以单一率（Single Propotion）为例的Meta分析原理详解

最新推荐文章于 2022-09-04 18:14:14 发布
最新推荐文章于 2022-09-04 18:14:14 发布
阅读量3.5k 收藏 8
点赞数 1
分类专栏： 已索引
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/iteye_20173/article/details/82602694
版权
[color=blue][size=xx-large]1. 什么是Meta分析[/size][/color]
Meta分析是指将多个研究结果整合在一起的统计方法，所以又叫整合分析或荟萃分析。[url=http://en.wikipedia.org/wiki/Meta-analysis]脑补通道->[/url]


[color=blue][size=xx-large]2.Meta分析的步骤分解[/size][/color]
Meta分析的步骤可以分解为以下几步：

[img]http://dl.iteye.com/upload/picture/pic/131087/77aaf114-9fe5-34d0-9cb0-d6cdf7a2413d.png[/img]

[b][1][/b]通过对研究问题和数据类型的分析，确定使用何种Effect Measure。所谓Effect Measure就是用何种方式来度量治疗方法/政策/教育方法的研究对象的效果。例如对某种治疗手段的研究，分为一个治疗组和一个对照组来进行研究。则治疗组和对照组的效果差别就可以用来度量该治疗手段的效果，作为Effect Measure。
[b][2][/b]计算各个Study的Effect Size和方差。所谓Effect Size，是对于Effect Measure的量化指标。
[b][3][/b]根据各个Study的Effect Size，根据不同的情况使用Fixed Effect Model或Random Effect Model计算Combined Effect Size。[u]值得注意的是，最终计算结果不是一个精确的值，而是一个服从正态分布的估计。其中横坐标表示真实Effect Size（True Effe ct Size）的取值，纵坐标表示真实Effect Size为该取值的概率。[/u]

下面就分步骤解析Meta分析的过程和原理。


[color=blue][size=xx-large]3. 计算Study的Effect Size和方差[/size][/color]
Study的Effect Size计算需要根据数据类型，进行计算，例如：
[list]
[*]二值型数据：可以采用risk ratio (RR，also called the relative risk）、odds ratio (OR)、the risk difference (RD，also called the absolute risk reduction)、number needed to treat (NNT)等等
[*]连续型数据：mean difference (or difference in means)、standardized mean difference
[*]序号型数据：Measurement scales
[*]... ...
[/list]
本文特别关注一种数据类型：计数型数据的Meta分析，采用的Effect度量称作单一率（Single Proption）。之所以称作”单一率“因为这种Effect Size的计算只依赖一组数据，而不像其他的数据类型，通常需要一组实验组和一组对照组。

单一率的计算方法有以下几种，可以根据研究的需要进行选用：
[table]
|单一率的具体度量|计算公式
|比率|p=event/n
|log率|log=log(event/n)
|logit率|logit=log((event/n)/(1-event/n))
|反正弦率|arcsin=asin(sqrt(event/(n+1)))
|双重反正弦率|darcsin=0.5*(asin(sqrt(event/(n+1)))+asin(sqrt((event+1)/(n+1))))
[/table]

Study的方差计算方法采用：[color=red]Clopper-Pearson interval also called 'exact' binomial interval（待完成）[/color]

有了Study的方差之后，根据正态分布的性质，Study的置信区间的计算公式为： 
均值(Effect Size) ± 1.96 × 标准差(方差的平方根)



[color=blue][size=xx-large]4. 计算Combined Effect Size和方差[/size][/color]
有了Study的Effect Size和方差，下一步就是计算Combined Effect Size和方差。[u]值得注意的是无论Study的Effect Size和方差是如何进行计算的，接下来Combined Effect Size和方差的计算方法都是相同的。[/u]

计算Combined Effect Size的过程本质上是通过一组采样值来估计总体取值的过程。总体的取值无法准确估计，单一的取值也不具有意义。所以估计的结果是一个总体取值的正态分布。[u]任意一个正态分布都由两个参数唯一决定：平均值和方差。[/u]


[size=x-large][color=blue]4.1 Fixed Effect Model和Random Effect Model[/color][/size]
基于对Study研究总体的不同假设，在进行Meta分析时有两种模型：Fixed Effect Model和Random Effect Model。当各个Study研究总体的True Effect Size相同时，使用Fix Effect Model进行计算。如果各个Study研究总体的True Effect Size不同时，就无法使用Fix Effect Model进行计算。此时如果认为各个Study研究总体的True Effect Size服从正态分布，那么就可以使用Random Effect Model来对Combined Effect Size进行估算。

所谓True Effect Size指的是，设想有一个Study，研究总体时所抽取的样本规模不断扩大，扩大到总体全集时，该Study得出的Effect Size就称作True Effect Size。但是，Study的采样规模是不可能覆盖总体全集的，于是，Study研究得出的Effect Size就称作Observed Effect Size。Observed Effect Size与True Effect Size之间的差距是由Sample Error造成的。


[size=x-large][color=blue]4.2 Fixed Effect Model的演算[/color][/size]
Fixed Effected Model假设各个Study研究总体的True Effect Size相等。对总体均值的估计通过所谓逆方差法来计算，即：
[img]http://dl.iteye.com/upload/picture/pic/131091/7165ddf1-c25b-3737-9232-1ff17707a4a5.bmp[/img]
其中,M是最终计算结果，表示Combined Effect Size；Yi表示Studyi的Effect Size；Wi是赋予Studyi的权重；VYi表示Studyi的方差。逆方差法的本质在于为方差越小的Study赋予越高的权值，认为方差越小的Study的研究结果越具有价值。

总体方差的估计值为各Study权值和的倒数，即：
[img]http://dl.iteye.com/upload/picture/pic/131093/69b316a2-1f3b-3623-8b2b-ad8311af503c.bmp[/img]
其中，SEM表示标准差。

有了Combined Effect Size作为正态分布均值，以及方差，就唯一确定了一个正态分布，作为Fixed Effect Model的计算结果，是一个对总体的正态估计。

[size=x-large][color=blue]4.3 Random Effect Model的演算[/color][/size]
Fixed Effected Model把每个Study的Observed Effect Size作为一次在正态总体上的采样来估计正态总体。相对的，Random Effected Model认为每个Study的True Effect Size都不相同，但是每个Study的True Effect Size都是对同一正态总体的采样。Study的Observed Effect Size是对采样值Study True Effect Size的二次采样。Random Effected Model就是要解决如何通过二次采样值估算正态总体分布的问题。

计算的总体思想不变，还是通过带权的平均值估算正态总体的均值，通过权值和的倒数估算正态总体的方差：
[img]http://dl.iteye.com/upload/picture/pic/131095/3ecfab75-f7ee-377c-a532-c4e6141b2e50.bmp[/img]

不同点在于Study的Observed Effect Size不能直接作为正态总体的采样来估计总体分布。各个Study的True Effect Size本身就是正态总体的采样值，我们需要修正这一误差：
[img]http://dl.iteye.com/upload/picture/pic/131097/4da25608-abfc-3936-8e51-3a7651ec018e.bmp[/img]
其中，VYi是Studyi的方差；Τ2（大写Tau的平方）表示Study间的方差的估计值。设想我们知道各个Study的True Effect Size，并且计算它们的方差，我们将得到Study间方差，记作：τ2（小写Tau的平方）。显然我们无法知道每个Study的True Effect Size，于是，我们只能使用τ2的估计值，记作Τ2。

估计τ2的方法有多种，最常用的一种称作DerSimonian and Laird法（也叫method of moments），具体如下。令：
[img]http://dl.iteye.com/upload/picture/pic/131101/b220be93-94d8-32c9-96c6-ab79edf3158d.bmp[/img]
其中，Q、df和C的计算公式分别为：
[img]http://dl.iteye.com/upload/picture/pic/131103/1a2f2a96-479b-37cd-8b1e-5f6282bcfe33.bmp[/img]
而k代表Study的总数。
iteye_20173
关注
  • 1
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
meta分析 2. 固定效应和随机效应
wuguo1119012507的博客
08-16 6143
meta分析 2. 固定效应和随机效应 固定效应模型 固定效应模型假设所有效应量都来自一个单一的相同总体。它指出所有研究都具有相同的真实效应量。这个真实的效果是我们想要在meta分析中计算的整体效果大小，表示为 θ\thetaθ。 我们可以这样描述这种关系： θ^k=θ+ϵk \hat\theta_k = \theta + \epsilon_k θ^k​=θ+ϵk​ 虽然不知道研究的真实总体效应大小，但可以利用这种关系来对真实总体效应进行最佳估计 θ^k\hat\theta_kθ^k​​， 因此，在meta
Effect Size
Junbao_Zhang的博客
12-12 7661
在展示统计结果的时候，除了提供F，t，p values 之外，有时也需要提供effect size。effect size 与样本容量无关，反应的是总体之间的统计的效应量。effect size 有很多类型，常见的有cohen's d, eta-squared（）, 以及Hedges' g (the unbiased version of Cohen's d)。 一、 ANOVA的effect...
R软件单个率meta分析教程
08-22
R软件单个率meta分析教程，介绍在 R 软 件 中 实 现 单 个 率 的 Meta 分析方法 。 方法 在 R 软件中加载 Meta 分析程序包 ， 录入 Meta 分析数据，用实例数据进行 Meta 分析。 结果 单个率资料的 Meta 分析要求率的分布服从正态分布 ，R 软件提供了四种率的转换方法 。 对实例数据进行正态性转换后进行 Meta 分析，其合并率及 95％可信区间与原文 一致。 结论 R 软件可以实现对单个率研究结果的 Meta 分析，功能强大，实用性强
【R语言】单组率的meta分析-亚组分析
ericxu1995的博客
05-02 2667
data <- read.csv("TS-GGO-sub.csv",header = T) meta_prop <- metaprop(Case,Sample,data=data,studlab = paste(data$Author,data$Year,sep="-"),sm="PRAW",incr=0.5,allincr=TRUE,addincr=FALSE, subgroup = Group) forest(meta_prop)
单组率的meta分析——R与Stata
Annaaphq的博客
09-04 6542
单组率的meta分析——R与Stata
Topic 1. SCI 文章中 Meta 分析之 metafor
weixin_41368414的博客
02-08 2876
Meta 分析也是医学上很重要的方法之一，这期基于现有数据，分析几个经典的图形，包括森林图（forest）、漏洞图（funnel）、星状图（radial）、拉贝图（labbe）、以及Q-Q正态分位图（Q-Q normal）。
Python中异常值，单一值，重复值，缺失值的处理
huangqihao723的博客
04-01 1085
重复值，输入为DataFrame，检测是否有重复的行以及删除重复的行 class Duplicated(): def __init__(self,df,subset=None,keep='first',inplace=False): self.subset=subset if isinstance(self.subset, list) and len...
图像处理基础——灰度共生矩阵
Wanda && Aidem
06-30 9210
标准定义如下：对于取定的方向θ 和距离 d, 在方向为θ的直线上, 一个像元灰度为 i, 另一个与其相距为 d 像元的灰度为 j 的点对出现的频数即为灰度共生矩阵第(i, j)阵元的值。 怎样理解呢？看起来好复杂呀 呜呜呜 小白理解：灰度共生矩阵就是整幅图像中，按照一定的平移方向，相距为d的两个像素同时出现的联合概率密度分布。 怎么样？还是没办法深入理解 那就上图吧 怎样理解呢？ ...
关于高自旋理论中的偏tau函数
04-06
最近对三维自旋理论的研究集中在Chern-Simons理论中的Wilson环上，在经典的极限下，它在给定的SL（N）表示下，在最高和最低权重状态之间还原为特殊的角矩阵元素。 尽管这些“偏斜”的tau函数看起来与传统函数（它们是两个权重最高的状态之间的矩阵元素）有很大不同，但它们也满足了不同基本表示之间的Toda递归。 此外，在最流行的示例中，它们具有矩阵模型和Schur函数方面的简单表示。 我们对这个新的有趣领域进行了简要介绍，在量化之后，它可以作为打结理论和可积性理论之间的桥梁。
机器学习图像特征提取—灰度共生矩阵（GLCM）纹理特征提取原理及代码实现
weixin_42795788的博客
04-15 1万+
目录 1 灰度共生矩阵原理 2 灰度共生矩阵特征量 2.1 对比度 2.2 能量 2.3 熵 2.4 逆方差 2.5 相关性 3 灰度共生矩阵特征量提取代码 1 灰度共生矩阵原理 灰度共生矩阵，指的是一种通过研究灰度的空间相关特性来描述纹理的常用方法。1973年Haralick等人提出了用灰度共生矩阵来描述纹理特征。 由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两像素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。 ...
如何系统的学习meta分析及meta分析的主要指标参数
08-13
meta分析研究的重要学习资源，详细系统的写了meta分析过程、重要步骤、模型分析（固定效应模型、随机效应模型、混合效应模型、偏倚分析、森林图、漏斗图、气泡图等等）
用R进行meta分析（metafor包）
Christina
07-26 5万+
这里以我的一篇meta分析为例，详细描述meta分析的一般步骤，该例子实现的是效应量β的合并 R包:metafor或meta包，第一个例子以metafor包为例 1.准备数据集 2.异质性检验 install.packages("metafor") library(metafor) metamod&lt;-rma(yi=β,data=metabirth3,sei=se,method=...
R语言rjags使用随机效应进行臭氧数据分析
大数据部落
06-12 961
原文链接：http://tecdat.cn/?p=6894 加载和格式化数据 rm(list=ls()) ls() ## [1] "s" "Y" dim(Y) ## [1] 1106 31 dim(s) ## [1] 1106 2 ns <- nrow(Y) plot(s,axes=FALSE,xlab="",ylab="",main="Monitor lo...
用R进行meta分析（meta包）
Christina
07-26 2万+
1.异质性检验 install.packages("meta") library(meta) meta3&lt;-metagen(metabirth3$β,metabirth3$se, sm="β",studlab=paste(author,year),comb.fixed=FALSE,data=metabirth3) summary(meta3) 异质性检验结果如上，异质性为28...
meta分析 1. Risk Ratio
wuguo1119012507的博客
08-15 1794
meta分析 1. Risk Ratio 定义 风险比（也称为相对风险）是两种风险的比率。风险本质上是比例当我们处理二元或二分的结果数据时，可以计算它们。 我们使用术语“风险”而不是“比例”，因为这种类型的结果数据经常出现在医学研究中，在医学研究中，人们检查患上疾病或死亡的风险。此类事件称为事件。 # Define data a <- 46 # events in the treatment group c <- 77 # events in the contro
灰度共生矩阵（超简单理解）
白雪
06-01 7万+
1.灰度共生矩阵生成原理   灰度共生矩阵(GLDM)的统计方法是20世纪70年代初由R.Haralick等人提出的，它是在假定图像中各像素间的空间分布关系包含了图像纹理信息的前提下，提出的具有广泛性的纹理分析方法。   灰度共生矩阵被定义为从灰度为i的像素点出发，离开某个固定位置（相隔距离为d，方位为）的点上灰度值为的概率，即，所有估计的值可以表示成一个矩阵的形式，以此被称为灰度共生矩阵。对于纹理变化缓慢的图像，其灰度共生矩阵对角线上的数值较大；而对于纹理变化较快的图像，其灰度共生矩阵对角线上...
灰度共生矩阵（GLCM）附Python代码
知至
03-06 3万+
参考文献：Textural Features for Image Classification1. 简介 灰度共生矩阵（Gray-Level Co-occurrence Matrix，GLCM）统计了灰度图中像素间的灰度值分布规律以区分不同的纹理。 度共生矩阵可以定义为一个灰度为iii的像素点与另一个与之对应位置上的像素点的灰度值为jjj的概率。那么所有估计的值可以表示成一个矩阵的形式，...
灰度共生矩阵（附python代码）
白雪
06-03 9624
最近在研究机器学习相关内容，后面会尽量花时间整理成一个系列的博客，然后朋友让我帮他实现一种基于SVR支持向量回归的图像质量评价方法，然而在文章的开头竟然发现 灰度共生矩阵这个陌生的家伙，于是便有此文。 主要参考博客1：http://blog.csdn.net/jialeheyeshu/article/details/51337225 主要参考博客2：http://blog.csdn.net/guanyuqiu/article/details/53117507 主要参考博客3：http://ww...
机器学习模型评价(Evaluating Machine Learning Models)-主要概念与陷阱
热门推荐
我和我追逐的梦~~~
10-31 9万+
机器学习模型评价(Evaluating Machine Learning Models)-主要概念与陷阱   本文主要解释一些关于机器学习模型评价的主要概念，与评价中可能会遇到的一些陷阱。如训练集-验证集二划分校验（Hold-out validation）、交叉校验（Cross-validation）、超参数调优(hyperparameter tuning)等。这三个术语都是从不同的层
def PrepareDataset(speed_matrix, BATCH_SIZE = 40, seq_len = 10, pred_len = 1, train_propotion = 0.7, valid_propotion = 0.2):
最新发布
03-30
train_propotion: the proportion of the data used for training valid_propotion: the proportion of the data used for validation Outputs: train_loader: the data loader for training valid_loader: the...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值