单率Meta

所属分类：Meta分析

这个方法是做什么的

把多项研究各自报告的单组发生率合并成一个总的率估计。只要两列：事件数与总数（研究标签可选），一行是一项研究，不是一个受试者。没有对照组，也没有效应量选择器：每个研究的率先经 logit 变换 z = ln(p/(1−p)) 转到近似正态的尺度上加权平均，再反变换回率展示，因此所有区间端点都自动落在 (0, 1) 内。

这里有一件和本族其他模块都不同的事：单率没有“无效值”这个参照。OR 有 1、均值差和相关系数有 0，率没有。所以主结果表里那个 Z 与 p 检验的其实是“logit 尺度上的合并值是否为 0”，也就是“率是不是等于 50%”，表注与卡2 的结论文案都明确写着它不作为主要结论；森林图的灰色虚线也只画在合并率的位置作视觉对照，不是无效线。除此之外的输出与本族一致：第一张卡给各研究的率、95%CI、两套权重与异质性诊断（Q、I² 及其 95%CI、τ²/τ、H²），第二张卡给固定效应与随机效应合并结果加一行 95% 预测区间，第三张卡是森林图与漏斗图，第四张卡做留一法与四项发表偏倚诊断，第五张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
• 事件数：不限
• 总数：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

• 多项研究报告了同一疾病的患病率、检出率、并发症发生率或阳性率
• 多项研究报告了同一干预的不良反应发生率、有效率或失访率
• 系统评价需要一个合并的发生率以及它的区间，并要报告异质性
• 想知道各研究之间的率差异有多大、合并值会不会被某一项研究带着走

数据上的前提：事件数与总数都是非负整数，事件数不超过总数，总数为正，至少 3 项研究。更要紧的前提在数据之外——各研究必须测量同一个结局、来自可比的目标人群，否则把一堆率平均出来的数字没有指代对象。

什么时候不要用它

• 有对照组，要比较两组的率：用「二分类效应Meta(OR/RR/RD)」，它会替你算 OR/RR/RD 并处理零格校正。
• 只有一项研究，想给单个率一个置信区间或与某个理论值比较：那不是 Meta 分析，用「二项式检验」。
• 各研究只报了率与它的 95%CI，拿不到事件数与总数：先把率与区间换算成 logit 尺度上的估计与标准误，再用「通用效应量Meta(亚组/回归)」。
• 想按地区、年份或诊断标准做亚组分析或 Meta 回归：本模块没有这两个拖拽区，用「通用效应量Meta(亚组/回归)」。
• 结局是人时发生率（每千人年这类发病密度）：事件数与总数的结构填不进去，先算好 ln(率) 与其标准误，再用「通用效应量Meta(亚组/回归)」。
• 要合并的是连续结局的均值而不是率：用「连续效应Meta(MD/SMD)」。

容易误读的地方

• 主结果表里那个 p < 0.001，不是“这个率显著”。 它检验的是 logit 尺度上的合并值是否为 0，翻译过来就是“合并率是否等于 50%”。本次它说的是“31.86% 显著地不等于 50%”——这句话对任何研究问题都没有用处。该报告的是合并估计本身：0.3186，95%CI [0.2789, 0.3612]。摘要、表注和卡2 的结论文案都已声明不做显著性判定，但这个星号还是最容易被顺手抄进论文的东西。同理，森林图上跨不跨那条灰色虚线，与显著性无关。
• 失安全数与留一法那列“结论不变”，在单率下几乎没有解释价值。 表5 的 Rosenthal 失安全数 N_fs = 1459.9，它的字面含义是“再补进约 1459 项率恰好为 50% 的研究，合并率才会不再显著异于 50%”——问题问错了，答案再大也没意义。留一法末列同样：表注已声明它在这里只当作“结果是否被单一研究左右”的稳健性信号。真正该读的是各行点估计的漂移幅度：本次全模型合并率 0.3186，逐一剔除后最低 0.3116（剔 Xu 2021）、最高 0.3322（剔 Li 2017），整张表的跨度是 2.06 个百分点，没有哪一项研究能把结果带走——这才是稳健的证据。
• τ 印在 logit 尺度上，别读成“各研究的率相差 0.30”。 本次 τ² = 0.09012、τ = 0.3002，这是对数几率的单位，0.30 大致相当于优势比差 1.35 倍；换算到率的尺度上它不是常数——logit 在中间陡、两端平，同样是 0.30，在率 50% 附近约合 7 个百分点，在率 5% 附近只合 1 个多百分点。至于 I² = 82.2%（95%CI [70.1%, 89.4%]），单率合并出现这个量级是常态而非异常：各研究的人群、诊断标准与年代本来就不同，真值本来就不一样。所以 I² 高在这里既不构成“必须换随机效应”的理由（该看的是你认不认为这些研究估的是同一个率），也不该靠剔掉几项研究把它压下去——那只是在挑数据。
• 要回答“换到我们这个人群大概是多少”，看的是预测区间，不是置信区间。 合并率 0.3186 的 95%CI 只有 [0.2789, 0.3612]，很窄，因为它刻画的是“这 12 项研究背后那个平均率”估得有多准；而同一张表里的 95% 预测区间是 [0.1880, 0.4857]，说的是再做一项同类研究、其真实率可能落在 18.8% 到 48.6% 之间。把置信区间当成新场景下的率区间来引用，是单率 Meta 最常见的越界，也是异质性高时后果最严重的一种。
• 事件数为 0 或等于总数的研究会被加 0.5，而这一步的影响取决于样本量。 极端率会让 logit 发散，模块按惯例给这类研究加 0.5 连续性校正，表注会明写本次校正了几项（本次所有研究的率都严格落在 0 与 1 之间，未做校正）。要留意的是：同样是“0 例事件”，n = 20 与 n = 2000 校正后得到的估计与权重差很多，率接近 0 或 1 的研究一多，合并结果就明显依赖这个人为常数。遇到这种数据，除了照常报告，最好把这些研究单独列出来，再用留一法看看去掉它们结论会不会变。

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：结论与学术表述