格兰杰检验的基本步骤_网状Meta分析三个假设检验的完成(二)

e5b4b1d9a2a36e2bbe089e923581f7d3.gif

上次我们讲到网状Meta分析的第五步:三个假设的检验,就是对同质性、相似性和一致性进行检验,接上个帖子(网状Meta分析三个假设检验的完成(一)),今天主要分享一致性的检验方法。

网状meta分析的制作步骤:

1.  绘制网状证据图

2. 普通Meta分析(两两之间的直接比较)

3. 网状Meta分析(整合直接比较和间接比较的结果,绘制相关图形)

4. 计算累积概率并绘制排序图

5. 三个假设的检验(同质性、相似性和一致性)

6. 偏倚风险评估、文献质量评价、敏感性分析、亚组分析、meta回归等等

什么是一致性?

网状 Meta 分析中一致性是指直接与间接比较结果的相似度,或者不同路径之间间接比较结果的相似度。

像下面左边的图A和B两种干预措施之间我们要进行比较,既有A和B直接比较的数据合并结果,也有以C为共同对照的A和B间接比较的结果,一致性就是看A和B直接比较和间接比较的结果是不是一致的。右边的图A和B没有直接比较的结果,但是有2种共同对照C或者D,那么一致性就是看以C为共同对照的A和B间接比较和以D为共同对照的A和B间接比较的结果是不是一致的。

5b9bbe24afe66e5e2dc712939a66c295.png

关于一致性的检验,就是判断是否存在结果不一致,如果存在直接证据和间接证据的不一致,那么就会影响网状Meta分析结果的真实性。目前我们主要通过定量分析直接比较和间接比较的统计学差异来进行鉴定,

  • 0
    点赞
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
格兰杰因果检验(Granger causality test)是一种用于测试两个时间序列之间因果关系的统计方法。在Python中,可以使用statsmodels包中的Granger causality test函数来进行分析。 下面是一个简单的例子,假设有两个时间序列x和y,我们想测试x是否是y的因果因素: ```python from statsmodels.tsa.stattools import grangercausalitytests import numpy as np #生成示例数据 np.random.seed(0) x = np.random.randn(100) y = np.zeros(100) for i in range(1, 100): y[i] = 0.7*y[i-1] + 0.3*x[i-1] + np.random.randn() #进行格兰杰因果检验 results = grangercausalitytests(np.column_stack((x, y)), maxlag=2) #输出检验结果 for lag in range(1, 3): print(f'lag={lag}') print('F-statistic:', results[lag][0]['params_ftest'][0]) print('p-value:', results[lag][0]['params_ftest'][1]) ``` 在上面的例子中,我们使用了statsmodels包中的grangercausalitytests函数来进行格兰杰因果检验。该函数的输入是一个数组,其中列为两个时间序列,maxlag参数指定了最大的滞后阶数。输出是一个字典,其中包含了不同滞后阶数下的检验结果。我们可以通过遍历不同滞后阶数对结果进行分析。 在上面的例子中,我们检验了x是否是y的因果因素,输出结果中的F-statistic和p-value分别表示检验的F值和p值。如果p值小于显著性水平(如0.05),则可以拒绝零假设(即x对y没有因果关系),认为x是y的因果因素。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值