Tüm ortak yazarlar meta-analiz için verileri kendileri toplamalıdır; araştırma görevlilerine devredilemez. Gelecekte yapay zeka (GPT 7?) bu zaman alıcı göreve yardımcı olabilecek. Ancak şu anda, alanında uzman olan, her bir birincil çalışmayı titizlikle incelemek ve veri setlerini her seferinde bir veri noktası olmak üzere metodik olarak manüel olarak oluşturmak konusunda benzersiz niteliklere sahip olan meta-analiz yazarlarının alternatifi yoktur (Irsova). ve diğerleri, 2023) .
Çoğu ekonometrik çalışmanın yazarlarının aksine, meta-analistler mevcut verileri almazlar, yeni veri tabanları oluştururlar. Meta-analiz veri kümelerinin örneklerine https://www.meta-analiz.cz/ adresinden ulaşılabilir .
En az iki ortak yazarın verileri bağımsız olarak toplaması gerekir. Bu titiz süreç, zaman alıcı olsa da meta-analizin güvenilirliğini sağlamak için çok önemlidir. Çalışmaları manuel olarak kodlarken (genellikle PDF formatında düzinelerce sayfadan oluşur) hatalar beklenebilir ve verileri iki uzmanın toplaması, hataların kolayca tanımlanmasına ve düzeltilmesine olanak tanır. Meta-analiz için toplanan etki büyüklükleri niteliksel ve niceliksel olarak karşılaştırılabilir olmalıdır. Bu, yalnızca aynı tahmin edilen işaretin aynı yönde bir etkiyi göstermesi gerektiği değil, aynı zamanda birincil çalışmalar arasındaki etkilerin gerçek boyutlarını karşılaştırmanın da anlamlı olması gerektiği anlamına gelir.
Niceliksel olarak karşılaştırılabilir etki boyutları arasında korelasyon katsayıları, tek oranlar, esneklikler, dolar değerleri ve standartlaştırılmış ortalama farklar bulunur. Regresyon katsayıları genellikle yalnızca niceliksel olarak başka dönüşümlerle karşılaştırılabilir çünkü farklı birincil çalışmalar bağımsız ve bağımlı değişkenlerin farklı ölçüm birimlerini veya fonksiyonel formlarını kullanabilir . Her iki taraftaki değişkenlerin logaritmik olarak kullanıldığı regresyonlar bir istisna oluşturur ve bu nedenle regresyon, tahmini esneklikleri sağlar.
Birincil çalışmalarda bildirilen tüm tahminlerin toplanması zorunludur. Bu yaklaşım beş nedenden dolayı tavsiye edilmektedir (Irsova ve diğerleri, 2023) :
Verilerinizdeki aykırı değerleri ve etkili noktaları incelemek önemlidir. Bunu yapmanın bir yöntemi, bir huni grafiği, etki boyutlarının dağılım grafiği ve bunların hassasiyetini oluşturmaktır. Ana huni şeklinden önemli ölçüde sapan veri noktalarını fark ettiğinizi veya DFBETA'da (bireysel veri noktalarının regresyon analizi üzerindeki etkisini ölçmek için bir yöntem) endişe uyandırdığınızı varsayalım [1]. Bu durumda, bu veri noktalarıyla ilişkili birincil çalışmaların gözden geçirilmesi tavsiye edilir. Bu inceleme, verilerde veya birincil çalışmalarda hata olmadığından emin olunmasına yardımcı olacak ve aynı zamanda çalışmaların nasıl yürütüldüğüne ilişkin nüansları ortaya çıkararak, sonuçları araştırma literatürünün geri kalanıyla karşılaştırılamaz hale getirebilir. Hala belirsizlikler varsa, birincil çalışmaların yazarlarına ulaşmak netlik sağlayabilir. Meta-analizinizin sonuçlarını büyük ölçüde etkileyebileceğinden, DFBETA tarafından belirlenen etkili veya kaldıraç noktalarını ele almak çok önemlidir . Bu, son çare olarak bu noktaların düzeltilmesini veya hariç tutulmasını içerebilir. Ek olarak, veriler üzerinde aykırı değerlerin kaldırılmasının veya winsorizasyon kullanılmasının (belirli bir yüzdelik dilimin üzerindeki ve altındaki gözlemleri o yüzdelik değerle değiştirin) etkisini göstermek için sağlamlık kontrollerinin raporlanması yalnızca tavsiye edilmez (Zigraiova ve ark., 2020) . Sonuçta sonuçlarınız güvenilir ve etkili araştırma bulgularına dayanmalı ve eğer durum buysa, bu bulguların öne çıkması ayrıntılı olarak gerekçelendirilmelidir.
Son olarak, etki büyüklükleri ve standart hataların yanı sıra, tahmini etki büyüklüklerinin elde edildiği bağlamdaki önemli farklılıklar hakkında da bilgi topladığınızdan emin olun. Çoğu meta-analiz, verilerdeki, yöntemlerdeki ve yayın özelliklerindeki farklılıkları yansıtan en az on değişkeni (çoğunlukla 0 veya 1 değerini alan kukla ikili değişkenler) toplamalıdır. Veritabanının boyutuna ve karmaşıklığına bağlı olarak daha fazla değişkene ihtiyaç duyulabilir ancak basitlik açısından sayının 30'un altında tutulması tavsiye edilir. Örneğin, birincil çalışmanın deneyinin popülasyonun temsili bir örneğine mi yoksa yalnızca belirli bir gruba mı odaklandığını, yürütüldüğü ülkeyi, kontrol grubuna plasebo mu yoksa alternatif bir tedavinin mi atandığını, yayın tarihini, etki faktörünü düşünün. çıkış yeri ve alınan yıllık alıntıların sayısı.
Veri toplamadan önce kodlanacak değişkenlerin bir listesini dikkatlice hazırlayın. Bu bir meta-analizin en zorlu ve yaratıcı kısmı olabilir. Potansiyel değişkenlerin sayısı neredeyse sınırsız olduğundan, literatürdeki tartışmalara ve uzmanlığınıza dayanarak en önemlilerini seçmek önemlidir. Kapsamlı bir dil modeli, birincil çalışmaların farklılık gösterdiği bazı boyutların belirlenmesine yardımcı olabilir. Ancak yapay zekanın bazen yanıltıcı sonuçlar sunabilmesi nedeniyle çifte kontrolün hayati önem taşıdığını unutmamak çok önemlidir. Bu dikkat ve detaylara dikkat, meta-analizinizin doğruluğunu sağlayacaktır.
Birincil çalışmalardan topladığınız bilgileri tamamlayan ek bilgiler eklemeyi düşünün. Birincil çalışmaların ötesine geçen bu kapsamlı yaklaşım, araştırma bağlamının daha kapsamlı anlaşılmasını sağlayabilir. Örneğin, eğer birincil çalışmalar çeşitli ülkelerde yapılmışsa, ülke (veya bölge) özellikleri de ek değişkenler olarak değerli olabilir. Deney sonuçları sıcaklık, nem veya ülkenin finansal gelişimi gibi faktörlerden etkilenebilir ve bunların tek başına birincil çalışmalarla analiz edilmesi imkansız olabilir. Bu tür ek bilgileri dikkate alarak ve dahil ederek meta-analiziniz daha kapsamlı ve anlayışlı olabilir (Irsova ve diğerleri, 2023) .
[1]Bkz. https://blogs.sas.com/content/iml/2019/06/17/influence-regression-dfbeta.html
* Examples of meta-analysis datasets are available at https://www.meta-analysis.cz/.
** See https://blogs.sas.com/content/iml/2019/06/17/influence-regression-dfbeta.html
