📊 statistics

Meta-analysis with the glmmTMB R package

Dit artikel introduceert de nieuwe 'equalto'-covariantiestructuur in het R-pakket glmmTMB, waarmee gebruikers bekende steekproefvarianties kunnen opnemen voor meta-analyses, waardoor het pakket een flexibel alternatief biedt voor bestaande tools zoals metafor.

Oorspronkelijke auteurs: Coralie Williams, Maeve McGillycuddy, Mollie Brooks, Benjamin M. Bolker, Ayumi Mizuno, Yefeng Yang, Wolfgang Viechtbauer, David I. Warton, Shinichi Nakagawa

Gepubliceerd 2026-04-07

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Coralie Williams, Maeve McGillycuddy, Mollie Brooks, Benjamin M. Bolker, Ayumi Mizuno, Yefeng Yang, Wolfgang Viechtbauer, David I. Warton, Shinichi Nakagawa

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Meta-analyse met een nieuwe sleutel: Een uitleg in gewoon Nederlands

Stel je voor dat je een enorme puzzel probeert op te lossen. Elke puzzelstukje is een wetenschappelijk onderzoek dat ergens over iets nieuws heeft ontdekt. Soms zeggen deze stukjes: "Het werkt!" en soms: "Het werkt niet." De kunst van een meta-analyse is om al die losse puzzelstukjes samen te voegen tot één groot, helder plaatje, zodat we een betrouwbaarder antwoord krijgen dan elk onderzoek op zich.

Vroeger was het moeilijk om deze puzzelstukjes op de juiste manier in elkaar te zetten als ze niet allemaal even groot waren of als ze met elkaar verbonden waren. Gelukkig hebben de auteurs van dit artikel een nieuwe, slimme sleutel ontwikkeld om dit probleem op te lossen.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het oude probleem: De "Vaste" Puzzel

Stel je voor dat je een meta-analyse doet over de effectiviteit van een nieuw medicijn. Je hebt data van 50 verschillende ziekenhuizen.

Sommige ziekenhuizen hebben duizenden patiënten (hun data is heel betrouwbaar).
Andere hebben maar tien patiënten (hun data is wat onzekerder).
Soms komen er meerdere metingen uit één ziekenhuis (bijvoorbeeld: metingen van dezelfde patiënt op verschillende tijdstippen). Deze metingen zijn niet onafhankelijk; ze hangen met elkaar samen.

In de wereld van statistiek noemen we deze onzekerheid en onderlinge afhankelijkheid "steekproeffouten".
Tot nu toe moesten onderzoekers een heel specifiek gereedschap (een softwarepakket genaamd metafor) gebruiken om deze complexe puzzelstukjes correct in elkaar te zetten. Andere populaire gereedschappen (zoals glmmTMB, dat eigenlijk gemaakt is voor heel andere soorten puzzels) konden dit niet goed doen. Het was alsof je een sleutel probeerde te gebruiken in een slot waar hij niet voor gemaakt was.

2. De nieuwe oplossing: De "Equalto"-sleutel

De onderzoekers in dit artikel hebben een nieuwe functie toegevoegd aan het populaire glmmTMB-pakket. Ze noemen deze nieuwe functie equalto.

Wat doet deze functie?
Stel je voor dat je een verzameling gewichten hebt die je precies op de schaal wilt leggen.

Vroeger: Je moest de schaal apart kalibreren en de gewichten handmatig berekenen voordat je ze kon wegen.
Nu met equalto: Je kunt de gewichten (de onzekerheid van de data) direct meegeven aan de schaal. De software zegt: "Oké, ik weet precies hoe onzeker deze meting is, en ik weet dat deze twee metingen met elkaar verbonden zijn. Ik pas mijn berekening daar direct op aan."

De naam equalto is eigenlijk heel letterlijk: het zegt tegen de computer: "Behandel de onzekerheid in deze data exact gelijk aan de matrix die ik je geef."

3. Waarom is dit zo'n groot nieuws? (De voordelen)

A. Eén gereedschap voor alles
Vroeger moest je voor simpele meta-analyses het ene programma gebruiken en voor complexe (bijvoorbeeld met veel verborgen factoren) een ander. Met deze nieuwe functie kun je nu alles in één pakket doen. Het is alsof je van een simpele hamer overschakelt naar een Zwitsers zakmes dat zowel hamer als schroevendraaier is.

B. Het kan met "gekke" data
Soms zijn de data niet gewoon "cijfers", maar bijvoorbeeld "ja/nee" antwoorden of "aantallen" (zoals het aantal insecten op een blad). De nieuwe functie maakt het mogelijk om deze complexe data direct te analyseren zonder eerst ze te "vervormen" tot iets wat ze niet zijn.

C. Het is snel en slim
De onderzoekers hebben getest of hun nieuwe methode hetzelfde resultaat geeft als de oude, bewezen methode. Het antwoord is een volmondig JA. Ze gaven bijna exact dezelfde antwoorden. Maar in sommige complexe gevallen (zoals wanneer je duizenden soorten planten vergelijkt die evolutionair met elkaar verbonden zijn) was hun nieuwe methode zelfs drie keer sneller.

4. Een concreet voorbeeld uit de tekst

In het artikel laten ze zien hoe dit werkt met echte data:

Medisch: Ze keken naar het effect van een vaccin (BCG) tegen tuberculose. Ze konden nu precies berekenen hoe groot de variatie was tussen de verschillende landen, terwijl ze rekening hielden met de onzekerheid in de metingen.
Ecologisch: Ze keken naar plantendiversiteit. Omdat planten verwant zijn (zoals familieleden), hangen hun eigenschappen met elkaar samen. De nieuwe functie kon deze "familiebanden" perfect meenemen in de berekening, wat eerder heel lastig was.

Samenvatting

Kortom: De onderzoekers hebben een nieuwe, flexibele manier bedacht om wetenschappelijke studies samen te voegen. Ze hebben een nieuwe "sleutel" (equalto) gemaakt die past in het populaire glmmTMB-slot. Hierdoor kunnen onderzoekers nu complexere vragen beantwoorden, sneller werken en meer soorten data analyseren, zonder dat ze hun vertrouwde gereedschappen hoeven te verlaten.

Het is een beetje alsof ze de brug hebben gebouwd tussen twee eilanden, zodat onderzoekers nu vrij kunnen reizen tussen verschillende soorten data en vragen, zonder vast te lopen in modder.

Probleemstelling

Meta-analyses worden doorgaans geformuleerd als gemengde modellen (mixed-effects models) waarbij de steekproefvarianties van de effectmaten als bekend worden beschouwd. Hoewel dit in theorie met standaard software voor gemengde modellen kan worden uitgevoerd, was het tot nu toe moeilijk om deze bekende steekproefvarianties direct in te voeren in de veelgebruikte R-pakketten voor algemene lineaire gemengde modellen (GLMM's), zoals glmmTMB.

Bestaande gespecialiseerde pakketten zoals metafor zijn zeer krachtig, maar bieden minder flexibiliteit voor complexe datastructuren (zoals niet-Gaussische uitkomsten, complexe variantie-covariantiestructuren, of modellen met spreiding en zero-inflatie). Het doel van dit artikel is om een brug te slaan tussen de flexibiliteit van glmmTMB en de eisen van traditionele meta-analyse, zodat onderzoekers geavanceerde meta-analytische modellen kunnen schatten binnen een algemeen GLMM-raamwerk.

Methodologie

De auteurs introduceren een nieuwe covariantiestructuur genaamd equalto binnen het glmmTMB-pakket.

Het equalto-concept:
- Deze structuur stelt gebruikers in staat om een random effect te specificeren waarvan de variantie-covariantiematrix exact gelijk is aan een door de gebruiker opgegeven matrix van bekende steekproeffouten.
- Dit maakt het mogelijk om bekende steekproefvarianties (en covarianties tussen afhankelijke effectmaten binnen studies) direct in het model te integreren zonder ze te hoeven schatten.
- De specificatie vereist drie componenten: een index voor de effectmaten (factor), een groeperingsfactor (vaak één niveau voor de hele dataset), en de gebruiker-geleverde symmetrische variantie-covariantiematrix ( $V$ ).
Modelvormen:
- Conventioneel (Tweestaps): Het artikel toont hoe het traditionele "Normal-Normal" meta-analysemodel (waarbij effectmaten en steekproeffouten normaal verdeeld zijn) kan worden geschat door de steekproefvariantie als een random effect met vaste covariantie te behandelen.
- Multiniveau-modellen: Het is mogelijk om complexere hiërarchische modellen te bouwen waarbij afhankelijkheid tussen effectmaten binnen studies wordt gemodelleerd via een blokgewijze variantie-covariantiematrix.
- GLMM ("Eén-staps"): Het raamwerk ondersteunt ook Generalized Linear Mixed Models voor niet-Gaussische data (bijv. binomiale of Poisson-data) zonder dat er eerst gestandaardiseerde effectmaten moeten worden berekend. Hierbij kunnen ook spreidingsmodellen (dispformula) en zero-inflatiemodellen (ziformula) worden gebruikt.
Validatie:
- De auteurs voerden een simulatiestudie uit om de prestaties van glmmTMB (met equalto) te vergelijken met het gevestigde metafor-pakket.
- Er werden verschillende effectmaten getest: gestandaardiseerde gemiddelde verschillen (SMD), log response ratio, log odds ratio en log incidentie ratio.
- De convergentie, schattingen, standaardfouten, dekking en type I-fouten werden vergeleken.

Belangrijkste Bijdragen

Nieuwe Functionaliteit in glmmTMB: De introductie van de equalto-covariantiestructuur, die het mogelijk maakt om bekende steekproefvarianties en hun onderlinge afhankelijkheid direct in te voeren.
Flexibiliteit: Het stelt onderzoekers in staat om meta-analyses uit te voeren binnen een breed GLMM-raamwerk. Dit omvat het modelleren van:
- Heteroscedasticiteit en afhankelijkheid tussen steekproeffouten.
- Niet-Gaussische uitkomsten (binomiale, Poisson) via één-staps GLMM's.
- Complexere structuren zoals ruimtelijke, fylogenetische en location-scale modellen (waarbij de variantie afhankelijk is van moderators).
Vergelijkbaarheid: Het biedt een alternatieve, maar numeriek identieke methode voor het schatten van conventionele meta-analyses ten opzichte van metafor, wat directe vergelijkingen tussen verschillende modelleringbenaderingen mogelijk maakt.

Resultaten

Numerieke Overeenkomst: De simulatiestudie toonde aan dat glmmTMB (met equalto) en metafor (met rma.uni en rma.glmm) bijna identieke resultaten opleveren voor de schatting van het gemiddelde effect ( $\hat{\mu}$ ), de tussen-studie variantie ( $\hat{\tau}^2$ ) en de standaardfouten. De verschillen waren verwaarloosbaar (tot op de 5e of 6e decimaal).
Snelheid:
- Voor simpele random-effects modellen was metafor licht sneller (ongeveer 0,5 - 0,8 seconden).
- Voor complexere modellen (zoals fylogenetische meta-analyses met meerdere random effects) was glmmTMB aanzienlijk sneller (in een voorbeeld ongeveer 3 keer sneller: 19 vs 65 seconden). Dit wordt toegeschreven aan de efficiëntie van de Template Model Builder (TMB) en Laplace-benadering in glmmTMB.
Toepassingsvoorbeelden: De auteurs demonstreerden de toepasbaarheid op drie reële datasets:
1. Bivariate meta-analyse: Schatting van behandelingsgroepen met covariantie.
2. Fylogenetische meta-analyse: Inbedding van evolutionaire afhankelijkheid via een fylogenetische correlatiematrix.
3. Location-scale meta-analyse: Modelleren van heterogeniteit die varieert met steekproefgrootte (via dispformula), een functie die in metafor beperkter is.

Betekenis en Impact

De implementatie van equalto in glmmTMB breidt het instrumentarium voor evidence synthesis in R aanzienlijk uit.

Integratie: Het maakt meta-analyse toegankelijk voor gebruikers die al vertrouwd zijn met de syntax van lme4 en glmmTMB, zonder dat ze over moeten stappen naar gespecialiseerde software.
Complexiteit: Het opent de deur voor het modelleren van meta-analyses met complexe afhankelijkheidsstructuren (bijv. fylogenetisch, ruimtelijk, of met meerdere random effects in spreidingsmodellen) die moeilijk of niet te realiseren zijn in bestaande gespecialiseerde pakketten.
Toekomstperspectief: Hoewel het niet bedoeld is om metafor volledig te vervangen (vooral wat betreft visualisatie en specifieke post-hoc tests), biedt het een krachtig alternatief voor schatting. De auteurs wijzen op toekomstige ontwikkelingen, zoals het koppelen van visualisatietools (zoals orchard plots) aan glmmTMB-output en het onderzoeken van andere schattingsmethoden voor GLMM-meta-analyses.

Kortom, dit artikel levert een essentiële technische uitbreiding die de grenzen van wat mogelijk is in meta-analytisch modelleren in R verlegt, door de kracht van algemene GLMM-software te combineren met de specifieke eisen van evidence synthesis.