简介这是一份基于R语言的Meta分析实战资料包面向气象、生态、医学等领域研究者聚焦台风影响分析场景旨在解决多源研究结果整合时效应量不一致、异质性难以判断等痛点帮助用户从数据整理到森林图绘制形成完整分析闭环。压缩包大小约1.35MB内含台风影响分析所需数据集与文件说明目前文件总数与类型明细暂未标注内容预计以R脚本、数据表格和说明文档为主。已有173人学习浏览适合正在入门Meta分析并希望结合真实台风案例练习R语言的读者。资源系统梳理了从文献数据导入、效应量标准化、异质性检验Q检验与I²统计量、固定或随机效应模型选择到森林图与漏斗图绘制、敏感性分析和发表偏倚评估的完整流程并针对台风对农作物、人员伤亡及经济损失等影响提供了可复用的数据分析思路与操作参考。1. 台风影响分析为什么需要Meta分析从零散研究到合并结论单个站点的台风影响评估结论经常互相打架。同样一场台风A站说降雨显著偏强B站说不异常A篇记录灾损严重B篇强调防灾有效。样本量小、观测时间窗短、站点环境不一致任何一个因素都能让两篇独立研究的结论反向。Meta分析解决的是“把多个独立研究合起来算总账”R语言则是这套计算里最常用的统计环境几行代码就能完成效应量计算、异质性检验和森林图绘制。标题里的“内含数据集和文件说明”本质上是可复现分析的必要组成数据格式不统一后面所有合并计算都会失真。这篇文章以台风降雨影响为主线从统计原理讲到用R做完整分析的流程重点讲明白拿到一个带数据集和说明文档的分析包后每一步该怎么检查、怎么选参数、怎么把森林图和偏倚诊断结果解释清楚。适合刚接触Meta分析、但已经会处理R基础数据的工程师也适合想把手头零散风灾数据组织成可发布结果的研究人员。2. 效应量与模型选择Meta分析的统计学基础与R包选型2.1 先定效应量连续型与二分类在台风场景下的差异判断台风影响的研究产出连续型效应量最典型的是降雨量、风速、断面水位二分类效应量则是“是否达到暴雨阈值”“是否触发预警”“伤亡是否发生”。效应量类型决定统计模型也决定数据集里必须准备哪些列连续型两组对比需要各自的样本量、均值和标准差二分类需要事件数和总样本数。连续型数据合并时常见的是均数差MD和标准化均数差SMD。MD保留原始单位适合各研究所用测量尺度完全一致的场景比如同为毫米的日降雨量SMD把均数差除以合并标准差消除尺度影响适合风速、水位这类不同站点观测口径有差异的情况。台风影响分析涉及多站点、多场次拼合我用SMD做默认选择理由很直接不同研究对“显著影响”的定义不一样原始均值差没法直接横向比较标准化之后才能进入同一个合并框架。效应量适用数据meta包函数使用注意SMD连续型且尺度不一metacont默认用Hedges g小样本校正更稳MD连续型且尺度统一metacont结果带原始单位适合直接汇报log OR二分类病例对照metabin事件稀少时慎用log RR二分类队列研究metabin前瞻设计更常用2.2 固定效应还是随机效应看I²、看tau²、也看研究背景固定效应模型默认所有研究的真实效应相同观察到的差异只来自抽样误差随机效应模型允许每项研究有自己的真实效应并引入研究间方差tau²来调整权重。台风影响分析天然适合随机效应——台风的路径、强度、持续时间、下垫面地形都不一样把这些差异压进同一个固定真值并不合理。判断用哪个模型不能只靠理论要看数字。I²代表总变异中真实异质性所占比例Q检验给出异质性P值但它在纳入研究数量少时功效下降tau²则直接描述效应量在“研究间”的方差大小。实际操作中我一般先跑一次固定效应模型目的不是拿它当最终结果而是读取这三个诊断指标再决定后面汇报哪个模型。library(meta) res_fixed - metacont(n.e tn, mean.e m1, sd.e s1, n.c cn, mean.c m2, sd.c s2, data dat, sm SMD, fixed TRUE, random FALSE) res_fixed$I2 # 异质性的相对占比0%~100% res_fixed$tau2 # 研究间方差越大说明研究间差异越大 res_fixed$Q # 齐性检验统计量P值来自 pval.Q关于这段代码拆开说fixedTRUE、randomFALSE把模型限定为固定效应这只是诊断动作。I2建议取两位小数看比如87.4%就属于高度异质tau2是随机效应模型权重的核心输入两个研究的样本量一样时tau2越大权重差距反而越小。Q的P值低于0.05时提示存在异质性但P值在10项以内的小样本分析里经常不敏感要结合I2和tau2一起看不能单凭P值下结论。2.3 meta包还是metafor包日常合并选meta建模回归选metaformeta包和metafor包覆盖两类不同场景。meta包的metacont和metabin能处理标准两组对比forest、funnel一行出图对象结构简单控制台直接输出全部关键统计量适合“跑通并汇报”的日常需求。metafor则基于rma框架支持多水平模型、Meta回归、稳健方差估计适合样本量不多但协变量多的分析比如把站点海拔、距台风中心距离作为调节变量放进模型。台风影响分析如果只是合并效应量加亚组对比meta包够用一旦要探索异质性来源、做调节效应回归我会把数据转成metafor。从实操角度我建议两个包都装上日常在meta包里完成标准输出到了回归阶段换metafor。从R语言官网按平台下载R后在控制台执行install.packages(c(meta, metafor))即可注意两个包的更新速度不同meta包版本差异会影响forest函数默认画法复现他人代码前先确认sessionInfo的版本号。3. 数据集规范化含“文件说明”的压缩包怎么读、怎么填、怎么查3.1 先找说明书问清单位、口径和时间窗压缩包里既有数据集又有文件说明第一步是拆包后先读说明文档不要急着read.csv。文件说明再简洁也至少会交代三件事列名含义、测量单位、时间窗口。实际拿到台风数据我会按这个顺序确认降雨量是时雨量、日雨量还是台风过程累计量风速是2分钟平均还是10分钟平均灾损是直接经济损失还是含保险赔付的口径。这三个问题错一个SMD计算虽然能跑通但结论的含义完全不同。另一个容易忽略的是纳入排除条件。文件说明里通常会写研究筛选标准例如“站点距台风中心小于500千米”“观测期覆盖台风过境前后48小时”“排除自动站故障时段”。这些条件不是背景信息而是Meta分析定义“纳入研究”的边界。如果说明文档缺失或写得不完整最稳妥的做法是跳过有歧义的列只保留能明确解释的列进入后续分析并在报告中注明取舍逻辑。3.2 把列结构对齐到metacont模板不管原始数据集叫什么名字我拿到后都会先往一个固定模板上靠每个研究一行实验组和对照组各一组样本量、均值、标准差。这样做的原因很简单meta包的metacont函数只认这套结构列名不一致没关系在函数参数里映射过去就行但数据行本身必须是“一行一项研究”。我用过最顺手的结构是这样的也建议把原始表整理成这个格式再进分析id列是研究标识或站点标识后面跟影响组的三个统计量再跟对照组的三个统计量最后是分组用的站点区域和时间列。字段类型含义是否必填study字符研究或站点标识是year数值台风年份否可作为亚组region字符south/east/other否可作为亚组tn数值影响组样本量是m1数值影响组均值是s1数值影响组标准差是cn数值对照组样本量是m2数值对照组均值是s2数值对照组标准差是这个结构的关键是影响组和对照组各一套样本量与均值和标准差区域和时间列属于扩展信息只在做亚组分析时才用得上。若原始数据里效应量已经被别人算好应该先反向核对它和原始统计量是否一致不核对就用等于把第一步的差错带进整个合并过程。3.3 读入后的数据类型与缺失值体检数据集下载回来后第一件具体事是读入并做结构体检。新版R的read.csv默认stringsAsFactorsFALSE字符列会保留字符型但旧脚本或老R版本会把字符列自动转成因子。还有一类常见问题是缺失值以特殊编码出现比如-999或9999它们不会被识别成NA直接参与计算会让均值严重偏离。dat - read.csv(typhoon_meta_sim.csv) str(dat) # 逐列检查类型 summary(dat[, c(m1, s1, tn)]) # 核对量级是否合理 dat$s1[dat$s1 0] - NA # 标准差非正视为异常 colSums(is.na(dat)) # 缺失值统计 dat - dat[complete.cases(dat), ] # 剔除含缺失的研究说明一下这里的逻辑str()用来发现类型问题比如s1如果显示为chr说明读入时混入了“10”这类文本summary()看量级降雨量均值如果显示为4000多毫米大概率是单位或者小数点问题s1小于等于0直接标记为缺失因为标准差为0意味着该行方差信息不可信最后用complete.cases剔除不完整行这一步要放在函数调用之前否则metacont会静默剔除并改变研究编号顺序。如果文件说明里标了缺失编码还要补一行dat[dat -999] - NA把这个转换放在类型检查之前。提示剔除缺失行后注意看剩下多少项研究。Meta分析的研究数量少于5项时随机效应模型的tau²估计会很不稳定合并结论只能作为探索性结果。4. 从CSV到森林图用R跑通台风影响Meta分析的最小流程4.1 构造一份可直接复现的模拟数据集为了把流程完整跑一遍先构造一份模拟数据集。设定10个研究站点影响组台风影响期的降雨均值在45到95毫米之间对照组历史同期在30到55毫米之间组间差大约20到40毫米。这个量级接近台风过程降雨的真实对比场景森林图能直观看出组间差异。set.seed(42) n_study - 10 tn - sample(25:60, n_study, replace TRUE) # 影响组样本量 m1 - runif(n_study, 45, 95) # 影响组均值 s1 - runif(n_study, 10, 20) # 影响组标准差 cn - sample(20:50, n_study, replace TRUE) # 对照组样本量 m2 - runif(n_study, 30, 55) # 对照组均值 s2 - runif(n_study, 8, 15) # 对照组标准差 study - paste0(site_, seq_len(n_study)) region - sample(c(south, east, other), n_study, replace TRUE) dat - data.frame(study, region, tn, m1, s1, cn, m2, s2) write.csv(dat, typhoon_meta_sim.csv, row.names FALSE)这段代码里set.seed(42)保证每次生成的数据一致方便对照运行结果样本量用sample随机取整影响组略大于对照组是常见设计region列目前不参与计算留给后面的亚组操作。如果你已经有真实数据直接用read.csv替换这部分生成逻辑即可列名保持一致就不用改后续代码。4.2 调用metacont合并效应量五个必填参数核心计算只有一次函数调用但要把参数说明白。metacont的前六个位置参数对应实验组和对照组的样本量、均值、标准差我用命名参数写清楚。studlab用来指定每行研究的标签data指定数据框sm选SMD模型上只打开随机效应。library(meta) res - metacont(n.e tn, mean.e m1, sd.e s1, n.c cn, mean.c m2, sd.c s2, studlab study, data dat, sm SMD, random TRUE, fixed FALSE) print(res, digits 2)print输出分两大部分先给每个研究的SMD和置信区间再给随机效应合并结果。看的时候先找“Random effects model”那一行后面的SMD和95%置信区间就是本次Meta分析的总体结论再看Heterogeneity区域读tau²、I²和Q检验P值。以下表格是判断时常用的对照重点看前两行。输出项判断逻辑合并SMD的置信区间不含0说明有统计学意义I²小于40%可接受40%到75%属中等超过75%要警惕tau²大于合并效应量的一半时随机效应权重分布会明显拉平Q检验P值P小于0.05提示异质性但小样本下不敏感这个表解决的是“输出出来了怎么看”的问题。实际分析里如果I²超过75%我不会急着把合并值作为最终结论而是先回到异质性诊断也就是第5章的内容。4.3 森林图与漏斗图图形输出和异质性解读图形输出是最直观的结果呈现也是投稿和报告中最常出现的部分。forest一行出图funnel一行出偏倚检查基础图两张图的解读侧重点完全不同。forest(res, digits 2) funnel(res)森林图读法每一行是一个研究方块大小对应权重横线是置信区间底部菱形是合并效应量。先看菱形整体在0的哪一侧再看各研究的置信区间是否大面积相交。如果菱形跨过0说明合并结果没有统计学意义如果各研究横线差异很大说明异质性直观可见。漏斗图读法横轴是效应量纵轴是标准误大多数点应聚集在顶部并左右对称。底部散开是正常现象真正的问题是某项研究落在漏斗外或者一侧明显缺失那是发表偏倚的表现。另外给forest加上byvar region参数可以按区域分亚组展示不需要重新跑模型。5. 高异质性时的三个诊断技巧发表偏倚与敏感性追踪5.1 Egger回归给漏斗图不对称性一个量化判断漏斗图靠眼睛看不够Egger检验把标准误作为协变量做加权线性回归用截距偏离0的程度判断漏斗图是否对称。meta包里一个函数就能拿到结果metabias(res, method.bias linreg)结果里看P值通常用0.10作为阈值P小于0.10提示存在显著的不对称性。注意Egger检验在纳入研究少于10项时检验功效有限这份模拟数据只有10个研究P值不显著也不能完全排除偏倚只能作为辅助参考。5.2 单研究剔除检查看合并结果会不会翻盘逐次剔除一项研究、重算剩余研究的合并效应量这种做法叫留一法。它回答的问题是结论是否被某一项研究单独撑着。inf_res - metainf(res) forest(inf_res)读这个森林图的方法是看每次剔除后的合并效应量和置信区间是否还在原始结果的范围内。如果剔除某个研究后I²从80%掉到40%或者合并值从显著变成不显著说明结论对该研究高度依赖。遇到这种情况回到原始数据检查该项研究的设计和测量口径确认它是否和其余研究属于同一总体。5.3 剪补法估算缺失研究后的效应量偏移剪补法假设漏斗图应当对称通过迭代修剪不对称一侧的研究估计缺失研究数量再把这些“缺失”的研究补回数据集重新合并比较前后效应量tf - trimfill(res) summary(tf) funnel(tf)剪补前后的合并效应量差异如果很大说明发表偏倚可能改变了结论方向。此时更稳妥的表述是校正前的效应量作为主结果校正后的数值放进敏感性分析说明。注意剪补法给出的缺失研究是估计出来的对称性补偿并不是真实存在的文献在方法部分引用时需要说清楚。和留一法结果放在一起看留一法看的是单点依赖剪补法看的是整体偏倚两个结果一边倒时才需要强烈怀疑结论的稳健性。本文还有配套的精品资源点击获取 R语言Meta分析实战：台风影响研究的数据合并与森林图解读
简介这是一份基于R语言的Meta分析实战资料包面向气象、生态、医学等领域研究者聚焦台风影响分析场景旨在解决多源研究结果整合时效应量不一致、异质性难以判断等痛点帮助用户从数据整理到森林图绘制形成完整分析闭环。压缩包大小约1.35MB内含台风影响分析所需数据集与文件说明目前文件总数与类型明细暂未标注内容预计以R脚本、数据表格和说明文档为主。已有173人学习浏览适合正在入门Meta分析并希望结合真实台风案例练习R语言的读者。资源系统梳理了从文献数据导入、效应量标准化、异质性检验Q检验与I²统计量、固定或随机效应模型选择到森林图与漏斗图绘制、敏感性分析和发表偏倚评估的完整流程并针对台风对农作物、人员伤亡及经济损失等影响提供了可复用的数据分析思路与操作参考。1. 台风影响分析为什么需要Meta分析从零散研究到合并结论单个站点的台风影响评估结论经常互相打架。同样一场台风A站说降雨显著偏强B站说不异常A篇记录灾损严重B篇强调防灾有效。样本量小、观测时间窗短、站点环境不一致任何一个因素都能让两篇独立研究的结论反向。Meta分析解决的是“把多个独立研究合起来算总账”R语言则是这套计算里最常用的统计环境几行代码就能完成效应量计算、异质性检验和森林图绘制。标题里的“内含数据集和文件说明”本质上是可复现分析的必要组成数据格式不统一后面所有合并计算都会失真。这篇文章以台风降雨影响为主线从统计原理讲到用R做完整分析的流程重点讲明白拿到一个带数据集和说明文档的分析包后每一步该怎么检查、怎么选参数、怎么把森林图和偏倚诊断结果解释清楚。适合刚接触Meta分析、但已经会处理R基础数据的工程师也适合想把手头零散风灾数据组织成可发布结果的研究人员。2. 效应量与模型选择Meta分析的统计学基础与R包选型2.1 先定效应量连续型与二分类在台风场景下的差异判断台风影响的研究产出连续型效应量最典型的是降雨量、风速、断面水位二分类效应量则是“是否达到暴雨阈值”“是否触发预警”“伤亡是否发生”。效应量类型决定统计模型也决定数据集里必须准备哪些列连续型两组对比需要各自的样本量、均值和标准差二分类需要事件数和总样本数。连续型数据合并时常见的是均数差MD和标准化均数差SMD。MD保留原始单位适合各研究所用测量尺度完全一致的场景比如同为毫米的日降雨量SMD把均数差除以合并标准差消除尺度影响适合风速、水位这类不同站点观测口径有差异的情况。台风影响分析涉及多站点、多场次拼合我用SMD做默认选择理由很直接不同研究对“显著影响”的定义不一样原始均值差没法直接横向比较标准化之后才能进入同一个合并框架。效应量适用数据meta包函数使用注意SMD连续型且尺度不一metacont默认用Hedges g小样本校正更稳MD连续型且尺度统一metacont结果带原始单位适合直接汇报log OR二分类病例对照metabin事件稀少时慎用log RR二分类队列研究metabin前瞻设计更常用2.2 固定效应还是随机效应看I²、看tau²、也看研究背景固定效应模型默认所有研究的真实效应相同观察到的差异只来自抽样误差随机效应模型允许每项研究有自己的真实效应并引入研究间方差tau²来调整权重。台风影响分析天然适合随机效应——台风的路径、强度、持续时间、下垫面地形都不一样把这些差异压进同一个固定真值并不合理。判断用哪个模型不能只靠理论要看数字。I²代表总变异中真实异质性所占比例Q检验给出异质性P值但它在纳入研究数量少时功效下降tau²则直接描述效应量在“研究间”的方差大小。实际操作中我一般先跑一次固定效应模型目的不是拿它当最终结果而是读取这三个诊断指标再决定后面汇报哪个模型。library(meta) res_fixed - metacont(n.e tn, mean.e m1, sd.e s1, n.c cn, mean.c m2, sd.c s2, data dat, sm SMD, fixed TRUE, random FALSE) res_fixed$I2 # 异质性的相对占比0%~100% res_fixed$tau2 # 研究间方差越大说明研究间差异越大 res_fixed$Q # 齐性检验统计量P值来自 pval.Q关于这段代码拆开说fixedTRUE、randomFALSE把模型限定为固定效应这只是诊断动作。I2建议取两位小数看比如87.4%就属于高度异质tau2是随机效应模型权重的核心输入两个研究的样本量一样时tau2越大权重差距反而越小。Q的P值低于0.05时提示存在异质性但P值在10项以内的小样本分析里经常不敏感要结合I2和tau2一起看不能单凭P值下结论。2.3 meta包还是metafor包日常合并选meta建模回归选metaformeta包和metafor包覆盖两类不同场景。meta包的metacont和metabin能处理标准两组对比forest、funnel一行出图对象结构简单控制台直接输出全部关键统计量适合“跑通并汇报”的日常需求。metafor则基于rma框架支持多水平模型、Meta回归、稳健方差估计适合样本量不多但协变量多的分析比如把站点海拔、距台风中心距离作为调节变量放进模型。台风影响分析如果只是合并效应量加亚组对比meta包够用一旦要探索异质性来源、做调节效应回归我会把数据转成metafor。从实操角度我建议两个包都装上日常在meta包里完成标准输出到了回归阶段换metafor。从R语言官网按平台下载R后在控制台执行install.packages(c(meta, metafor))即可注意两个包的更新速度不同meta包版本差异会影响forest函数默认画法复现他人代码前先确认sessionInfo的版本号。3. 数据集规范化含“文件说明”的压缩包怎么读、怎么填、怎么查3.1 先找说明书问清单位、口径和时间窗压缩包里既有数据集又有文件说明第一步是拆包后先读说明文档不要急着read.csv。文件说明再简洁也至少会交代三件事列名含义、测量单位、时间窗口。实际拿到台风数据我会按这个顺序确认降雨量是时雨量、日雨量还是台风过程累计量风速是2分钟平均还是10分钟平均灾损是直接经济损失还是含保险赔付的口径。这三个问题错一个SMD计算虽然能跑通但结论的含义完全不同。另一个容易忽略的是纳入排除条件。文件说明里通常会写研究筛选标准例如“站点距台风中心小于500千米”“观测期覆盖台风过境前后48小时”“排除自动站故障时段”。这些条件不是背景信息而是Meta分析定义“纳入研究”的边界。如果说明文档缺失或写得不完整最稳妥的做法是跳过有歧义的列只保留能明确解释的列进入后续分析并在报告中注明取舍逻辑。3.2 把列结构对齐到metacont模板不管原始数据集叫什么名字我拿到后都会先往一个固定模板上靠每个研究一行实验组和对照组各一组样本量、均值、标准差。这样做的原因很简单meta包的metacont函数只认这套结构列名不一致没关系在函数参数里映射过去就行但数据行本身必须是“一行一项研究”。我用过最顺手的结构是这样的也建议把原始表整理成这个格式再进分析id列是研究标识或站点标识后面跟影响组的三个统计量再跟对照组的三个统计量最后是分组用的站点区域和时间列。字段类型含义是否必填study字符研究或站点标识是year数值台风年份否可作为亚组region字符south/east/other否可作为亚组tn数值影响组样本量是m1数值影响组均值是s1数值影响组标准差是cn数值对照组样本量是m2数值对照组均值是s2数值对照组标准差是这个结构的关键是影响组和对照组各一套样本量与均值和标准差区域和时间列属于扩展信息只在做亚组分析时才用得上。若原始数据里效应量已经被别人算好应该先反向核对它和原始统计量是否一致不核对就用等于把第一步的差错带进整个合并过程。3.3 读入后的数据类型与缺失值体检数据集下载回来后第一件具体事是读入并做结构体检。新版R的read.csv默认stringsAsFactorsFALSE字符列会保留字符型但旧脚本或老R版本会把字符列自动转成因子。还有一类常见问题是缺失值以特殊编码出现比如-999或9999它们不会被识别成NA直接参与计算会让均值严重偏离。dat - read.csv(typhoon_meta_sim.csv) str(dat) # 逐列检查类型 summary(dat[, c(m1, s1, tn)]) # 核对量级是否合理 dat$s1[dat$s1 0] - NA # 标准差非正视为异常 colSums(is.na(dat)) # 缺失值统计 dat - dat[complete.cases(dat), ] # 剔除含缺失的研究说明一下这里的逻辑str()用来发现类型问题比如s1如果显示为chr说明读入时混入了“10”这类文本summary()看量级降雨量均值如果显示为4000多毫米大概率是单位或者小数点问题s1小于等于0直接标记为缺失因为标准差为0意味着该行方差信息不可信最后用complete.cases剔除不完整行这一步要放在函数调用之前否则metacont会静默剔除并改变研究编号顺序。如果文件说明里标了缺失编码还要补一行dat[dat -999] - NA把这个转换放在类型检查之前。提示剔除缺失行后注意看剩下多少项研究。Meta分析的研究数量少于5项时随机效应模型的tau²估计会很不稳定合并结论只能作为探索性结果。4. 从CSV到森林图用R跑通台风影响Meta分析的最小流程4.1 构造一份可直接复现的模拟数据集为了把流程完整跑一遍先构造一份模拟数据集。设定10个研究站点影响组台风影响期的降雨均值在45到95毫米之间对照组历史同期在30到55毫米之间组间差大约20到40毫米。这个量级接近台风过程降雨的真实对比场景森林图能直观看出组间差异。set.seed(42) n_study - 10 tn - sample(25:60, n_study, replace TRUE) # 影响组样本量 m1 - runif(n_study, 45, 95) # 影响组均值 s1 - runif(n_study, 10, 20) # 影响组标准差 cn - sample(20:50, n_study, replace TRUE) # 对照组样本量 m2 - runif(n_study, 30, 55) # 对照组均值 s2 - runif(n_study, 8, 15) # 对照组标准差 study - paste0(site_, seq_len(n_study)) region - sample(c(south, east, other), n_study, replace TRUE) dat - data.frame(study, region, tn, m1, s1, cn, m2, s2) write.csv(dat, typhoon_meta_sim.csv, row.names FALSE)这段代码里set.seed(42)保证每次生成的数据一致方便对照运行结果样本量用sample随机取整影响组略大于对照组是常见设计region列目前不参与计算留给后面的亚组操作。如果你已经有真实数据直接用read.csv替换这部分生成逻辑即可列名保持一致就不用改后续代码。4.2 调用metacont合并效应量五个必填参数核心计算只有一次函数调用但要把参数说明白。metacont的前六个位置参数对应实验组和对照组的样本量、均值、标准差我用命名参数写清楚。studlab用来指定每行研究的标签data指定数据框sm选SMD模型上只打开随机效应。library(meta) res - metacont(n.e tn, mean.e m1, sd.e s1, n.c cn, mean.c m2, sd.c s2, studlab study, data dat, sm SMD, random TRUE, fixed FALSE) print(res, digits 2)print输出分两大部分先给每个研究的SMD和置信区间再给随机效应合并结果。看的时候先找“Random effects model”那一行后面的SMD和95%置信区间就是本次Meta分析的总体结论再看Heterogeneity区域读tau²、I²和Q检验P值。以下表格是判断时常用的对照重点看前两行。输出项判断逻辑合并SMD的置信区间不含0说明有统计学意义I²小于40%可接受40%到75%属中等超过75%要警惕tau²大于合并效应量的一半时随机效应权重分布会明显拉平Q检验P值P小于0.05提示异质性但小样本下不敏感这个表解决的是“输出出来了怎么看”的问题。实际分析里如果I²超过75%我不会急着把合并值作为最终结论而是先回到异质性诊断也就是第5章的内容。4.3 森林图与漏斗图图形输出和异质性解读图形输出是最直观的结果呈现也是投稿和报告中最常出现的部分。forest一行出图funnel一行出偏倚检查基础图两张图的解读侧重点完全不同。forest(res, digits 2) funnel(res)森林图读法每一行是一个研究方块大小对应权重横线是置信区间底部菱形是合并效应量。先看菱形整体在0的哪一侧再看各研究的置信区间是否大面积相交。如果菱形跨过0说明合并结果没有统计学意义如果各研究横线差异很大说明异质性直观可见。漏斗图读法横轴是效应量纵轴是标准误大多数点应聚集在顶部并左右对称。底部散开是正常现象真正的问题是某项研究落在漏斗外或者一侧明显缺失那是发表偏倚的表现。另外给forest加上byvar region参数可以按区域分亚组展示不需要重新跑模型。5. 高异质性时的三个诊断技巧发表偏倚与敏感性追踪5.1 Egger回归给漏斗图不对称性一个量化判断漏斗图靠眼睛看不够Egger检验把标准误作为协变量做加权线性回归用截距偏离0的程度判断漏斗图是否对称。meta包里一个函数就能拿到结果metabias(res, method.bias linreg)结果里看P值通常用0.10作为阈值P小于0.10提示存在显著的不对称性。注意Egger检验在纳入研究少于10项时检验功效有限这份模拟数据只有10个研究P值不显著也不能完全排除偏倚只能作为辅助参考。5.2 单研究剔除检查看合并结果会不会翻盘逐次剔除一项研究、重算剩余研究的合并效应量这种做法叫留一法。它回答的问题是结论是否被某一项研究单独撑着。inf_res - metainf(res) forest(inf_res)读这个森林图的方法是看每次剔除后的合并效应量和置信区间是否还在原始结果的范围内。如果剔除某个研究后I²从80%掉到40%或者合并值从显著变成不显著说明结论对该研究高度依赖。遇到这种情况回到原始数据检查该项研究的设计和测量口径确认它是否和其余研究属于同一总体。5.3 剪补法估算缺失研究后的效应量偏移剪补法假设漏斗图应当对称通过迭代修剪不对称一侧的研究估计缺失研究数量再把这些“缺失”的研究补回数据集重新合并比较前后效应量tf - trimfill(res) summary(tf) funnel(tf)剪补前后的合并效应量差异如果很大说明发表偏倚可能改变了结论方向。此时更稳妥的表述是校正前的效应量作为主结果校正后的数值放进敏感性分析说明。注意剪补法给出的缺失研究是估计出来的对称性补偿并不是真实存在的文献在方法部分引用时需要说清楚。和留一法结果放在一起看留一法看的是单点依赖剪补法看的是整体偏倚两个结果一边倒时才需要强烈怀疑结论的稳健性。本文还有配套的精品资源点击获取