R 林地解释

在我的研究中，我对病毒载量进行了荟萃分析，以测试a和B之间的特定相互作用是否影响其水平

这是我用R:

---

然而，我不知道如何解释它。我理解这个结果是重要的，因为p=0.0073，并且因为总体效果估计95%CI不重叠0。然而，钻石位于森林地块的右侧意味着什么

这取决于单个效果大小的计算方式。这似乎是对每种病毒载量的a和B之间的相关性进行荟萃分析的森林图（您表示关联p值）。也许你可以使用不同病毒载量和相关标准差（？）之间的z-转换相关性的差异。如果是这样，计算此差异的方式将帮助您解释总体效果大小。是否计算为大病毒载量的值减去小病毒载量的值？如果是这样，总体估计表明，在大的病毒载量下，a和B之间的相互作用会产生更大的影响。（如果菱形位于垂直虚线的左侧，即“无影响”线，则在小病毒载量时，它会反映出更大的相互作用效应。）

---

另外一条评论：您似乎使用随机效应来估计总体效应大小（顺便说一句，每个单独研究的黑色方块大小反映了分配给该研究的权重）。异质性测试似乎不显著（见异质性p值），这意味着异质性不会影响荟萃分析的结果。当这个测试变得重要时，你需要考虑混合效应模型（即在数据集中找到调节器来帮助解释这种异质性）。否则结果是不可靠的。

这意味着总体效果是积极的。由于效应是一种相互作用，这意味着随着B的增加，A的效应变得更大（或更积极，或更少消极），反之亦然。请注意，这个问题不是关于编程的，而是关于统计的，因此在这里是离题的。感谢Luminita的回答和所有解释。为了执行森林图，我使用了以下变量：队列名称、估计值（即beta）和标准误差。然后，我使用R包“metafor”（使用

method=“FE”

）执行了一个固定效果模型。我应该使用REML还是ML？如果我理解正确，异质性检验不显著是好的，否则我将不得不做一个混合效应模型。是吗？当样本的观察/研究通过相同的方法获得时，我们通常使用固定效应模型，并且我们有充分的理由假设所有研究中的真实效应大小完全相同。否则，我们应该使用随机效应来解释这些观察/研究之间的异质性。我不确定您的调查是如何安排的，但这里有一个资源可以帮助您针对您的情况做出最佳选择：关于异质性测试，是的，它不重要是件好事。或者，您也可以查看异质性指标I2（在您的模型结果中提供），它显示了研究之间的异质性对荟萃分析的影响。研究对总体异质性的贡献不同。然而，我们关注的不是研究间的异质性本身，而是这如何影响荟萃分析的结果。这里是Cochrane协作的指标I2的简要回顾（它解释了关注I2的重要性、计算以及阈值的解释）：当异质性影响结果时，我们需要找到减少异质性的方法。理想情况下，我们通过向模型中添加调节者/变量来减少/解释它。如果不可能（即，我们找不到相关的调节者），一个快速解决办法是目视检查异质性图，看看哪些研究产生了大部分异质性（在“隐喻”包中，您可以通过在将模型拟合为

baujat（您的模型的名称）

后拟合“baujat”图来可视化这一点）。然后，从数据中逐个删除罪魁祸首研究，然后继续拟合模型。