Location‐Scale Meta‐Analysis and Meta‐Regression as a Tool to Capture Large‐Scale Changes in Biological and Methodological Heterogeneity: A Spotlight on Heteroscedasticity
Notice bibliographique
Résumé
Heterogeneity is a defining feature of ecological and evolutionary meta-analyses. While conventional meta-analysis and meta-regression methods acknowledge heterogeneity in effect sizes, they typically assume this heterogeneity is constant across studies and levels of moderators (i.e., homoscedasticity). This assumption could mask potentially informative patterns in the data. Here, we introduce and develop a location-scale meta-analysis and meta-regression framework that models both the mean (location) and variance (scale) of effect sizes. Such a framework explicitly accommodates heteroscedasticity (differences in variance), thereby revealing when and why heterogeneity itself changes. This capability, we argue, is crucial for understanding responses to global environmental change, where complex, context-dependent processes may shape both the average magnitude and the variability of biological responses. For example, differences in study design, measurement protocols, environmental factors, or even evolutionary history can lead to systematic shifts in variance. By incorporating hierarchical (multilevel) structures and phylogenetic relationships, location-scale models can disentangle the contributions from different levels to both location and scale parts. We further attempt to extend the concepts of relative heterogeneity and publication bias into the scale part of meta-regression. With these methodological advances, we can identify patterns and processes that remain obscured under the constant variance assumption, thereby enhancing the biological interpretability and practical relevance of meta-analytic results. Notably, almost all published ecological and evolutionary meta-analytic data can be re-analysed using our proposed analytic framework to gain new insights. Altogether, location-scale meta-analysis and meta-regression provide a rich and holistic lens through which to view and interpret the intricate tapestry woven with ecological and evolutionary data. The proposed approach, thus, ultimately leads to more informed and context-specific conclusions about environmental changes and their impacts.
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 | 0,205 | 0,334 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,009 | 0,018 |
| Bibliométrie | 0,007 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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 ».