我在做流行病学研究的综合分析。这些研究在人群、干预和分析方面都是非常异质的，所以我使用随机效应模型进行荟萃分析，使用R中的“metafor”。
我将这些研究分成了具有可比性结果的亚组。5/6看起来很好。
然而，有一个子群看起来完全错误，因为tau是0，I^2是0。从数据来看，我不明白为什么总异质性为0。
res <- rma(yi=beta, sei=se, slab=(1:7), measure="OR",data=SIPVdata, digits=3, method= "ML")
Random-Effects Model (k = 3; tau^2 estimator: ML)
logLik deviance AIC BIC AICc
-0.217 2.635 4.433 2.630 16.433
tau^2 (estimated amount of total heterogeneity): 0.000 (SE = 0.044)
tau (square root of estimated tau^2 value): 0.001
I^2 (total heterogeneity / total variability): 0.00%
H^2 (total variability / sampling variability): 1.00
Test for Heterogeneity:
Q(df = 2) = 2.635, p-val = 0.268
Model Results:
estimate se zval pval ci.lb ci.ub
-0.350 0.145 -2.417 0.016 -0.634 -0.066 *绘制模型输出如下所示：
因此，您可以看到2个具有较小置信区间和相似估计值的观测值（5&3）在样本中具有最大的影响力。其他估计值具有较宽的CI，它们都重叠。在这种情况下，我可能期望估计异质性较低，但不是0，当然也不是总变异性τ。
有人知道这个荟萃分析是怎么回事吗？
非常感谢您！
2条答案
按热度按时间cgh8pdjw1#
已知
tau^2的ML估计量具有负偏差。当然，这并不意味着它在这种特定情况下太低，但我建议切换到一个已知近似无偏的估计量。我推荐的是REML。这实际上是默认的估计器（即，如果您没有指定method参数）。此外，请注意，在7项研究中，
tau^2（以及I^2）的估计值不会非常精确。运行confint(res)，您将看到I^2的置信区间非常宽。换句话说，CI中的所有值都与这些数据兼容，因此实际上可能没有异质性或异质性很大。vql8enpb2#
大多数置信区间重叠。在这种情况下，我仍然认为异质性很低。我觉得挺好的。我看到你在分析回归系数，我认为估计研究间异质性的事实标准是REML（我认为它是metafor的默认值，但可以从你的模型摘要中检查它）。