森林地块解读答案

【问题标题】：Forest plot interpretation森林地块解读
【发布时间】：2016-09-20 21:45:48
【问题描述】：

在我的研究中，我对病毒载量测量进行了荟萃分析，以测试 A 和 B 之间的特定相互作用是否会影响其水平。

这是我使用 R 获得的森林图：

但是，我不知道如何解释它。我知道这个结果很重要，因为 p=0.0073 并且因为整体效应估计 95% CI 不重叠 0。但是，钻石位于森林图的右侧是什么意思？

【问题讨论】：

表示整体效果是正面的。由于效果是一种相互作用，这意味着随着 B 的增加，A 的影响会变得更大（或更积极，或更少消极），反之亦然。请注意，这个问题不是关于编程的，而是关于统计的，因此这里是题外话。

【解决方案1】：

这取决于如何计算单个效应大小。这似乎是对每种病毒载量的 A 和 B 之间相关性的荟萃分析的森林图（您表示关联 p 值）。也许您使用不同病毒载量和相关标准偏差 (?) 之间的 z 转换相关性差异。如果是这样，您计算这种差异的方式将帮助您解释整体效应大小。它是否计算为大病毒载量的值减去小病毒载量的值？如果是这样，总体估计表明 A 和 B 之间的相互作用在大病毒载量中的影响更大。（如果菱形位于垂直虚线的左侧——即“无效应”线——它会反映在小病毒载量中更大的相互作用效应。）

还有一条评论：您似乎使用随机效应来估计总体效应大小（顺便说一下，每项研究的黑色方块的大小反映了分配给该研究的权重）。异质性检验似乎不显着（请参阅异质性 p 值），这意味着异质性不会影响您的荟萃分析结果。当这个测试结果很重要时，你需要考虑一个混合效应模型（即在你的数据集中找到可以帮助你解释这种异质性的调节器）。否则结果不可靠。

【讨论】：

感谢 Luminita 的回答和所有解释。为了执行森林图，我使用了以下变量：群组名称、估计值（即 beta）和标准误差。然后我使用 R 包“metafor”（使用method="FE"）执行了一个固定效应模型。我应该改用 REML 还是 ML？如果我理解正确，异质性检验不显着是好事，否则我将不得不做一个混合效应模型。对吗？
当样本的观察/研究通过相同的方法获得时，我们通常使用固定效应模型，并且我们有充分的理由假设真实效应大小恰好在所有研究中都相同。否则，我们应该使用随机效应来解释这些观察/研究之间的异质性。我不确定您的调查设置是什么，但这里有一个资源可以帮助您根据您的情况做出最佳选择：FEvsRE
关于异质性检验，是的，不显着就好。或者，您也可以查看异质性指标 I2（在模型结果中提供），它显示了研究之间的异质性对荟萃分析的影响。研究对整体异质性的贡献不同。然而，我们关心的不是研究之间的异质性本身，而是这如何影响荟萃分析的结果。
这里是 Cochrane Collaboration 对指标 I2 的简要回顾（它解释了查看 I2 的重要性、其计算以及阈值的解释）：I2
当异质性影响结果时，我们需要想办法减少它。理想情况下，我们设法通过在模型中添加调节器/变量来减少/解释它。如果不可能（即我们找不到相关的主持人），一个快速的解决方法是目视检查异质性图以查看哪些研究产生了大部分异质性（在“隐喻”包中，您可以通过在拟合后拟合“baujat”图来可视化这一点您的模型为baujat(name_of_your_model)）。然后，您从数据中一一删除罪魁祸首研究，然后返回拟合模型。