正文

Meta分析的10个问题:从理论概念到R语言操作实践

7.单组率meta分析的R编程

  对于一些患病率率,耐药率的研究,对于诊断试验的灵敏度、特异度的汇总,都可以考虑采用单组数据的Meta分析。

  具体到R编程,可采用Meta包的metaprop函数。

metaprop(event, n,data=,sm=)

  metaprop最重要的几个参数:

  event:事件数;

  n:总数;

  data:数据来源

  sm:合并率时的采用的效应指标,其实为各种率的转换方法。

  一个单组数据meta分析的R编程示例:

event <- c(81, 15, 0, 1)

n <- c(263, 148, 20, 29)

m1 <- metaprop(event, n, sm="PLOGIT")

forest(m1)

funnel(m1)

森林图效果:

  8.连续变量效应指标的Meta分析R编程

  对于连续性变量效应指标,同样可以用Meta包的metacont函数完成。

metacont(n.e, mean.e, sd.e, n.c, mean.c, sd.c,data=,sm=)

  主要参数中,n.e, mean.e, sd.e分别表示试验组(暴露组)的样本量,均数,标准差;n.c, mean.c, sd.c表示对照组(非暴露组)的样本量,均数,标准差; sm标识汇总的效应指标,如smd,wmd等。

  一个连续变量效应指标的Meta分析R编程示例:

data(Fleiss93cont)

meta2 <- metacont(n.e, mean.e, sd.e, n.c, mean.c, sd.c, data=Fleiss93cont, sm="SMD")

forest(meta2)

funnel(meta2)

  9.分类变量效应指标的Meta分析R编程

  对于分类变量效应指标,同样可以用Meta包的metabint函数完成。

metabin(event.e, n.e, event.c, n.c, data=,sm=)

  主要参数中,event.e, n.e分别表示试验组(暴露组)的事件数和样本量;event.c, n.c,表示对照组(非暴露组)的事件数和样本量;sm表示汇总的效应指标,如RR,OR等。

  一个分类变量效应指标的Meta分析R编程示例:

data(Olkin95)

meta4<- metabin(event.e, n.e, event.c, n.c,data=Olkin95, subset=c(41,47,51,59),sm="RR", method="I")

forest(meta4)

funnel(meta4)

  10.Meta回归的R编程

  meta回归的实现其实需要借助另一个包metafor, metafor的功能比meta包更丰富,可以绘制各种丰富的图形(如前面提到的星状图、拉贝图、Begg's, Egger's检验图),还可以拟合各种线性模型。

  一个Meta回归的R编程的示例:

data(dat.colditz1994, package="metafor")

data10 <- dat.colditz1994

mh2 <- metabin(tpos, tpos+tneg, cpos, cpos+cneg,data=data10, studlab=paste(author, year))

mh2.mr <- metareg(mh2, ablat)

bubble(mh2.mr)

  更多具体的函数和参数解释,可以查阅R软件包的帮助文档。此外,还有诊断试验的meta,网络meta本文未做说明。

  最后,摘抄一句话,出自某位统计先哲,未找到出处,先搁这里,作为结尾。

  如果你爱一个人,就让他做Meta分析,因为那里是天堂;如果你恨一个人,也让他做Meta分析,因为那里是地狱!

来源:“统技思维”公众号 谷鸿秋
爱科学

上一篇:谁该为研究生学位论文负更多责任?

下一篇:公开SCI论文的审稿意见,你慌吗?

推荐信息

登录注册
欢迎内容投稿或举报!E-mail: ikx@ikx.cn
Copyright © 爱科学 iikx.com