decision in undertaking a meta-analysis is choosing an appropriate model for analysis. This is the second of two companion articles which have the joint aim of describing the different meta-analysis models. In the first article, we focused on the common-effect (also known as fixed-effect [singular]) model, and in this article, we focus on the random-effects model. We describe the key assumptions underlying the random-effects model, how it is related to the common-effect and fixed-effects [plural] models, and present some of the arguments for selecting one model over another. We outline some of the methods for fitting a random-effects model. Finally, we present an illustrative example to demonstrate how the results can differ depending on the chosen model and method. Understanding the assumptions of the different meta-analysis models, and the questions they address, is critical for meta-analysis model selection and interpretation.
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 | 0,076 | 0,134 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,009 |
| Bibliométrie | 0,005 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,007 | 0,011 |
| Science ouverte | 0,007 | 0,005 |
| Intégrité de la recherche | 0,008 | 0,021 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».