从R中的输出中提取meta分析估计和CI 库(meta) m1
95%CI由从R中的输出中提取meta分析估计和CI 库(meta) m1,r,object,R,Object,95%CI由summary.meta函数提供: library(meta) m1 <- metaprop(4:1, c(10, 20, 30, 40)) m2 <- update(m1, sm="PAS") m3 <- update(m1, sm="PRAW") m4 <- update(m1, sm="PLN") m5 <- update(m1, sm="PFT") # forest(m5) 很常见的情况是,控制台上显示的输出(或图形输出)中的“神秘值”实际上不
summary.meta
函数提供:
library(meta)
m1 <- metaprop(4:1, c(10, 20, 30, 40))
m2 <- update(m1, sm="PAS")
m3 <- update(m1, sm="PRAW")
m4 <- update(m1, sm="PLN")
m5 <- update(m1, sm="PFT")
#
forest(m5)
很常见的情况是,控制台上显示的输出(或图形输出)中的“神秘值”实际上不是复杂对象的一部分,而是由一个(或多个)的
打印来计算。
,绘图。
,或摘要。
与对象的某个类关联的函数。在本例中,我首先查看了帮助页面(在那里我没有发现任何有用的内容),然后查看了getAnywhere(print.metaprop)
的代码,然后使用m5
的第二个类getAnywhere(print.meta)
然后看到使用了一个摘要
函数。为了计算随机效应模型(95%置信区间)估计的比例,m5$TE.random
,m5$lower.random
和m5$upper.random
值需要根据metaprop
中指定的sm
选项进行反变换让我们考虑选择logit变换来计算总体比例的第一种情况:
summary(m5)
Number of studies combined: k = 4
proportion 95%-CI z p-value
Fixed effect model 0.0775 [0.0272; 0.1449] -- --
Random effects model 0.1093 [0.0138; 0.2589] -- --
Quantifying heterogeneity:
tau^2 = 0.0229; H = 1.78 [1.05; 3.04]; I^2 = 68.6% [9.1%; 89.2%]
Test of heterogeneity:
Q d.f. p-value
9.56 3 0.0227
Details on meta-analytical method:
- Inverse variance method
- DerSimonian-Laird estimator for tau^2
- Freeman-Tukey double arcsine transformation
- Clopper-Pearson confidence interval for individual studies
然后我们使用meta:::backtransf
函数meta
(random.est1 <- c(m1$TE.random,m1$lower.random,m1$upper.random))
###############
[1] -1.9788316 -3.2521123 -0.7055509
或者直接使用logit反向转换logit2p
:
meta:::backtransf(random.est1, sm="PLOGIT")
#######
[1] 0.12144344 0.03725106 0.33058266
这相当于:
meta:::logit2p(random.est1)
#######
[1] 0.12144344 0.03725106 0.33058266
现在我们考虑使用Freeman Tukey双正弦变换的第二个例子:
plogis(random.est1)
#######
[1] 0.12144344 0.03725106 0.33058266
m2
plogis(random.est1)
#######
[1] 0.12144344 0.03725106 0.33058266
m2 <- metaprop(4:1, c(10, 20, 30, 40), sm="PFT")
summary(m2)
###################
Number of studies combined: k = 4
proportion 95%-CI z p-value
Fixed effect model 0.0775 [0.0272; 0.1449] -- --
Random effects model 0.1093 [0.0138; 0.2589] -- --
Quantifying heterogeneity:
tau^2 = 0.0229; H = 1.78 [1.05; 3.04]; I^2 = 68.6% [9.1%; 89.2%]
Test of heterogeneity:
Q d.f. p-value
9.56 3 0.0227
Details on meta-analytical method:
- Inverse variance method
- DerSimonian-Laird estimator for tau^2
- Freeman-Tukey double arcsine transformation
- Clopper-Pearson confidence interval for individual studies
###################
random.est2 <- c(m2$TE.random,m2$lower.random,m2$upper.random)
unlist(lapply(random.est2, meta:::backtransf, sm="PFT", n=1/mean(1/m2$n)))
########
[1] 0.10932841 0.01376599 0.25889792
unlist(lapply(random.est2, meta:::asin2p, n=1/mean(1/m2$n)))
##########
[1] 0.10932841 0.01376599 0.25889792