如何利用R语言进行meta分析—详细教程（2）

Question

如题所述

Answer 1

如何利用R语言进行meta分析—详细教程（2）

安装包与录入数据：
install.packages("metaplus")

library("metaplus")

对”duration”列按升序排列：data<-data[order(data$duration), ]

### 标准正态随机效应模型

数据的标准正态随机效应模型 Meta 分析结果见表2和表3。结果如图3。

数据拟合与选择：smd 为观察的效应量，sesmd 为效应量的标准误，mods 为各研究相对应的协变量数据框架，slab 为与每个研究相对应的字符串向量，random 参数为正态分布，命令如下：data.meta<-metaplus(smd, sesmd, mods=duration, slab=study, random="normal", data=data)。总结结果见表2和表3，图形展示见图3。

### t 分布随机效应模型

进行t分布随机效应模型 Meta 分析，命令与标准正态模型相似，仅将random 参数改为“t-dist”：data.meta<-metaplus(smd,sesmd ,mods= duration, slab= study, random= "t-dist",data=data)。结果如表4和表5，图形展示见图4。

### 混合随机效应模型

混合随机效应模型的命令为：data.meta<-metaplus(smd,sesmd ,mods= duration, slab= study, random= "mixture",data=data)。结果如表6和表7，图形展示见图5。

### 离群值检验

使用 testOutliers 函数进行离群值检验：data.testOutliers<-testOutliers(data.meta)，结果见图6。此外，outliersProbs 函数可以计算离群概率，并绘制离群概率图像，结果见图7。

### 模型选择

选择模型基于AIC和BIC，AIC和BIC值越小，模型拟合效果越好。当t分布模型或混合模型的AIC和BIC值低于标准模型时，倾向选择t分布模型或混合模型。考虑到数据中存在离群值，选择应用混合随机效应模型。

### 输出meta分析结果

使用 metafor 程序包绘制森林图，命令为：plot（data.meta，extrameta=NULL，xlab=“Forset Plot-全哥制作”），结果见图9。

### meta回归

应用混合随机效应模型对4、8 和 12 周效应进行Meta回归，命令如下：data$duration4<-data$duration4，data$duration8<-data$duration8，data$duration12<-data$duration12。Meta 回归森林图见图10，图10结果表明研究效应随持续时间延长而下降，可能与安慰剂效应的减低或消失相关。

### 模型比较

固定效应模型假设所有研究拥有共同的真实效应，随机效应模型中的真实效应量随研究不同。标准正态、t分布和混合模型提供不同拟合，考虑离群值的模型更优。

### 总结

metaplus 包在标准 Meta分析法基础上提供离群值检测和概率计算。使用 testOutliers() 命令时计算时间可能较长。仅支持标准正态、t分布和混合随机效应模型，未扩展至其他效应量分布类型。

最后，欢迎屏幕前的你通过公众号（全哥的学习生涯）与我交流R语言学习问题或看法。感谢阅读。