Meta-analysis with the glmmTMB R package

Titolo: Meta-analisi con il pacchetto R glmmTMB: Introduzione della struttura di covarianza equalto

1. Il Problema

Le meta-analisi sono tipicamente formulate come modelli a effetti misti in cui le varianze di campionamento delle dimensioni dell'effetto sono trattate come note. Sebbene i modelli a effetti misti standard possano, in linea di principio, essere adattati per gestire queste varianze note utilizzando software generici, l'implementazione pratica in pacchetti R di uso generale come glmmTMB (Generalized Linear Mixed Models) era storicamente limitata.
Il pacchetto glmmTMB è ampiamente utilizzato per la sua flessibilità nelle distribuzioni, nelle strutture di covarianza degli effetti casuali e nella velocità di calcolo (grazie al Template Model Builder, TMB). Tuttavia, incorporare le varianze di campionamento note nella formulazione convenzionale "inverso-varianza" della meta-analisi non era facilmente realizzabile in glmmTMB senza soluzioni complesse o approssimazioni. Esiste un divario tra l'uso di software specializzati per la meta-analisi (come metafor) e la necessità di modelli più flessibili (ad esempio, per dati non gaussiani, strutture di dipendenza complesse o modelli di dispersione) che solo i pacchetti GLMM generici possono offrire.

2. Metodologia

Gli autori introducono una nuova struttura di covarianza chiamata equalto all'interno del pacchetto R glmmTMB. Questa funzionalità permette agli utenti di specificare che la matrice di covarianza degli effetti casuali è esattamente uguale a una matrice di varianza-covarianza dell'errore di campionamento fornita dall'utente.

• Implementazione Tecnica:

  • La funzione equalto() accetta tre componenti principali:
    1. Un indicatore delle righe delle dimensioni dell'effetto (che deve essere una variabile fattore).
    2. Un fattore di raggruppamento (g) che definisce vettori di effetti casuali indipendenti con parametri di covarianza condivisi.
    3. Una matrice di varianza-covarianza dell'errore di campionamento (V) fornita dall'utente, che può essere diagonale (indipendenza) o block-diagonale (dipendenza tra dimensioni dell'effetto nello stesso studio).
  • Questo approccio permette di fissare la varianza residua a zero (tramite dispformula = ~0) in modo che la variabilità residua sia interamente assorbita dagli effetti casuali definiti da equalto, replicando esattamente il modello a due stadi della meta-analisi classica.
  • Il modello supporta sia l'approccio "a due stadi" (dati trasformati in dimensioni dell'effetto) che l'approccio "a uno stadio" (GLMM su dati grezzi binari o di conteggio).

• Validazione:

  • È stata condotta una simulazione per confrontare le stime ottenute con glmmTMB (usando equalto) con quelle del pacchetto consolidato metafor (funzioni rma.uni e rma.mv).
  • Sono stati testati quattro tipi di dimensioni dell'effetto: differenza media standardizzata (SMD), log-ratio di risposta (lnRR), log-odds ratio (OR) e log-ratio di incidenza (IRR).
  • Sono stati valutati modelli Normal-Normal (tradizionali) e modelli GLMM (Binomial-Normal e Poisson-Normal).

3. Contributi Chiave

Il principale contributo di questo lavoro è l'estensione del toolkit di sintesi delle prove in R, permettendo l'uso di un framework GLMM generico per la meta-analisi convenzionale e avanzata. I punti salienti includono:

• Nuova Funzionalità equalto: Permette di fissare la struttura di covarianza degli errori di campionamento, gestendo sia l'indipendenza che la dipendenza (dovuta a più dimensioni dell'effetto per studio o soggetti condivisi).
• Flessibilità Modellistica: A differenza dei pacchetti specializzati, glmmTMB con equalto supporta:
  • Modelli con effetti casuali multipli nella formula di dispersione (dispformula), permettendo di modellare l'eterogeneità variabile (modelli location-scale).
  • Strutture di zero-inflazione (ziformula) per dati di conteggio.
  • Strutture di covarianza complesse per effetti casuali (es. filogenetici tramite propto, spaziali, temporali).
  • Distribuzioni non gaussiane dirette (approccio "one-stage").
• Interfaccia Familiare: Mantiene la sintassi familiare di lme4, rendendo accessibile la meta-analisi avanzata a ricercatori già esperti in modelli misti.

4. Risultati

• Convergenza e Accuratezza: Gli studi di simulazione hanno dimostrato che glmmTMB produce stime identiche (fino alla 6ª cifra decimale per la media globale e 5ª per la varianza tra studi) rispetto a metafor per i modelli Normal-Normal. Le differenze nelle deviazioni standard erano minime e trascurabili.
• Prestazioni Computazionali:
  • Per modelli semplici (senza moderatori), metafor è stato leggermente più veloce (circa 0.5-0.8 secondi in meno).
  • Per modelli complessi (es. meta-analisi filogenetica con molte strutture di covarianza), glmmTMB è risultato significativamente più veloce (circa 3 volte più veloce in un esempio specifico: 19 secondi contro 65 secondi di metafor).
• Applicazioni Reali: Gli autori hanno dimostrato l'efficacia del metodo su tre casi reali:
  1. Meta-analisi bivariata: Valutazione dell'efficacia del vaccino BCG, modellando i gruppi di trattamento come outcome separati con una struttura di covarianza fissa.
  2. Meta-analisi filogenetica: Analisi degli effetti sulla diversità vegetale, integrando una matrice di correlazione filogenetica tramite la struttura propto insieme a equalto per gli errori di campionamento.
  3. Meta-analisi location-scale: Analisi di interventi educativi, dove la varianza tra studi (eterogeneità) è stata modellata come dipendente dalla dimensione del campione (dispformula), una funzionalità non ancora supportata nativamente da metafor per effetti casuali nella dispersione.

5. Significato e Impatto

L'introduzione di equalto in glmmTMB rappresenta un passo significativo verso l'unificazione dei metodi di sintesi delle prove in R.

• Espansione del Toolkit: Fornisce un'alternativa potente e flessibile a metafor, specialmente per dataset complessi che richiedono strutture di dipendenza intricate, modelli non gaussiani o l'analisi dell'eterogeneità variabile.
• Accessibilità: Permette ai ricercatori di utilizzare un'unica interfaccia coerente per una vasta gamma di problemi statistici, riducendo la barriera all'ingresso per modelli meta-analitici avanzati.
• Futuro: Sebbene non intenda sostituire metafor per l'analisi post-hoc e la visualizzazione standard, questa implementazione apre la strada a future integrazioni (es. grafici orchard) e sviluppi su metodi di stima alternativi (come la quadratura di Gauss-Hermite) per le specifiche GLMM.

In sintesi, il lavoro dimostra che i modelli di meta-analisi possono essere efficacemente adattati in un framework GLMM generico senza perdere accuratezza statistica, guadagnando al contempo una flessibilità modellistica superiore per affrontare le sfide dei dati moderni.