Answers:
在大多数比值比分析中,标准误差基于对数比值。那么,您是否偶然知道您的是如何估算的(它们反映了什么度量标准?或)?假定基于,则可以轻松计算合并的标准误差(在固定效应模型下)。首先,让我们计算每种效果大小的权重:。其次,合并的标准错误为。此外,让是共同效果(固定效果模型)。然后,(“合并的”)95%置信区间为。
更新资料
由于BIBB友好地提供了数据,因此我能够在R中运行“完整”的荟萃分析。
library(meta)
or <- c(0.75, 0.85)
se <- c(0.0937, 0.1029)
logor <- log(or)
(or.fem <- metagen(logor, se, sm = "OR"))
> (or.fem <- metagen(logor, se, sm = "OR"))
OR 95%-CI %W(fixed) %W(random)
1 0.75 [0.6242; 0.9012] 54.67 54.67
2 0.85 [0.6948; 1.0399] 45.33 45.33
Number of trials combined: 2
OR 95%-CI z p.value
Fixed effect model 0.7938 [0.693; 0.9092] -3.3335 0.0009
Random effects model 0.7938 [0.693; 0.9092] -3.3335 0.0009
Quantifying heterogeneity:
tau^2 < 0.0001; H = 1; I^2 = 0%
Test of heterogeneity:
Q d.f. p.value
0.81 1 0.3685
Method: Inverse variance method
参考文献
n
这是一条评论(没有足够的代表得分)。如果您知道每项研究的样本量(#cases和#controls)以及SNP的优势比,则可以通过a / b(其中a和b是两个等位基因)来重建2x2病例/对照表。两项研究中的每一项。然后,您只需将这些计数相加即可获得元研究的表格,然后使用该表格来计算组合的比值比和置信区间。
如PLINK所示,这是获取用于荟萃分析的CI的代码:
getCI = function(mn1, se1, method){
remov = c(0, NA)
mn = mn1[! mn1 %in% remov]
se = se1[! mn1 %in% remov]
vars <- se^2
vwts <- 1/vars
fixedsumm <- sum(vwts * mn)/sum(vwts)
Q <- sum(((mn - fixedsumm)^2)/vars)
df <- length(mn) - 1
tau2 <- max(0, (Q - df)/(sum(vwts) - sum(vwts^2)/sum(vwts)) )
if (method == "fixed"){ wt <- 1/vars } else { wt <- 1/(vars + tau2) }
summ <- sum(wt * mn)/sum(wt)
if (method == "fixed")
varsum <- sum(wt * wt * vars)/(sum(wt)^2)
else varsum <- sum(wt * wt * (vars + tau2))/(sum(wt)^2)
summtest <- summ/sqrt(varsum)
df <- length(vars) - 1
se.summary <- sqrt(varsum)
pval = 1 - pchisq(summtest^2,1)
pvalhet = 1 - pchisq(Q, df)
L95 = summ - 1.96*se.summary
U95 = summ + 1.96*se.summary
# out = c(round(c(summ,L95,U95),2), format(pval,scientific=TRUE), pvalhet)
# c("OR","L95","U95","p","ph")
# return(out)
out = c(paste(round(summ,3), ' [', round(L95,3), ', ', round(U95,3), ']', sep=""),
format(pval, scientific=TRUE), round(pvalhet,3))
# c("OR","L95","U95","p","ph")
return(out)
}
调用R函数:
getCI(log(plinkORs), plinkSEs)