真の研究効果が非通常分布している場合のメタ分析のための統計的方法のパフォーマンス：シミュレーション研究

メタ分析（MA）は、アナリストが「組み合わせ可能」と見なしたいくつかの独立した研究の結果を組み合わせた統計的方法論です。最も単純なアプローチである固定効果（FE）モデルは、すべての研究で真の効果が同じであると想定していますが、ランダム効果（RE）モデルのファミリにより、真の効果が研究全体で変化します。ただし、すべての方法は漸近的にのみ正しいものですが、一部のREモデルは、真の効果が通常分布していると仮定しています。実際には、研究数が小さく、効果分布の正常性が不明または可能性が低い場合、MAメソッドが頻繁に適用されます。この記事では、FEアプローチのパフォーマンスと7つの頻繁な再MAメソッドについて説明します：Dersimonian-Laird、Qベース、最尤、プロファイルの尤度、Biggerstaff-Tweedie、Sidik-Jonkman、Follmann-Proschan。MAのサイズ（小〜中程度）、不均一性の程度（ゼロから非常に大きい）、および効果サイズの分布（通常、スキューノーマル、および「極端な」非正規）を変化させることにより、多数のシナリオをカバーしました。パフォーマンスは、カバレッジ（タイプIエラー）、パワー（タイプIIエラー）、および全体的な効果推定（ポイント推定の精度とエラー間隔）の観点から評価されました。

Meta-analysis (MA) is a statistical methodology that combines the results of several independent studies considered by the analyst to be 'combinable'. The simplest approach, the fixed-effects (FE) model, assumes the true effect to be the same in all studies, while the random-effects (RE) family of models allows the true effect to vary across studies. However, all methods are only correct asymptotically, while some RE models assume that the true effects are normally distributed. In practice, MA methods are frequently applied when study numbers are small and the normality of the effect distribution unknown or unlikely. In this article, we discuss the performance of the FE approach and seven frequentist RE MA methods: DerSimonian-Laird, Q-based, maximum likelihood, profile likelihood, Biggerstaff-Tweedie, Sidik-Jonkman and Follmann-Proschan. We covered numerous scenarios by varying the MA sizes (small to moderate), the degree of heterogeneity (zero to very large) and the distribution of the effect sizes (normal, skew-normal and 'extremely' non-normal). Performance was evaluated in terms of coverage (Type I error), power (Type II error) and overall effect estimation (accuracy of point estimates and error intervals).