在我們分享了Stata實現(xiàn)單組率meta分析的教程（單組率的meta分析：metan還是metaprop）后，粉絲朋友們提出了一些后續(xù)操作問題。

例如：單組率meta分析，發(fā)表偏倚檢驗、敏感性分析、亞組分析怎么做？

先說重點1 對于可以用metan完成森林圖的數(shù)據(jù)（也就是無極端值或偏態(tài)數(shù)據(jù)），可以實現(xiàn)發(fā)表偏倚檢驗、敏感性分析、亞組分析的操作；2 對于只能用metaprop完成森林圖的數(shù)據(jù)（數(shù)據(jù)存在極端值或非正態(tài)分布），發(fā)表偏倚檢驗、敏感性分析都做不了（做了結果也不對），但可以做亞組分析；3 其實單組率的meta分析，沒必要做發(fā)表偏倚檢驗，敏感性分析的意義也不大。

接著聊操作1 發(fā)表偏倚檢驗單組率meta分析，不需要做發(fā)表偏倚檢驗，為什么？因為單組率只是一個描述性結果，而不是差異比較結果，不存在所謂的“陽性”結果或有統(tǒng)計學意義的結果。
然而，一定要做發(fā)表偏倚檢驗的話，操作上是可行的。以下圖的這些數(shù)據(jù)為例，在之前的推文（單組率的meta分析：metan還是metaprop），我們已經知道它們可以使用“metan”完成效應量合并的森林圖。

在這個過程中，我們生成了p和se，利用它們就可以實現(xiàn)發(fā)表偏倚檢驗。

運行代碼：metabias? p se, egger graph得到egger檢驗的結果，P = 0.010 < 0.05，提示有顯著的發(fā)表偏倚。

這個結果沒有出乎意料，事實上，單組率的meta分析，“存在”發(fā)表偏倚的可能性，我認為是在95%以上，因為它們肯定都是“陽性”結果。這也是為什么我不認同單組率的meta分析需要做發(fā)表偏倚檢驗。

2 敏感性分析單組率的meta分析，如果數(shù)據(jù)可以通過“metan”實現(xiàn)的，敏感性分析跟常規(guī)meta分析一樣。

按照截圖的設置，選擇主菜單（Main）和二級菜單（Effect Opts）的相關參數(shù)。

以上菜單操作，就是以率(p)和標準誤(se)為數(shù)據(jù)，通過隨機效應模型完成敏感性分析，點擊“OK”得到結果。

同樣的，結果毫無疑問是“穩(wěn)定”。不管剔除哪個研究，剩余研究的合并結果都不會變成沒有統(tǒng)計學意義。

用“metaprop”完成單組率meta分析的數(shù)據(jù)，為什么不能按上面的方法做發(fā)表偏倚檢驗或敏感性分析呢？我們用實例驗證。

數(shù)據(jù)中，“p, se”是通過metan完成森林圖時，通過公式計算得到的率和標準誤；而“_es, _sees”是通過metaprop對應的率和標準誤。

既然森林圖的合并結果是用“_es, _sees”計算得到的，用“p, se”做敏感性分析就不合適。那能不能用前者做敏感性分析呢？答案也是不行的，我們可以操作一下。

此時，我們要看的是，總合并結果：P (95%CI) = 0.22 (0.05, 0.39)。事實上，用metaprop得到的合并結果是P (95%CI) = 0.20 (0.04, 0.44)。

結果的差異在于這是兩種不同的算法，因此，存在非正態(tài)分布數(shù)據(jù)或極端值時，我們可以用metaprop完成的單組率meta分析，但不能用metaninf或metainf做敏感性分析。

3 亞組分析要做亞組分析，需要整理一個分組變量，如下圖的“group”，分為A、B兩個亞組。

操作很簡單，我們已經知道了metaprop實現(xiàn)單組率meta分析森林圖的代碼：metaprop case n, random cimethod(exact) lcols( study) xlab(0.2, 0.4, 0.6, 0.8) dp(3)

只需要在代碼的最后加上：by(xx)，也就是：metaprop case n, random cimethod(exact) lcols( study) xlab(0.2, 0.4, 0.6, 0.8) dp(3) by(group)

Ok，亞組分析完成了。
要提醒大家的一點是：metaprop的亞組分析，分組后，亞組的研究數(shù)量在3篇或以下，是不顯示異質性檢驗結果的。如果審稿人有疑問，解釋一下即可。

今天的分享就到這了！