在优势比的大多数荟萃分析中，标准误差基于对数优势比。那么，您是否碰巧知道您的是如何估算的（以及它们反映的指标是什么？或）？鉴于基于，则可以轻松计算合并标准误差（在固定效应模型下）。首先，让我们计算每个效应大小的权重：。其次，合并标准误差是。此外，让$se_i$$log(OR_i)$$se_i$$OR$$log(OR)$$se_i$$log(OR_i)$$w_i = \frac{1}{se_i^2}$$se_{FEM} = \sqrt{\frac{1}{\sum w}}$$log(OR_{FEM})$是共同效应（固定效应模型）。然后，("pooled") 95% 置信区间为。$log(OR_{FEM}) \pm 1.96 \cdot se_{FEM}$

更新

由于 BIBB 友好地提供了数据，我能够在 R 中运行“完整”元分析。

library(meta)
or <- c(0.75, 0.85)
se <- c(0.0937, 0.1029)
logor <- log(or)
(or.fem <- metagen(logor, se, sm = "OR"))

> (or.fem <- metagen(logor, se, sm = "OR"))
    OR            95%-CI %W(fixed) %W(random)
1 0.75  [0.6242; 0.9012]     54.67      54.67
2 0.85  [0.6948; 1.0399]     45.33      45.33

Number of trials combined: 2 

                         OR           95%-CI       z  p.value
Fixed effect model   0.7938  [0.693; 0.9092] -3.3335   0.0009
Random effects model 0.7938  [0.693; 0.9092] -3.3335   0.0009

Quantifying heterogeneity:
tau^2 < 0.0001; H = 1; I^2 = 0%

Test of heterogeneity:
    Q d.f.  p.value
 0.81    1   0.3685

Method: Inverse variance method

参考

参见例如Lipsey/Wilson (2001: 114)

实际上，您可以使用专门为 GWA 环境中的元分析设计的METAL等软件。

plink 没有给出置信区间很尴尬。但是，您可以获得 CI，因为您有最终的 OR（取）和值（因此是）以获得固定效果。$\log(\text{OR})$$p$$z$

Bernd 的方法更加精确。

请注意，我会更担心效果方向，因为看起来您只有每项研究的摘要统计数据，但无法确定哪个是 OR 等位基因。除非你知道它是在同一个等位基因上完成的。

基督教

这是一条评论（没有足够的代表点数）。如果您知道每项研究中的样本量（#cases 和 #controls）以及 SNP 的优势比，您可以通过 a/b（其中 a 和 b 是两个等位基因）重建 2x2 病例/对照表两项研究中的每一项。然后，您可以将这些计数相加以获得元研究表，并使用它来计算组合的优势比和置信区间。

以下是在 PLINK 中获取用于元分析的 CI 的代码：

getCI = function(mn1, se1, method){
    remov = c(0, NA)
    mn    = mn1[! mn1 %in% remov]
    se    = se1[! mn1 %in% remov]
    vars  <- se^2
    vwts  <- 1/vars

    fixedsumm <- sum(vwts * mn)/sum(vwts)
    Q         <- sum(((mn - fixedsumm)^2)/vars)
    df        <- length(mn) - 1
    tau2      <- max(0, (Q - df)/(sum(vwts) - sum(vwts^2)/sum(vwts)) )

    if (method == "fixed"){ wt <- 1/vars } else { wt <- 1/(vars + tau2) }

    summ <- sum(wt * mn)/sum(wt)
    if (method == "fixed") 
         varsum <- sum(wt * wt * vars)/(sum(wt)^2)
    else varsum <- sum(wt * wt * (vars + tau2))/(sum(wt)^2)

    summtest   <- summ/sqrt(varsum)
    df         <- length(vars) - 1
    se.summary <- sqrt(varsum)
    pval       = 1 - pchisq(summtest^2,1)
    pvalhet    = 1 - pchisq(Q, df)
    L95        = summ - 1.96*se.summary
    U95        = summ + 1.96*se.summary
    # out = c(round(c(summ,L95,U95),2), format(pval,scientific=TRUE), pvalhet)   
    # c("OR","L95","U95","p","ph")
    # return(out)

    out = c(paste(round(summ,3), ' [', round(L95,3), ', ', round(U95,3), ']', sep=""),
            format(pval, scientific=TRUE), round(pvalhet,3))
    # c("OR","L95","U95","p","ph")
    return(out)
}

调用 R 函数：

getCI(log(plinkORs), plinkSEs)