本文转载自： 丁香园论坛--->循证医学与临床运用讨论版
原帖名称:  【原创】我们一起来学习：Meta 回归在stata12.0中的实现（图解版）（大侠请进，有问题要请教你们！！）
原帖发布时间:                                                                                                                                                          2014-02-13 17:00
原帖链接:  http://ebm.dxy.cn/bbs/topic/27463743
原帖作者还提供了相应的数据文件(无需丁香园论坛币)
下载链接: http://d.dxy.cn/detail/6197764

原帖全文如下:

在寒假里面结合周版主的视频和DXY里面关于Meta回归的帖子，自己总结了关于Meta回归在Stata 12.0中是如何进行操作的。下面与大家一起分享和探讨有关Meta回归的问题！
在开始Meta回归之前，我觉得有必要介绍一下Meat回归的基本概念。
(一)Meta回归的定义
Meta回归本质上仍是一种回归分析方法，它与logistiic 回归、线性回归等回归方法的区别是：Meta回归的回归对象是单个研究，而logistiic 回归、线性回归的回归对象是单个研究中的个体资料。Meta回归在Meta分析中常用来探讨各研究间异质性的来源及其大小，并经一步解释异质性对Meta分析中合并效应量的影响。具体说来，Meta回归中，异质性来源可以是实验干预的剂量、年龄、地点、语言等等。
（二）Meta回归在Stata12.0 中的操作步骤
（本实例的数据见附件）

步骤一：在Stata12.0中按照如下格式录入数据：



（直接将数据从Excel Copy到stata，然后用rename命令进行重命名。）
步骤二：由于abstract，itt，allo和 phd是字符变量，在meta回归是软件无法识别（varlist: abstract: string variable notallowed），故在进行meta回归之前需要对其进行赋值。在命令栏中输入命令：
. gen abs=abstract=="Yes"

. genitt1=itt=="Yes"

. genallo1=allo=="Yes"

. genphd1=phd=="Yes"
(注意：根据95%CI计算selogor的命令：genselogor=(log(ul)-log(or))/1.96)
所得结果如下：



步骤三：我们先进行单个协变量的回归。所谓协变量（covariate），是指除了因变量之外，可能影响反应变量的其他变量。举个例子。比如我们研究维生素A的剂量与腹泻发生率的关系，这里Vit A的剂量就是因变量（independent variable or explanatory variable ），腹泻发生率就是反应变量（dependent variable or response variable）。如果我们在Meta分析中发现Vit A的干预方式（solution， syrup or tablet），研究地点（China， America，Japan）和干预时间（6 months，1 year or even 2 years）等因素对腹泻也有影响。那么，在"维生素A的剂量与腹泻发生率的研究"中，协变量就是干预方式、研究地点和干预时间。这儿我们的协变量随便定为duration。选项卡说明如下：


说明1：
1. Dependent（y）一栏中输入反应变量。对于连续变量，这儿输入SMD（或WMD，MD）；对于二分类变量，这儿输入logrr或者logor；
2.Covariates一栏中输入协变量，这儿应输入duration；
3. Within-study Varibility一栏中有两个选项，一个是Std.Error，另外一个是Variance。这一栏要求选择对回归系数进行加权的依据，一般选择Std. Error。还有一个选项是Variablename，要求指出每个研究内包含Std. Error 的变量，这儿应该是sesmd（如果是二分类变量，则是selogrr或者selogor；
4.BS Method一栏要求选择算法，这儿一般选择ReML（限制性最大似然法）。


说明：
1.Randomsize：勾选此项，则Stata在绘制图形的圆圈时，其圆圈的大小将取决于每个研究的权重（


）而不是研究的精度（）。事实上，Randomsize选项是否勾选，对于回归结果影响不大。原因是：由于研究间的变异()较小，因此权重和精度的值很接近。若勾选Randomsize选项，将会使圆圈的变小；
2. Graph：勾选此选项，在结果中将会产生相应的图形。注意，只有在一个协变量时，此选项才适用；




3.Eform：勾选此选项，结果回归系数结果将以指数形式表示。




（Eform勾选状态）


（Eform未勾选状态）步骤四：点击OK后，将得到相应结果：



结果的解读：
1.Tau2——研究间变异大小的分量，其值越小，说明其模型的拟合优度越好；
2. I-square-res——异质性能解释的残差变异大小，在这儿，异质性能解释残差变异的55.83%（另外残差变异的44.17%由研究间变异解释）；
3. Adj R-squared——当前纳入模型的协变量所能解释的研究间变异的大小，在这儿，duration能解释的研究间变异的大小为55.16%。
步骤五：若纳入多个协变量，则可以得到以下结果：



结果解读：
Model F（5，4）withKnapp-Hartung modification——对所有协变量的联合检验，零假设是所有协变量的回归系数等于0。F（5，4）中，5表示纳入协变量的数目，4表示？？？；若P值小于检验水准（0.01或0.05），则提示在纳入的多个协变量中，至少有一个协变量与反应量有关（至于是哪个协变量与之有关以及有关的程度，无法从P值推断）。
步骤六：随着纳入模型的协变量数目的增多，所得结果犯I类错误的概念随之增加，因此有必要采用蒙特卡罗法来对P之进行校正：


勾选Permute选项框，在右侧的数值框中输入蒙特卡罗法随机排列的计算次数。一般5000或者20000次。若选中Univariable，则计算结果更加准确。


（Permutations=50）


（Permutations=100）

（Permutations=200，并勾选Univariable）若纵向的P值逐渐增大（到底是纵向还是横向？？请高手拍砖），说明确实存在I类错误，如下图所示：


另外，由于蒙特卡罗法为随机排列，所以如果要想使两次结果相同，在进行蒙特卡罗法之前应使用命令：set seed 15160401。

好了，我的演示步骤到此结束。若有不对之处，请斧正！谢谢

（三）Meta回归的注意点：（1）确保有足够的研究个数纳入纳入回归分析，如至少对每个协变量模型要保证10个观察结果；（2）预先设定研究过程中所要分析的协变量；（3）选择少的协变量；（4）探索每个协变量必须符合科学原理；（5）协变量之间不能有交互作用。
（四） 在meta回归中纳入协变量个数的推断公式：N=纳入研究数/10。
（五）Meta回归中的疑问（请高手解惑！！！！）
（1）多分类变量（>=3）的Meta回归
我参考了《实用循证医学方法学》中有关多分类变量的哑变量赋值方法，但是还是有些疑问。现叙述如下。假设region（America， China and Japan）这个协变量对smd有影响。我在stata中哑变量赋值方法如下：tablulate region， generate （country），结果如下：






我的问题是：
1.country1就是Ameica吗？country 2就是China吗？！country 3就是Japan吗？！如果是的话，为什么回归结果中只有country1 和country3，country 2跑哪儿去了？！还有，_cons一行表示什么意思?!
2.我想研究的是region这个协变量是不是异质性的来源，但进行哑变量赋值后，region被分割为了三个新的协变量。就本例来说，如果country 1和country 2 的P值小于检验水准，country 3的P值大于检验水准，也就是说country1 和country 2 这两个协变量是异质性的来源，country 3不是。那么region 到底是不是异质性的来源呢？！
（2）关于蒙特卡罗运算
在蒙特卡罗运算中，周版主的视频中说“若P值逐渐增大，说明确实存在I类错误”。那到底是横向比较P值还纵向呢（下图为例）？！

（3）在下图中，F（5，4）中，5表示纳入协变量的数目，4表示什么呢？？

（4）Meta回归与剂量反应我在PLOS Medicine 上面看到DXY战友发表的一篇文章，上面有一个剂量反应的图（见下图1）与我们Meta回归的图（纳入一个协变量时，见图2）很像.请问，图一的剂量反应就是通过Meta回归实现的吗？！Meta回归与剂量反应到底有什么关系？！

（图1）


（图2）
                                                            Data-Metareg.xls(14.5k)                                                                                                                                        在线查看