meta分析的10个问题：从理论概念到r语言操作实践 -凯发k8国际首页登录

　　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。

　　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，均数，标准差;n.c, mean.c, sd.c表示对照组(非暴露组)的，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;event.c, n.c,表示对照组(非暴露组)的事件数和;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，因为那里是天堂;如果你恨一个人，也让他做，因为那里是地狱!