Stata如何快速完成meta分析？

Stata作为meta分析领域广泛使用的统计软件,其内置的meta分析命令为研究者提供了高效、规范的整合分析工具，Meta分析通过合并多项独立研究结果，提高统计效能，解决研究结果间的矛盾，并探索异质性来源，而Stata的命令式操作和丰富功能使其成为这一研究的理想选择。

Stata的meta分析命令主要分为基础命令和扩展命令,基础命令中，meta set是核心命令，用于定义研究数据的结构和效应量，当输入连续变量的均数和标准差时，可通过meta set mean sd, studylab(studyid) esize(smd)设定研究标签和效应量类型（如标准化均数差SMD）。meta summarize则用于计算合并效应量，默认采用固定效应模型，若需随机效应模型，可添加random选项，结果会给出合并效应值、95%置信区间及异质性检验统计量（如I²、Q统计量）。meta forestplot可生成森林图，直观展示各研究效应量及合并结果，通过xline(0)添加无效线，by()选项可按亚组分组绘图。

异质性处理是meta分析的关键,Stata提供了多种工具。meta regress（又称“元回归”）可用于探索异质性的来源，以研究水平协变量为自变量，效应量为因变量，例如meta regress esize sample_size publication_year，检验样本量、发表年份等对效应量的影响，若存在明显异质性，可使用meta trimfill进行漏斗图对称化分析和填补缺失研究，通过trimfill(plot)同时展示漏斗图和填补结果，对于诊断发表偏倚，meta bias命令提供了Egger检验、Begg检验等方法，meta funnel则可绘制漏斗图，结合trimfill结果综合判断。

针对特殊数据类型,Stata有专门命令，对于二分类变量，如事件数和总样本量，可使用meta proportion计算合并率，或cc（Cochran-Mantel-Haenszel法）计算合并OR值；meta esize可将原始数据转换为效应量（如OR、RR、RD等），为后续分析做准备，对于时间-事件数据，meta stset配合meta survival可进行生存资料的meta分析，整合HR值及其置信区间。

扩展命令方面,用户可通过ssc install安装用户编写的命令，如metan（更灵活的森林图和亚组分析）、metaan（贝叶斯meta分析）、network（网状meta分析）等，安装metan后，可通过metan or seid, random fixed同时输出固定和随机效应模型结果，并支持自定义图形格式，网状meta分析中，network meta命令可处理直接和间接比较证据，生成排序概率图（surface plot）。

实际应用中,数据准备是第一步，需确保各研究的效应量、标准误及协变量完整，纳入5项关于某药物降压效果的研究，数据包含研究ID、SMD、SE、样本量，代码如下：

input str10 studyid smd se n
"Study1" 0.45 0.12 100
"Study2" 0.32 0.15 120
"Study3" 0.51 0.18 80
"Study4" 0.28 0.10 150
"Study5" 0.39 0.14 110
end
meta set smd se, studylab(studyid) esize(smd)
meta summarize, random
meta forestplot, xline(0) title("Meta Analysis of Drug Efficacy")

上述代码定义数据结构,计算随机效应模型合并效应量，并生成森林图。

在异质性较高时,需结合meta regress探索来源，例如检验“研究设计”是否为异质性来源：

gen design = 1 if regexm(studyid, "RCT")  // 1=RCT, 0=观察性研究
replace design = 0 if design == .
meta regress smd design, random

结果若显示design的P值<0.05，提示研究设计可能是异质性的来源。

Stata的meta套件还支持敏感性分析，如通过meta trimfill剔除小研究后重新合并效应量，比较结果稳定性；或使用meta update更新模型参数，对于连续性变量，需注意是否使用Hedges’g校正小样本偏倚，可通过meta esize的hedges选项实现。

相关问答FAQs：
Q1: 如何判断meta分析应选择固定效应模型还是随机效应模型？
A1: 主要依据异质性检验结果：若Q检验P>0.1且I²<50%，提示异质性较小，可选用固定效应模型；若P<0.1或I²>50%，表明存在显著异质性，应选择随机效应模型，同时需结合临床合理性，若研究间设计、人群差异大，即使统计学异质性不高，也倾向随机效应模型。

Q2: Stata中如何处理meta分析中的亚组分析？
A2: 亚组分析可通过meta summarize或meta forestplot的by()选项实现，按“研究地域”分组（亚组变量为region，取值1=亚洲，2=欧美），代码为meta summarize smd se, by(region) random，结果会分别输出各亚组合并效应量及异质性检验，需注意亚组样本量不宜过小（通常每组≥5项研究），避免假阴性结果，同时建议通过meta regress检验亚组间差异的统计学意义。