给定风险比的试验的荟萃分析

机器算法验证 r 荟萃分析
2022-03-18 20:25:14

我正在尝试在 R（使用 metafor）中对结果进行风险比的试验进行荟萃分析，并且我得到了 95% CI 和/或标准误差和n。

因此，如果我有如下列：

Trial name      HR      SE     n

我看过http://www.inside-r.org/packages/cran/metafor/docs/dat.pignon2000

看来我想要的是

1）风险比的对数（简单）

2）方差（我认为我可以做到 (SE*sqrt(n))^2 ，其中 SE 甚至是从 95% CI 给出或计算出来的）。

所以代码是这样的：

#Effect sizes == log HR
dat$yi <- with(dat, log(mid_per_unit))

#Variances == (SE*sqrt(n))^2
dat$vi <- with(dat, (SE*sqrt(n))^2)


res <- rma(yi, vi, data=dat, method="FE")

forest(res)

但

1）我不确定这是否有效

2）我最终得到了人力资源日志的森林图（我猜）？我想找到我只是做日志（估计）的“元分析”人力资源？

附录：不用担心反向转换，到目前为止，最简单的事情是添加atransf=exp到 rma 对象的 forest() 调用。

1个回答

假设您有对数风险比（在向量中收集yi）和对数风险比的标准误差（在向量中收集sei），那么您可以将固定效应模型拟合到这些数据：

res <- rma(yi, sei=sei, data=dat, method="FE")

与通常用于荟萃分析的其他几个结果指标（例如，风险比、优势比、发生率比）一样，我们不直接荟萃分析风险比，而是首先对它们进行对数转换。这有两个目的：

  1. 原始风险比的抽样分布通常非常偏斜。然而，标准的元分析模型假设结果测量的抽样分布（至少近似）是正态的，并且该假设更适合于对数转换的风险比。

  2. 原始风险比在 1 附近不对称。因此，如果要平均 0.5 和 2.0 的风险比（彼此完全相反），那么我们将得到 1.25，这是没有意义的。但是，对数转换后的值为 -0.6931 和 +0.6931，其平均值为 0。经过反向转换（取幂）后，我们得到 1，并且适当的结论是，平均而言，风险比为 1。

另请注意，使用 Cox 比例风险模型（通常是荟萃分析获得的风险比的来源）的分析是在对数尺度上进行的。因此，当标准误差与风险比一起报告时，该标准误差很可能是指对数转换的风险比，而不是原始风险比（事实上，鉴于原始风险比分布的偏度，如果确实报告了原始风险比的标准误差的有用性，则相当值得怀疑）。

类似地，如果报告了置信区间，那么它很可能是在对数尺度上构建的，并且边界随后被取幂。然后我们可以轻松地反算对数风险比的 SE。另请参阅this question，它正好涉及该问题。

与对数秩检验结果一起报告的风险比也是如此。毫不奇怪，正如测试的名称所暗示的那样，基础分析也是在对数尺度上完成的。因此，基于此类结果计算的标准误差再次指的是对数风险比，而不是原始风险比。

一些额外的评论：

  1. 对数风险比的抽样方差是通过简单地对标准误差进行平方来获得的。所以，你可以只使用rma(yi, sei^2, data=dat, method="FE")or 先创建vi <- dat$sei^2然后rma(yi, vi, data=dat, method="FE"). 不要乘以/除以样本大小或其平方根。

  2. 对数风险比的标准误与取原始风险比的标准误的对数不同。不能只对标准误差（或方差）应用相同的转换。在某些情况下，可以使用delta 方法来近似某个随机变量在变换后的标准误差（或方差）。

其它你可能感兴趣的问题
上一篇动态时间扭曲有哪些好的（快速）替代方案？ 下一篇是否应该重新考虑预测准确性或最小化 MSE？