Statistical tests for bias in meta-analysis with binary outcomes

Abstract

In dieser Arbeit werden die Eigenschaften statistischer Tests auf Biasin Meta-Analysen mit binären Zielgrößen im Rahmen von Simulationensowohl unter der Null-Hypothese als auch unter zwei verschiedenenAlternativen (mit moderatem und starkem Selektionsbias)untersucht. Insbesondere wird der Einfluß der Studiengröße derEinzelstudien, des zugrundeliegenden Therapieeffekts, der Ereignisratein der Kontrollgruppe und des Ausmaßes der Heterogenität zwischen denStudien auf die Ergebnisse der Tests auf Bias bewertet.In die Untersuchungen werden die beiden gebräuchlichsten Testverfahrenauf Bias in Meta-Analysen sowie ein neu vorgeschlagener Testeingeschlossen. Ein vorhandener Test basiert auf der Rangkorrelationzwischen einer standardisierten Form des geschätzten Therapieeffekt(z.B. log odds ratio) und der geschätzten Varianz des Therapieeffekts(z.B. geschätzte Varianz des log odds ratios). Der zweite Test basiertauf einer linearen Regression des standardisierten geschätztenTherapieeffekts auf die Inverse der Wurzel der geschätzten Varianz. Inbeiden Testverfahren wird insbesondere die geschätzte asymptotischeVarianz verwendet. Der neu vorgeschlagene Test auf Bias inMeta-Analysen stellt eine Modifikation des Rankkorrelationstestsdar. Anstelle des standardisierten geschätzten Therapieeffekts und dergeschätzten asymptotischen Varianz des Therapieeffekts werden Größenverwendet, die aus der nicht-zentralen hypergeometrischen Verteilungabgeleitet sind.Unter der Nullhypothese, daß kein Selektionsbias vorliegt, hält derneu vorgeschlagene Test, im Gegensatz zu den beiden existierendenTests, das Niveau in allen untersuchten Situationen ein. Alle Testshaben eine geringe Power zur Detektion von Selektionsbias in denmeisten praxisrelevanten Situationen.

In this thesis, properties of statistical tests for bias inmeta-analysis are investigated via simulations both under the nullhypothesis of no selection bias and two different alternatives(moderate and strong selection bias). A total of four differentsimulation designs is used which differ only in the mechanism utilisedto generate sample sizes of individual trials; other factors (numberof trials per meta-analysis, true treatment effect, control eventrate, between-trial variance, amount of bias) are equal in alldesigns.Two commonly used tests, i.e. a rank correlation test and a linearregression test, as well as a newly proposed test are considered inthe simulations. The new test is a modification of the rankcorrelation test using different factors; the main difference consistsin the use of a different estimate for the within-trial variance. Inthe new test, the variance estimate is derived from the conditionaldistribution of the observed cell count given the marginal totalswhich follows a non-central hypergeometric distribution.A clear tendency of inflation of type I error rates with increasingtreatment effect is apparent for linear regression and rankcorrelation test in simulations with a large amount of sparse binarydata; results for the new test are much better in this situation. Thepower of all tests to detect selection bias is not sufficient in mostclinically important situations.