Meta-CART During initial analyses,

Meta-CART During initial analyses, we encountered the following disadvantages of applying CART directly to the study effect sizes: (a) the solution of CART, a regression tree, was very unstable (shown by cross-validation results); (b) the sample sizes of studies were not taken into account (CART has no possibility to weight the outcome data); and (c) CART has no possibility to distinguish between random and fixed effects.To overcome these disadvantages, we used a two-step strategy. In a first step, CART was fitted using the dichotomized effect sizes as outcome. The resulting classification tree appeared to be more stable than the regression tree, suggesting that the Gini index was a more stable partitioning criterion (also see Hastie, Tibshirani, & Friedman, 2001). In a second step, a standard subgroup meta-analysis was performed using all original effect size measures (gs) as outcome variable. We use the term Meta-CART to refer to this approach and will explain the steps in more detail. The CART analysis of the first step of Meta-CART was performed in a standard way, which consisted of two parts. First, a large tree was grown, using a minimum of five interventions in an end node and a minimal decrease in heterogeneity (impurity) of 0.001 as stopping rules (Breiman et al., 1984). Second, tenfold
cross-validation was performed to avoid overfitting of the data. The best tree size (i.e., the number of end nodes) was selected as the smallest one that satisfied the one-standard-error rule (Breiman et al., 1984). This means that its cross-validated error was smaller than the minimum cross-validated error plus one standard error.To increase the stability of the results, the cross-validation procedure was repeated 1,000 times. This resulted in 1,000 estimates of the best tree size,from which the mode or median1 was chosen as final estimate of best tree size. The cross-validation procedure ensures that the data are not overfitted (Hastie et al., 2001); in other words, it ensures that the final tree (i.e., the synergistic effect) can be generalized to future observations. The final tree represents a synergistic effect between the BCTs that are used as splitting variables. The end nodes of the tree form the subgroups. From a tree, a new variable was created, with its categories referring to the end nodes of the tree. For example, for Figure 2, the interventions in the nodes from left to right, receive a value of 1 to 3 on this new grouping variable, respectively. The CART analyses were performed in the Rsoftware environment,version2.15(RCoreTeam, 2012) using the package rpart (Therneau, Atkinson, & Ripley, 2012).

ผลลัพธ์ (ไทย) 1:

Meta-รถเข็นในระหว่างการเริ่มต้นวิเคราะห์ เราพบข้อเสียดังต่อไปนี้การใช้รถโดยตรงเพื่อศึกษาลักษณะพิเศษขนาด: (ก) โซลูชั่นของรถเข็น ต้นไม้ถดถอย ถูกมากเสถียร (แสดง โดยผลการตรวจสอบข้าม); (ข)ขนาดตัวอย่างของการศึกษาไม่ได้ถูกนำเข้าบัญชี (มีรถเข็นไม่สามารถน้ำหนักผลข้อมูล); และ (ค) รถเข็นไม่สามารถแยกแยะลักษณะสุ่ม และถาวร เพื่อเอาชนะข้อเสียเหล่านี้ เราใช้กลยุทธ์แบบสองขั้นตอน ในขั้นตอนแรก รถเข็นถูกติดตั้งโดยใช้ขนาดผล dichotomized ผล ต้นไม้ประเภทผลปรากฏ ว่ามีเสถียรภาพมากขึ้นกว่าแผนภูมิถดถอย การแนะนำว่า ดัชนี Gini เป็นเกณฑ์แบ่งพาร์ติชันมีเสถียรภาพมากขึ้น (ยังดู Hastie, Tibshirani และฟรีดแมน 2001) ในขั้นตอนที่สอง กลุ่มย่อยมาตรฐาน meta-analysis ที่ดำเนินการโดยใช้ต้นฉบับผลขนาดมาตรการทุก (gs) เป็นตัวแปรผล เราใช้คำว่า Meta-รถเข็นเพื่ออ้างอิงถึงวิธีการนี้ และจะอธิบายขั้นตอนในรายละเอียดเพิ่มเติม การวิเคราะห์ขั้นตอนแรกของ Meta-รถเข็นรถเข็นที่ดำเนินการในวิธีมาตรฐาน ซึ่งประกอบด้วยสองส่วน แรก ต้นไม้ใหญ่เติบโต ใช้ขั้นต่ำของมาตรา 5 ในการโหนสิ้นสุดและลดลงต่ำสุดใน heterogeneity (มลทิน) 0.001 หยุดกฎ (Breiman et al., 1984) ที่สอง tenfoldตรวจสอบระหว่างที่ดำเนินการเพื่อหลีกเลี่ยง overfitting ข้อมูล ขนาดต้นไม้ดีที่สุด (เช่น หมายเลขของโหนท้าย) ถูกเลือกเป็นได้น้อยที่สุดที่พอผิดพลาดมาตรฐานหนึ่งกฎ (Breiman et al., 1984) ซึ่งหมายความ ว่า ข้อผิดพลาดการตรวจสอบขนของได้น้อยกว่าต่ำสุดระหว่างตรวจสอบข้อผิดพลาดและข้อผิดพลาดมาตรฐานหนึ่ง เพื่อเพิ่มเสถียรภาพของผล ขั้นตอนการตรวจสอบข้ามถูกซ้ำ 1000 ครั้ง ส่งผลให้ประเมิน 1000 ขนาดต้นไม้ดีที่สุด ซึ่งโหมดหรือ median1 ถูกเลือกเป็นการประเมินขั้นสุดท้ายสุดแผนภูมิขนาดนั้น ขั้นตอนการตรวจสอบข้ามให้แน่ใจว่า ข้อมูลจะไม่ overfitted (Hastie และ al., 2001) ; ในคำอื่น ๆ มันใจว่า ทรีสุดท้าย (เช่น พลังผล) สามารถถูกตั้งค่าทั่วไปเพื่อสังเกตการณ์ในอนาคต ต้นสุดท้ายแสดงผลพลังระหว่าง BCTs ที่ใช้เป็นตัวแปรในการแบ่ง โหนสิ้นสุดของแผนภูมิแบบกลุ่มย่อยที่ จากต้นไม้ ตัวแปรใหม่ขึ้น มีประเภทการอ้างอิงถึงโหนสิ้นสุดของแผนภูมิ ตัวอย่าง รูปที่ 2 การแทรกแซงในโหนจากซ้ายไปขวา ได้รับค่า 1 ถึง 3 บนใหม่จัดกลุ่มตัวแปรนี้ ตามลำดับ ดำเนินการวิเคราะห์รถเข็นในสภาพแวดล้อมที่ Rsoftware, version2.15 (RCoreTeam, 2012) โดยใช้ rpart แพคเกจ (Therneau อันดับ และริบ 2012)

ผลลัพธ์ (ไทย) 2:

Meta-รถเข็นในช่วงเริ่มต้นการวิเคราะห์เราพบต่อไปนี้ข้อเสียของการใช้รถเข็นโดยตรงกับขนาดของผลการศึกษา (ก) การแก้ปัญหาของรถเข็นต้นไม้ถดถอยเป็นไม่เสถียร (แสดงโดยผลการตรวจสอบข้าม); (ข) ขนาดตัวอย่างของการศึกษาก็ไม่ได้นำเข้าบัญชี (รถเข็นไม่มีความเป็นไปได้ที่จะมีน้ำหนักข้อมูลผล); และ (ค) รถเข็นมีความเป็นไปที่จะแยกแยะระหว่าง effects.To สุ่มและคงเอาชนะข้อเสียเหล่านี้ไม่มีเราใช้กลยุทธ์ที่สองขั้นตอน ในขั้นตอนแรกก็พอดีรถเข็นใช้ขนาดอิทธิพล dichotomized เป็นผล ต้นไม้การจัดหมวดหมู่ผลที่ดูเหมือนจะมีเสถียรภาพมากขึ้นกว่าต้นไม้ถดถอยบอกว่าดัชนี Gini เป็นเกณฑ์แบ่งพาร์ทิชันมีเสถียรภาพมากขึ้น (ดู Hastie, Tibshirani และฟรีดแมน, 2001) ในขั้นตอนที่สองเป็นกลุ่มย่อยมาตรฐาน meta-analysis ได้รับการดำเนินการโดยใช้มาตรการที่มีผลขนาดต้นฉบับ (GS) เป็นตัวแปรผล เราใช้คำว่า Meta-รถเข็นในการอ้างถึงวิธีการนี้และจะอธิบายขั้นตอนในรายละเอียดมากขึ้น การวิเคราะห์รถเข็นของขั้นตอนแรกของ Meta-รถเข็นได้ดำเนินการในทางมาตรฐานซึ่งประกอบด้วยสองส่วน ครั้งแรกที่ต้นไม้ใหญ่ปลูกโดยใช้อย่างน้อยห้าแทรกแซงในโหนดปลายและลดลงน้อยที่สุดในเซลล์สืบพันธุ์ (บริสุทธิ์) 0.001 การหยุดกฎ (Breiman et al., 1984)
ประการที่สองเป็นสิบเท่าการตรวจสอบข้ามได้ดำเนินการเพื่อหลีกเลี่ยงการอิงของข้อมูล ขนาดต้นไม้ที่ดีที่สุด (เช่นจำนวนโหนดสิ้นสุด) ได้รับเลือกเป็นหนึ่งในน้อยที่สุดที่ความพึงพอใจการปกครองของหนึ่งในข้อผิดพลาดมาตรฐาน (Breiman et al., 1984) ซึ่งหมายความว่าข้อผิดพลาดข้ามการตรวจสอบที่มีขนาดเล็กกว่าข้อผิดพลาดข้ามการตรวจสอบขั้นต่ำบวกหนึ่งมาตรฐาน error.To เพิ่มความมั่นคงของผลขั้นตอนการตรวจสอบข้ามซ้ำ 1,000 ครั้ง ส่งผลให้ 1,000 ประมาณการของขนาดของต้นไม้ที่ดีที่สุดจากการที่โหมดหรือ median1 รับเลือกให้เป็นสุดท้ายของการประมาณการขนาดของต้นไม้ที่ดีที่สุด ขั้นตอนการตรวจสอบข้ามมั่นใจได้ว่าข้อมูลจะไม่ overfitted (Hastie et al, 2001.); ในคำอื่น ๆ ก็เพื่อให้แน่ใจว่าต้นไม้สุดท้าย (เช่นผลเสริมฤทธิ์กัน) สามารถทั่วไปข้อสังเกตในอนาคต ต้นไม้สุดท้ายแสดงให้เห็นถึงการทำงานร่วมกันระหว่างผล BCTs ที่ใช้เป็นตัวแปรแยก โหนดปลายของต้นไม้ในรูปแบบกลุ่มย่อย จากต้นไม้ตัวแปรใหม่ที่ถูกสร้างขึ้นกับประเภทของมันหมายถึงโหนดปลายของต้นไม้ ตัวอย่างเช่นสำหรับรูปที่ 2 การแทรกแซงในต่อมน้ำจากซ้ายไปขวาได้รับค่าตั้งแต่ 1 ถึง 3 ในการจัดกลุ่มตัวแปรใหม่นี้ตามลำดับ เกวียนวิเคราะห์ได้ดำเนินการในสภาพแวดล้อม Rsoftware, version2.15 (RCoreTeam 2012) โดยใช้ rpart แพคเกจ (Therneau แอตกินสันและริปลีย์ 2012)

ผลลัพธ์ (ไทย) 3:

รถเข็นการวิเคราะห์เมตาในช่วงเริ่มต้น เราพบต่อไปนี้ข้อเสียของการใช้รถโดยตรงเพื่อศึกษาผลขนาด ( ก ) โซลูชั่นของรถเข็น ถดถอย ต้นไม้ ก็ไม่มั่นคง ( แสดงโดยข้ามผลการตรวจสอบ ) ; ( b ) ขนาดตัวอย่างของการศึกษาไม่ได้ถ่ายลงในบัญชี ( ซื้อไม่มีความเป็นไปได้ที่จะลดน้ำหนัก ข้อมูลผล )และ ( C ) รถไม่มีความเป็นไปได้ที่จะแยกแยะระหว่างผลแบบสุ่มและการแก้ไข ที่จะเอาชนะข้อเสียเหล่านี้ เราใช้กลยุทธ์สองขั้นตอน ในขั้นตอนแรก รถเข็นถูกติดตั้งใช้ dichotomized ขนาดอิทธิพลเป็นผล ผลการจำแนกต้นไม้ปรากฏเป็นมีเสถียรภาพมากขึ้นกว่าต้นไม้ถดถอยแนะนำว่า ดัชนี Gini เป็นมีเสถียรภาพมากขึ้นการแบ่งเกณฑ์ ( ดู tibshirani เฮสตี้ , , &ฟรีดแมน , 2001 ) ในขั้นตอนที่สอง คือการใช้มาตรฐานในการวิเคราะห์กลุ่มย่อยเดิมผลขนาดมาตรการ ( GS ) เป็นตัวแปรผล เราใช้คำ meta รถเข็นอ้างถึงวิธีการนี้จะอธิบายขั้นตอนในรายละเอียดเพิ่มเติมรถเข็นการวิเคราะห์ขั้นตอนแรกของเมตารถเข็นแสดงในวิธีมาตรฐาน ซึ่งแบ่งออกเป็น 2 ส่วน ครั้งแรก ต้นไม้ใหญ่ ปลูกโดยใช้อย่างน้อยห้าแทรกแซงในปลายโหนดและลดลงน้อยที่สุดในความหลากหลาย ( impurity ) 0.001 เป็นการหยุดกฎ ( breiman et al . , 1984 ) ที่สองเป็นสิบเท่า
ข้ามตรวจสอบได้เพื่อหลีกเลี่ยง overfitting ของข้อมูลขนาดต้นไม้ที่ดีที่สุด ( เช่น จำนวนของปลายโหนด ) ได้รับเลือกเป็นหนึ่งที่น้อยที่สุดที่พอใจหนึ่งค่าความคลาดเคลื่อนมาตรฐานของกฎ ( breiman et al . , 1984 ) ซึ่งหมายความว่าการตรวจสอบข้ามข้อผิดพลาดมีขนาดเล็กกว่าข้ามขั้นการตรวจสอบข้อผิดพลาดและข้อผิดพลาดมาตรฐานเดียว เพื่อเพิ่มเสถียรภาพของผลการตรวจสอบข้ามขั้นตอนกัน 1 , 000 ครั้ง นี้ส่งผลใน 1000 ประมาณการขนาดของต้นไม้ที่ดีที่สุด ซึ่งโหมดหรือ median1 เลือกเป็นประมาณการขั้นสุดท้ายของขนาดต้นที่ดีที่สุด ข้ามขั้นตอนการตรวจสอบเพื่อให้แน่ใจว่าข้อมูลจะไม่ overfitted ( เฮสตี้ et al . , 2001 ) ; ในคำอื่น ๆที่ช่วยให้มั่นใจได้ว่าต้นสุดท้าย ( เช่น เพิ่ม Effect ) สามารถ generalized ข้อมูลในอนาคตต้นสุดท้ายแสดงผลร่วมกันระหว่าง bcts ที่ใช้แยก ปลายโหนดของต้นไม้แบบกลุ่มย่อย จากต้นไม้ ตัวแปรใหม่ที่ถูกสร้างขึ้นโดยมีประเภทหมายถึงปลายโหนดของต้นไม้ ตัวอย่างเช่น รูปที่ 2 การแทรกแซงในโหนดจากซ้ายไปขวา รับค่าเป็น 1 ในตัวแปรจัดกลุ่มใหม่ตามลำดับ