单组率meta分析,你知道怎么做发表偏倚检验、敏感性分析和亚组分析吗?

在我们分享了Stata实现单组率meta分析的教程(单组率的meta分析:metan还是metaprop)后,粉丝朋友们提出了一些后续操作问题。
例如:单组率meta分析,发表偏倚检验、敏感性分析、亚组分析怎么做?
先说重点1 对于可以用metan完成森林图的数据(也就是无极端值或偏态数据),可以实现发表偏倚检验、敏感性分析、亚组分析的操作;2 对于只能用metaprop完成森林图的数据(数据存在极端值或非正态分布),发表偏倚检验、敏感性分析都做不了(做了结果也不对),但可以做亚组分析;3 其实单组率的meta分析,没必要做发表偏倚检验,敏感性分析的意义也不大。
接着聊操作1 发表偏倚检验单组率meta分析,不需要做发表偏倚检验,为什么?因为单组率只是一个描述性结果,而不是差异比较结果,不存在所谓的“阳性”结果或有统计学意义的结果。
然而,一定要做发表偏倚检验的话,操作上是可行的。以下图的这些数据为例,在之前的推文(单组率的meta分析:metan还是metaprop),我们已经知道它们可以使用“metan”完成效应量合并的森林图。

在这个过程中,我们生成了p和se,利用它们就可以实现发表偏倚检验。

运行代码:metabias p se, egger graph得到egger检验的结果,P = 0.010 < 0.05,提示有显著的发表偏倚。

这个结果没有出乎意料,事实上,单组率的meta分析,“存在”发表偏倚的可能性,我认为是在95%以上,因为它们肯定都是“阳性”结果。这也是为什么我不认同单组率的meta分析需要做发表偏倚检验。
2 敏感性分析单组率的meta分析,如果数据可以通过“metan”实现的,敏感性分析跟常规meta分析一样。
按照截图的设置,选择主菜单(Main)和二级菜单(Effect Opts)的相关参数。


以上菜单操作,就是以率(p)和标准误(se)为数据,通过随机效应模型完成敏感性分析,点击“OK”得到结果。

同样的,结果毫无疑问是“稳定”。不管剔除哪个研究,剩余研究的合并结果都不会变成没有统计学意义。
用“metaprop”完成单组率meta分析的数据,为什么不能按上面的方法做发表偏倚检验或敏感性分析呢?我们用实例验证。

数据中,“p, se”是通过metan完成森林图时,通过公式计算得到的率和标准误;而“_es, _sees”是通过metaprop对应的率和标准误。
既然森林图的合并结果是用“_es, _sees”计算得到的,用“p, se”做敏感性分析就不合适。那能不能用前者做敏感性分析呢?答案也是不行的,我们可以操作一下。

此时,我们要看的是,总合并结果:P (95%CI) = 0.22 (0.05, 0.39)。事实上,用metaprop得到的合并结果是P (95%CI) = 0.20 (0.04, 0.44)。
结果的差异在于这是两种不同的算法,因此,存在非正态分布数据或极端值时,我们可以用metaprop完成的单组率meta分析,但不能用metaninf或metainf做敏感性分析。
3 亚组分析要做亚组分析,需要整理一个分组变量,如下图的“group”,分为A、B两个亚组。

操作很简单,我们已经知道了metaprop实现单组率meta分析森林图的代码:metaprop case n, random cimethod(exact) lcols( study) xlab(0.2, 0.4, 0.6, 0.8) dp(3)
只需要在代码的最后加上:by(xx),也就是:metaprop case n, random cimethod(exact) lcols( study) xlab(0.2, 0.4, 0.6, 0.8) dp(3) by(group)

Ok,亚组分析完成了。
要提醒大家的一点是:metaprop的亚组分析,分组后,亚组的研究数量在3篇或以下,是不显示异质性检验结果的。如果审稿人有疑问,解释一下即可。
今天的分享就到这了!
