R中随机效应元分析中的I^2 ==0 (异质性测度)是如何实现的？

Question

我在做流行病学研究的元分析。这些研究在种群、干预和分析方面都是异质的，所以我在R中使用一个随机效应模型进行元分析。

我将这些研究细分为具有类似结果的亚组。5/6看起来很好。

然而，有一个子群看起来完全不对，因为τ是0，I^2是0。从数据来看，我不明白为什么总异质性会是0。

res <- rma(yi=beta, sei=se, slab=(1:7), measure="OR",data=SIPVdata,  digits=3, method= "ML")

Random-Effects Model (k = 3; tau^2 estimator: ML)

  logLik  deviance       AIC       BIC      AICc  
  -0.217     2.635     4.433     2.630    16.433  

tau^2 (estimated amount of total heterogeneity): 0.000 (SE = 0.044)
tau (square root of estimated tau^2 value):      0.001
I^2 (total heterogeneity / total variability):   0.00%
H^2 (total variability / sampling variability):  1.00

Test for Heterogeneity: 
Q(df = 2) = 2.635, p-val = 0.268

Model Results:

estimate     se    zval   pval   ci.lb   ci.ub   
  -0.350  0.145  -2.417  0.016  -0.634  -0.066  *

绘制模型输出如下所示：

​

​

因此，你可以看到，2个观测(5&3)，具有较小的置信区间和相似的估计，对样本的影响最大。其他估计数具有广泛的顺式信息系统，它们都是重叠的。在这种情况下，我可能期望估计的异质性很低，但不是0，当然也不是总可变性τ。

有人知道这个元分析是怎么回事吗？

非常感谢!

Answer 1

众所周知，tau^2的ML估计量具有负偏差。当然，这并不意味着在这种情况下它太低，但我建议改用一种已知的估计量，这种估计量大约是无偏的。我推荐的是REML。这实际上是默认的估计器(也就是说，如果您没有指定method参数)。

另外，请注意，在7项研究中，tau^2 (以及因此I^2)的估计并不是非常精确。运行confint(res)，您将看到I^2的置信区间将非常宽。换句话说，CI中的所有值都与这些数据兼容，因此实际上不可能存在异构性或大量的异构性。