meta分析大作战06

Freescience联盟

点击加入，一起做科研！

全国最大meta分析平台

智能meta分析平台

最强免费资源分享

Freescience联盟

Freescience联盟是由高校、医院FS公众号和科研技能公众号等百家单位联合创建的科研交流分享平台；创建于2015年。

联盟的宗旨：“ 公正至上，自由分享，平等共赢 ”。

两大核心技术平台：meta分析+生信大数据

欢迎您的关注，让我们共同学习进步 http://mp.weixin.qq.com/s/dmxxyOxdtAWcykqoBDpbxg

请多关注哦~

感谢大家！谢谢 各位能用实际 行动对freescience自由分享知识的理念表示支持，作为 freescience联盟的发起者，freescience联盟的全体主编 由衷地感到高兴，在接下来的日子里，我们一定会共享更 有价值的科研实用推送。

很多软件是去年搜集的，一些破解版软件已经失效，需 要再次征集，如果您手中恰好有一些实用软件，可以将网 盘链接发至本公众号后台  （直接发软件包到后台是收不到 的），我们会在下次一起推出。

4.6 根据meta回归的结果，将Age分为young和old两组

Fleiss93$subage = ifelse(Fleiss93$age metaresult4  studlab=paste(study, year),comb.random=FALSE)
forest(metaresult4)

# 这里，我们清醒地看到年轻组效应量明显变小，异质性I^2也明显变小。临床上的解释，60岁以前的心梗患者，使用阿司匹林，更能降低死亡率，且这个结果很可靠。

4.7 亚组分析，meta分析探讨异质性来源的主要法宝

亚组分析一般用于寻找异质性来源，但本实例中异质性并不大。谨以此为例，依然进行亚组分析演示，考虑到治疗方法中患者年龄可能导致异质性，同时结合meta回归的结果，故将此变量作为分组依据进行亚组分析，添加亚组分析代码 byvar = subage 。当然，还可以直接进行发表年份的亚组分析，我们将发表年份的截断值定位1980，探索一下发表年份，对研究的结果的影响。

Fleiss93$subyear = ifelse(Fleiss93$year metaresult5  studlab=paste(study, year),comb.random=FALSE)
forest(metaresult5)

# 1980年之前的研究，异质性的I^2结果=0且效应量更小，说明1980前的研究更能证明：口服阿司匹林降低了心梗患者死亡率。

4.8 亚组分析，调整参数

调整参数的目的：选择不同的模型，固定效应模型和随机效应模型的选择，根据需求，选择是否显示总的效应量和亚组的效应量

metaresult6forest(metaresult6,overall = FALSE, rightcols =  c("w.fixed"))

#显示固定效应模型metaresult7                  studlab = paste(study, " " , year), comb.random = FALSE,
                 byvar = subage, print.byvar = FALSE,
                 label.e = "Treatment",label.c = "Control")
forest(metaresult7,overall = FALSE, rightcols =  c("effect", "ci", "w.fixed"), sortvar = year, xlim = c(0.5,5))

#显示固定效应模型，效应量，可信区间，权重metaresult8                  studlab = paste(study, " " , year), #comb.random = FALSE,
                 byvar = subage, print.byvar = FALSE,
                 label.e = "Treatment",label.c = "Control")
forest(metaresult8,overall = FALSE, rightcols =  c("effect", "ci", "w.fixed","w.random"), sortvar = year, xlim = c(0.5,5))

#显示固定和随机效应模型，效应量，可信区间，权重，不展示总效应量metaresult9                  studlab = paste(study, " " , year), #comb.random = FALSE,
                 byvar = subage, print.byvar = FALSE,
                 label.e = "Treatment",label.c = "Control")
forest(metaresult9,overall = TRUE, rightcols =  c("effect", "ci", "w.fixed","w.random"), sortvar = year, xlim = c(0.5,5))

#显示固定和随机效应模型，效应量，可信区间，权重，同时展示总效应量# 好吧，到此完美达到我们想要的效果。