前阵子有个同学跑来找我说他手上的课题卡住了——实验排期排到三个月之后数据一时半会儿出不来毕业要求又摆在那儿问我有没有不动手做实验也能推进的路子。我给他的建议是做一篇元分析。他第一反应是那不就是把别人的文献抄一遍攒个综述吗这个误解我见过太多次。元分析确实不产出一手数据但它跟抄文献之间隔着一整套量化方法检索协议、效应量换算、异质性建模、偏倚评估、敏感性分析每一步都有明确的规范也每一步都可能翻车。看懂这套东西你才知道它为什么能发论文更知道它凭什么被审稿人认可。这篇东西写给两类人一类是被实验条件卡住、想找一条正经研究路径的另一类是听说过元分析但一直没搞明白它到底在算什么的人。我会把原理、流程、代码和踩过的坑一次说透。1. 不做实验也能发论文这句话的真实含义先把话说明白元分析不发实验但它发的是研究的研究。你把已发表的一批同类研究当成样本把每篇研究的效应量当成观测值然后做一次统计合并。所以它本质上是一次二次研究你的实验对象是文献你的实验操作是模型选择、亚组划分和敏感性分析。这个视角一换很多疑惑就通了——为什么元分析也要求可复现为什么检索式必须写进附录为什么审稿人会盯着你的异质性指数不放。1.1 它和传统叙述性综述的分水岭在哪叙述性综述的写法是某某团队发现A某某团队发现B综合来看倾向于A结论建立在作者的阅读和判断上。这种写法的问题不在于不严谨而在于不可复现——换一个人读同一批文献很可能得出相反的倾向。审稿人一句存在选择性引用嫌疑你就很难反驳因为你确实没给出一个客观的合并规则。元分析把这件事变成了可计算的。它要求你先定好检索式、纳入排除标准、效应量指标、统计模型然后按这套规则把所有符合条件的研究一视同仁地合进去。合并出来的结果是一个带置信区间的点估计而不是一句倾向于。这两者的差别类似于我觉得这批数据看起来在涨和我算出斜率是0.4295%置信区间是0.31到0.53。前者是印象后者是证据。还有一层区别常被忽略元分析能回答单篇研究回答不了的问题。单个样本量几百人的研究检测微小效应的统计功效往往不够做出来不显著就搁置了。把十几篇这样的研究合在一起总样本量上去了一个真实存在但很微弱的效应就可能浮现出来。这是元分析最硬的价值也是它值得被当成独立研究方法而不是文献整理的原因。1.2 什么题目能做成元分析什么题目碰不得判断一个题目能不能做我一般先看三件事顺序不能乱。第一有没有足够数量且可比的量化研究。这不是凑数而是统计上的硬约束。研究数太少随机效应模型的方差分量估计会非常不稳定合并出来的置信区间宽得没有意义。我的经验线是低于8篇要非常谨慎10篇以上比较从容20篇以上才能支撑亚组分析。当然这不是铁律如果领域本身文献稀缺5到6篇高质量研究合出来的结果照样有价值但你得在讨论部分老老实实承认这个局限。第二结局指标能不能统一或者转换。这是最容易被低估的门槛。同样是焦虑水平有人用这个量表有人用那个量表分数尺度不一样你不能直接把均值扔进去平均。这时候要用标准化均值差或者通过已知的转换公式把不同量表折算到同一尺度。如果两篇研究的结局定义根本不同——一个测的是状态焦虑一个测的是特质焦虑——那就不该合硬合出来的数字没有解释力。第三异质性的来源你能不能解释。这一点决定了论文的天花板。理想情况下你希望研究之间的差异主要来自抽样误差如果差异大到一定程度你就得说清楚这些差异是不是由人群、剂量、随访时长、测量工具带来的。我在一次内部讨论里见过一个反例某方向能检索到的量化研究只有4篇硬做合并后异质性指数到了90%以上作者还是照着模板写了结果稳健。审稿意见只有一句话——在如此高的异质性下报告合并效应量没有意义。这篇稿子的命运在那句话出现的时候就已经定了。反过来什么题目适合做我总结成一个粗略的画像同一个问题有10篇以上使用相似设计、报告了可提取的效应量数据、结局指标在概念上一致、且这个领域最近三五年还在持续产出新研究。最后一点很重要因为元分析有时效性你检索截止到某年某月之后新发表的研究就可能改变结论。2. 原料从哪来检索协议与数据提取表元分析的质量上限在检索和数据提取这两步就已经定死了。后面的统计再花哨也救不回来一份漏检严重的文献集。我见过太多稿子栽在这里结果部分写得漂亮方法部分的检索式只有一行关键词审稿人一眼就看出来这个检索不可复现。2.1 检索式怎么搭才不漏文献检索式不是把题目里的词拆开扔进搜索框。它有三块拼图缺一块就会漏。第一块是研究对象或暴露因素第二块是结局指标第三块是研究设计或方法学特征。三块之间用逻辑与连接每块内部的同义词用逻辑或连接。举个结构化的示意研究对象这块既要有主题词数据库标引的规范词也要有自由词作者实际写在标题摘要里的词因为很多新概念还没有对应的主题词只靠主题词会漏掉最新文献同时要用截词符处理词根变化比如把干预的各种词形一次覆盖。第二块和第三块容易被偷懒。结局指标这块很多人只写主结局忘了副结局和同义表达结果漏掉一批只报告了替代指标的研究。研究设计这块如果只做观察性研究的合并就要把队列、病例对照、横断面这些设计词都列进去否则会系统性漏检。数据库的选择也要说清楚。中文文献库和外文文献库至少各覆盖一个如果领域跨学科还要考虑补充学科专用库。灰色文献要不要收取决于你的问题——如果担心发表偏倚收一部分学位论文、会议摘要、机构报告是有帮助的但要把未发表文献作为一个单独的敏感性分析维度。检索的时间范围、语言限制、是否限制人类研究这些都要在方法部分明确写出来并且给出完整的检索式和检索日期。这篇论文的可复现性就压在这一段上。2.2 纳入排除标准与提取表字段设计筛选文献用的是PICO框架拆解研究对象是谁暴露或干预是什么对照是什么结局是什么再加上研究设计类型和时间范围。每一条都要写成可执行的判断标准而不是模糊的描述。研究对象为成年人是可执行的研究对象合适不是。筛选流程一般走四步数据库检索去重、读标题摘要初筛、读全文复筛、滚雪球补充翻检纳入文献的参考文献列表和引用它的文献。前三步的每一步都要记录剔除数量和剔除理由最后画成流程图——这张图是元分析论文的标配缺了它审稿人会直接质疑流程规范性。数据提取表的设计是真正的功夫活。我建议至少包含这几类字段缺一个后面都可能返工字段类别具体内容为什么必须有标识信息第一作者、发表年份、国家/地区、研究设计后续做亚组和敏感性分析的分组依据样本信息各组样本量、年龄、性别构成、人群特征判断临床/人群同质性的基础效应量原始数据连续型各组均值、标准差、样本量二分类各组事件数、总样本量换算效应量的唯一来源缺了就没法算研究特征随访时长、干预剂量、测量工具名称异质性解释的主要候选变量方法学质量质量评价工具的各条目评分敏感性分析和亚组分析的依据备注数据缺失情况、是否联系作者、是否估算保证可追溯两个细节值得单独说。一是双人独立提取。这不是形式主义单人提取的错误率比想象中高尤其是标准差和样本量这两个数字抄错一位整个结果就偏了。双人提取后要计算一致性分歧的地方回到原文核对核对不了的记录下来。二是缺失数据的处理。很多研究只报告了均值没报告标准差或者只画了图没给数字。处理顺序是先联系通讯作者索取联系不上再考虑用同量纲研究的合并标准差替代或者从置信区间、标准误反推。无论用哪种方式都必须在方法部分写明并在敏感性分析里检验一下剔除这些估算值之后结论变不变。3. 效应量、模型与异质性整篇论文的数学骨架这三样东西是元分析的核心也是很多初学者最容易含糊过去的地方。效应量决定你合的是什么模型决定你怎么合异质性决定你合得有没有道理。三者是一个整体不能分开拍脑袋。3.1 效应量的选择逻辑选效应量不是看哪个流行而是看你的数据长什么样。基本原则是同一概念下能用原始尺度就用原始尺度尺度不统一才标准化。数据类型常用效应量适用场景注意点连续型单位一致均数差MD各组用同一量表测量结果直观可直接解释为分数差异连续型单位不一致标准化均数差SMD即Hedges g同一概念不同量表小样本时需做偏倚校正数值无原始单位解释要谨慎二分类事件常见风险比RR队列研究、干预研究事件率很低时不稳定二分类事件罕见比值比OR病例对照研究事件率高时OR会夸大RR二分类基线风险差异大风险差RD关注绝对效应跨基线风险合并时解释力强相关性Fisher z 转换后的相关系数两连续变量关联必须先做z转换再合并合完再转回SMD的校正这一步经常被跳过。小样本研究算出来的SMD会有轻微高估Hedges提出的校正因子能在样本量较小时修正这个偏差。现在主流软件默认就会做这个校正但如果你手写公式或者用老版本工具一定要检查一下有没有校正。另外SMD的正负方向必须有统一约定比如负值代表干预组优于对照组全文一致。方向搞反是元分析里最致命的错误之一而且极难自查——森林图上所有点看起来都很整齐结论却是反的。3.2 固定效应和随机效应不是二选一那么简单固定效应模型的假设是所有研究估计的是同一个真效应研究之间的差异纯粹来自抽样误差。随机效应模型的假设是每项研究有自己的真效应这些真效应围绕一个总体均值分布研究之间的差异包含抽样误差和真效应变异两部分。选哪个我的默认答案是随机效应。原因很实际在真实世界里所有研究估计同一个真效应这个假设几乎从不成立。不同人群、不同剂量、不同随访时长效应本来就不该完全一样。随机效应模型承认这一点代价是置信区间更宽但这恰恰是诚实的代价。有一个例外需要注意研究数很少的时候比如少于5篇随机效应模型的方差分量估计会很不稳置信区间可能被低估。这时候要用小样本校正方法比如Knapp-Hartung调整它会给置信区间加一个基于研究数的修正结果更保守但更可靠。还有一个常见误区是看异质性指数决定用哪个模型——异质性高就用随机效应异质性低就用固定效应。这个逻辑是反的。模型选择应该基于你对研究总体的先验判断而不是事后看数据挑一个好看的。如果你事先就认为研究之间存在真效应差异那就该用随机效应哪怕算出来异质性很低。3.3 异质性高得离谱的时候怎么办异质性有三组指标要看Q检验给一个显著性衡量观察到的变异是否超出抽样误差能解释的范围I²给一个比例表示总变异中归因于研究间真实差异的部分τ²给一个绝对量是研究间真效应方差的实际大小。最容易误读的是I²。它不是异质性来源只是一个比例而且它对研究数和样本量都敏感——研究数多、单篇样本量大的时候哪怕真实差异很小I²也可能很高。所以不要只报I²τ²和预测区间要一起报。预测区间回答的是一个更实际的问题如果换一个类似的新人群做同样的干预效应可能落在什么范围。这个区间比合并效应量的置信区间更能反映真实世界的不确定性。异质性高的时候处理路径是有顺序的。先做亚组分析把可能的调节变量一个个拆开看比如按人群年龄、干预剂量、随访时长分组看组间差异是否显著。再做元回归如果调节变量是连续型的用回归的方式看它解释了多大比例的异质性。然后做留一法逐个剔除研究看合并结果是否被某一篇主导。最后如果这些都解释不了就老实承认把结论限定在描述层面不要硬下有效或无效的判断。我个人的经验是异质性超过75%且找不到任何可解释的调节变量时这篇元分析的结论部分应该写得非常克制重点放在现有研究之间存在实质性差异这个发现本身而不是强行给一个合并数字。4. 审稿人必问的三件事偏倚、质量与稳健性方法部分写完之后审稿人最可能追问的就是这三个方向。它们不是可选项是元分析论文的标配组件。缺了任何一个稿子的完整度都会被质疑。4.1 漏斗图什么时候能画发表偏倚指的是结果显著的研究更容易被发表这个现象。如果存在这种偏倚你合并出来的效应量会系统性偏离真实值。检测手段里最出名的是漏斗图——横轴是效应量纵轴是精度理想情况下所有研究应该对称地分布在一个倒置的漏斗里。但漏斗图有一个硬性前提研究数不能太少。研究数低于10的时候漏斗图的对称性判断基本靠肉眼非常不可靠容易误判。所以少于10篇就别画了这不是偷懒是方法学上的诚实。研究数够的话可以配合Egger检验做一个定量的不对称性检验但也要注意它的局限Egger检验对小样本效应敏感而且在异质性很高的时候漏斗图的不对称可能来自真实的异质性而不是发表偏倚。这两者很难区分所以报告的时候要说明这种不确定性。如果确实检测到不对称可以做一个剪补法分析估算需要补多少篇缺失的研究才能让图形对称并给出校正后的效应量。这个校正值一般作为敏感性分析报告不作为主结果。主结果还是用未校正的但要把偏倚风险写进局限性讨论。4.2 质量评价工具怎么选质量评价不是打个总分就完事它的目的是为后面的敏感性分析提供依据。工具的选择取决于纳入的研究设计类型随机对照试验用偏倚风险评估工具看随机化、分配隐藏、盲法、结局数据完整性、选择性报告这几个域观察性研究用纽卡斯尔-渥太华量表这类工具从选择、可比性、结局三个维度打分横断面研究有对应的评价清单诊断准确性研究用专门的质量评价工具。工具选错了比不评还糟糕。我见过用随机对照的评价工具去评横断面研究的条目根本对不上评出来的分数没有意义。评价过程同样要求双人独立分歧协商解决最后可以按低风险、一些 concerns、高风险分类或者按分数切成高、中、低三档。这个分类结果直接对应下一步的敏感性分析把高风险研究剔除之后结论还稳不稳。4.3 敏感性分析与亚组分析的区别这两个词经常被混用但逻辑完全不同。敏感性分析是检验稳健性——换一种模型、剔除某类研究、换一种效应量、排除估算数据看主结果变不变。它的目的是回答我的结论有多可靠。亚组分析是探索异质性来源——按人群、剂量、随访时长分组看组间效应是否有差异。它的目的是回答效应在哪些条件下更大。关键的区别在于敏感性分析是必须做的亚组分析是可选的而且必须有预设假设。所谓预设是指你在看数据之前就已经想好了要按哪些变量分组并且写在了研究方案里。事后看着数据挑分组然后报告某亚组显著这是典型的数据挖掘结论不可信。如果亚组是探索性的就必须在结果和讨论里明确标注探索性分析需谨慎解读。这一句话写不写审稿人的态度会完全不同。5. 动手跑一遍从数据表到森林图理论说再多不如跑一遍。我用R语言配合metafor包走一遍完整流程因为这个组合免费、可复现、灵活度足够应付绝大多数场景。图形界面的商业软件也能做但对模型细节的控制不如代码来得清楚。5.1 数据表长什么样数据结构是整个流程的地基。连续型结局的表格大概是这样# 连续型结局数据结构示例 dat - data.frame( study c(Study_A_2018, Study_B_2019, Study_C_2020, Study_D_2021), n1 c(45, 60, 38, 52), # 干预组样本量 m1 c(12.4, 11.8, 13.1, 12.0),# 干预组均值 sd1 c(2.6, 3.1, 2.9, 2.7), # 干预组标准差 n2 c(43, 58, 40, 50), # 对照组样本量 m2 c(14.2, 13.5, 14.8, 13.9), sd2 c(2.8, 3.0, 3.2, 2.9) )二分类结局的表格换成事件数和总数# 二分类结局数据结构示例 dat - data.frame( study c(Study_A_2018, Study_B_2019, Study_C_2020), e1 c(18, 25, 12), # 干预组事件数 n1 c(45, 60, 38), # 干预组总数 e2 c(26, 34, 19), # 对照组事件数 n2 c(43, 58, 40) )建表的时候有两个细节要盯住第一样本量必须是进入分析的那个数字不是随机化时的数字失访之后的可用样本量才是你要的第二标准差是样本标准差还是标准误这两个差一个根号n抄错整个权重就错了。我在数据核对环节吃过亏后来养成的习惯是提取完之后随机抽三篇回原文对照一遍。5.2 核心代码逐行解读连续型结局走SMDlibrary(metafor) # 第一步计算每项研究的效应量和抽样方差 dat - escalc( measure SMD, m1i m1, sd1i sd1, n1i n1, m2i m2, sd2i sd2, n2i n2, data dat ) # 第二步拟合随机效应模型 res - rma( yi, vi, data dat, method REML, # 方差分量的估计方法 test knha # 小样本校正的检验方法 ) summary(res) forest(res, slab dat$study, xlab 标准化均值差 (SMD))escalc这一步做的是换算把各组的均值、标准差、样本量折算成标准化的效应量和对应的抽样方差。measure参数决定换算公式连续型用SMD或MD二分类用OR、RR或RD。这里选SMD是因为各研究用的量表不同需要标准化。rma是模型拟合。method参数指定方差分量的估计方法REML是限制性极大似然在多数场景下表现平衡也有用DerSimonian-Laird的计算快但在研究数少时偏差较大。test knha是Knapp-Hartung校正会给置信区间一个基于研究数的修正研究数不多的时候建议加上结果更保守。二分类结局的写法dat - escalc( measure OR, ai e1, bi n1 - e1, ci e2, di n2 - e2, data dat ) res - rma(yi, vi, data dat, method REML, test knha) summary(res)注意ai/bi/ci/di是四格表的四个格子bi和di是非事件数别填成总数。异质性和偏倚检验# 异质性指标 res$QE # Q统计量 res$QEp # Q的p值 res$I2 # I² res$tau2 # τ² predict(res) # 预测区间 # 发表偏倚研究数 10 才建议做 funnel(res) regtest(res, model lm) # Egger型检验 # 敏感性分析留一法 leave1out(res)5.3 结果怎么落进论文森林图出来之后结果段落的写法有固定套路但也要有信息量。一个可用的模板是这样的共纳入X项研究合计样本量Y人合并效应量为数值95%置信区间p值异质性检验结果显示Q值自由度p值I²τ²预测区间为下限到上限敏感性分析显示逐一剔除研究后结论未发生方向性改变发表偏倚检验未见明显不对称或存在一定不对称剪补法校正后效应量为……。森林图的读法也要会每一行是一项研究方块是点估计方块大小反映权重横线是置信区间最下面的菱形是合并结果菱形的宽度就是置信区间。方块大小差别很大是正常的样本量大、精度高的研究权重大。如果某篇研究的方块特别大就要检查一下它的样本量是不是输错了——这种低级错误在初稿里出现的频率比想象中高。菱形和中间的无效线有没有相交决定结论是有统计学意义还是无统计学意义但有没有实际意义是另一回事这个要在讨论里区分开。6. 实操里最容易翻车的几个地方前面讲的都是标准流程但真正让人返工的往往是那些流程之外的细节。我把自己和周围人踩过的坑整理一下按危险程度排个序。效应量方向搞反。这是最隐蔽也最致命的。不同研究报告的方向约定不一样有的把分数越高越好当正面有的反过来。提取的时候如果不统一合并出来可能正好是反的。我的做法是在数据表里加一列方向标记把所有研究统一到负值代表干预组更优或者相反转换在计算之前完成不要指望软件自动识别。单位不统一就直接合并。同一个指标有的用毫克每分升有的用毫摩尔每升差着一个换算系数。直接扔进去合并结果会被量纲大的研究带偏。提取表里要专门有一列记录单位合并前统一换算。同一批样本重复计入。同一课题组用同一批数据发了两三篇论文或者一篇是另一篇的子样本你把它们当成独立研究合进去等于给这批样本加了权重会人为缩小置信区间。处理办法是识别出来只保留信息最全的一篇或者做敏感性分析两种方案都跑一遍。研究数不够硬画漏斗图。前面说过少于10篇别画。审稿人看到4篇研究的漏斗图第一反应不是作者很严谨而是作者不懂方法学。把探索性亚组分析写成确证性结论。看着数据挑分组挑出一个显著的然后写成本研究发现某类人群效果更好。这个结论在你的样本里可能是偶然的在没有预设假设的情况下它只能作为假说提出。写清楚探索性三个字是保护自己。检索截止日期离投稿太远。检索做完到投稿隔了一年半中间新发表的研究可能改变结论。理想的做法是在投稿前做一次更新检索至少把最近半年的文献过一遍如果有新的合格研究补进去重跑。报告了I²却不报告τ²和预测区间。I²是个比例看不出效应变异的绝对大小。τ²和预测区间才能告诉读者换个人群做效应可能落在哪儿。这三个指标一起报是现在的主流要求。质量评价走形式。用工具打了分却不在任何地方使用这个分数。评价的目的是服务于敏感性分析如果高风险研究和低风险研究剔来剔去结论都一样这本身就是一个值得写出来的稳健性证据。忽略报告规范。元分析有一套公认的报告条目清单从题目、摘要、方法、结果到讨论都有具体要求。写完之后对着清单逐条核一遍能省掉很多返修。这不是形式清单里的每一条背后都有过审稿争议。把元分析当成不用动脑的捷径。这是最根本的一条。元分析省掉的是数据采集不是思考。选题的判断、检索式的设计、效应量的选择、异质性的解释、结论的克制每一项都需要对领域有真正的理解。我见过一些稿子方法部分做得无可挑剔讨论部分却空洞得像是从别处抄来的最后照样被拒。工具能帮你算但替不了你想。最后分享一个我自己的习惯。每次做完主分析我会把数据表、代码、检索式、筛选记录打包存一份命名带上日期。这个动作花不了几分钟但等到半年后要改稿、要更新检索、要回应审稿人请补充某项分析的时候你会庆幸当初留了这一手。元分析这类工作的价值一半在结果一半在可复现——而可复现这件事是从你建第一个数据表的时候就开始积累的。
前阵子有个同学跑来找我说他手上的课题卡住了——实验排期排到三个月之后数据一时半会儿出不来毕业要求又摆在那儿问我有没有不动手做实验也能推进的路子。我给他的建议是做一篇元分析。他第一反应是那不就是把别人的文献抄一遍攒个综述吗这个误解我见过太多次。元分析确实不产出一手数据但它跟抄文献之间隔着一整套量化方法检索协议、效应量换算、异质性建模、偏倚评估、敏感性分析每一步都有明确的规范也每一步都可能翻车。看懂这套东西你才知道它为什么能发论文更知道它凭什么被审稿人认可。这篇东西写给两类人一类是被实验条件卡住、想找一条正经研究路径的另一类是听说过元分析但一直没搞明白它到底在算什么的人。我会把原理、流程、代码和踩过的坑一次说透。1. 不做实验也能发论文这句话的真实含义先把话说明白元分析不发实验但它发的是研究的研究。你把已发表的一批同类研究当成样本把每篇研究的效应量当成观测值然后做一次统计合并。所以它本质上是一次二次研究你的实验对象是文献你的实验操作是模型选择、亚组划分和敏感性分析。这个视角一换很多疑惑就通了——为什么元分析也要求可复现为什么检索式必须写进附录为什么审稿人会盯着你的异质性指数不放。1.1 它和传统叙述性综述的分水岭在哪叙述性综述的写法是某某团队发现A某某团队发现B综合来看倾向于A结论建立在作者的阅读和判断上。这种写法的问题不在于不严谨而在于不可复现——换一个人读同一批文献很可能得出相反的倾向。审稿人一句存在选择性引用嫌疑你就很难反驳因为你确实没给出一个客观的合并规则。元分析把这件事变成了可计算的。它要求你先定好检索式、纳入排除标准、效应量指标、统计模型然后按这套规则把所有符合条件的研究一视同仁地合进去。合并出来的结果是一个带置信区间的点估计而不是一句倾向于。这两者的差别类似于我觉得这批数据看起来在涨和我算出斜率是0.4295%置信区间是0.31到0.53。前者是印象后者是证据。还有一层区别常被忽略元分析能回答单篇研究回答不了的问题。单个样本量几百人的研究检测微小效应的统计功效往往不够做出来不显著就搁置了。把十几篇这样的研究合在一起总样本量上去了一个真实存在但很微弱的效应就可能浮现出来。这是元分析最硬的价值也是它值得被当成独立研究方法而不是文献整理的原因。1.2 什么题目能做成元分析什么题目碰不得判断一个题目能不能做我一般先看三件事顺序不能乱。第一有没有足够数量且可比的量化研究。这不是凑数而是统计上的硬约束。研究数太少随机效应模型的方差分量估计会非常不稳定合并出来的置信区间宽得没有意义。我的经验线是低于8篇要非常谨慎10篇以上比较从容20篇以上才能支撑亚组分析。当然这不是铁律如果领域本身文献稀缺5到6篇高质量研究合出来的结果照样有价值但你得在讨论部分老老实实承认这个局限。第二结局指标能不能统一或者转换。这是最容易被低估的门槛。同样是焦虑水平有人用这个量表有人用那个量表分数尺度不一样你不能直接把均值扔进去平均。这时候要用标准化均值差或者通过已知的转换公式把不同量表折算到同一尺度。如果两篇研究的结局定义根本不同——一个测的是状态焦虑一个测的是特质焦虑——那就不该合硬合出来的数字没有解释力。第三异质性的来源你能不能解释。这一点决定了论文的天花板。理想情况下你希望研究之间的差异主要来自抽样误差如果差异大到一定程度你就得说清楚这些差异是不是由人群、剂量、随访时长、测量工具带来的。我在一次内部讨论里见过一个反例某方向能检索到的量化研究只有4篇硬做合并后异质性指数到了90%以上作者还是照着模板写了结果稳健。审稿意见只有一句话——在如此高的异质性下报告合并效应量没有意义。这篇稿子的命运在那句话出现的时候就已经定了。反过来什么题目适合做我总结成一个粗略的画像同一个问题有10篇以上使用相似设计、报告了可提取的效应量数据、结局指标在概念上一致、且这个领域最近三五年还在持续产出新研究。最后一点很重要因为元分析有时效性你检索截止到某年某月之后新发表的研究就可能改变结论。2. 原料从哪来检索协议与数据提取表元分析的质量上限在检索和数据提取这两步就已经定死了。后面的统计再花哨也救不回来一份漏检严重的文献集。我见过太多稿子栽在这里结果部分写得漂亮方法部分的检索式只有一行关键词审稿人一眼就看出来这个检索不可复现。2.1 检索式怎么搭才不漏文献检索式不是把题目里的词拆开扔进搜索框。它有三块拼图缺一块就会漏。第一块是研究对象或暴露因素第二块是结局指标第三块是研究设计或方法学特征。三块之间用逻辑与连接每块内部的同义词用逻辑或连接。举个结构化的示意研究对象这块既要有主题词数据库标引的规范词也要有自由词作者实际写在标题摘要里的词因为很多新概念还没有对应的主题词只靠主题词会漏掉最新文献同时要用截词符处理词根变化比如把干预的各种词形一次覆盖。第二块和第三块容易被偷懒。结局指标这块很多人只写主结局忘了副结局和同义表达结果漏掉一批只报告了替代指标的研究。研究设计这块如果只做观察性研究的合并就要把队列、病例对照、横断面这些设计词都列进去否则会系统性漏检。数据库的选择也要说清楚。中文文献库和外文文献库至少各覆盖一个如果领域跨学科还要考虑补充学科专用库。灰色文献要不要收取决于你的问题——如果担心发表偏倚收一部分学位论文、会议摘要、机构报告是有帮助的但要把未发表文献作为一个单独的敏感性分析维度。检索的时间范围、语言限制、是否限制人类研究这些都要在方法部分明确写出来并且给出完整的检索式和检索日期。这篇论文的可复现性就压在这一段上。2.2 纳入排除标准与提取表字段设计筛选文献用的是PICO框架拆解研究对象是谁暴露或干预是什么对照是什么结局是什么再加上研究设计类型和时间范围。每一条都要写成可执行的判断标准而不是模糊的描述。研究对象为成年人是可执行的研究对象合适不是。筛选流程一般走四步数据库检索去重、读标题摘要初筛、读全文复筛、滚雪球补充翻检纳入文献的参考文献列表和引用它的文献。前三步的每一步都要记录剔除数量和剔除理由最后画成流程图——这张图是元分析论文的标配缺了它审稿人会直接质疑流程规范性。数据提取表的设计是真正的功夫活。我建议至少包含这几类字段缺一个后面都可能返工字段类别具体内容为什么必须有标识信息第一作者、发表年份、国家/地区、研究设计后续做亚组和敏感性分析的分组依据样本信息各组样本量、年龄、性别构成、人群特征判断临床/人群同质性的基础效应量原始数据连续型各组均值、标准差、样本量二分类各组事件数、总样本量换算效应量的唯一来源缺了就没法算研究特征随访时长、干预剂量、测量工具名称异质性解释的主要候选变量方法学质量质量评价工具的各条目评分敏感性分析和亚组分析的依据备注数据缺失情况、是否联系作者、是否估算保证可追溯两个细节值得单独说。一是双人独立提取。这不是形式主义单人提取的错误率比想象中高尤其是标准差和样本量这两个数字抄错一位整个结果就偏了。双人提取后要计算一致性分歧的地方回到原文核对核对不了的记录下来。二是缺失数据的处理。很多研究只报告了均值没报告标准差或者只画了图没给数字。处理顺序是先联系通讯作者索取联系不上再考虑用同量纲研究的合并标准差替代或者从置信区间、标准误反推。无论用哪种方式都必须在方法部分写明并在敏感性分析里检验一下剔除这些估算值之后结论变不变。3. 效应量、模型与异质性整篇论文的数学骨架这三样东西是元分析的核心也是很多初学者最容易含糊过去的地方。效应量决定你合的是什么模型决定你怎么合异质性决定你合得有没有道理。三者是一个整体不能分开拍脑袋。3.1 效应量的选择逻辑选效应量不是看哪个流行而是看你的数据长什么样。基本原则是同一概念下能用原始尺度就用原始尺度尺度不统一才标准化。数据类型常用效应量适用场景注意点连续型单位一致均数差MD各组用同一量表测量结果直观可直接解释为分数差异连续型单位不一致标准化均数差SMD即Hedges g同一概念不同量表小样本时需做偏倚校正数值无原始单位解释要谨慎二分类事件常见风险比RR队列研究、干预研究事件率很低时不稳定二分类事件罕见比值比OR病例对照研究事件率高时OR会夸大RR二分类基线风险差异大风险差RD关注绝对效应跨基线风险合并时解释力强相关性Fisher z 转换后的相关系数两连续变量关联必须先做z转换再合并合完再转回SMD的校正这一步经常被跳过。小样本研究算出来的SMD会有轻微高估Hedges提出的校正因子能在样本量较小时修正这个偏差。现在主流软件默认就会做这个校正但如果你手写公式或者用老版本工具一定要检查一下有没有校正。另外SMD的正负方向必须有统一约定比如负值代表干预组优于对照组全文一致。方向搞反是元分析里最致命的错误之一而且极难自查——森林图上所有点看起来都很整齐结论却是反的。3.2 固定效应和随机效应不是二选一那么简单固定效应模型的假设是所有研究估计的是同一个真效应研究之间的差异纯粹来自抽样误差。随机效应模型的假设是每项研究有自己的真效应这些真效应围绕一个总体均值分布研究之间的差异包含抽样误差和真效应变异两部分。选哪个我的默认答案是随机效应。原因很实际在真实世界里所有研究估计同一个真效应这个假设几乎从不成立。不同人群、不同剂量、不同随访时长效应本来就不该完全一样。随机效应模型承认这一点代价是置信区间更宽但这恰恰是诚实的代价。有一个例外需要注意研究数很少的时候比如少于5篇随机效应模型的方差分量估计会很不稳置信区间可能被低估。这时候要用小样本校正方法比如Knapp-Hartung调整它会给置信区间加一个基于研究数的修正结果更保守但更可靠。还有一个常见误区是看异质性指数决定用哪个模型——异质性高就用随机效应异质性低就用固定效应。这个逻辑是反的。模型选择应该基于你对研究总体的先验判断而不是事后看数据挑一个好看的。如果你事先就认为研究之间存在真效应差异那就该用随机效应哪怕算出来异质性很低。3.3 异质性高得离谱的时候怎么办异质性有三组指标要看Q检验给一个显著性衡量观察到的变异是否超出抽样误差能解释的范围I²给一个比例表示总变异中归因于研究间真实差异的部分τ²给一个绝对量是研究间真效应方差的实际大小。最容易误读的是I²。它不是异质性来源只是一个比例而且它对研究数和样本量都敏感——研究数多、单篇样本量大的时候哪怕真实差异很小I²也可能很高。所以不要只报I²τ²和预测区间要一起报。预测区间回答的是一个更实际的问题如果换一个类似的新人群做同样的干预效应可能落在什么范围。这个区间比合并效应量的置信区间更能反映真实世界的不确定性。异质性高的时候处理路径是有顺序的。先做亚组分析把可能的调节变量一个个拆开看比如按人群年龄、干预剂量、随访时长分组看组间差异是否显著。再做元回归如果调节变量是连续型的用回归的方式看它解释了多大比例的异质性。然后做留一法逐个剔除研究看合并结果是否被某一篇主导。最后如果这些都解释不了就老实承认把结论限定在描述层面不要硬下有效或无效的判断。我个人的经验是异质性超过75%且找不到任何可解释的调节变量时这篇元分析的结论部分应该写得非常克制重点放在现有研究之间存在实质性差异这个发现本身而不是强行给一个合并数字。4. 审稿人必问的三件事偏倚、质量与稳健性方法部分写完之后审稿人最可能追问的就是这三个方向。它们不是可选项是元分析论文的标配组件。缺了任何一个稿子的完整度都会被质疑。4.1 漏斗图什么时候能画发表偏倚指的是结果显著的研究更容易被发表这个现象。如果存在这种偏倚你合并出来的效应量会系统性偏离真实值。检测手段里最出名的是漏斗图——横轴是效应量纵轴是精度理想情况下所有研究应该对称地分布在一个倒置的漏斗里。但漏斗图有一个硬性前提研究数不能太少。研究数低于10的时候漏斗图的对称性判断基本靠肉眼非常不可靠容易误判。所以少于10篇就别画了这不是偷懒是方法学上的诚实。研究数够的话可以配合Egger检验做一个定量的不对称性检验但也要注意它的局限Egger检验对小样本效应敏感而且在异质性很高的时候漏斗图的不对称可能来自真实的异质性而不是发表偏倚。这两者很难区分所以报告的时候要说明这种不确定性。如果确实检测到不对称可以做一个剪补法分析估算需要补多少篇缺失的研究才能让图形对称并给出校正后的效应量。这个校正值一般作为敏感性分析报告不作为主结果。主结果还是用未校正的但要把偏倚风险写进局限性讨论。4.2 质量评价工具怎么选质量评价不是打个总分就完事它的目的是为后面的敏感性分析提供依据。工具的选择取决于纳入的研究设计类型随机对照试验用偏倚风险评估工具看随机化、分配隐藏、盲法、结局数据完整性、选择性报告这几个域观察性研究用纽卡斯尔-渥太华量表这类工具从选择、可比性、结局三个维度打分横断面研究有对应的评价清单诊断准确性研究用专门的质量评价工具。工具选错了比不评还糟糕。我见过用随机对照的评价工具去评横断面研究的条目根本对不上评出来的分数没有意义。评价过程同样要求双人独立分歧协商解决最后可以按低风险、一些 concerns、高风险分类或者按分数切成高、中、低三档。这个分类结果直接对应下一步的敏感性分析把高风险研究剔除之后结论还稳不稳。4.3 敏感性分析与亚组分析的区别这两个词经常被混用但逻辑完全不同。敏感性分析是检验稳健性——换一种模型、剔除某类研究、换一种效应量、排除估算数据看主结果变不变。它的目的是回答我的结论有多可靠。亚组分析是探索异质性来源——按人群、剂量、随访时长分组看组间效应是否有差异。它的目的是回答效应在哪些条件下更大。关键的区别在于敏感性分析是必须做的亚组分析是可选的而且必须有预设假设。所谓预设是指你在看数据之前就已经想好了要按哪些变量分组并且写在了研究方案里。事后看着数据挑分组然后报告某亚组显著这是典型的数据挖掘结论不可信。如果亚组是探索性的就必须在结果和讨论里明确标注探索性分析需谨慎解读。这一句话写不写审稿人的态度会完全不同。5. 动手跑一遍从数据表到森林图理论说再多不如跑一遍。我用R语言配合metafor包走一遍完整流程因为这个组合免费、可复现、灵活度足够应付绝大多数场景。图形界面的商业软件也能做但对模型细节的控制不如代码来得清楚。5.1 数据表长什么样数据结构是整个流程的地基。连续型结局的表格大概是这样# 连续型结局数据结构示例 dat - data.frame( study c(Study_A_2018, Study_B_2019, Study_C_2020, Study_D_2021), n1 c(45, 60, 38, 52), # 干预组样本量 m1 c(12.4, 11.8, 13.1, 12.0),# 干预组均值 sd1 c(2.6, 3.1, 2.9, 2.7), # 干预组标准差 n2 c(43, 58, 40, 50), # 对照组样本量 m2 c(14.2, 13.5, 14.8, 13.9), sd2 c(2.8, 3.0, 3.2, 2.9) )二分类结局的表格换成事件数和总数# 二分类结局数据结构示例 dat - data.frame( study c(Study_A_2018, Study_B_2019, Study_C_2020), e1 c(18, 25, 12), # 干预组事件数 n1 c(45, 60, 38), # 干预组总数 e2 c(26, 34, 19), # 对照组事件数 n2 c(43, 58, 40) )建表的时候有两个细节要盯住第一样本量必须是进入分析的那个数字不是随机化时的数字失访之后的可用样本量才是你要的第二标准差是样本标准差还是标准误这两个差一个根号n抄错整个权重就错了。我在数据核对环节吃过亏后来养成的习惯是提取完之后随机抽三篇回原文对照一遍。5.2 核心代码逐行解读连续型结局走SMDlibrary(metafor) # 第一步计算每项研究的效应量和抽样方差 dat - escalc( measure SMD, m1i m1, sd1i sd1, n1i n1, m2i m2, sd2i sd2, n2i n2, data dat ) # 第二步拟合随机效应模型 res - rma( yi, vi, data dat, method REML, # 方差分量的估计方法 test knha # 小样本校正的检验方法 ) summary(res) forest(res, slab dat$study, xlab 标准化均值差 (SMD))escalc这一步做的是换算把各组的均值、标准差、样本量折算成标准化的效应量和对应的抽样方差。measure参数决定换算公式连续型用SMD或MD二分类用OR、RR或RD。这里选SMD是因为各研究用的量表不同需要标准化。rma是模型拟合。method参数指定方差分量的估计方法REML是限制性极大似然在多数场景下表现平衡也有用DerSimonian-Laird的计算快但在研究数少时偏差较大。test knha是Knapp-Hartung校正会给置信区间一个基于研究数的修正研究数不多的时候建议加上结果更保守。二分类结局的写法dat - escalc( measure OR, ai e1, bi n1 - e1, ci e2, di n2 - e2, data dat ) res - rma(yi, vi, data dat, method REML, test knha) summary(res)注意ai/bi/ci/di是四格表的四个格子bi和di是非事件数别填成总数。异质性和偏倚检验# 异质性指标 res$QE # Q统计量 res$QEp # Q的p值 res$I2 # I² res$tau2 # τ² predict(res) # 预测区间 # 发表偏倚研究数 10 才建议做 funnel(res) regtest(res, model lm) # Egger型检验 # 敏感性分析留一法 leave1out(res)5.3 结果怎么落进论文森林图出来之后结果段落的写法有固定套路但也要有信息量。一个可用的模板是这样的共纳入X项研究合计样本量Y人合并效应量为数值95%置信区间p值异质性检验结果显示Q值自由度p值I²τ²预测区间为下限到上限敏感性分析显示逐一剔除研究后结论未发生方向性改变发表偏倚检验未见明显不对称或存在一定不对称剪补法校正后效应量为……。森林图的读法也要会每一行是一项研究方块是点估计方块大小反映权重横线是置信区间最下面的菱形是合并结果菱形的宽度就是置信区间。方块大小差别很大是正常的样本量大、精度高的研究权重大。如果某篇研究的方块特别大就要检查一下它的样本量是不是输错了——这种低级错误在初稿里出现的频率比想象中高。菱形和中间的无效线有没有相交决定结论是有统计学意义还是无统计学意义但有没有实际意义是另一回事这个要在讨论里区分开。6. 实操里最容易翻车的几个地方前面讲的都是标准流程但真正让人返工的往往是那些流程之外的细节。我把自己和周围人踩过的坑整理一下按危险程度排个序。效应量方向搞反。这是最隐蔽也最致命的。不同研究报告的方向约定不一样有的把分数越高越好当正面有的反过来。提取的时候如果不统一合并出来可能正好是反的。我的做法是在数据表里加一列方向标记把所有研究统一到负值代表干预组更优或者相反转换在计算之前完成不要指望软件自动识别。单位不统一就直接合并。同一个指标有的用毫克每分升有的用毫摩尔每升差着一个换算系数。直接扔进去合并结果会被量纲大的研究带偏。提取表里要专门有一列记录单位合并前统一换算。同一批样本重复计入。同一课题组用同一批数据发了两三篇论文或者一篇是另一篇的子样本你把它们当成独立研究合进去等于给这批样本加了权重会人为缩小置信区间。处理办法是识别出来只保留信息最全的一篇或者做敏感性分析两种方案都跑一遍。研究数不够硬画漏斗图。前面说过少于10篇别画。审稿人看到4篇研究的漏斗图第一反应不是作者很严谨而是作者不懂方法学。把探索性亚组分析写成确证性结论。看着数据挑分组挑出一个显著的然后写成本研究发现某类人群效果更好。这个结论在你的样本里可能是偶然的在没有预设假设的情况下它只能作为假说提出。写清楚探索性三个字是保护自己。检索截止日期离投稿太远。检索做完到投稿隔了一年半中间新发表的研究可能改变结论。理想的做法是在投稿前做一次更新检索至少把最近半年的文献过一遍如果有新的合格研究补进去重跑。报告了I²却不报告τ²和预测区间。I²是个比例看不出效应变异的绝对大小。τ²和预测区间才能告诉读者换个人群做效应可能落在哪儿。这三个指标一起报是现在的主流要求。质量评价走形式。用工具打了分却不在任何地方使用这个分数。评价的目的是服务于敏感性分析如果高风险研究和低风险研究剔来剔去结论都一样这本身就是一个值得写出来的稳健性证据。忽略报告规范。元分析有一套公认的报告条目清单从题目、摘要、方法、结果到讨论都有具体要求。写完之后对着清单逐条核一遍能省掉很多返修。这不是形式清单里的每一条背后都有过审稿争议。把元分析当成不用动脑的捷径。这是最根本的一条。元分析省掉的是数据采集不是思考。选题的判断、检索式的设计、效应量的选择、异质性的解释、结论的克制每一项都需要对领域有真正的理解。我见过一些稿子方法部分做得无可挑剔讨论部分却空洞得像是从别处抄来的最后照样被拒。工具能帮你算但替不了你想。最后分享一个我自己的习惯。每次做完主分析我会把数据表、代码、检索式、筛选记录打包存一份命名带上日期。这个动作花不了几分钟但等到半年后要改稿、要更新检索、要回应审稿人请补充某项分析的时候你会庆幸当初留了这一手。元分析这类工作的价值一半在结果一半在可复现——而可复现这件事是从你建第一个数据表的时候就开始积累的。
