如何⽤R语⾔实现单个率单臂实验的meta分析（包括⼆分类变量与
连续型变量教程）
中文在线翻译成英文
各位读者朋友们⼤家好啊，最近有不少读者私信我说关于单臂实验的meta分析能不能出个教程，尤其是对于单臂连续型变量，找遍了全⽹都不知如何⽤R实现，不要着急，相信看完本期教程，你会获益匪浅的。（需要本教程的原始数据及完整程序命令的可在公，众号（全哥的学习⽣涯）内回，复“单个率meta”。）
01 单个率meta分析的理论基础
单个率的Meta分析是⼀种只提供了⼀组⼈群的总⼈数和事件发⽣⼈数，基于原始研究为横断⾯的研究，国内Meta 分析的软件主要是Review Manager，但该软件⽆法实现单个率的Meta 分析。Stata 软件可进⾏单个率的Meta 分析，但其计算繁琐，操作较复杂且是收费的统计软件。Meta-analysis 软件是⼀款免费的软件且可以进⾏单个率的Meta 分析，但是其为菜单操作，⽆法实现对原始率的转换。相⽐之下，R 软件是⼀种共享的免费统计软件，有专门的Meta 分析程序包，可以进⾏单个率的Meta 分析，⽽且提供了五种⽅法估算率， 研究者可以根据原始率的分布选择合适的⽅法。
02 准备⼯作
2.1
conversational2016年考研国家线预测本教程使⽤的R软件版本为3.6.2，RStudio版本为1.2.1335，需要软件的读者可在公，众号（全哥的学习⽣涯）内回，复“R”,”RS”。同时，我们需要安装“meta”包，及加载此包。代码如下：
install.packages(“meta”)lobotomy
library(meta)
2.2
在本教程中，我们的⽬的是研究某病毒在某特定⼈群中的阳性检出率，输⼊以下命令将数据录⼊进R中：
twd(dir="C:/Urs/Desktop") #可更改为⾃⼰的⼯作⽬录
data <- read.csv("data.csv",header = T)
原始数据如图1所⽰：
图 1
其中，Author为研究作者，Year为发表年份，Sample.size为样本量，Ca为事件发⽣数，
03 R语⾔中的Meta 分析函数
3.1 R语⾔样本率的5种估计⽅法
可使⽤metaprop 函数进⾏率的合并，R 语⾔中关于样本率的估计⽅法有五种，根据样本率的分布决定使⽤哪种合并⽅法，五种估计⽅法如下：sm =＂PRAW＂,untransformed proportions（没有转换的原始率）。
basicallysm＝＂PLN＂, Log transformation（对数转换）。
determinesm＝＂PLOGIT＂,Logit transformation（logit 转换）。
sm＝＂PAS＂,Arcsine transformation（反正弦转换）。
sm=”PFT”,Freeman-Tukey Double arcsine transformation （Freeman-Tukey双重反正弦转换）
3.2 单个率的合并
在进⾏metaprop 分析之前，对原始率及按四种估计⽅法进⾏转换后的率进⾏正态性检验，根据检验结果选择接近正态分布的⽅法。transform 为对数据进⾏计算，p、log、logit、arcsin、dsrcsin 表⽰分
notifications别按上述五种⽅法估计率的函数，st 为正态性检验。命令如下:
rate <- transform(data,p=Ca/Sample.size) #没有转换的原始率
rate <- transform(data,log=log(Ca/Sample.size)) #对数转换
rate <- transform(data,logit=log((Ca/Sample.size)/(1-Ca/Sample.size))) #logit转换
rate <- transform(data,arcsin.size=asin(sqrt(Ca/(Sample.size+1))))
rate <- transform(data,darcsin=0.5*
(asin(sqrt(Ca/(Sample.size+1)))+asin((sqrt(Ca+1)/(Sample.size+1))))) # Freeman-Tukey双重反正弦转换st(rate$darcsin)
metaprop 函数⽤于计算各个独⽴研究的率及95％可信区间，并按照率的分布选择合适的估计⽅法，得到合并的率及95％可信区间。命令如下：
meta1 <- metaprop(Ca,Sample.size,data=data,studlab = paste(data$Author,data$Year,p="-
"),sm="PRAW",incr=0.5,allincr=TRUE,addincr=FALSE)
meta1
sm 表⽰估计样本率的⽅法，根据正态性检验结果选择合适的估计⽅法。本例原始率符合正态分布，因此直接选取是PRAW法估计原始率即可。
incr＝0.5 表⽰当事件发⽣数为0时⽤0.5 来替代。
allincr＝TRUE 表⽰⾄少有⼀个研究的事件发⽣数为0时，所有事件发⽣数都加上incr数值；为FALSE时，只对事件发⽣数为0 的研究加上incr 数值。
addincr＝TRUE 表⽰⽆论是否有事件发⽣数为0的研究，所有研究都加上incr数值。
04 图形绘制与结果展⽰
4.1 森林图绘制
敲⼊命令：
jpeg("Forest plot.jpeg",height = 1300,width = 800)
danai guriraforest(meta1,digits=3,family="sans",fontsize=9.5,lwd=2,col.diamond.fixed="lightslategray",col.diamond.line s.fixed="lightslategray",
col.diamond.random="maroon",col.diamond.lines.random="maroon",col.square="skyblue",col.study="lightsla tegray",
lty.fixed=4,plotwidth="8cm",colgap.forest.left="1cm",colgap.forest.right="1cm",just.forest="right",colgap.lef t="0.5cm",
colgap.right="0.5cm")
dev.off()
以上代码看起来繁琐复杂，但其⽬的是为了绘制⼀张精美漂亮的森林图，且因为数据较多，需要将图⽚完整的显⽰出来，如图2所⽰。对于以上代码的解释，可参考之前公，众号：全哥的学习⽣涯，的⽂章：如何⽤R画出精美漂亮的meta分析森林图。
需要注意的是，上述代码中，digits 表⽰保留的⼩数位数。合并的率及95％可信区间与原⽂⼀致，结果见图2。sol
图 2
4.2 漏⽃图的绘制
funnel 画漏⽃图，是⽤于识别发表偏倚或其他偏倚的⽅法，根据图形的不对称程度判断Meta 分析中偏倚的有⽆。
命令为：
funnel(meta1)
结果见图3。漏⽃图是⼀种⽤主观定性的⽅法来判断有⽆偏倚，因此需要对漏⽃图的不对称程度进⾏统计学检验。另外，本公众号还介绍了⼀种“超级漏⽃图”，其能在统计学99%、95%和90%三个⽔平上对发表偏倚进⾏检测，详细教程可见公，众号：全哥的学习⽣涯。
大学英语精读第四册答案图 3
4.3 漏⽃图的不对称性检验
metabias是对漏⽃图的不对称性进⾏统计学检验。
Egger 检验的命令为：
metabias(meta1,method＝”linreg”）
根据结果输出窗⼝P 值⼤⼩，判断发表偏倚或其他偏倚是否具有统计学意义。
输出Egger 漏⽃图的命令为
metabias （meta1，method ＝＂linreg＂， plotit＝TRUE,k.min＝10）
