Bài viết này cung cấp một cái nhìn sâu sắc về meta-analysis, một công cụ quan trọng trong nghiên cứu khoa học để tổng hợp kết quả từ nhiều nghiên cứu khác nhau. Chúng ta sẽ khám phá cách p-value được sử dụng và những cạm bẫy tiềm ẩn khi áp dụng các phương pháp này, đặc biệt là trong các thiết kế nghiên cứu trước-sau can thiệp. Hiểu rõ các nguyên tắc này sẽ giúp bạn đánh giá và thực hiện meta-analysis một cách chính xác và hiệu quả hơn.
Meta-analysis là một phương pháp thống kê kết hợp kết quả từ hai hoặc nhiều nghiên cứu riêng biệt. Ưu điểm của meta-analysis bao gồm cải thiện độ chính xác, trả lời các câu hỏi mà các nghiên cứu riêng lẻ không thể giải quyết và giải quyết các tranh cãi từ các kết quả mâu thuẫn. Tuy nhiên, nó cũng có thể gây hiểu lầm nếu không xem xét cẩn thận các thiết kế nghiên cứu, sai lệch, biến đổi giữa các nghiên cứu và sai lệch báo cáo. Điều quan trọng là phải quen thuộc với loại dữ liệu và chọn các biện pháp hiệu ứng phù hợp.
Một câu hỏi thường gặp là liệu có thể sử dụng các nghiên cứu với các kiểm định thống kê khác nhau (parametric so với nonparametric) trong phân tích tổng hợp hay không. Câu trả lời ngắn gọn là có, nhưng cần phải xem xét các điều kiện cụ thể.
Việc một số nghiên cứu sử dụng các kiểm định nonparametric (ví dụ: Wilcoxon signed-rank test) và các nghiên cứu khác sử dụng các kiểm định parametric (ví dụ: paired t-test) không phải là vấn đề lớn. Người ta có thể giả định rằng một số người đã chọn sử dụng WSRt dựa trên một số lo ngại về tính không chuẩn, nhưng trong phân tích tổng hợp của bạn, kích thước mẫu phải lớn hơn đáng kể, do đó CLT sẽ giải cứu bạn.
Việc chỉ báo cáo các p-value từ các nghiên cứu này không có ý nghĩa vì chúng kiểm tra các giả thuyết khác nhau và không giúp ích gì cho phân tích tổng hợp của bạn. Paired t-test kiểm tra xem trung bình của các khác biệt được ghép nối có bằng 0 hay không. WSRt kiểm tra xem pseudomedian của các khác biệt được ghép nối có bằng 0 hay không. WSRt không phải là một thử nghiệm của trung vị (như thường được mô tả một cách đáng buồn; để điều này đúng, cần có một giả định chính về tính đối xứng và WSRt hoàn toàn không mạnh mẽ đối với những sai lệch so với giả định đó).
Thống kê parametric yêu cầu dữ liệu tuân theo một phân phối cụ thể (thường là phân phối chuẩn), trong khi nonparametric không có yêu cầu này. Trong meta-analysis, khi kích thước mẫu lớn, định lý giới hạn trung tâm (CLT) có thể giúp giải quyết các lo ngại về tính không chuẩn.
Hãy nhớ rằng, bạn cần phương tiện và độ lệch chuẩn của các khác biệt được ghép nối, chứ không phải của các mẫu được ghép nối ban đầu (dữ liệu trước và sau). Siêu dữ liệu bạn có được ghép nối, vì vậy bạn cần phân tích nó dưới dạng ghép nối chứ không phải độc lập. Thông thường, các nghiên cứu công bố thống kê mô tả từ các nhóm trước và sau, và hiếm khi thống kê mô tả về các khác biệt được ghép nối. Vì vậy, bạn cần có phương tiện và sd's của các khác biệt được ghép nối cho tất cả các nghiên cứu trong phân tích tổng hợp của bạn. Nếu bạn không có nó cho một số nghiên cứu, bạn không nên đưa chúng vào. Và không, bạn không thể suy ra trung bình và sd của các khác biệt được ghép nối từ trung bình và sd của trước và sau (và bạn không nên coi trước và sau là độc lập, vì chúng không độc lập).
Bài viết liên quan