📊 statistics

Prediction intervals for random-effects meta-analysis based on confidence distributions and Edgington's method

यह शोधपत्र एडिंगटन के $p$ -वैल्यू दृष्टिकोण को कॉन्फिडेंस डिस्ट्रीब्यूशन के साथ संयोजित करके रैंडम-इफेक्ट्स मेटा-एनालिसिस में प्रेडिक्शन इंटरवल (पूर्वानुमान अंतराल) के निर्माण के लिए एक नवीन विधि प्रस्तावित करता है ताकि विषमता अनिश्चितता और विषमता (skewness) को प्रभावी ढंग से समाहित किया जा सके, जिससे वहां भी नाममात्र कवरेज प्राप्त किया जा सके जहां पारंपरिक सूत्र विफल हो जाते हैं।

मूल लेखक: David Kronthaler, Leonhard Held

प्रकाशित 2026-06-25

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: David Kronthaler, Leonhard Held

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ सरल भाषा और रचनात्मक उपमाओं का उपयोग करके शोध पत्र की व्याख्या दी गई है।

बड़ी तस्वीर: चिकित्सा अध्ययनों के भविष्य की भविष्यवाणी करना

कल्पना कीजिए कि आप एक डॉक्टर हैं जो यह पता लगाने की कोशिश कर रहे हैं कि क्या कोई नई दवा काम करती है। आप केवल एक अध्ययन को नहीं देखते; आप बड़ी तस्वीर समझने के लिए अध्ययनों के एक संग्रह (मेटा-एनालिसिस) को देखते हैं।

आमतौर पर, सांख्यिकीविद् एक "औसत प्रभाव" (average effect) की गणना करते हैं। वे कहते हैं, "औसतन, यह दवा रक्तचाप को 10 अंक कम करती है।" लेकिन यह ऐसा है जैसे कहना, "एक शहर का औसत तापमान 70°F है।" यह आपको यह नहीं बताता कि कल तापमान जमा देने वाला 30°F होगा या झुलसा देने वाला 100°F। चिकित्सा में, केवल औसत जानना पर्याप्त नहीं है; आपको अगले रोगी या अगले अध्ययन के लिए संभावनाओं की सीमा (range of possibilities) जानने की आवश्यकता है।

यह शोध पत्र उस सीमा की भविष्यवाणी करने का एक नया, अधिक सटीक तरीका पेश करता है, विशेष रूप से तब जब आपके द्वारा देखे जा रहे अध्ययन एक-दूसरे से बहुत भिन्न हों (एक ऐसी समस्या जिसे सांख्यिकीविद् विषमता/heterogeneity कहते हैं)।

समस्या: "सममित" (Symmetric) का जाल

भविष्य के परिणामों की भविष्यवाणी करने वाले अधिकांश वर्तमान तरीके एक पूरी तरह से संतुलित सी-सॉ (seesaw) की तरह कार्य करते हैं। वे मान लेते हैं कि यदि औसत प्रभाव बीच में है, तो भविष्य के परिणाम या तो थोड़े अधिक या थोड़े कम होने की समान संभावना रखते हैं। वे औसत के चारों ओर एक सममित "भविष्यवाणी अंतराल" (संभावित परिणामों की एक सीमा) खींचते हैं।

हालाँकि, वास्तविक दुनिया का डेटा अक्सर एकतरफा (skewed) होता है।

उपमा: कल्पना कीजिए कि आप एक कमरे में प्रवेश करने वाले अगले व्यक्ति की ऊंचाई का अनुमान लगा रहे हैं। यदि आपके पास केवल पेशेवर बास्केटबॉल खिलाड़ियों और एक छोटे बच्चे का डेटा है, तो "औसत" 6 फीट हो सकता है। लेकिन एक सममित भविष्यवाणी अंतराल यह सुझाव देगा कि अगले व्यक्ति के 2 फीट या 10 फीट ऊँचा होने की समान संभावना है। वास्तव में, अगला व्यक्ति लगभग निश्चित रूप से एक बास्केटबॉल खिलाड़ी (लंबा) होगा, और एक विशालकाय होने की संभावना बहुत कम है। डेटा लंबे पक्ष की ओर एकतरफा (skewed) है।

यह शोध पत्र तर्क देता है कि पुराने तरीके एकतरफा डेटा पर एक सममित आकार थोपने की कोशिश करते हैं, जिससे गलत भविष्यवाणियां होती हैं। वे अक्सर इस तथ्य को भी अनदेखा कर देते हैं कि हम इस बात को लेकर 100% निश्चित नहीं हैं कि अध्ययन एक-दूसरे से कितने "अलग" हैं।

समाधान: एक नया "कॉन्फिडेंस मैप"

लेखक दो मुख्य विचारों पर आधारित एक नया तरीका प्रस्तावित करते हैं: एजिंगटन की विधि (Edgington's Method) और कॉन्फिडेंस डिस्ट्रीब्यूशन (Confidence Distributions)।

1. एजिंगटन की विधि: "मतदान प्रणाली"

संख्याओं का औसत निकालने के बजाय, यह विधि प्रत्येक अध्ययन को एक मतदाता की तरह मानती है।

उपमा: कल्पना कीजिए कि आप एक दौड़ के विजेता का अनुमान लगाने की कोशिश कर रहे हैं। दौड़ के समय का औसत निकालने के बजाय, आप प्रत्येक विशेषज्ञ से पूछते हैं कि कौन जीत सकता है। कुछ विशेषज्ञ बहुत आश्वस्त हैं; अन्य अनिश्चित हैं।
यह कैसे काम करता है: लेखक सभी अध्ययनों के "वोटों" (p-values) को मिलाते हैं। महत्वपूर्ण रूप से, यह विधि एकतरफा (skewed) डेटा को संभालने में सक्षम है। यह परिणाम को एक आदर्श बेल कर्व (bell curve) बनाने के लिए मजबूर नहीं करती है। यदि अध्ययन एक दिशा में भारी झुकाव रखते हैं, तो भविष्यवाणी भी उसी दिशा में झुक जाती है। यह वास्तविक दुनिया के "एकतरफापन" को सुरक्षित रखती है।

2. कॉन्फिडेंस डिस्ट्रीब्यूशन: "अनिश्चितता का बादल"

पारंपरिक तरीके अक्सर अध्ययनों के बीच के "अंतर" (विषमता) को एक एकल, निश्चित संख्या के रूप में देखते हैं।

उपमा: कल्पना कीजिए कि आप एक छिपे हुए बॉक्स के आकार का अनुमान लगाने की कोशिश कर रहे हैं। पुराने तरीके कह सकते हैं, "बॉक्स निश्चित रूप से 10 इंच चौड़ा है।"
नया तरीका: लेखक कहते हैं, "हम निश्चित नहीं हैं। बॉक्स 10 इंच का हो सकता है, लेकिन यह 5, या 15, या यहाँ तक कि 20 इंच का भी हो सकता है।" वे अध्ययनों के कितने अलग होने के बारे में एक संभावनाओं का बादल (confidence distribution) बनाते हैं।
परिणाम: जब वे अपनी अंतिम भविष्यवाणी करते हैं, तो वे केवल एक संख्या का उपयोग नहीं करते हैं; वे हर बार "अंतर" के आकार के लिए अपने बादल से एक अलग संख्या चुनकर हजारों सिमुलेशन चलाते हैं। यह एक ऐसी भविष्यवाणी बनाता है जो केवल औसत ही नहीं, बल्कि सभी अनिश्चितताओं को भी ध्यान में रखती है।

उन्होंने इसका परीक्षण कैसे किया: सिमुलेशन लैब

यह सिद्ध करने के लिए कि उनका तरीका काम करता है, लेखकों ने एक आभासी प्रयोगशाला बनाई।

सेटअप: उन्होंने विभिन्न संख्या में अध्ययनों (3 से 50 तक) और विभिन्न स्तरों की "अव्यवस्था" (विषमता) के साथ हजारों नकली मेटा-एनालिसिस बनाए।
परीक्षण: उन्होंने अपने नए तरीके की तुलना पुराने, मानक तरीकों से की।
निष्कर्ष:
- सटीकता: जब तीन से अधिक अध्ययन थे, तो उनके नए तरीके ने लगभग 95% बार "लक्ष्य" (सही कवरेज) को बिल्कुल सटीक रूप से प्राप्त किया, जो कि स्वर्ण मानक (gold standard) है।
- एकतरफापन (Skewness): उनके तरीके ने सही ढंग से भविष्यवाणी की कि भविष्य के परिणाम कब एकतरफा होंगे। पुराने तरीके अक्सर यहाँ विफल रहे, और एकतरफा समस्याओं के लिए सममित उत्तर दिए।
- "अनिश्चितता को अनदेखा करने" की गलती: उन्होंने दिखाया कि यदि आप इस बात की अनिश्चितता को अनदेखा करते हैं कि अध्ययन कितने अलग हैं (जैसा कि पुराने "निश्चित" तरीके करते हैं), तो आपकी भविष्यवाणियां खतरनाक रूप से संकीर्ण और अक्सर गलत हो जाती हैं।

एक वास्तविक उदाहरण: कोर्टिकोस्टेरॉइड्स और COVID-19

लेखकों ने स्टेरॉयड और COVID-19 मृत्यु दर के बारे में सात अध्ययनों के एक वास्तविक सेट पर अपने तरीके का परीक्षण किया।

पुराना दृष्टिकोण: मानक तरीकों ने एक संकीर्ण सीमा दी, जिससे पता चला कि स्टेरॉयड संभवतः फायदेमंद थे, लेकिन सीमा तंग और सममित थी।
नया दृष्टिकोण: उनके तरीके ने एक व्यापक, अधिक यथार्थवादी सीमा प्रदान की। इसने दिखाया कि हालांकि स्टेरॉयड संभवतः फायदेमंद थे, लेकिन पुराने तरीकों की तुलना में "शून्य प्रभाव" या यहाँ तक कि नकारात्मक प्रभाव की संभावना बहुत अधिक थी।
क्यों? क्योंकि नए तरीके ने स्वीकार किया कि अध्ययन एक-दूसरे से काफी भिन्न थे और हम उस अंतर के बारे में पूरी तरह से निश्चित नहीं थे। इसने यह दिखाने का ढोंग नहीं किया कि वह उतना जानता है जितना कि वह नहीं जानता।

मुख्य निष्कर्ष (The Takeaway)

यह शोध पत्र सांख्यिकी में विनम्रता के बारे में है।

जब हम विभिन्न अध्ययनों के समूह को देखते हैं, तो हमें यह मानने का ढोंग नहीं करना चाहिए कि भविष्य अतीत का एक आदर्श, सममित दर्पण है। हमें यह स्वीकार करना चाहिए कि:

डेटा एकतरफा (skewed) हो सकता है।
हम कभी भी 100% निश्चित नहीं होते कि अध्ययन एक-दूसरे से कितने अलग हैं।

डेटा के आकार को संभालने के लिए एजिंगटन की विधि और अनिश्चितता को संभालने के लिए कॉन्फिडेंस डिस्ट्रीब्यूशन का उपयोग करके, यह नया दृष्टिकोण हमें एक ऐसा "भविष्यवाणी अंतराल" देता है जो अधिक ईमानदार, अधिक सटीक और भविष्य की चिकित्सा घटनाओं के बारे में निर्णय लेने के लिए बेहतर है।

संक्षेप में: यह कहने का एक बेहतर तरीका है, "जो हम जानते हैं उसके आधार पर, यहाँ वह यथार्थवादी सीमा है जो आगे क्या हो सकता है, जिसमें अजीब और एकतरफा संभावनाएं भी शामिल हैं।"

तकनीकी सारांश: कॉन्फिडेंस डिस्ट्रीब्यूशन और एडिंगटन की विधि पर आधारित रैंडम-इफेक्ट्स मेटा-एनालिसिस के लिए प्रेडिक्शन इंटरवल्स

समस्या विवरण
रैंडम-इफेक्ट्स मेटा-एनालिसिस में, औसत प्रभाव (average effect) के संबंध में सांख्यिकीय अनुमान को अक्सर तब अपर्याप्त माना जाता है जब अध्ययनों के बीच पर्याप्त विषमता (heterogeneity) मौजूद होती है। हालांकि पारंपरिक माप जैसे कि अनुमानित बिटवीन-स्टडी वेरिएंस ( $\tau^2$ ) और हिग्स का $I^2$ विषमता को मात्रात्मक रूप से दर्शाते हैं, लेकिन वे प्रभाव के पैमाने (effect scale) पर व्याख्यात्मक नहीं होते हैं और न ही पूर्ण प्रभाव भिन्नता (absolute effect variation) को संप्रेषित करते हैं। प्रेडिक्टिव डिस्ट्रीबशन्स (predictive distributions) को विषमता को मापने के लिए एक अधिक नैदानिक रूप से प्रासंगिक उपकरण के रूप में मान्यता दी गई है, क्योंकि वे वास्तविक प्रभावों के वितरण का वर्णन करते हैं और भविष्य की घटनाओं के बारे में सूचित करते हैं।

हालांकि, प्रेडिक्टिव डिस्ट्रीब्यूशन बनाने वाली मौजूदा फ्रीक्वेंटिस्ट विधियों को महत्वपूर्ण सीमाओं का सामना करना पड़ता है:

सममिति प्रतिबंध (Symmetry Constraints): अधिकांश विधियाँ प्रेडिक्टिव डिस्ट्रीब्यूशन को अनुमानित औसत प्रभाव के आसपास सममित (symmetric) रहने के लिए बाध्य करती हैं, जिससे वे प्रभाव अनुमानों में मौजूद विषमता (skewness) को पकड़ने में विफल रहती हैं। इससे खराब अंशांकन (calibration) होता है और प्रेडिक्शन इंटरवल्स अक्सर निर्धारित कवरेज (nominal coverage) प्राप्त करने में विफल रहते हैं, विशेष रूप से कम अध्ययनों या विषम डेटा वाले परिदृश्यों में।
अनिश्चितता का प्रबंधन (Handling Uncertainty): मानक दृष्टिकोण अक्सर विषमता अनुमान ( $\tau^2$ ) की अनिश्चितता को संबोधित करने के लिए मनमाने डिग्री ऑफ फ्रीडम (जैसे $k-2$ ) के साथ $t$ -डिस्ट्रीब्यूशन लागू करके करते हैं। सिमुलेशन अध्ययन बताते हैं कि ये पोस्ट-हॉक समायोजन अक्सर खराब तरीके से कैलिब्रेटेड होते हैं, विशेष रूप से जब अध्ययनों की संख्या कम हो या विषमता काफी अधिक हो।
विषमता की उपेक्षा (Skewness Neglect): जो विधियाँ अध्ययन अनुमानों की विषमता (skewness) को ध्यान में नहीं रखती हैं, वे भ्रामक निष्कर्ष दे सकती हैं, जैसा कि विषम परिदृश्यों में अंडर-कवरेज (under-coverage) के सिमुलेशन परिणामों से सिद्ध होता है।

कार्यप्रणाली (Methodology)
लेखक एक नया ढांचा प्रस्तावित करते हैं जो कॉन्फिडेंस डिस्ट्रीब्यूशन (confidence distributions) और एडिंगटन की p-वैल्यू कॉम्बिनेशन विधि का उपयोग करके औसत प्रभाव ( $\mu$ ) और विषमता पैरामीटर ( $\tau^2$ ) दोनों में अनिश्चितता को स्पष्ट रूप से संबोधित करता है।

कॉन्फिडेंस डिस्ट्रीब्यूशन (CDs): अनुमानकों की सैंपलिंग डिस्ट्रीब्यूशन पर निर्भर रहने के बजाय, यह विधि बिना किसी प्रायोर डिस्ट्रीब्यूशन (prior distribution) को शामिल किए, p-वैल्यू फंक्शन से प्राप्त पैरामीटर स्पेस पर कॉन्फिडेंस डिस्ट्रीब्यूशन (CDs) का निर्माण करती है।
एडिंगटन की विधि (Edgington's Method): लेखक अध्ययनों के बीच एक-तरफा p-वैल्यू फंक्शन को संयोजित करने के लिए एडिंगटन की विधि (1792) का उपयोग करते हैं। क्लासिकल वेटेड एवरेज दृष्टिकोण के विपरीत, एडिंगटन की विधि:
- वैकल्पिक परिकल्पना (alternative hypothesis) के ओरिएंटेशन के प्रति अपरिवर्तनीय (invariant) है।
- लगभग निष्पक्ष (unbiased) अनुमान प्रदान करती है।
- ऐसे कॉन्फिडेंस इंटरवल उत्पन्न करती है जो प्रभाव अनुमानों की विषमता (skewness) के अनुकूल होते हैं, और समरूपता थोपने के बजाय विषमता को संरक्षित करते हैं।
विषमता अनिश्चितता (Heterogeneity Uncertainty): यह विधि $\tau^2$ में अनिश्चितता को शामिल करने के लिए सामान्यीकृत विषमता सांख्यिकी ( $Q(\tau^2)$ ) द्वारा निहित कॉन्फिडेंस डिस्ट्रीब्यूशन का उपयोग करती है। यह सांख्यिकी, जो कोचरन के $Q$ के सटीक वितरण पर आधारित है, $\tau^2$ के साथ बदलती है और एक पिवट (pivot) के रूप में कार्य करती है।
प्रेडिक्टिव डिस्ट्रीब्यूशन निर्माण: तीन संस्करणों के प्रेडिक्टिव डिस्ट्रीब्यूशन प्रस्तावित किए गए हैं:
- PCD-fixed: $\mu$ के लिए एडिंगटन के CD पर नॉर्मल इफेक्ट डिस्ट्रीब्यूशन को इंटीग्रेट करता है, जिसमें $\tau^2$ के लिए प्लग-इन अनुमान का उपयोग किया जाता है।
- PCD-simplified: $\mu$ के लिए CD (प्लग-इन $\tau^2$ का उपयोग करते हुए) और $\tau^2$ के लिए CD पर इंटीग्रेट करता है।
- PCD-full: $\mu$ और $\tau^2$ के संयुक्त कंडीशनल डिस्ट्रीब्यूशन पर पूर्णतः इंटीग्रेट करता है।
इन इंटीग्रल्स का मूल्यांकन एक मोंटे कार्लो एल्गोरिदम (एल्गोरिदम 1) के माध्यम से किया जाता है जो $\tau^2$ को उसके CD से सैंपल करता है (जहाँ $Q(\tau^2) = W$ और $W \sim \chi^2_{k-1}$ ), $\mu$ को एडिंगटन के CD से सैंपल करता है (प्रोबेबिलिटी इंटीग्रल ट्रांसफॉर्म का उपयोग करके), और अंत में भविष्य के प्रभाव $\theta_{new}$ को $N(\mu, \tau^2)$ से सैंपल करता है।

प्रमुख योगदान

विषमता-जागरूक भविष्यवाणी (Skewness-Aware Prediction): प्रस्तावित विधि स्वाभाविक रूप से मौजूदा सममित विधियों की तुलना में प्रभाव अनुमानों की विषमता (skewness) को अपनाती है, जो एक महत्वपूर्ण अंतर को संबोधित करती है।
कठोर अनिश्चितता प्रसार (Rigorous Uncertainty Propagation): $\mu$ और $\tau^2$ के कॉन्फिडेंस डिस्ट्रीब्यूशन के माध्यम से इंटीग्रेट करके, यह विधि मनमाने समायोजनों (जैसे फिक्स्ड $t$ -डिस्ट्रीब्यूशन डिग्री ऑफ फ्रीडम) से बचती है और अनुमान अनिश्चितता के लिए अधिक सिद्धांतवादी हैंडलिंग प्रदान करती है।
कार्यान्वयन: लेखक edgemeta R पैकेज प्रदान करते हैं, जिससे इक्वी-टल्ड (equi-tailed) और उच्चतम कॉन्फिडेंस डेंसिटी (HCD) प्रेडिक्शन इंटरवल के साथ-साथ विशिष्ट घटनाओं (जैसे भविष्य का प्रभाव लाभकारी होने की संभावना) के लिए कॉन्फिडेंस प्रोबेबिलिटी की गणना करना सुलभ हो जाता है।

परिणाम
एक सिमुलेशन अध्ययन (ADEMP फ्रेमवर्क का पालन करते हुए) ने प्रस्तावित PCD विधियों की तुलना HTS विधि और एक पैरामेट्रिक बूटस्ट्रैप दृष्टिकोण (नागाशिमा एट अल., 2018) से की।

कवरेज (Coverage):
- PCD-full और PCD-simplified ने आमतौर पर तीन से अधिक अध्ययन उपलब्ध होने पर नाममात्र 95% कवरेज प्राप्त किया।
- इन विधियों ने 20 या उससे कम अध्ययनों वाले परिदृश्यों में विषमता (skewness) को प्रभावी ढंग से दर्शाया।
- इसके विपरीत, PCD-fixed (विषमता अनिश्चितता को अनदेखा करते हुए) लगातार अंडर-कवर हुआ, जो तीन अध्ययनों के साथ अक्सर 80% से नीचे गिर गया, और केवल बहुत बड़ी संख्या में अध्ययनों के साथ ही नाममात्र कवरेज के करीब पहुँचा।
- HTS विधि ने U-आकार का कवरेज पैटर्न दिखाया: तीन अध्ययनों के साथ ओवर-कवरिंग और 5-50 अध्ययनों के साथ अंडर-कवरिंग, विशेष रूप से मध्यम विषमता के तहत।
विषमता सहसंबंध (Skewness Correlation): PCD-full इंटरवल्स ने 50 से कम अध्ययनों के लिए इंटरवल विषमता और प्रभाव अनुमान विषमता के बीच मध्यम से मजबूत पियर्सन सहसंबंध प्रदर्शित किया, जबकि HTS इंटरवल्स (जो सममित हैं) में शून्य विषमता थी।
शार्पनेस (Sharpness): हालांकि PCD-full और PCD-simplified इंटरवल्स आम तौर पर HTS इंटरवल्स की तुलना में अधिक चौड़े थे (जो उचित अनिश्चितता प्रसार को दर्शाता है), वे कम अध्ययनों या कम विषमता के मामले में निरंतर रैंकड प्रोबेबिलिटी स्कोर (CRPS) के संदर्भ में HTS से बेहतर प्रदर्शन करते रहे।
केस स्टडी: कोविड-19 रोगियों में कॉर्टिकोस्टेरॉइड्स और मृत्यु दर के मेटा-एनालिसिस में, CD-एडिंगटन अनुमानित मान सममित हार्टंग-नैप-सिदिक-जोंकमन (HKSJ) इंटरवल की तुलना में व्यापक, राइट-स्क्यूड (right-skewed) कॉन्फिडेंस इंटरवल प्रदान करता है। परिणामी प्रेडिक्टिव डिस्ट्रीब्यूशन (PCD-full/simplified) HTS इंटरवल्स की तुलना में काफी व्यापक थे, जो विषमता अनुमान में $\tau^2$ के बिंदु अनुमान के शून्य के करीब होने के बावजूद भी substantial अनिश्चितता को दर्शाता है।

महत्व और दावे
पेपर दावा करता है कि प्रस्तावित दृष्टिकोण शास्त्रीय रैंडम-इफेक्ट्स मेटा-एनालिसिस के लिए एक व्यवहार्य विकल्प या पूरक प्रदान करता है। लेखक इस बात पर जोर देते हैं कि:

विषमता अनुमान में अनिश्चितता को अनदेखा करने से गलत कवरेज होता है, जो प्रस्तावित समायोजन की आवश्यकता को रेखांकित करता है।
विधि सफलतापूर्वक प्रभाव अनुमानों की विषमता (skewness) को अपनाती है, जो सममित विकल्पों की तुलना में अधिक सटीक प्रेडिक्टिव निष्कर्ष प्रदान करती है।
जबकि विधि अंशांकन और शार्पनेस के मामले में पैरामेट्रिक बूटस्ट्रैप के समान प्रदर्शन दिखाती है, यह कॉन्फिडेंस डिस्ट्रीब्यूशन पर आधारित एक विशिष्ट फ्रीक्वेंटिस्ट ढांचे के रूप में कार्य करती है।
लेखक स्वीकार करते हैं कि विभिन्न प्रभाव स्केल्स और डिस्ट्रीबशंस पर स्वतंत्र मूल्यांकन की आवश्यकता है, और नोट करते हैं कि विधि वर्तमान में यूनिमोडल, नॉर्मल रैंडम-इफेक्ट्स मॉडल तक सीमित है। वे भविष्य के विस्तार का सुझाव देते जिसमें अधिक लचीले प्रभाव डिस्ट्रीब्यूशन (जैसे स्क्यू-नॉर्मल) और पक्षपाती अध्ययनों को कम वजन देने के लिए अध्ययन-विशिष्ट वेट शामिल हो सकते हैं।