与META有关的统计学知识分析.ppt

分类变量RD、OR、RR及可信区间 数值型变量MD、WMD、SMD及可信区间 谢谢！ WMD与SMD的CI计算 WMD合并95%的可信区间： WMD合并±1.96×SE(WMD) SMD合并95%的可信区间： SMD合并±1.96×SE(SMD) MD与SMD的森林图示意 试验组＞对照组 0 无效线 无统计学意义 试验组＜对照组 合并统计量的两种统计模型 固定效应模型( fixed effect model)：若多个研究具有同质性（无异质性）时，可使用，可使用固定效应模型。 随机效应模型(random effect model )：若多个研究不具有同质性时，先对异质原因进行处理，若异质性分析与处理后仍无法解决异质性时，可使用随机效应模型。 关于随机效应模型（1） 随机效应模型一种对异质性资料进行Meta分析的方法，但是，该法不能控制混杂、也不能校正偏倚或减少异质性，更不能消除产生异质性的原因。目前，随机效应模型多采用D-L法（DerSimonian Laird法）。 ) Σ W i2 Σ W i ) D-L法是1986年，由DerSimonian和Laird首先提出，该法不仅可用于分类变量，也适用于数值变量。D-L法主要是对权重Wi进行校正，即将各式中的Wi 按下式进行计算： * W i =(D + 1 -1 W i 其中 D 按下式计算： D = Q － (K － 1) (Σ W i— 关于随机效应模型（2） 关于随机效应模型（3） D-L法是通过增大小样本资料的权重，减少大样本资料的权重来处理资料间的异质性，而这种处理存在着较大风险。通常小样本资料往往质量较差，偏倚较大，而大样本资料往往质量较好，偏倚较小。 因此，经随机效应模型处理的结果，可能削弱了质量好的大样本信息，增大了质量差的小样本信息，故应谨慎使用随机效应模型，对其结论也应当较为委婉。 固定 二分类变量 (Dichotomous) 合并统计量 (Summary statistic) OR(odds ratio) RR(relative risk) 模型 (Model) 固定 固定 随机* 固定 计算方法 (Method) Peto 法 Mantel-Haenszel 法 D-L 法 Mantel-Haenszel 法 RD(risk difference) 随机* 随机* D-L 法 Mantel-Haenszel 法 D-L 法 数值变量(Continuous) WMD(weighted mean difference) 固定 随机* 倒方差法 (inverse variance) D-L 法 个案资料 (Individual) SMD(standardised mean difference) OR(odds ratio) 固定 随机* 固定 倒方差法 (inverse variance) D-L 法 Peto 法 资料类型(Type of data) 5、合并效应量的检验 用假设检验(hypothesis test )的方法检验多个独立研究的总效应量（效应尺度）是否具有统计学意义，其原理与常规的假设检验完全相同。 两种方法： ①u检验（Z test） ②卡方检验（Chi square test） 根据z或(u)值或卡方值得到该统计量下概率（P）值。 ◆若P≤0.05，多个研究的合并效应量有统计学意义； ◆若P＞0.05，多个研究的合并效应量没有统计学意义。 6、合并效应量的可信区间 可信区间(confidence interval，CI)是按一定的概率估计总体参数(总体均数、总体率)所在的范围(区间) ，如：95%的CI，是指总体参数在该范围(区间) 的可能性为95%。 可信区间主要有估计总体参数和假设检验两个用途。 在Meta分析中，常用可信区间进行假设检验，95%的可信区间与α为0.05的假设检验等价，99%的可信区间与α为0.01的假设检验等价。 此外，森林图即是根据各个独立研究的95%可信区间及合并效应量的的95%可信区间绘制的。 OR与RR的可信区间 若选择OR或RR为合并统计量时，其95%的可信区间与假设检验的关系如下： ◆若其95%CI包含了1，等价于P0.05，即合并统计量无统计学意义。 ◆若其95%CI的上下限均大于1或均小于1，等价于P0.05，即合并效应量有统计学意义。 ] ) - ) 固定效应模型的计算 P e to O R 合 并 = e x p [ ∑ (a i -E i ) ∑ V i O R 合并 = Σ (a i d