‫تحلیل رگرسیون فراتحلیل در SPSS

تحلیل رگرسیون فراتحلیل در SPSS

نکته: این راهنما برای نسخه ۳۰ SPSS تهیه شده است و برای هرگونه تغییر، توصیه می‌شود برای دستورالعمل‌های دقیق و به‌روز به مستندات نرم‌افزار مراجعه کنید.
۱. مقدمه

تحلیل رگرسیون فراتحلیل، چارچوب فراتحلیل سنتی را با این امکان گسترش می‌دهد که محققان بررسی کنند چگونه متغیرهای هم‌تراز در سطح مطالعه بر اندازه‌های اثر در سراسر مطالعات تأثیر می‌گذارند. این تکنیک به کشف و تبیین ناهمگونی در اندازه‌های اثر کمک می‌کند و زمانی که احتمال می‌رود متغیرهای تعدیل‌گر بر نتایج تأثیر بگذارند، به‌ویژه مفید است. در SPSS، رگرسیون فراتحلیل از نسخه ۲۸ به بعد تحت رویه‌های فراتحلیل در دسترس است. این نوشتار وبلاگ شما را با تحلیل رگرسیون فراتحلیل در SPSS آشنا می‌کند، روش‌های آن را توضیح می‌دهد، و با یک مثال دقیق گام‌به‌گام پیش می‌رود تا به شما در انجام و تفسیر مؤثر این تحلیل کمک کند.
.

۲. تحلیل رگرسیون فراتحلیل چیست؟

تحلیل رگرسیون فراتحلیل، یک روش آماری است که اندازه‌های اثر (حاصل از مطالعات فردی) را بر روی ویژگی‌های سطح مطالعه یا تعدیل‌گرها برازش رگرسیون می‌کند. این روش به شناسایی این موضوع کمک می‌کند که آیا عوامل خاصی می‌توانند تغییرات اندازه‌های اثر را بین مطالعات توجیه کنند و درک عمیق‌تری فراتر از اثرات متوسط ارائه می‌دهد. علاوه بر رگرسیون فراتحلیل، بسته به طرح مطالعه و نتایج گزارش‌شده، می‌توان فراتحلیل را بر روی سایر انواع داده نیز اعمال کرد. انواع رایج عبارتند از:

    فراتحلیل برای پیامدهای پیوسته: زمانی استفاده می‌شود که مطالعات میانگین‌ها و انحراف‌های معیار را گزارش می‌دهند (مثلاً فشار خون، نمرات علائم). اندازه‌های اثر شامل ... می‌شود.
    فراتحلیل برای پیامدهای دودویی: فراتحلیل دودویی به ترکیب آماری نتایج حاصل از مطالعات با پیامدهای دوگانه، مانند رویداد/بدون رویداد، موفقیت/شکست، یا بهبودیافته/بهبودنیافته اشاره دارد.
    فراتحلیل نسبتی: برای تجمیع نسبت‌ها یا داده‌های شیوع (مثلاً نرخ‌های عفونت) استفاده می‌شود. برای تثبیت واریانس اغلب تبدیل لوجیت اعمال می‌شود. این روش در اپیدمیولوژی رایج است و می‌توان آن را در SPSS پیاده‌سازی کرد.

۳. چه زمانی از تحلیل رگرسیون فراتحلیل استفاده می‌شود؟

تحلیل رگرسیون فراتحلیل زمانی به کار می‌رود که محققان می‌خواهند منابع ناهمگونی را در میان مطالعات موجود در یک فراتحلیل بررسی کنند. در حالی که فراتحلیل استاندارد، اندازه‌های اثر کلی را خلاصه می‌کند، فرض می‌کند که تغییرپذیری در میان مطالعات تصادفی یا ناشی از شانس است. با این حال، در تحقیقات دنیای واقعی اغلب این‌گونه نیست. رگرسیون فراتحلیل راهی سیستماتیک برای بررسی چگونگی تأثیر ویژگی‌های سطح مطالعه (تعدیل‌گرها) بر اندازه‌های اثر ارائه می‌دهد. شما باید در موقعیت‌های زیر استفاده از رگرسیون فراتحلیل را در نظر بگیرید:

    ناهمگونی قابل‌توجهی در بین نتایج مطالعه وجود دارد.
    شما متغیرهای هم‌تراز در سطح مطالعه مانند حجم نمونه، کیفیت مطالعه، سال انتشار، یا ویژگی‌های جمعیت‌شناختی دارید.
    شما می‌خواهید فرضیه‌هایی را در مورد تأثیر تعدیل‌گرها آزمون کنید.

به طور کلی، رگرسیون فراتحلیل زمانی ابزاری قدرتمند است که هدف شما نه تنها تخمین اندازه اثر متوسط، بلکه درک این موضوع است که چرا برخی از مطالعات اثرات قوی‌تر یا ضعیف‌تری نسبت به سایرین گزارش می‌دهند.
۴. از چه اندازه اثری برای تحلیل رگرسیون فراتحلیل استفاده کنیم؟

رگرسیون فراتحلیل را می‌توان بر روی انواع مختلفی از اندازه‌های اثر بسته به ماهیت پیامد انجام داد:

    پیامدهای دودویی: نسبت شانس لگاریتمی، نسبت خطر لگاریتمی، تفاوت خطر.
    پیامدهای پیوسته: تفاوت میانگین استانداردشده (کوhen's d، هجز' g)، تفاوت میانگین استانداردنشده (UMD).

اطمینان حاصل کنید که اندازه اثر استفاده‌شده در بین مطالعات سازگار است.
۵. تفاوت بین مدل اثرات ثابت و تصادفی در فراتحلیل چیست؟

    مدل اثرات ثابت: فرض می‌کند یک اندازه اثر واقعی واحد بین تمام مطالعات مشترک است. تغییرات ناشی از خطای نمونه‌گیری است.
    مدل اثرات تصادفی: فرض می‌کند اندازه‌های اثر در بین مطالعات به دلیل تغییرات درون‌مطالعه‌ای و بین‌مطالعه‌ای متفاوت هستند.

بهترین گزینه: در رگرسیون فراتحلیل، مدل‌های اثرات تصادفی معمولاً ترجیح داده می‌شوند زیرا امکان تعمیم فراتر از مطالعات نمونه‌گیری‌شده را فراهم می‌کنند.
۶. چه نوع برآوردگری برای فراتحلیل پیامد پیوسته؟

SPSS به شما امکان می‌دهد از چندین برآوردگر برای محاسبه اثر تجمیعی تحت یک مدل اثرات تصادفی انتخاب کنید:

    REML (حداکثر درستنمایی محدود شده): برآوردهای پایدار و بی‌طرفانه ارائه می‌دهد؛ به طور گسترده ترجیح داده می‌شود.
    ML (حداکثر درستنمایی): ممکن است واریانس را دست‌کم برآورد کند؛ برای نمونه‌های کوچک ایده‌آل نیست.
    empirical Bayes: برآوردهای افراطی را به سمت میانگین جمع می‌کند؛ با توزیع‌های پیشین مفید است.
    Hunter-Schmidt: خطای اندازه‌گیری را اصلاح می‌کند؛ در زمینه‌های روان‌سنجی استفاده می‌شود.
    Hedges: برای سوگیری نمونه کوچک تعدیل می‌کند.
    DerSimonian-Laird: پیش‌فرض رایج، اگرچه ممکن است دقت را بیش از حد برآورد کند.
    Sidik-Jonkman: در شرایط ناهمگونی بالا مقاوم‌تر است.

بهترین انتخاب: برای اکثر فراتحلیل‌های پیامد پیوسته، از REML برای برآوردهای پایدارتر ناهمگونی و اثرات تجمیعی استفاده کنید.
۷. چه تنظیماتی برای خطای استاندارد باید انجام دهید؟

SPSS اجازه می‌دهد خطای استاندارد (SE) برآورد تجمیعی را برای اصلاح سوگیری نمونه کوچک تنظیم کنید:

    بدون تنظیم: نرمال بودن و همگنی را فرض می‌کند؛ محافظه‌کارانه‌تر نیست.
    Knapp-Hartung (KH): خطاهای استاندارد محافظه‌کارانه‌تری ارائه می‌دهد؛ با تعداد کم مطالعات بهتر است.
    Knapp-Hartung truncated: نسخه‌ای اصلاح‌شده برای جلوگیری از فواصل اطمینان بیش از حد گسترده.

بهترین روش: زمانی که با کمتر از ۱۰ مطالعه یا ناهمگونی بالا سروکار دارید، Knapp-Hartung توصیه می‌شود.
۸. آزمون ضرایب مدل در فراتحلیل

آزمون ضرایب مدل در رگرسیون فراتحلیل، این موضوع را ارزیابی می‌کند که آیا متغیرهای تعدیل‌گر به طور معناداری تغییرات اندازه‌های اثر را در بین مطالعات پیش‌بینی می‌کنند یا خیر. به هر تعدیل‌گر یک ضریب رگرسیون (β)، خطای استاندارد و مقدار p اختصاص داده می‌شود. یک مقدار p معنادار (معمولاً p < 0.05) نشان می‌دهد که تعدیل‌گر به طور معناداری بر اندازه اثر تأثیر می‌گذارد. علامت ضریب (مثبت یا منفی) جهت اثر را نشان می‌دهد. فواصل اطمینان به ارزیابی دقت برآوردها کمک می‌کنند. SPSS همچنین یک آزمون کلی تعدیل‌گرها (آزمون QM) ارائه می‌دهد که بررسی می‌کند آیا گروه تعدیل‌گرها به طور جمعی ناهمگونی مدل را تبیین می‌کنند یا خیر. این مرحله برای درک این موضوع ضروری است که کدام عوامل سطح مطالعه بر نتایج مشاهده‌شده تأثیر می‌گذارند.
۹. عامل و متغیر هم‌تراز در تحلیل رگرسیون فراتحلیل چیست؟

در رگرسیون فراتحلیل SPSS، تعدیل‌گرها به عنوان عامل یا متغیر هم‌تراز طبقه‌بندی می‌شوند:

    عوامل: متغیرهای طبقه‌ای هستند (مثلاً منطقه مطالعه، نوع مداخله). SPSS آنها را با استفاده از کدگذاری ساختگی به عنوان مقایسه‌های گروهی رفتار می‌کند.
    متغیرهای هم‌تراز: متغیرهای پیوسته هستند (مثلاً حجم نمونه، سال انتشار). آنها مستقیماً به عنوان پیش‌بینی‌کننده‌های خطی وارد مدل می‌شوند.

درک نوع هر تعدیل‌گر بسیار مهم است:

    زمانی که تفاوت‌های گروهی را بررسی می‌کنید از عوامل استفاده کنید.
    زمانی که روندها یا روابط دوز-پاسخ را آزمایش می‌کنید از متغیرهای هم‌تراز استفاده کنید.

تشخیص صحیح بین آنها دقت و تفسیرپذیری مدل را بهبود می‌بخشد.
۱۰. از نمودار حبابی در تحلیل رگرسیون فراتحلیل چه استفاده‌ای می‌شود؟

نمودار حبابی یک ابزار بصری در SPSS است که به نمایش رابطه بین اندازه اثر و یک متغیر تعدیل‌گر در رگرسیون فراتحلیل کمک می‌کند:

    محور x نشان‌دهنده تعدیل‌گر (عامل یا متغیر هم‌تراز) است.
    محور y اندازه اثر را نشان می‌دهد (مثلاً هجز' g یا نسبت شانس لگاریتمی).
    اندازه هر حباب نشان‌دهنده وزن هر مطالعه است (معمولاً وارون واریانس).

این به تشخیص الگوهایی مانند روندهای خطی، نقاط پرت بالقوه، و تعدیل اثر کمک می‌کند. این نمودار به‌ویژه برای تعدیل‌گرهای پیوسته (متغیرهای هم‌تراز) مفید است و خلاصه‌ای بصری سریع از رابطه رگرسیون در سراسر مطالعات ارائه می‌دهد.
۱۱. مفروضات تحلیل رگرسیون فراتحلیل چیست؟

رگرسیون فراتحلیل بسیاری از مفروضات را با رگرسیون خطی کلاسیک مشترک است. مفروضات کلیدی عبارتند از:

    استقلال مطالعات: هر مطالعه باید نقاط داده مستقلی را ارائه دهد.
    رابطه خطی: ارتباط بین تعدیل‌گرها و اندازه اثر باید خطی باشد.
    همگنی واریانس (همسان‌واریانی): واریانس اندازه‌های اثر باید در مقادیر مختلف تعدیل‌گر پایدار باشد.
    نرمال بودن باقیمانده‌ها: باقیمانده‌های حاصل از مدل باید از توزیع نرمال پیروی کنند.
    تعداد کافی مطالعات: برای جلوگیری از برازش بیش از حد، تعداد مطالعات باید از تعداد پیش‌بینی‌کننده‌ها بیشتر باشد.

نقض این مفروضات می‌تواند منجر به ضرایب اریب، استنباط‌های غیرقابل اعتماد و نرخ خطای نوع اول افزایش‌یافته شود.
۱۲. یک مثال برای تحلیل رگرسیون فراتحلیل

برای نشان دادن نحوه عملکرد رگرسیون فراتحلیل در SPSS، بیایید یک فراتحلیل از ۲۰ مطالعه پزشکی را در نظر بگیریم که اثربخشی یک مداخله را بر کاهش علائم اضطراب ارزیابی می‌کنند. از تفاوت میانگین استانداردشده (هجز' g) به عنوان معیار اندازه اثر استفاده شد. هر مطالعه همچنین واریانس و حجم نمونه خود را گزارش کرد. هدف ما بررسی این است که آیا حجم نمونه (یک متغیر پیوسته) اندازه‌های اثر مشاهده‌شده را در بین مطالعات پیش‌بینی می‌کند یا خیر. در این زمینه، Hedges_g متغیر وابسته و sample_Size تعدیل‌گر پیوسته است. علاوه بر این، یک تعدیل‌گر طبقه‌ای Study_Design (RCT در مقابل Observational) را می‌توان برای بررسی زیرگروه یا تعامل استفاده کرد. در بخش بعدی، نحوه انجام این رگرسیون فراتحلیل در SPSS را با استفاده از ماژول فراتحلیل نشان خواهیم داد.
گام به گام: اجرای تحلیل رگرسیون فراتحلیل در آمار SPSS

بیایید یک راهنمای گام به گام برای انجام تحلیل رگرسیون فراتحلیل با استفاده از SPSS ارائه دهیم.

برای انجام تحلیل رگرسیون فراتحلیل در SPSS:

    مرحله: به مسیر Analyze → Meta Analysis → Meta Regression بروید.
    مرحله: ورودی مناسب را انتخاب کنید:
        متغیر اندازه اثر (مثلاً هجز' g)
        متغیر خطای استاندارد
        متغیرهای هم‌تراز یا عوامل به عنوان تعدیل‌گر.
    مرحله: در برگه Inference:
        بین اثرات ثابت یا اثرات تصادفی انتخاب کنید.
        برآوردگر را انتخاب کنید (مثلاً REML، DL، Sidik-Jonkman).
        تنظیم خطای استاندارد را تعیین کنید (مثلاً Knapp-Hartung).
    مرحله: در برگه Print:
        گزینه Model Coefficient Test را علامت بزنید.
    مرحله: در برگه Plot:
        گزینه Model Bubble Predictor را علامت بزنید.
    مرحله: برای اجرای تحلیل روی OK کلیک کنید. SPSS خروجی با برآوردهای تجمیعی، آمار ناهمگونی و نمایش‌های بصری تولید خواهد کرد.

۱۴. چگونه خروجی SPSS از رگرسیون فراتحلیل را تفسیر کنیم؟

پس از اجرای رگرسیون فراتحلیل در SPSS، جداول خروجی کلیدی به تعیین این موضوع کمک می‌کنند که آیا متغیر تعدیل‌گر (در این مورد، Sample_Size) به طور معناداری تغییرپذیری در اندازه‌های اثر مشاهده‌شده را تبیین می‌کند یا خیر.

    جدول ضرایب مدل: این ضریب رگرسیون (B)، خطای استاندارد، آماره آزمون، فاصله اطمینان و مقدار p را برای هر پیش‌بینی‌کننده نشان می‌دهد. یک مقدار p معنادار از نظر آماری (معمولاً 0.05 > p) برای تعدیل‌گر نشان می‌دهد که رابطه معناداری با اندازه اثر دارد.
    مقدار ثابت (Intercept): مقدار ثابت، اندازه اثر مورد انتظار را زمانی نشان می‌دهد که تعدیل‌گر برابر با صفر باشد. اگرچه همیشه از نظر محتوایی قابل تفسیر نیست، اما بخش ضروری مدل است.
    ناهمگونی باقیمانده (τ²): کاهش در ناهمگونی باقیمانده در مقایسه با مدلی بدون تعدیل‌گر نشان می‌دهد که تعدیل‌گر به تبیین تغییرپذیری بین‌مطالعه‌ای کمک می‌کند.
    آزمون ناهمگونی باقیمانده (Q_E): این آزمون بررسی می‌کند که چه میزان ناهمگونی پس از در نظر گرفتن تعدیل‌گر باقی می‌ماند. یک نتیجه غیرمعنادار نشان می‌دهد که تعدیل‌گر به اندازه کافی بیشتر ناهمگونی را تبیین می‌کند.
    آنالوگ R²: این مقدار، در صورت گزارش، ایده‌ای از میزان واریانس بین‌مطالعه‌ای که توسط تعدیل‌گر تبیین شده است، ارائه می‌دهد.

۱۵. چگونه نتایج رگرسیون فراتحلیل را به سبک APA گزارش کنیم؟

هنگام گزارش نتایج رگرسیون فراتحلیل به سبک APA 7، موارد زیر را شامل کنید:

    یک بیان مختصر از هدف رگرسیون و متغیرها.
    تعداد مطالعات و کل حجم نمونه.
    روش استفاده‌شده (مثلاً مدل اثرات تصادفی با برآورد REML).
    ضریب رگرسیون (B)، فاصله اطمینان ۹۵٪ و مقدار p.
    اطلاعاتی در مورد ناهمگونی باقیمانده (Q_E، τ²).
    اختیاری: در صورت موجود بودن، به واریانس تبیین‌شده (آنالوگ R²) اشاره کنید