vlambda博客
学习文章列表

连续变量在我们写meta分析的过程中再常见不过了，因此我们必须掌握如何进行连续变量的数据处理。

R语言跟stata相比有什么优势呢？首先，免费，因为使用破解的没有购买版权的stata发高分文章，stata公司是会告我们的。其次，R做出来的图形漂亮，外表控的你可以尝试依稀使用R语言进行连续变量的meta分析。

在使用过程中，可以将自己文件的表头改成与文中的一致，这样直接复制粘贴代码即可；如果你很了解代码，可以不用改自己的表头，直接更换代码中的相应变量就可以。

这是我们需要导入的数据，但是在使用过程中，一般使用将其转为csv格式，因为这个格式占用的内存小，同时也是R语言推荐使用的格式，转换方法为Excel表格：文件—另存为—格式选择.csv即可，从保存类型的下拉框中选择csv格式。

下面我们进行数据处理，执行以下代码：

> library(readr)

> lianxu_test <- read_csv("D:/lianxu-test.csv")

结果如下图所示：

👇

执行代码：

> install.packages("meta")

安装成功后，调用meta包

👇

> library(meta)

> library(Matrix)

因为meta安装包的使用过程中需要调用Matrix，因此我们要在使用meta包的时候打开Matrix包。

执行代码：

metawsd=metacont(n1,mean1,sd1,n2,mean2,sd2,data=lianxu_test,sm="MD",comb.fixed = FALSE,comb.random = TRUE,label.e="Pre",label.c="Post",studlab = study)

> forest(metawsd)

其中metacont（）是调用的函数名，n1,mean1,sd1,n2,mean2,sd2,为调用的变量，data=EPA1，调用的数据库，comb.fixed = FALSE,comb.random = TRUE，为调用的随机或者固定模型，label.e="Pre",label.c="Post"对应的图标上的文字。执行的结果如下图：

👇

得出的结果是没有异质性，按照理论就不需要进行一步的亚族分析等去寻找异质性的来源了，但是我们将继续用这些数据进行亚族分析等的演示，大家关注如何操作就可以。

执行以下代码：

> meta<-metacont(n1,mean1,sd1,n2,mean2,sd2,data=lianxu_test,sm="MD",byvar=subgroup)

> forest(meta)

结果如下图所示：

👇

执行代码：

funnel(metawsd)

结果如图：

👇