| Forschungsexperimente oder Studien zur gleichen Fragestellung führen häufig zu unterschiedlichen
Schlussfolgerungen, die einander sogar widersprechen können. Um
solche mögliche Konflikte lösen zu können, bündeln Forscherinnen und Forscher
oft gleichartige Studien mit dem Ziel verlässlichere Ergebnisse zu erhalten. Diese
Art der Informationsbündelung wird Metaanalyse genannt. Unter der Annahme
ausreichender Übereinstimmung können so Experimente innerhalb jedes beliebigen
Forschungsgebietes kombiniert werden. Zahlreiche statistische Methoden sind über
die Jahre hinweg bereits für die Metaanalyse entwickelt worden. Die meisten dieser
Methoden sind für spezifische Aufgaben maßgeschneidert, wie zum Beispiel die Kombinierung
von klinischen Studien oder von genomischen Experimenten. Daher können
diese nicht unmittelbar auf andere Probleme angewandt werden. Eine allgemeinere
Gruppe von meta-analytischen Verfahren bilden die rangbasierten Methoden.
Diese arbeiten mit Rängen anstelle der eigentlichen Messwerte, welche selbst
häufig gar nicht verfügbar sind. Die rangbasierte Methoden sind im Gegensatz zu
den eigentlichen Messwerten nicht auf spezifische Datentypen beschränkt, nicht von
unterschiedlichen Datentransformationen, dem Vorliegen von Ausreißern oder von
spezifischen statistischen Verteilungsannahmen betroffen. Jedoch hat diese Universalität
der rangbasierten Methoden ihren Preis: da die relativen Differenzen zwischen
den Messwerten verloren gehen, war es bislang nicht möglich, die zugrundeliegenden
Signale in den Studien schätzen zu können, welche die beobachteten Ränge erzeugt
haben.
In dieser Dissertation wird ein neuer Ansatz vorgestellt, welcher die Vorteile
von rang-basierten Methoden mit dem überaus wichtigen Ziel der Metaanalyse
verknüpft: die Schätzung jener Signale, welche für die Ränge kausal sind. Darüber
hinaus werden die dazugehörenden Standardfehler mit einem nicht-parametrischen
Bootstrap Verfahren geschätzt und die sich daraus ergebende Stabilität der beobachteten
Rangpositionen evaluiert. Der vorgestellte Ansatz wurde mit simulierten Daten
unter verschieden Szenarien getestet und auch auf reale Daten angewandt, in welchen
Studien beziehungsweise Experimente in der klinischen und der genomischen Forschung
kombiniert wurden.
Die Simulationen haben gezeigt, dass der vorgestellte Ansatz die zugrundeliegenden
Signale und die von ihnen abgeleiteten Rangpositionen akkurat schätzen kann.
Wie erwartet, wurden bessere Schätzungen erzielt, wenn die Übereinstimmung zwischen den Studien oder den Experimenten hoch war. Die Größe der Standardfehler
gab die Unsicherheit der geschätzten Signale wieder. Der Grad der Überlappung der
Standardfehlerbereiche zeigte die Ranginstabilität an. Bei den realen Daten konnten
vielversprechende Resultate erzielt werden. Schlussendlich konnte gezeigt werden,
dass die vorgeschlagene Methode ein brauchbares metaanalytisches Werkzeug für
die biomedizinische Forschung ist. Der größte Nachteil der Methode ist der mit ihr
verbundene Rechenzeit. Diese könnte durch Optimierungen und Anpassungen des
Algorithmus reduziert werden.
Im Anhang der Dissertation sind zusätzliche Grafiken und Tabellen zu den Simulationen
sowie der R-Sourcecode für den Algorithmus zu finden.
Zusammenfassend, präsentiert die vorliegende Dissertation eine neue generelle
funktionierende Methode für die Metaanalyse von beobachteten Ranglisten und
kann die ihnen zugrundeliegenden Signale, deren Standardfehler sowie die damit
einhergehenden Rangstabilitäten schätzen. |
