Meta-Analysis: A Structural Equation Modeling Approach

رویکرد جدیدی را برای انجام فراتحلیل با استفاده از مدل‌سازی معادلات ساختاری ارائه می‌کند.

مدل‌سازی معادلات ساختاری (SEM) و متاآنالیز دو روش آماری قدرتمند در آموزش هستند. علوم اجتماعی، رفتاری و پزشکی. آنها اغلب به عنوان دو موضوع نامرتبط در ادبیات تلقی می شوند. این کتاب یک چارچوب یکپارچه در مورد تجزیه و تحلیل داده‌های متا تحلیلی در چارچوب SEM ارائه می‌کند و نحوه انجام متاآنالیز با استفاده از بسته metaSEM در محیط آماری R را نشان می‌دهد.

متاآنالیز: A رویکرد مدل سازی معادلات ساختاریبا معرفی اهمیت SEM و متاآنالیز در پاسخ به سوالات تحقیق آغاز می شود. ایده های کلیدی در متاآنالیز و SEM به اختصار بررسی می شوند و سپس مدل های متا تحلیلی مختلف معرفی و به چارچوب SEM مرتبط می شوند. مدل‌های اثرات ثابت، تصادفی و ترکیبی در متاآنالیزهای تک متغیره و چند متغیره، متاآنالیز سه سطحی و مدل‌سازی معادلات ساختاری فرا تحلیلی معرفی شده‌اند. موضوعات پیشرفته، مانند استفاده از روش تخمین حداکثر احتمال محدود و مدیریت متغیرهای کمکی گمشده، نیز پوشش داده شده است. خوانندگان یک چارچوب واحد را برای اعمال متاآنالیز و SEM یاد خواهند گرفت. نمونه هایی در R و در Mplus گنجانده شده است.

این کتاب منبع ارزشمندی برای محققین آماری و دانشگاهی و دانشجویان فارغ التحصیل در انجام متاآنالیزها خواهد بود و همچنین برای محققان و آماردانانی که از SEM در آمار زیستی استفاده می کنند مفید خواهد بود. دانش اولیه SEM یا متاآنالیز برای درک مطالب این کتاب مفید خواهد بود.

Presents a novel approach to conducting meta-analysis using structural equation modeling.

Structural equation modeling (SEM) and meta-analysis are two powerful statistical methods in the educational, social, behavioral, and medical sciences. They are often treated as two unrelated topics in the literature. This book presents a unified framework on analyzing meta-analytic data within the SEM framework, and illustrates how to conduct meta-analysis using the metaSEM package in the R statistical environment.

Meta-Analysis: A Structural Equation Modeling Approach begins by introducing the importance of SEM and meta-analysis in answering research questions. Key ideas in meta-analysis and SEM are briefly reviewed, and various meta-analytic models are then introduced and linked to the SEM framework. Fixed-, random-, and mixed-effects models in univariate and multivariate meta-analyses, three-level meta-analysis, and meta-analytic structural equation modeling, are introduced. Advanced topics, such as using restricted maximum likelihood estimation method and handling missing covariates, are also covered.  Readers will learn a single framework to apply both meta-analysis and SEM.  Examples in R and in Mplus are included. 

This book will be a valuable resource for statistical and academic researchers and graduate students carrying out meta-analyses, and will also be useful to researchers and statisticians using SEM in biostatistics. Basic knowledge of either SEM or meta-analysis will be helpful in understanding the materials in this book.