r语言 回归分析 分类变量_R语言元分析专题第八章：元回归

理论上讲，元回归 meta-regression 之于元分析中的亚组分析 sub-group analysis 并没有本质差别。 具体而言，亚组分析中超过两个组别的情况同元回归中的类别变量并没有差异。此外， 元回归还可以将连续变量作为预测值，探讨这些变量是否与效应量差异有关。 ▌ 元回归的原理
在元回归当中，我们不在分析单个的被试数据，而是分析 不同研究之间聚集的效应(aggregated effects)。这也意味着元回归的分析样本会比单个研究的样本大得多。然而， 实际情况可能是由于纳入的研究数量过少，找不到足够的数据进行元回归分析。就元回归而言， Borenstein etal. (2011) 建议 在元回归分析中的每一个协变量都至少要包含10 个研究 (尽管这个标准并不是硬性要求)。
在传统的回归分析中，我们通过计算若干协变量的回归系数来计算参数 y，公式如下： 但在元回归分析中，我们计算的是不同自变量值下的效果量的参数 θ，公式如下： 这两个公式不同之处在于两个额外项 ϵk 和 ζk ，这两项可以在第四章笔记中的随机效应模型中找到。这两项实际上是造成该回归模型预测偏差的 独立误差 independent errors，其中，前者代表了取样误差, 而后者则表示每一个样本(单个研究)的真效果量也是取样于该效应效果量的总体分布(如下图)，在固定效应模型中，我们假定所有研究的真效果量相同，同时研究异质性为 τ² =0。 上述公式既包含了 固定效应 β，又包含了 随机效应 ζk，因而这种模型又被称之为 混合效应模型(mixed-effects-model).正如上文所述，亚组分析实际上就是加了类别变量的元回归分析. 在这种元回归分析中，这些亚组通常是被编码为哑变量(dummy variables)。详情如下： ACT：Acceptance and Commitment Therapy 接纳承诺疗法 
CBT ：Cognitive behavioral therapy 认知行为疗法
上述方程也可以图像化为下图： ▌ 评估元回归模型的适配度
我们可以 使用T检验来评估回归系数β的权重，公式如下： 接下来我们判断 回归模型的拟合度，其目标是找到一个模型，尽可能多地解释我们在数据中发现的效应量的变异。公式如下： 在传统的回归分析中，R²通常用来代表回归模型的适配度,我们也可以通过上述公式计算在元回归中的适配度，其中 是基于随机效应模型估计的总异质性, 而 是混合效应回归模型估计的总异质性。 8.1 在R 中进行元回归分析 本例中我们使用 meta 包中的 metareg 函数进行分析. 首先我们用一个分类变量 Control 作为预测变量来阐释 亚组分析和元回归的相似性。

metareg(m.hksj, Control) ## 这里使用的对象 m.hksj 来自于第四章随机效应模型计算的结果## ## Mixed-Effects Model (k = 18; tau^2 estimator: SJ)## ## tau^2 (estimated amount of residual heterogeneity):          0.1343 (SE = 0.0536)## tau (square root of estimated tau^2 value):                          0.3665## I^2 (residual heterogeneity / unaccounted variability): 73.92%## H^2 (unaccounted variability / sampling variability):       3.84## R^2 (amount of heterogeneity accounted for):                        0.00%## ## Test for Residual Heterogeneity:## QE(df = 15) = 40.0161, p-val = 0.0005## ## Test of Moderators (coefficients 2:3):## F(df1 = 2, df2 = 15) = 0.9467, p-val = 0.4100## ## Model Results:## ##                                             estimate      se      tval    pval         ci.lb   ci.ub ## intrcpt                                0.4252  0.2250  1.8899  0.0782  -0.0543  0.9048 ## Controlno intervention     0.1003  0.2678  0.3744  0.7134  -0.4706  0.6711 ## ControlWLC                           0.3380  0.2765  1.2224  0.2404  -0.2514  0.9274 ##  ## intrcpt                 . ## Controlno intervention ## ControlWLC ## ## ---## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

上述结果显示 metareg 将 Control 作为调节变量并且进行哑变量化. 在 Test of Moderators 中, 可以看到不同控制组的效果量差异不显著, 此外,该模型中的预测变量都没达到显著性水平且该回归模型没能够解释效应量数据中的变异 (R²=0%). ▌ 连续变量
假如我想检测 发表年份 是否和 效果量差异 有关，我们可以将此连续变量输入元分析模型，并将结果保存为 m.pubyear，具体代码和结果如下：

output.metareg output.metareg## ## Mixed-Effects Model (k = 18; tau^2 estimator: DL)## ## tau^2 (estimated amount of residual heterogeneity):     0.0831 (SE = 0.0488)## tau (square root of estimated tau^2 value):             0.2883## I^2 (residual heterogeneity / unaccounted variability): 64.69%## H^2 (unaccounted variability / sampling variability):   2.83## R^2 (amount of heterogeneity accounted for):            0.00%## ## Test for Residual Heterogeneity:## QE(df = 16) = 45.3076, p-val = 0.0001## ## Test of Moderators (coefficient 2):## QM(df = 1) = 0.0054, p-val = 0.9412## ## Model Results:## ##           estimate       se     zval    pval     ci.lb    ci.ub ## intrcpt    -1.4580  27.6151  -0.0528  0.9579  -55.5825  52.6666    ## pub_year    0.0010   0.0137   0.0737  0.9412   -0.0259   0.0280    ## ## ---## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

结果显示 效果量差异与发表年份无关。 8.2 元回归图绘制 为了绘制元回归输出的结果，我们可以使用 meta 包中的 bubble 函数。参数如下：

Parameter	Function