R数据分析：用R语言做meta分析

这里以我的一篇meta分析为例，详细描述meta分析的一般步骤，该例子实现的是效应量β的合并

R包:metafor或meta包，第一个例子以metafor包为例。

1.准备数据集

2.异质性检验

install.packages("metafor")library(metafor)metamod<-rma(yi=β,data=metabirth3,sei=se,method="DL")#β是回归系数的值，se是标准误，DL表示选择的是随机效应模型，固定效应模型是method="FE"summary(metamod)#输出结果

可以看到I^2为28.34%，属于低度异质性，可采用固定效应模型。异质性低的时候可以采用固定效应模型和随机效应模型，结果差别不大，但高异质性只能选择随机效应模型，否则会使结果外推性受到约束。此处选择随机效应模型是出于保守情况考虑。

3.森林图绘制

forestplot<-forest(metamod,refline = 1,mlab="Random-effect Model for All Studies",                   slab=paste(metabirth3$author,metabirth3$year,sep=","),                   xlab="β",showweights = T)text(-500,6:1,pos=2,metabirth3$country)text(c(-1600,-500,300,800),8,pos=c(4,2,4,4),c("Author(s) and Year", "Location","Weight","β[95%CI]"),cex=1,font=2)#添加标签

结果如下图

黑色方块表示的是权重大小，对应着右方的weight，水平横线是95%置信区间。菱形是合并效应值，95%置信区间小于0，意味着meta分析结果有统计学意义。

4.文献发表偏倚检验

可以用漏斗图及Begger’s及Egger’s检验

funnel(metamod)ranktest(metamod)#Begg's检验#regtest(metamod)#Egger's检验#

可能是由于文献数量的限制，漏斗图呈现明显不对称模式，无法判断是由于发表偏倚所致还是文献数量太少的缘故

可以看出Begg’s检验及Egger’s 检验的结果，P值都是大于0.05的，也就意味着没有发表偏倚。

5.敏感性检验

leavelout(metamod,digits = 3)

往期内容：

R数据分析：贝叶斯定理的R语言模拟

R数据分析：用R语言做潜类别分析LCA

R可视化：如何用R做一个让别人一目了然的图

R语言：利用caret的dummyVars函数设置虚拟变量

R数据分析：R Markdown：数据分析过程 告利器，你必须得学呀