Z 曲线图：元分析中发表偏倚的视觉诊断方法

发表偏倚会破坏元分析推断，然而目前缺乏用于检测由发表偏倚导致模型拟合不佳的视觉诊断方法。我们提出了 z 曲线图，一种针对发表偏倚的绝对模型拟合诊断方法。z 曲线图将 $z$ 统计量的模型隐含后验预测分布叠加在 $z$ 统计量的观测分布之上，并能够在候选元分析模型（例如，随机效应元分析、选择模型、PET-PEESE 和 RoBMA）之间进行直接比较。良好拟合数据的模型在 $z$ 统计量的观测分布与预测分布之间表现出最小差异，而拟合不佳的模型则表现出显著差异。显著性阈值处或零点处的不连续性提供了发表偏倚的视觉证据；考虑了这种偏倚的模型能够追踪观测分布中的这些不连续性。我们进一步将估计的发表偏倚调整模型外推至无发表偏倚的情形，以获得无发表偏倚情况下的后验预测分布。从这一外推中，我们导出了三个概括性指标：预期发现率（EDR）、错误发现风险（FDR）和预期缺失研究数（N missing）。我们使用模拟数据集和四项涵盖不同程度发表偏倚的元分析来演示该可视化方法及其解释。该方法已在 RoBMA R 包中实现。