对于以下方面的帮助，我将不胜感激。
我有两项独立研究，着眼于疾病 B 的治疗 A。
两者都根据不同年龄组（<50 和 >50）的治疗暴露给出疾病 B 的 RR。
下面是一个假设dataframe
df<-data.frame(rr=c(.50,.30,.60,.20),lb=c(.31,.18,.33,.09),
ub=c(.82,.49,1.08,.44),study=c(1,1,2,2),
agegroup=c("below","above","below","above"))
df$"logrr" <-log(df$rr)
df$"logub" <-log(df$ub)
df$"loglb" <-log(df$lb)
df$"se" <-(df$logub-df$loglb)/3.92
我想进行（荟萃分析）和统计检验，以确定年龄组之间治疗效果的差异是否具有统计学意义（即我希望引用 p 值）。我拥有的唯一数据是我想要比较的 RR 和 95% CI（即我没有关于样本量的信息）。
请有人让我知道我可以输入数据的公式。
如果有帮助，我正在使用 R。
在这种情况下，您应该直接量化研究中交互作用的大小（治疗组变量和年龄组变量之间）。您可以通过计算研究中两个 log RR 之间的差异来做到这一点。差异的方差只是两个平方标准误差的总和，因为试验中的两个亚组由不同的个体（50 岁以下/50 岁以上）组成，因此是独立的。所以：
df.diff <- with(df, data.frame(study = 1:2,
yi = c(logrr[1]-logrr[2], logrr[3]-logrr[4]),
vi = c(se[1]^2 + se[2]^2, se[3]^2 + se[4]^2)))
所以我们得到：
study yi vi
1 1 0.5108256 0.1268421
2 2 1.0986123 0.2553729
然后您可以对这些值进行元分析：
res <- rma(yi, vi, data=df.diff)
res
这产生：
Random-Effects Model (k = 2; tau^2 estimator: REML)
tau^2 (estimated amount of total heterogeneity): 0 (SE = 0.2703)
tau (square root of estimated tau^2 value): 0
I^2 (total heterogeneity / total variability): 0.00%
H^2 (total variability / sampling variability): 1.00
Test for Heterogeneity:
Q(df = 1) = 0.9039, p-val = 0.3417
Model Results:
estimate se zval pval ci.lb ci.ub
0.7059 0.2911 2.4248 0.0153 0.1353 1.2765 *
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
因此，交互效应的估计大小为，并且由于我们计算了 (log RR for below 50) - (log RR for above 50)，这个值表明 log RR 是平均的在 50 岁以下的群体中得分更高。或者：
predict(res, transf=exp)
产量：
pred ci.lb ci.ub cr.lb cr.ub
2.0256 1.1449 3.5839 1.1449 3.5839
这表明在 50 岁以下的群体中，RR 平均大约是其两倍。
我将抛开是否使用随机效应模型的问题是否合理，但由于估计的异质性量无论如何都是 0，如果我们使用固定效应模型 ( method="FE")，我们将获得相同的结果。
您可以将此视为元回归的示例。您可以将数据框设置为包含 RR、CILB、CIUB、study、agegrp 的列。然后，您将在模型中输入 study 和 agregrp 作为主持人。研究的效果并不重要，只是要消除整体治疗效果的研究差异。agegrp 的系数会告诉您年龄组之间的差异。我假设你会在对数尺度上做这一切，如果你使用 R 中的默认对比，如果你明白我的意思，那么在取幂时 agegrp 的系数会给你相对的相对风险。