Faire des méta-analyses avec R
L'essentiel de cette page
La méta-analyse est une approche extrêmement puissante puisqu'elle contribue à construire un regard d'ensemble et un consensus scientifique en couvrant un ensemble de données.
Plusieurs approches sont possibles : 1) Analyser le sens global de l'ensemble des publications et/ou 2) Regrouper les jeux de données si des expériences ont été renouvelées afin d'augmenter la fiabilité des analyse.
1- Charger les contenus de plusieurs publications pour se faire un regard d'ensemble
Cet exemple de réseau a été établi en analysant automatiquement un ensemble de publications et en identifiant toutes fois où des termes apparaissent dans la même phrase.
Il faut donc construire une liste des termes et leurs synonymes éventuels. Le reste se fait automatiquement.
Toutefois, même la construction des dictionnaires peut maintenant se faire avec des algorithmes type GPT utilisables sous R.
2- Regrouper les données de plusieurs études avec {meta}
# Installer et charger le package meta
install.packages("meta")
library(meta)
# Créer des données d'exemple
study_names <- c("Etude 1", "Etude 2", "Etude 3", "Etude 4")
mean_differences <- c(0.5, 0.3, 0.2, 0.4) # différences de moyennes entre les groupes pour chaque étude
sample_sizes <- c(100, 10, 10, 10) # tailles des échantillons pour chaque étude
mean_differences_se <- c(0.1, 0.15, 0.2, 0.1) / sqrt(sample_sizes) # erreurs-types des différences de moyennes pour chaque étude
# Effectuer la méta-analyse
meta_analysis <- metagen(mean_differences, mean_differences_se, studlab = study_names)
# Afficher les résultats
print(meta_analysis)
Number of studies combined: k = 4
95%-CI z p-value
Common effect model 0.4774 [0.4593; 0.4956] 51.63 0
Random effects model 0.3597 [0.2343; 0.4850] 5.62 < 0.0001
Quantifying heterogeneity:
tau^2 = 0.0147 [0.0036; 0.2297]; tau = 0.1210 [0.0598; 0.4793]
I^2 = 93.2% [85.9%; 96.8%]; H = 3.84 [2.66; 5.55]
Test of heterogeneity:
Q d.f. p-value
44.32 3 < 0.0001
Details on meta-analytical method:
- Inverse variance method
- Restricted maximum-likelihood estimator for tau^2
- Q-Profile method for confidence interval of tau^2 and tau
Le modèle estime une taille d’effet globale de 0,4774 avec un intervalle de confiance à 95% de [0,4593; 0,4956].
Cela signifie que l’effet est significativement au-dessus de zéro et positif.
On a en dessous une estimation de variabilité à 0,3597.
Les résultats indiquent également une hétérogénéité significative entre les études, avec une statistique Q de 44,32 (p < 0,0001) et un degré d’hétérogénéité I2 de 93,2%. Cela signifie que la majorité de la variance observée entre les tailles d’effet des études peut être attribuée à l’hétérogénéité entre les études plutôt qu’à la variance aléatoire.
En résumé, ces résultats suggèrent qu’il existe un effet positif significatif dans l’ensemble des études, mais qu’il existe également une hétérogénéité significative entre les études. L’interprétation des résultats doit tenir compte de cette hétérogénéité.