上期我們談到了系統(tǒng)綜述和Meta分析的常用軟件工具，今天我們就來重點解析一下Meta分析的方法步驟。
Meta分析是對具備特定條件的、同課題的諸多研究結果進行綜合的一類統(tǒng)計方法，通常用于支持研究經(jīng)費申請，指導臨床實踐和健康政策。
由于用于計算Meta分析的軟件和腳本的廣泛可用性，Meta分析可能會在已發(fā)表研究領域中以指數(shù)增長的形式持續(xù)下去，比如在心理科學中的運用（圖1）。。
圖1. 心理科學中的Meta分析
本文的目的是提供一個簡短的Meta分析非技術性入門，以指導讀者完成從預注冊到結果發(fā)布的整個過程。
在心理學中發(fā)表最多Meta分析的25種期刊中，超過一半建議使用PRISMA指南，或相關Meta分析報告標準（MARS)（圖2）。因此，本文將演示如何按照PRISMA指南進行Meta分析。本文提供了一個補充的R腳本來演示論文中描述的每個分析步驟，該步驟很容易適應研究人員用于他們自己的數(shù)據(jù)分析。
同時還強調(diào)了Meta分析聲明和預注冊的重要性，以提高透明度并幫助避免意外重復。更好地理解這個工具不僅可以幫助科學家進行他們自己的Meta分析，還可以改善他們對已發(fā)表Meta分析的評估。
?圖2. 發(fā)表最多Meta分析的心理學期刊
一、Meta分析聲明和預注冊
預先登記Meta分析聲明的主要好處是雙重的。首先，預注冊過程迫使研究人員為特定研究問題制定研究理論基礎；其次，預注冊通過提供先驗分析目的的證據(jù)有助于避免偏倚。
在Meta分析的情況下，可以在已知結果以適應廣受歡迎的結果或減少發(fā)表偏倚的證據(jù)后調(diào)整入選標準。PRISMA（PRISMA-P）指南提供了報告Meta分析聲明的框架。這些指南建議聲明應該包括以下詳細信息，如研究原理，研究資格標準，檢索策略，調(diào)節(jié)變量，偏倚風險和統(tǒng)計方法。
由于Meta分析是迭代過程，聲明可能會隨著時間的推移而發(fā)生變化。實際上，超過20％的Meta分析改變了原始聲明。通過在分析之前記錄聲明，這些變化是一目了然的。與原始聲明的任何偏差都可以在文章的方法部分中說明。
Meta分析可以在PROSPERO數(shù)據(jù)庫中注冊。雖然大多數(shù)期刊沒有明確規(guī)定Meta分析注冊是一項要求，但許多期刊要求提交PRISMA檢查表，其中包括聲明和研究注冊。此外，預注冊可能有助于避免意外的Meta分析重復，檢查其他研究人員是否正在進行類似的Meta分析，可以節(jié)省寶貴的資源。
二、文學搜索和數(shù)據(jù)收集
Meta分析最重要的步驟之一是數(shù)據(jù)收集。為了進行有效的數(shù)據(jù)庫搜索，需要確定適當?shù)年P鍵詞和搜索限制。有許多數(shù)據(jù)庫可供使用（例如PubMed, Embase, PsychInfo），然而，研究人員需要為他們的研究領域選擇最合適的資源?？梢愿鶕?jù)PRIMSA流程圖進行搜索并記錄相關信息，該流程圖詳細介紹了所有階段的信息流（圖3）。
因此，重要的是要注意在使用指定的搜索術語后反饋了多少研究，丟棄了多少研究，以及出于什么原因。搜索術語和策略應該足夠具體，以便讀者重現(xiàn)搜索。還應提供研究的日期范圍以及進行搜索的日期。
圖3 PRIMSA流程圖
數(shù)據(jù)收集表提供了從符合條件的研究中收集數(shù)據(jù)的標準化方法。對于相關數(shù)據(jù)的Meta分析，效應量信息通常被收集為Pearson’s r統(tǒng)計量。部分相關性通常在研究的報告中，然而，與零階相關性相比，這些可能會擴大相關性。此外，部分變量可能因研究而異。許多Meta分析排除了與其分析的部分相關性。因此，應聯(lián)系研究作者以提供缺失數(shù)據(jù)或零級相關性。
最后一個考慮因素是是否包括灰色文獻的研究，灰色文獻被定義為尚未正式發(fā)表的研究。這類文獻包括會議摘要，論文和預印本。雖然包含灰色文獻降低了發(fā)表偏倚的風險，但作品的方法學質(zhì)量通常（但并非總是）低于正式發(fā)表的作品。無論如何，Meta分析應明確詳細說明研究方案和方法中的搜索策略。
三、分析
各種工具可用于運行Meta分析，例如綜合Meta分析和SPSS語法文件。對于本文，將使用R的“metafor”和“robumeta”軟件包（R Development Core Team, 2015）。為了進行說明，將分析來自16項研究（Molloy等, 2014）Meta分析的數(shù)據(jù)，該研究分析了調(diào)查責任心和藥物依從性之間的關聯(lián)。
數(shù)據(jù)集包括相關性，研究樣本量，以及可以評估為潛在調(diào)節(jié)變量的一系列連續(xù)（例如，平均年齡）和分類變量（例如，所使用的盡責性測量的類型）。這個Meta分析的數(shù)據(jù)以及分析示例都包含在metafor包中。與本文相關的腳本詳細介紹了本文所述分析的所有方面，讀者可以根據(jù)這些方面對相關數(shù)據(jù)進行自己的Meta分析。
第一個分析步驟是將數(shù)據(jù)從收集表格輸入到.csv文件中以便在R中進行分析。由于Pearson’s r不是正態(tài)分布的，因此這些值將轉換為Fisher's z標度。Meta分析中通常采用兩種模型：固定效應模型和隨機效應模型。固定效應模型假設所有研究都來自單一的常見群體，在類似條件下進行測試，不考慮研究的異質(zhì)性，可能會高估綜合效應量。而隨機效應模型研究來自不同的群體，為了實現(xiàn)更少差異，加大了研究量。
在進行Meta分析計算后，應將Fisher's z轉換回Pearson's r，以報告平均相關性和95％CI。對示例數(shù)據(jù)進行分析后發(fā)現(xiàn)，綜合相關性和95％CI表明了責任心和藥物依從性之間存在顯著但適度的關系[r = 0.15; 95％CI（0.09,0.21），p <0.0001]。
四、異質(zhì)性研究
觀察到的效應差異有兩個來源：研究內(nèi)誤差和效應量的真實異質(zhì)性。出于Meta分析的目的，我們對效應量的真正異質(zhì)性感興趣。計算Q-統(tǒng)計量，即觀察到的差異與研究內(nèi)方差的比率，可以揭示整體異質(zhì)性中有多少可歸因于真實的研究間變化。相關的I2統(tǒng)計量是表示觀察到的差異比例的百分比（其中25％，50％和75％分別代表低、中和高差異），其可以歸因于研究之間的實際差異，而不是研究內(nèi)的差異。
與Q統(tǒng)計量相比，I2的兩個主要優(yōu)點是它對所包含的研究數(shù)量不敏感，并且還可以計算CI。Tau-squared也可用于評估隨機效應模型中研究異質(zhì)性的總量。當Tau-squared為零時，這表明沒有異質(zhì)性。在示例數(shù)據(jù)中，I2為61.73％（95％CI; 25.28,?88.25），表示中度到高度的差異，Q統(tǒng)計量為38.16（p = 0.001），Tau-squared為0.008（95％CI; 0.002,?0.038）。
盡管這些測試提供了異質(zhì)性的證據(jù)，但它們并未提供哪些研究可能不成比例地影響異質(zhì)性。Baujat圖可以很好的解析過度促成異質(zhì)性和整體結果的研究。圖的橫軸表示研究異質(zhì)性，而縱軸表示研究對整體結果的影響。落入圖右上象限的研究對這兩個因素貢獻最大。檢查從示例數(shù)據(jù)集生成的Bajaut圖顯示了三個研究對這兩個因素都有貢獻（圖4）。
圖4.?用于識別導致異質(zhì)性的研究的Baujat圖
五、森林圖
森林圖可以顯示納入研究中的效應量和CI，以及計算的綜合效應量。圖5顯示了根據(jù)示例數(shù)據(jù)計算的森林圖。每項研究都由一個點評估來表示，該點評估由效應的CI限定。綜合效應量由圖底部的多邊形表示，多邊形的寬度表示95％CI。與高I2和顯著的Q統(tǒng)計量一致，森林圖顯示了異質(zhì)性研究的樣本。與其他研究相比，較大方陣的研究對綜合效應量的貢獻更大。在隨機效應模型中，方陣的大小與CI和研究間差異相關。
圖5.?示例數(shù)據(jù)的森林圖
責任心和藥物依從性之間關系的示例數(shù)據(jù)總結。Meta分析中包含的每項研究均由點估計表示，該點估計以95％CI為界。綜合效應量在圖的底部顯示為多邊形，多邊形的寬度表示95％CI。
六、發(fā)表偏倚
發(fā)表偏倚是一種現(xiàn)象，即具有更強效應量的研究更有可能被發(fā)表并隨后被納入Meta分析。漏斗圖是一種可視化工具，用于檢查Meta分析中潛在的發(fā)表偏倚。漏斗線以綜合效應量為中心，由垂直線表示，這些點應等效地分布在漏斗線的兩側（圖6A）。圖6B使用從示例數(shù)據(jù)集中移除三個研究的模擬來說明漏斗的不均勻性，為發(fā)表偏倚提供了證據(jù)。
如果有發(fā)表偏倚的證據(jù)，可以使用修剪和填充方法。該方法假設漏斗圖不對稱是由于發(fā)表偏倚，通過將“缺失”研究歸結為增加漏斗圖對稱性來調(diào)整Meta分析（圖6C）。這種更新的估算研究的Meta分析不應用于形成結論，因為這些不是真正的研究，只是為了平衡不對稱的漏斗圖。圖5A，C的比較說明了這一點，因為該方法被設計為僅通過創(chuàng)建現(xiàn)有研究的鏡像來近似缺失的研究。
圖6. 漏斗圖以說明發(fā)布偏倚
漏斗圖（A）包括Molloy等人的所有16項研究（2014）。 該圖示出了對稱性（即，點落在綜合效應量的兩側）。漏斗圖（B）模擬了移除Molloy等人數(shù)據(jù)集中的三種小效應和大標準誤差的研究。情節(jié)不再是對稱的，證明了發(fā)表偏倚的證據(jù)。漏斗圖（C）修剪和填充程序會導致缺失的研究（空心圓圈），以創(chuàng)建更加對稱的漏斗圖。
七、調(diào)節(jié)變量分析
調(diào)節(jié)變量有助于觀察到一些差異。因此，可以進行調(diào)節(jié)變量分析以確定異質(zhì)性的來源以及這對研究之間觀察到的效應量的變化有多大貢獻。調(diào)節(jié)變量可以是連續(xù)變量或分類變量。例如，可以使用Meta回歸模型進行調(diào)節(jié)變量分析，以檢查平均年齡對Molloy等人（2014）數(shù)據(jù)集的影響。計算該分析表明，年齡沒有調(diào)節(jié)效應[Q(1)= 1.43，p = 0.23]。
另外，可以檢查方法學質(zhì)量的調(diào)節(jié)效應。對實例數(shù)據(jù)的分析表明，方法學質(zhì)量也沒有緩和相關性[Q(1)= 0.64，p = 0.42]。然而，調(diào)節(jié)變量分析表明變量分類是否研究控制變量（是/否）是一個重要的調(diào)節(jié)者[Q(1)= 20.12，p <0.0001]。雖然可能存在其他未明確的研究異質(zhì)性來源，但數(shù)據(jù)表明控制研究中的變量有助于整體觀察到的異質(zhì)性。
八、從單個研究中獲得多種效應量的計算
如果從同一研究中收集了多組數(shù)據(jù)，則由于統(tǒng)計依賴性問題，應考慮這些研究中效應量的內(nèi)部統(tǒng)計依賴性。最直接的方法是僅使用預先指定的標準收集每個研究的效應量?；蛘撸梢跃酆闲浚▍⒁?MAc'R包中的'Agg'功能）。然而，如果沒有報告研究內(nèi)相關性，研究人員必須估計預期的相關性水平。
Robust方差評估（RVE）可以在不了解研究內(nèi)相關性的情況下解釋非獨立效應。為了說明使用RVE處理多種效應量，我們創(chuàng)建了一個新的模擬數(shù)據(jù)集，其中前三個研究來自樣本數(shù)據(jù)集，就像它們是從一項研究報告的三種效應量一樣。使用RVE分析顯示統(tǒng)計學上顯著的點估計[0.15; 95％CI(0.08,0.22)，p = 0.001]。
九、數(shù)據(jù)解釋和報告
Meta分析的最后一步是數(shù)據(jù)解釋和寫作。PRISMA指南提供了一份列表，其中包括報告Meta分析時應包括的所有項目。遵循此列表將有助于確保報告Meta分析的質(zhì)量，并有助于改進對稿件的評估。同時還可以提供用于分析的R腳本作為補充材料以幫助再現(xiàn)性。
本文的目的是提供一個非技術性的入門書，用于按照黃金標準指南進行相關數(shù)據(jù)的Meta分析。Meta分析是一種有效的數(shù)據(jù)合成方法，即使只需要兩到三項研究，也可以有效地提高統(tǒng)計精度。
本文利用可自由訪問的軟件演示了Meta分析的每個分析步驟，其中補充腳本提供了執(zhí)行本文所述分析的必要代碼。還討論了數(shù)據(jù)可視化的方法，識別可能過度影響樣本異質(zhì)性的研究，以及組合來自個體研究的多種效應量。還描述了關于發(fā)表偏倚和調(diào)節(jié)變量分析的Meta分析數(shù)據(jù)解釋。
參考資料（圖片均來自文獻）：
From pre-registration to publication: a non-technical primer for conducting a meta-analysis to synthesize correlational data;
Conscientiousness and medication adherence: a meta-analysis.
??END??
