元分析 异质性.ppt

异质性检验——I统计量检验法 I平方统计量反映了异质性部分在效应量总的变异 中所占的比重。I平方 统计量通过对Q 统计量进行自由度的校正来降低研究文献的数量对异质性检验结果的影响。其计算公式为： 当I2 ＜ 31% 时，认为各个研究间为低度异质性，可采用固定效应模型进行计算; 当I2 ＞56% 时，认为各研究间存在高度异质性，需采用随机效应模型进行异质性处理后，再进行Meta 分析; 当31% ＜ I2 ＜ 56% 时可认为研究间存在中度异质性。 异质性检验——H统计量检验法 H 统计量的计算公式： H 值为1 时可认为各研究间不存在异质性; H ＞ 1. 5则表示研究间存在高度异质性; H ＜ 1. 2 则可认为各研究间存在低度异质性; 1. 2 ＜ H ＜ 1. 5时可认为研究间存在中度异质性。 异质性检验——各种统计量检验法的取值 异质性方差估计量 异质性检验——各种统计量检验法的取值 计算结果表明，本例存在高度异质性。异质性的产生原因可能是由于各研究中不同年龄组所占比例不同、阳性判断标准各异、随访时间不同等。所以该相关性研究问题还需要更加明确统一的纳入标准、更加灵敏的检测方法以及大样本的长期随访资料。 异质性检验——各种统计量检验法的取值 模型选择——固定效应模型和随机效应模型 在Meta分析中最常用的是固定效应模型、随机效应模型。怎样理解这两种模型呢？ 举个简单的例子：让十个学生去测量操场中的同一根旗杆，旗杆长度的测量值可以看作是一个固定效应模型；然而如果让一个学生去测量操场上长度不同的十根旗杆，旗杆长度的测量值则是随机效应模型。 模型选择——固定效应模型和随机效应模型 根据I2值 来决定模型的使用，大部分认为＞50%，存在异质性，使用随机效应模型，≤50%，用固定效应模型。 在任何情况下都使用随机效应模型，因为如果异质性很小，那么随即和固定效应模型最终合并结果不会有很大差别，当异质性很大时，就只能使用随机效应模型，所以可以说，在任何情况下都使用随机效应模型 看P值，一般推荐P的界值是0.1，但现在大部分0.05，就是说P＞0.05，用固定，≤0.05用随机效应模型。 模型选择——固定效应模型和随机效应模型 模型选择——固定效应模型和随机效应模型 根据数据显示，对于假设H7b、 H10a、 H12b、H12b 、和H13的Q 统计量不显著。 如前所述，对于假设H7b、H12b 和H13，应该采用固定效应模式进行分析; 对于H10a 和H12a因为两者的P 值( 0． 051，0． 052) 均在临界值附近，Q 检验功效已不太显著，应同时采用两种模型对比分析。 四、元分析的偏倚及其控制 Meta分析本质上是一种观察性研究，在meta分析的各个步骤中均有可能产生偏倚。 定义：指在资料收集、分析、解释、发表和综述时产生的系统误差，使研究结果与真实值出现倾向性的差异，从而导致错误的结论。 元分析的偏倚——偏倚种类(bias) 可以说, 在元分析的各个步骤中均有可能产生偏倚, 而偏倚的存在对元分析的结果产生较大影响, 甚至会使元分析产生错误的结论。 常见的偏倚可以划分为 汇集偏倚 选择偏倚(selectionbias) 研究内偏倚三类 元分析的偏倚——选择偏倚(bias) 选择偏倚是指根据文献纳入标准选择符合要求的文献时产生的偏倚。包括纳入标准偏倚和选择者偏倚等。 产生的原因：主要是由于元分析者有时会根据自己想要得到的结果和已有的知识, 有目的地选择或放弃某些文献造成的。 元分析的偏倚——研究内偏倚(bias) 研究内偏倚是在资料提取时产生的偏倚。 产生的原因： 从纳入的研究中提取的数据信息不准确所致的提取者偏倚, 以及对研究质量的评价不恰当产生的研究质量评分偏倚。 元分析的偏倚——汇集偏倚(bias) 元分析是对以往研究的再次分析, 一个好的元分析应包括所有与课题有关的资料。但由于多种原因, 不可能收集到同一研究问题的全部资料这就是汇集偏倚。 产生的原因： 一是因为研究者检索用词不当或检索策略失误导致漏检或误检文献的查找偏倚; 二是因为检索文献时限定为某种语言文献引起的语种偏倚; 三是一项研究结果以系列研究形式发表导致的多重发表偏倚, 以及最难控制的发表偏倚。 元分析的偏倚——发表偏倚(bias) 发表偏倚是指具有统计学显著意义的研究结果(阳性结果)较无显著性意义的结果(阴性结果)或无效的结果被报告和发表的可能性更大的倾向。 产生的原因： 一是杂志编辑部对阴性结果的采用率明显低于阳性结果； 二是编辑的喜好及作者声望； 三是文件抽屉问题。 偏倚的控制——汇集偏倚(bias) 发表偏倚的估计方法： 漏斗图法 线性回归法 秩相关检验 失安全数 漏斗图法是最常用的用于判断是否存在发表偏倚的方