DOI: https://doi.org/10.3758/s13423-025-02812-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41760983
تاريخ النشر: 2026-02-27
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: تحليل البيانات الشامل والمراجعات المنهجية
نظرة عامة
تناقش هذه الفقرة القضية الحرجة لتحيز النشر في التحليلات التلوية، والتي يمكن أن تؤدي إلى تقديرات مبالغ فيها لحجم التأثير. يقدم المؤلفون طريقة جديدة، p-uniform*، التي تعزز الطريقة الحالية p-uniform بطرق ثلاث هامة: توفر مقدرًا أكثر كفاءة، وتخفف من المبالغة في تقدير أحجام التأثير بسبب التباين بين الدراسات، وتسمح بتقدير واختبار هذا التباين. تكشف التحليلات المقارنة أن p-uniform* ونموذج الاختيار ثلاثي المعلمات (3PSM) يظهران خصائص إحصائية مشابهة، حيث يتفوق كلاهما على p-uniform ونموذج التأثيرات العشوائية في وجود تحيز النشر.
علاوة على ذلك، يوضح المؤلفون أن p-uniform* يستخدم نموذجًا أكثر اقتصادية من 3PSM، مما يتيح تقدير حجم التأثير المتوسط والتباين بين الدراسات بشكل فعال عندما يتم تضمين عشرة دراسات أو أكثر، بشرط ألا يكون تحيز النشر شديدًا. لتوضيح الآثار العملية لنتائجهم، يعيدون تحليل بيانات من تحليلين تلوين منشورين باستخدام p-uniform وp-uniform* و3PSM. يختتم المؤلفون بتوصيات للباحثين التطبيقيين ويقدمون موارد متاحة، بما في ذلك كود R وتطبيق ويب، لتسهيل استخدام p-uniform*.
مقدمة
تناقش مقدمة الورقة أهمية التحليل التلوي في تجميع أحجام التأثير من دراسات متعددة، مع تسليط الضوء على القضية الحرجة لتحيز النشر. يحدث تحيز النشر عندما تمثل الأدبيات المنشورة بشكل غير متناسب الدراسات التي تحتوي على نتائج ذات دلالة إحصائية، مما يؤدي إلى تقديرات مبالغ فيها لحجم التأثير. يمكن أن ينشأ هذا التحيز من كل من الممارسات التحريرية وميول الباحثين لإخفاء النتائج غير الدالة. تستشهد الورقة بعدة دراسات توضح انتشار تحيز النشر عبر مجالات مختلفة، وخاصة في علم النفس، حيث تبلغ نسبة عالية من الدراسات المنشورة دعمًا للفرضيات على الرغم من انخفاض القوة الإحصائية.
لمعالجة قيود الطرق الحالية لتصحيح تحيز النشر، وهي p-uniform وp-curve، يقترح المؤلفون طريقة عامة تسمى p-uniform*. تتضمن هذه الطريقة الجديدة أحجام التأثير غير الدالة إحصائيًا، مما يعزز كفاءة التقدير ويقلل من التحيز المرتبط بالتباين بين الدراسات. تهدف الورقة إلى مقارنة الخصائص الإحصائية لـ p-uniform* وp-uniform ونموذج الاختيار ثلاثي المعلمات (3PSM) من خلال دراسات محاكاة وتطبيقات عملية، مما يسهم في تقديرات تحليل تلوي أكثر دقة من خلال تحسين تصحيح تحيز النشر.
النتائج
تشير نتائج دراسة المحاكاة إلى أن الطرق p-uniform* و3PSM غير مناسبة للتحليلات التلوية التي تحتوي فقط على أحجام تأثير ذات دلالة إحصائية أو غير دالة، حيث أظهرت تحيزات شديدة تحت هذه الظروف. على وجه التحديد، كانت التقديرات التي أنتجتها p-uniform وp-uniform* و3PSM (كما تم تنفيذها في “weightr”) متحيزة بشكل كبير عبر سيناريوهات مختلفة. من الجدير بالذكر أن طريقة 3PSM في “metafor” فشلت في تقديم تقديرات في معظم الحالات بسبب غياب أحجام التأثير غير الدالة. استكشفت الدراسة أيضًا سيناريوهات حيث تم استبدال الدراسات لضمان تضمين حجم تأثير واحد على الأقل ذو دلالة إحصائية، مع التركيز على p-uniform* مع تقدير الاحتمالية القصوى، الذي تفوق على مقدرات أخرى.
كشفت التحليلات أن نموذج التأثيرات العشوائية كان يبالغ باستمرار في تقدير حجم التأثير الحقيقي ($\mu$) تحت تحيز النشر، حيث تأثر درجة المبالغة بشدة التحيز وعدد الدراسات ($k$). أظهرت p-uniform تحيزًا سلبيًا كبيرًا عندما كانت نسبة النتائج المهمة منخفضة، خاصة عندما كان عدد الدراسات محدودًا. كان متوسط خطأ الجذر التربيعي (RMSE) لتقدير $\mu$ عمومًا أقل لنموذج التأثيرات العشوائية مقارنة بأساليب p-uniform و3PSM، خاصة في الظروف التي لا توجد فيها تباين. كانت احتمالات التغطية لفترات الثقة تختلف بشكل كبير عبر الطرق، حيث أظهرت p-uniform* تغطية ناقصة في العديد من السيناريوهات، خاصة تحت تحيز النشر العالي. بشكل عام، تؤكد النتائج على قيود بعض طرق التقدير في وجود تحيز النشر وأهمية اختيار تقنيات إحصائية مناسبة للبحث التحليلي التلوي.
المناقشة
في هذا القسم، يناقش المؤلفون تطوير وتقييم نهج نموذج الاختيار لتصحيح تحيز النشر في التحليلات التلوية، مع التركيز بشكل خاص على تقديم طريقة عامة تسمى p-uniform*. تحسن هذه الطريقة الجديدة على p-uniform الأصلية من خلال دمج كل من أحجام التأثير ذات الدلالة الإحصائية وغير الدالة، مما يؤدي إلى تحسين الكفاءة في التقدير، والقضاء على التحيز بسبب التباين بين الدراسات، والقدرة على تقدير واختبار هذا التباين. يبرز المؤلفون أن نهج نموذج الاختيار، بما في ذلك p-uniform*، يعتبر من أحدث الأساليب لمعالجة تحيز النشر، حيث يوفر تقديرات أكثر دقة لأحجام التأثير مقارنة بالطرق التقليدية مثل نموذج التأثيرات العشوائية.
تظهر دراسة المحاكاة التي أجراها المؤلفون الخصائص الإحصائية لـ p-uniform* مقارنة بـ p-uniform ونموذج الاختيار ثلاثي المعلمات (3PSM) ونموذج التأثيرات العشوائية. تشير النتائج إلى أن p-uniform* تقدم تحسينات كبيرة في تقدير أحجام التأثير والتباين بين الدراسات، خاصة في السيناريوهات ذات مستويات مختلفة من تحيز النشر وأحجام العينات. يخلص المؤلفون إلى أن p-uniform* هو بديل أكثر اقتصادية وقوة لـ 3PSM، حيث لا يتطلب عددًا أدنى من الدراسات في كل فترة للتقدير الفعال، مما يجعله خيارًا مفضلًا للباحثين الذين يقومون بإجراء تحليلات تلوية.
DOI: https://doi.org/10.3758/s13423-025-02812-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41760983
Publication Date: 2026-02-27
Author(s): Zhenyun Du et al.
Primary Topic: Meta-analysis and systematic reviews
Overview
The section discusses the critical issue of publication bias in meta-analyses, which can lead to inflated effect size estimates. The authors introduce a novel method, p-uniform*, which enhances the existing p-uniform method in three significant ways: it provides a more efficient estimator, mitigates overestimation of effect sizes due to between-study variance, and allows for the estimation and testing of this variance. Comparative analyses reveal that p-uniform* and the three-parameter selection model (3PSM) exhibit similar statistical properties, both outperforming p-uniform and the random-effects model in the presence of publication bias.
Furthermore, the authors demonstrate that p-uniform* employs a more parsimonious model than 3PSM, effectively estimating average effect size and between-study variance when ten or more studies are included, provided publication bias is not extreme. To illustrate the practical implications of their findings, they re-analyze data from two published meta-analyses using p-uniform, p-uniform*, and 3PSM. The authors conclude with recommendations for applied researchers and provide accessible resources, including R code and a web application, to facilitate the use of p-uniform*.
Introduction
The introduction of the paper discusses the significance of meta-analysis in synthesizing effect sizes from multiple studies, while highlighting the critical issue of publication bias. Publication bias occurs when the published literature disproportionately represents studies with statistically significant results, leading to inflated effect size estimates. This bias can stem from both editorial practices and researchers’ tendencies to withhold nonsignificant findings. The paper cites various studies that illustrate the prevalence of publication bias across different fields, particularly in psychology, where a high percentage of published studies report support for hypotheses despite low statistical power.
To address the limitations of existing methods for correcting publication bias, namely p-uniform and p-curve, the authors propose a generalized method called p-uniform*. This new approach incorporates statistically nonsignificant effect sizes, thereby enhancing estimation efficiency and reducing bias associated with between-study variance. The paper aims to compare the statistical properties of p-uniform*, p-uniform, and the three-parameter selection model (3PSM) through simulation studies and practical applications, ultimately contributing to more accurate meta-analytic estimates by refining the correction for publication bias.
Results
The results of the simulation study indicate that the methods p-uniform* and 3PSM are not suitable for meta-analyses that contain only statistically significant or nonsignificant effect sizes, as they exhibited severe biases under these conditions. Specifically, the estimates produced by p-uniform, p-uniform*, and 3PSM (as implemented in “weightr”) were significantly biased across various scenarios. Notably, the 3PSM method in “metafor” failed to provide estimates in most cases due to the absence of nonsignificant effect sizes. The study further explored scenarios where studies were replaced to ensure at least one statistically significant effect size was included, focusing on p-uniform* with maximum likelihood estimation, which outperformed other estimators.
The analysis revealed that the random-effects model consistently overestimated the true effect size ($\mu$) under publication bias, with the degree of overestimation influenced by the severity of bias and the number of studies ($k$). P-uniform demonstrated a substantial negative bias when the proportion of significant results was low, particularly when the number of studies was limited. The root mean square error (RMSE) for estimating $\mu$ was generally lower for the random-effects model compared to p-uniform and 3PSM methods, especially in conditions with no heterogeneity. Coverage probabilities for confidence intervals varied significantly across methods, with p-uniform* showing under-coverage in many scenarios, particularly under high publication bias. Overall, the findings underscore the limitations of certain estimation methods in the presence of publication bias and the importance of selecting appropriate statistical techniques for meta-analytic research.
Discussion
In this section, the authors discuss the development and evaluation of selection model approaches for correcting publication bias in meta-analyses, particularly focusing on the introduction of a generalized method called p-uniform*. This new method improves upon the original p-uniform by incorporating both statistically significant and nonsignificant effect sizes, leading to enhanced efficiency in estimation, elimination of bias due to between-study variance, and the ability to estimate and test for this variance. The authors highlight that selection model approaches, including p-uniform*, are considered state-of-the-art for addressing publication bias, as they provide more accurate effect size estimates compared to traditional methods like the random-effects model.
The simulation study conducted by the authors demonstrates the statistical properties of p-uniform* in comparison to p-uniform, the three-parameter selection model (3PSM), and the random-effects model. Results indicate that p-uniform* offers significant improvements in estimating effect sizes and between-study variance, particularly in scenarios with varying levels of publication bias and sample sizes. The authors conclude that p-uniform* is a more parsimonious and robust alternative to 3PSM, as it does not require a minimum number of studies in each interval for effective estimation, thus making it a preferable choice for researchers conducting meta-analyses.