尽管在 Meta 分析时, 通过制定严格统一的纳入和排除标准, 只有具有相同研究目的、高质量的研究才能纳入分析, 在一定程度上可以确保纳入研究的同质性, 但是由于一些潜在的混杂因素的存在, 仍能出现一些研究不同质的情况, 因此, 在对各个独立研究的结果进行合并前应该进行异质性评价。
故而，本贴将讲述几种异质性检测的方法。请各位补充
三、统计学异质性的几种定量检验方法
1、Q 统计量 该检验的无效假设为纳入各研究的效应量均相同。
Q 服从于自由度为 k-1 的χ2分布，Q 值越大，其对应的 P 值越小。
2、I2 统计量 I2 统计量反映异质性部分在效应量总的变异中所占的比重。
I2=100%×(Q-df)/Q，其中 Q 为 Q 统计量，df 是它的自由度（即研究总个数减去 1 得
到的数值）。
A、当 I2=0（如果 I2 为负值，我们设它为 0）时，表明没有观察到异质性，
B、I2 统计量越大异质性越大；异质性的低、中、高程度分别用 I2 统计量 25%、50%、75% 表示。
C、若I2>50%，则说明存在比较明显的异质性 [2]。
3、 H 统计量
H等于 Q/k - 1 的平方根
H 的95 %CI: exp (ln H ±Zα ×S E[ln ( H) ]) （详细步骤不再详述）
统计量 H 值为 1 表示各研究间无异质性,（1）若 H > 1.5 提示研究间存在异质性; (2)H < 1.2 则提示可认为各个研究是同质; (3)若 H 值在 1.2 和 1.5 之间, 当 H 值的95 %CI 包含1 ,在0.05 的检验水准下无法确定是否存在异质性, 若没包含 1 则可认为存在异质性。
4、Galbraith 图法
对于每一个试验，以 Z 统计量（效应量除以它的标准误（b/se））为纵轴、标准误的倒数（1/se）为横轴作图。回归线穿过原点代表着固定效应模型的合并效应量，在这条直线的上下两个单位处与Meta 分析中固定效应模型的合并效应量的斜率相等的 95%可信区间作两条平行线。
若该 Meta 分析各研究无异质性，我们将看到所有点落到可信区间回归直线的内部
该法提供了一个图形化的显示可以直观得到 Meta 分析中具有异质性的异常点。
5、L’Abbe 图
该图由 L’Abbe 等在 1987 年提出，通常用于 RCT 的二分类变量数据的 Meta 分析异质性检验。根据每个研究的处理组事件发生率相对于对照组事件的发生率作图，若研究结果同质，则所有点呈线性分布，若偏离该线过远，则表明该研究结果为异常（在敏感性分析时，我们就可以把这个点作为检测点，将该研究排除后在合并统计量）
6、森林图
森林图是 Meta 分析中最常用的图表法, 它可显示单个研究和合并的效应量及其相应的可信区间, 如果单 个研究结 果间的可信区间有很少的重叠, 则提示研究间可能存在异质性。原理很简单，不再详述。
注意：1、前 3 种检验方法为数值型变量，可同时采用，综合得出是否存在异质性及异质程度的大小；
2、Q 统计量检验效能较低，（A）在纳入研究数目较少的情况下，有时出现假阴性结果。可考虑提高检验水准，如 α=0.10，以增大检验效能。（B）另外如果存在设计缺陷或发表性偏倚，以及纳入研究过多，则又有可能出现假阳性结果，即 P<0.05， （C）采用分层分析法研究异质性时, Q 检验结果更不稳定。 所以在应用 Q 检验法时，解释结果应慎重
3、H 和 I2 统计量经过对自由度的校正，不会受到文献数目变化的影响，异质性结果检验较为稳健。（如果我们分析异质性时，三种数值变量的结果不一致，这时我们就可以根据其特点，对其作出合理解释了）（同时我们也可以在做异质性评价时，根据其特点选择相应的方法）
4、作图法的好处：（A）Galbraith 图、L’Abbe 图、还有森林图这三种作图方法最大的好处就是：能看出异质性来源的异常点，清晰、明了、直观；
（B）L’Abbe 图仅适用 RCT 的二分类变量数据，可直观地看出处理组事件发生率相对于对照组事件的发生率的关系。显示异质性来源。
5、作图法的缺点： 对任一数据的视图, 甚至是对同一图表, 不同的人可能有不同的解读。 所以, 尽管图示法对评价异质性有帮助, 但解读它们时必须小心, 尽可能地应用合理的统计学检验法来评价视觉上观察到的异质性趋势或类型 |
发表于 2012-8-11 02:02
发表于 2012-8-12 21:57