statsmodels.stats.meta_analysis.combine_effects¶

statsmodels.stats.meta_analysis.combine_effects(effect, variance, method_re='iterated', row_names=None, use_t=False, alpha=0.05, **kwds)[source]¶

使用元分析结合效应量

目前不使用 np.asarray，所有计算都可以在 pandas 中进行。

Parameters:¶

effectarray

所有样本的效果量度量的平均值

variancearray

所有样本的均值或效应量度量的方差

method_re{“iterated”, “chi2”}

用于计算随机效应方差的方法 “iterated”或“pm”使用Paule和Mandel方法迭代估计随机效应方差。迭代选项可以在kwds中提供 “chi2”或“dl”使用DerSimonian和Laird一步估计量。

row_nameslist of strings (optional)

样本或研究的名称，将包含在结果摘要和表格中。

alphafloat in (0, 1)

显著性水平，默认值为0.05，用于置信区间

Returns:¶

resultsCombineResults

包含估计结果和中间统计数据，并包含一个返回摘要表的方法。 中间计算的统计数据可能会在以后被移除。

注释

状态：基本功能已验证，主要与R metafor包进行了比较。然而，API可能仍会发生变化。

这同时计算固定效应和随机效应估计值。随机效应结果取决于估计随机效应方差的方法。

规模估计 在固定效应模型和没有完全迭代随机效应方差的随机效应模型中，模型通常不会考虑所有残差方差。传统的元分析使用固定规模等于1，这可能不会产生具有正确大小的检验统计量和置信区间。估计规模以考虑残差方差通常会改善推断和置信区间的小样本性质。 这种对标准误差的调整通常被称为HKSJ方法，基于Hartung和Knapp以及Sidik和Jonkman的贡献。然而，这等同于在WLS中估计规模。 结果实例包括固定规模和估计规模版本的标准误差和置信区间。

参考文献

Borenstein, Michael. 2009. Introduction to Meta-Analysis.

奇切斯特：威利出版社。

Chen, Ding-Geng, and Karl E. Peace. 2013. Applied Meta-Analysis with R.

Chapman & Hall/CRC生物统计学系列。 博卡拉顿：CRC出版社/泰勒与弗朗西斯集团。