Métaanalyse avec R - Historique des versions

Ccahuzac le 18 juillet 2014 à 09:11

2014-07-18T09:11:42Z

Ccahuzac le 19 mai 2014 à 10:14

2014-05-19T10:14:33Z

Ccahuzac le 18 avril 2014 à 11:14

2014-04-18T11:14:13Z

Ccahuzac le 18 avril 2014 à 11:08

2014-04-18T11:08:28Z

Ccahuzac le 18 avril 2014 à 10:51

2014-04-18T10:51:13Z

Ccahuzac le 18 avril 2014 à 10:47

2014-04-18T10:47:41Z

Ccahuzac le 18 avril 2014 à 10:42

2014-04-18T10:42:34Z

Ccahuzac le 17 avril 2014 à 08:11

2014-04-17T08:11:43Z

Ccahuzac le 15 avril 2014 à 10:34

2014-04-15T10:34:33Z

Ccahuzac le 15 avril 2014 à 10:33

2014-04-15T10:33:25Z

@@ Ligne 56 : / Ligne 56 : @@
 Cette grandeur est nécessaire pour comparer les différentes études, et le but de la méta-analyse est précisément d'en obtenir une valeur corrigée. <br />
-Il est de convention d’assumer la normalité des effect size (vrai à partir du moment où l’échantillon est de taille suffisante, selon le Théorème Central Limite). Pour normaliser les effect size il est habituel d’utiliser une transformation logarithmique.([http://www.edii.uclm.es/~useR-2013/Tutorials/kovalchik/kovalchik_meta_tutorial.pdf Tutorial: Performing Meta-Analysis With R - Stephanie A. Kovalchik, National Cancer Institute])
+Il est de convention d’assumer la normalité des grandeurs d'effets ; ce qui n'est pas abusif à partir du moment où l’échantillon est de taille suffisante (application du Théorème Central Limite). Pour normaliser les grandeurs d'effet il est usuel d’utiliser une transformation logarithmique. ([http://www.edii.uclm.es/~useR-2013/Tutorials/kovalchik/kovalchik_meta_tutorial.pdf Tutorial: Performing Meta-Analysis With R - Stephanie A. Kovalchik, National Cancer Institute])
 ==== A partir des observations (fonction escalc) ====

@@ Ligne 60 : / Ligne 60 : @@
 ==== A partir des observations (fonction escalc) ====
 Dans le package metafor, la fonction escalc permet de calculer directement les logESs et les variances correspondantes (SElogES<sup>2</sup>) à partir du nombre d'individus observés (tableau).
-''(Pour la suite on prendra l'exemple des Odd Ratios)''
+Il est important de noter qu'il s'agit bien de la variance du logarithme de l'ES, et non de l'ES directement ! (la formulation utilisée dans certaines sources de documentation peuvent parfois porter à confusion là dessus).
 <pre>
 ### calculate log odds ratios and corresponding sampling variances

@@ Ligne 224 : / Ligne 224 : @@
 #Alpha=LnOR
 #Beta=VarLnOR
-dat.long$alpha<-dat$yi
+dat.long$alpha<-dat.long$yi
-dat.long$beta<-dat$vi
+dat.long$beta<-dat.long$vi
 ### bivariate random-effects model using rma.mv()

@@ Ligne 83 : / Ligne 83 : @@
 Resoudre : \left\{
 \begin{array}{l}
-   \mu - 1,96 \times SElnOR \\
+   \mu - 1,96 \times SElnOR = lna \\
-   \mu + 1,96 \times SElnOR
+   \mu + 1,96 \times SElnOR = lnb
 \end{array}
 \right. \\
@@ Ligne 94 : / Ligne 94 : @@
 \end{array}
 \right. \\
 \end{align}
 </math>
 === Méta-analyse ===

@@ Ligne 97 : / Ligne 97 : @@
 </math>
 === Méta-analyse ===
@@ Ligne 212 : / Ligne 213 : @@
 dat.long$alpha<-dat$yi
 dat.long$beta<-dat$vi
 ### bivariate random-effects model using rma.mv()
 res <- rma.mv(yi=alpha, vi=beta, mods = ~ group, random = ~ group | study, struct="UN", method="REML", data=dat.long)

@@ Ligne 131 : / Ligne 131 : @@
 * vi (ou sei) : vecteur de longueur k contenant les variances (ou standard errors) correspondantes.
 Plusieurs arguments peuvent être ajoutés :
 * mods : permet d’inclure un ou plusieurs modérateurs dans le modèle.
@@ Ligne 138 : / Ligne 136 : @@
 * method : permet de spécifier un modèle à effets fixes par exemple.
 [[Fichier:without_moderators.png]]
@@ Ligne 144 : / Ligne 146 : @@
 '''exemple 2 : fixed effect modèle'''
 <pre>### fixed-effects model using rma.uni()
-resfe<-rma.uni(yi=yi, vi=vi, measure="OR",data=dat, method="FE")
+resfe<-rma.uni(yi=alpha, vi=beta, measure="OR",data=dat, method="FE")
 resfe
 resfe$b #lnOR=-0.4361
@@ Ligne 159 : / Ligne 161 : @@
 '''exemple 3 : metaregression avec une seule variable :'''
 <pre>### Meta-regression incluant la variable latitude
-res.lat<-rma.uni(yi=yi, vi=vi, measure="OR",data=dat, mods =ablat)
+res.lat<-rma.uni(yi=alpha, vi=beta, measure="OR",data=dat, mods =ablat)
 res.lat
@@ Ligne 175 : / Ligne 177 : @@
 '''exemple 4 : metaregression incluant les trois variables explicatives :'''
 <pre>### Meta-regression incluant les variables latitude, année et allocation du traitement
-res.meta<-rma.uni(yi=yi, vi=vi, measure="OR",data=dat, mods = ~ ablat + factor(alloc) + year )
+res.meta<-rma.uni(yi=alpha, vi=beta, measure="OR",data=dat, mods = ~ ablat + factor(alloc) + year )
 res.meta
 </pre>
@@ Ligne 202 : / Ligne 204 : @@
 ### set "2" (controlled/non-vaccinated) to reference level of group variable
 dat.long$group <- relevel(dat.long$group, ref=2)
 ### bivariate random-effects model using rma.mv()
-res <- rma.mv(yi, vi, mods = ~ group, random = ~ group | study, struct="UN", method="REML", data=dat.long)
+res <- rma.mv(yi=alpha, vi=beta, mods = ~ group, random = ~ group | study, struct="UN", method="REML", data=dat.long)
 res</pre>

@@ Ligne 96 : / Ligne 96 : @@
 \end{align}
 </math>
 === Méta-analyse ===
 Plusieurs fonctions sont disponibles dans le package metafor, voir la documentation du package pour plus de détails.
 Deux fonctions intéressantes :
 ==== rma.uni (Random effect Meta-Analysis) ====
@@ Ligne 108 : / Ligne 112 : @@
 Par défaut la méthode utilisée est RE REML (Random Effect avec REstricted Maximum Likehood).
 '''exemple 1 : Première régression, sans inclure de modérateurs dans le modèle :'''
 <pre>### random-effects model using rma.uni()
-resrma<-rma.uni(yi, vi, measure="OR", data=dat)
+resrma<-rma.uni(yi=alpha, vi=beta, measure="OR",data=dat)
 resrma$b #lnOR=-0.745
@@ Ligne 121 : / Ligne 131 : @@
 * vi (ou sei) : vecteur de longueur k contenant les variances (ou standard errors) correspondantes.
 Plusieurs arguments peuvent être ajoutés :
 * mods : permet d’inclure un ou plusieurs modérateurs dans le modèle.

@@ Ligne 72 : / Ligne 72 : @@
 ==== A partir des données brutes ====
-Si les données recueuillies sur les études sont déjà des Odd ratio, il est possible de retrouver ces grandeurs :
+Si les données recueuillies sur les études sont déjà des Odd ratio, il est possible de retrouver ces grandeurs à l'aide de l'intervalle de confiance de l'OR (à 95%)
 === Méta-analyse ===
 Plusieurs fonctions sont disponibles dans le package metafor, voir la documentation du package pour plus de détails.

@@ Ligne 189 : / Ligne 189 : @@
 ~ 1 | id. Random effect sur la variable "id" : les outcomes avec des niveaux différents de la variable id sont considérés indépendants, mais pas si le niveau est le même (par exemple si les essais proviennent d'une même étude).
 * struct : permet de spécifier la structure de la variance indiquée dans l'argument random ("UN" pour unstructured variance- covariance matrix).
+<br />
 [[Fichier:meta.rmamv.png]]

@@ Ligne 186 : / Ligne 186 : @@
 A noter que la méthode du Restricted Maximum Likehood semble être la plus performante.
 * random : permet de spécifier la structure du "random effect" du modèle :
-~ inner | outer (un seul possible) : les outcomes avec des niveaux différents de la variable outer sont considérés indépendants tandis que les outcomes avec un niveau identique de la variable outer sont corrélés suivant un "random effect" correspondant au niveaux de la variable inner.
+~ inner | outer (un seul possible) : les outcomes avec des niveaux différents de la variable outer sont considérés indépendants tandis que les outcomes avec un niveau identique de la variable outer sont corrélés suivant un "random effect" correspondant au niveaux de la variable inner. <br />
 ~ 1 | id. Random effect sur la variable "id" : les outcomes avec des niveaux différents de la variable id sont considérés indépendants, mais pas si le niveau est le même (par exemple si les essais proviennent d'une même étude).
 * struct : permet de spécifier la structure de la variance indiquée dans l'argument random ("UN" pour unstructured variance- covariance matrix).