El metanálisis es un método para recopilar, fusionar y analizar cuantitativamente resultados de investigación de diferentes fuentes basándose en estrategias de búsqueda claras, criterios de selección y selección de literatura y métodos de evaluación estrictos para un determinado tema de investigación científica. Apareció por primera vez en "Medicina basada en la evidencia". " ” ha sido ampliamente utilizado en agricultura, ecología forestal, recursos y medio ambiente, etc. El lenguaje R tiene un mecanismo completo y efectivo de procesamiento de datos, análisis estadístico y almacenamiento, que puede analizar y mostrar datos directamente. El formato del comando es simple y los resultados son altamente legibles. Contiene muchos paquetes de software de metaanálisis y es ideal para el análisis metaintegrado. y evaluación Plataforma efectiva. Este tutorial proporciona un análisis detallado de los principios, fórmulas, pasos operativos, análisis de resultados y aplicaciones avanzadas del metaanálisis, combina múltiples ejemplos para dominar todo el proceso del metaanálisis y el análisis de incertidumbre, y combina el aprendizaje automático y otros métodos para explicar. La aplicación del metaanálisis en la literatura.Aplicaciones extendidas del big data.
Tema 1. Selección de temas para metanálisis y aplicación de CiteSpace para análisis bibliométrico
1. Selección de temas y búsqueda de literatura para metanálisis .
- ¿Qué es el metaanálisis?
- Estrategias de selección de temas para el metanálisis
- Base de datos de búsqueda de literatura.
- Estrategia de búsqueda precisa, cómo buscar de forma completa y precisa.
- Gestión y limpieza de literatura, cómo formular criterios de inclusión y exclusión de literatura.
- Habilidades de adquisición de datos de documentos.
- Análisis bibliométrico de CiteSpace y análisis de puntos críticos de investigación.
Tema 2. Metaanálisis , limpieza de datos en lenguaje R y aplicaciones relacionadas .
2. Métodos comunes de metanálisis y aplicaciones del lenguaje R.
- Las ventajas del lenguaje R para el metaanálisis y sus aplicaciones de casos clásicos en " Naturaleza " y " Ciencia "
- Operaciones básicas del lenguaje R.
- Método de limpieza de datos en lenguaje R
- Explicación y práctica de paquetes de uso común y complementos relacionados para metanálisis en lenguaje R.
Desde los cálculos de autoprogramación hasta la llamada de paquetes Meta ( meta, metafor, dmetar, esc, metasens, metamisc, meta4diag, gemtc , robvis , netmeta , brms , etc.), todo el proceso analiza cómo realizar metacálculos, metadiagnósticos, bayesianos. meta y malla, meta, análisis de subgrupos, metaregresión y mapeo .
Tema 3 : Metaanálisis del lenguaje R y gráficos exquisitos
3. Metanálisis del lenguaje R
- Proceso de metaanálisis del lenguaje R
- Cálculo de varios valores de metaefectos y valores de efectos acumulativos.
RR, MD y SMD de datos continuos
RR y OR de datos categóricos
- Análisis de metasubgrupos
- Método de visualización de gráficos en lenguaje R.
- Cómo dibujar hermosas parcelas forestales con ggplot2
Tema 4. Análisis de metaregresión en lenguaje R
4. Análisis de metarregresión en lenguaje R
- Teoría y aplicación del análisis estadístico de metaregresión.
- Similitudes y diferencias entre la metarregresión y el análisis de regresión ordinario
- Análisis de efectos fijos y efectos aleatorios.
- Dibujo de gráfico de burbujas ( burbuja )
Tema 5. Análisis metadiagnóstico y avance del lenguaje R.
5. Metadiagnóstico avanzado en lenguaje R
- Análisis de metadiagnóstico (estadísticas como t2, I2, H2, Q, etc.)
- prueba de heterogeneidad
- análisis de sensibilidad
- análisis de sesgo
- Análisis de riesgo
Tema 6: Incertidumbre en el metanálisis del lenguaje R y la aplicación bayesiana
6. Incertidumbre del metanálisis del lenguaje R
- Metanálisis de red
- teoría bayesiana
- Herramientas bayesianas en lenguaje R Stan , JAGS y brms
- Metaanálisis bayesiano y análisis de incertidumbre
Tema 7 : Ampliar profundamente la aplicación del aprendizaje automático en el metanálisis
7 Aplicación del aprendizaje automático en metaanálisis
- Conceptos básicos del aprendizaje automático y ventajas del metaaprendizaje automático
- Uso de bosque aleatorio metaponderado (MetaForest)
- Uso de Meta Machine Learning para integrar Big Data de la literatura
- Uso del aprendizaje automático para el análisis de conductores
Tema 8. Discusión y preguntas y respuestas
1 ejercicio
2 Discusión y preguntas y respuestas