通用效应量Meta(亚组/回归)

所属分类：Meta分析

这个方法是做什么的

直接吃“已经算好的效应量与它的标准误”，把多项研究合并成一个总估计。必填两列：效应量与标准误 SE（研究标签可选），一行是一项研究，不是一个受试者。它不做任何效应量换算——你填 Cohen's d 它就合并 d，你填 ln(OR)、ln(HR)、回归系数 β，它就在那个尺度上合并。代价是所有研究的效应量必须已经在同一把尺子上，这一条模块检查不了。

它也是本族唯一能找异质性来源的模块：另有两个可选拖拽区，亚组变量（定类）与调节变量（定量）。拖了合格的变量，报告就从五张卡变成六张，多出来的那张给亚组分析（各亚组的随机效应合并值、组内 I²、亚组间 Q_between 检验）与随机效应 Meta 回归（斜率、SE、Z、p、截距、残差 τ²_res 与 Q_res、解释的异质性比例 R²_meta）。其余各卡与本族一致：各研究效应量与两套权重、Q/I²（附 95%CI）/τ²/H² 诊断表、固定效应与随机效应合并结果加 95% 预测区间、森林图与漏斗图、留一法与四项发表偏倚诊断（Egger、Begg、剪补、失安全数），末卡整理成可誊写的学术表述。

需要准备什么数据

• 研究标签 (可选)（可选）：不限
• 效应量：不限
• 标准误 SE：不限
• 亚组变量 (可选)（可选）：不限
• 调节变量 (可选)（可选）：不限

数据要求

• 数据表至少 3 行。
• 单列缺失率不超过 30%。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。

什么时候用它

• 各研究报的是 HR、ln(HR)、回归系数 β 这类本族其他模块吃不进去的效应量
• 效应量已经在别处算好（含调整了协变量之后的效应量），只需要合并
• 需要做亚组分析或 Meta 回归，去找异质性到底从哪来
• 各研究口径不一，先在表外统一成同一尺度，再一起合并

数据上的前提：两列必填项都是数值，SE 严格大于 0，至少 3 项研究；所有效应量必须在同一尺度上（全是 ln(OR)，或全是 Cohen's d，不能混）。亚组变量须为定类列；调节变量须为定量列且不能是常数（零方差时回归无解），Meta 回归至少需要 4 项含调节变量的研究，而 Cochrane 手册建议每个协变量至少 10 项。

什么时候不要用它

• 手上是各研究的 2×2 四格表：用「二分类效应Meta(OR/RR/RD)」，它替你算 OR/RR/RD 与对应方差，还会处理零格的连续性校正。
• 手上是两组的均值、标准差与样本量：用「连续效应Meta(MD/SMD)」，它替你算 Hedges g 的小样本校正。
• 手上是相关系数与样本量：用「相关系数Meta」，它替你做 Fisher z 变换并把区间约束在 (−1, 1) 内。
• 手上是事件数与总数、没有对照组：用「单率Meta」。
• 各研究的效应量根本不在同一尺度上（有的报 OR、有的报 d）：直接合并得不到有意义的值；原始数据齐全就按同一口径重算，用「二分类效应Meta(OR/RR/RD)」或「连续效应Meta(MD/SMD)」。
• 你拿的是同一批个体的原始数据，不是多项研究的汇总：一行一项研究的结构填不进去，个体数据按结局类型直接建模，如「线性回归 (最小二乘法)」或「逻辑回归」。

前四条有个例外：如果你既只有原始计数或均值，又需要做亚组分析或 Meta 回归，那就先用对应模块跑一遍、从第一张卡取走各研究的效应量与标准误，再填回本模块——本族只有这里带这两个可选拖拽区。

容易误读的地方

• 报告里每一个数字都停在你输入的那个尺度上。 表注写得很直白：本模块不做任何换算。若你填的是 ln(OR)，合并值 0.4327 要读成 OR ≈ 1.54，95%CI [0.2783, 0.5870] 要读成 [1.32, 1.80]，森林图的无效线在 0 而不是 1；预测区间、亚组表里的各组合并值、Meta 回归的斜率与截距，也全都在对数尺度上。反过来更危险：把已经取过指数的 OR 直接填进效应量列，逆方差加权就会在错误的尺度上做，结果被大 OR 的研究拉偏，而模块不会有任何提示。
• 标准误必须是效应量自己的标准误，填错不报错。 程序只检查 SE 是否严格为正；把样本标准差、置信区间宽度甚至样本量填进去，它照跑不误，给你一份格式完好的报告。这是本模块最危险的地方——另外四个模块从原始计数或均值出发，内部还有一致性可查，这里没有任何东西替你验算。常用换算是 SE = (区间上限 − 区间下限) / 3.92（对数尺度的量要先取对数再算）。跑完第一件事是对第一张卡：各研究的 95%CI 是否和原文表格里的区间对得上，对不上就是 SE 填错了。
• 亚组分析是观察性比较，判断组间差异看 Q_between，不是看两组各自的 p。 表注已声明各亚组不是随机分配的，亚组分得越多假阳性风险越高。本次按“研究地区”分层：亚洲 0.4186 [0.1594, 0.6779]、欧美 0.4658 [0.2825, 0.6490]，两组区间都不含 0，而 Q_between(1) = 1.189、p = 0.276，组间并无可检出的差异。常见的错误正好相反——一组显著、另一组不显著就宣称该因素有调节作用，那往往只是两组研究数不同造成的精度差异。何况“地区”这个标签同时捆着人群、剂量、随访、发表语言一整串东西，就算 Q_between 显著，也说不上是地区在起作用。
• Meta 回归是研究层面的生态学关联，R² 好看不等于结论成立。 本次以“平均随访月数”为调节变量：R²_meta = 25.2% 看着不小，但斜率 p = 0.215，残差 Q_res 的 p = 0.039 说明扣掉它之后异质性依然在。k = 12 只够放一个协变量，研究数不足时 R² 极易被过拟合抬高。即使斜率显著，它说的也是“随访更长的那些研究平均效应更小”，不能读成“同一个人随访久了效应会衰减”——把研究层面的关联搬到个体层面是这里最典型的错误。卡5 的结论文案已写明：亚组与 Meta 回归都是事后探索，除非在方案中预先注册，结论只能作为下一步研究的假设。
• 调节变量不合格时模块会静默跳过，跳得比你以为的彻底。 含调节变量的有效研究不足 4 项、或那一列是常数时，模块就把它当作没拖过。同时拖了亚组变量时，卡5 照常生成，末尾会补一句“本次未做 Meta 回归（未提供合格的连续调节变量，或研究数不足 4）”；但若只拖了调节变量，卡5 整张不生成，报告仍是五张卡，全文检索不到“调节变量”与“Meta 回归”任何字样——没有一处提示你少了什么。亚组那侧的静默藏在“说明”列：某个亚组只有 1 项研究时，那一行是该研究自身的效应与区间，标注“未做合并”。这些“未做”都不等于“做了但不显著”。 另外 Meta 回归一次只接受一个连续调节变量，想同时控制多个因素只能分别跑——那就是在同一批研究上做多次检验，报告不会替你校正。

报告里有什么

1. 输出结果一：纳入研究概览与异质性前提检验
2. 输出结果二：合并效应主结果表
3. 输出结果三：森林图与漏斗图
4. 输出结果四：敏感性分析与发表偏倚检验
5. 输出结果五：亚组分析与 Meta 回归（异质性来源探索）
6. 输出结果六：结论与学术表述