Stata率的meta分析

用stata软件做单个样本率的meta分析

本实例采用的数据是本人的另一个贴子用的数据是这个贴子中我能用stata做患病率的meta分析了，大家交流交流啊 - 丁香园论坛中网友在别的文章中看到并上传的一个森林图：

这个森林图中的数据其实不太好，因为异质性太大，但数据简单，也就给大家摸拟一下。重要的是知道怎样用stata软件做单样本率meta 分析就可以了。

在stata中要做meta分析，最重要的就是要知道两个变量，一个是ES也就是效应量，另一个是seES,也就效应量，所有关于率的meta,做meta的关键也就是如何去寻找这两个东东了,

我这里采用的就是直接用率做为ES,而ES的标准误其实也不难求出,大家可以看看孙振球教授《医学统计学》中的这个例子或许会有所启发:如下图

这个是基于正态近似法的公式,在样本量较,数据正态时使用,这算ES 的标准误也是如用的这个公式

下面开始具体操作:

1,输入数据,数据的格式是study,率，以及样本量

第二步：generate ser=sqrt(r*(1-r)/n)

3，用随机效应模型进行分析命令如下：metan r ser, random label(namevar=study)

继续

4，输入如下命令得到漏斗图:metafunnel r ser

Stata在meta分析中的应用

1 定量资料两组比较的meta分析 2 定性资料两组比较的meta分析 实例： 分类资料的meta分析 为了探讨用Aspirin预防心肌梗塞(myocardial infarction，MI)后死亡的发生。美国在1976——1988年问进行了7个关于Aspirin 预防MI后死亡的研究，详细结果见表1，其中6项研究的结果表明Aspirin组与安慰剂组的MI后死亡率的差别无统计学意义。只有1项结果表明Aspirin预防MI后死亡有效并且差别有统计学意义。现根据表1提供的结果进行meta分析 表1 Aspirin预防心肌梗塞死亡的临床试验结果 研究发表年份 Aspirin组安慰剂组 总例数死亡例数总例数死亡例数 MRC-1 1974 615 49 624 67 CDP 1976 758 44 771 64 MRC-2 1979 832 102 850 126 GASP 1979 317 32 309 38 PARIS 1980 810 85 406 52 AMIS 1980 2237 246 2257 219 ISIS-2 1988 8587 1570 8600 1720 操作步骤 1 把数据输入stata软件

2 变量的解释 Study 纳入的研究 Year 年份 Death1 Aspirin组的死亡人数 Live1 Aspirin组的存活人数 Death2 安慰剂组的死亡人数 Live2 安慰剂组的死亡人数 3 进行meta分析 metan death1 live1 dead2 live2, or label(namevar=study, yearvar=year) 结果：

(完整word版)用stata进行单个率meta分析程序总结,推荐文档

用stata进行单个率meta分析程序总结 感谢版主对我的方法进行验证，这里整理一下方面大家研究 谷歌的程序（标红部分，分批录入stata12.0.可得到结果。）clear input study cases total 1 20 1000 2 40 5000 3 30 1500 4 2 5 3300 end gen p = . gen se = . // get proportions and std errors forv i =1(1)4 { cii total[`i'] cases[`i']

qui replace p = r(mean) in `i' qui replace se = r(se) in `i' } // get the inverse variance-weighted proportion // use the official Stata -vwls- command gen cons =1 vwls p cons, sd(se) // use the user written -metan- command // for fixed-effects meta-analysis metan p se, nograph fixed // for random-effects meta-analysis metan p se, nograph random 我的数据，用谷歌方法运行的命令：clear input study cases total

1 76 451 2 86 202 3 2 4 97 4 401 2502 end gen p = . gen se = . forv i =1(1)4 { cii total[`i'] cases[`i'] qui replace p = r(mean) in `i' qui replace se = r(se) in `i' } gen cons =1 vwls p cons, sd(se) metan p se, nograph fixed metan p se, nograph random