meta(R)

##############################################################
###################  单个率的meta分析  ######################
#############################################################
rm(list=ls())
###1、加载包
library(meta)
###2、读取文件
successs <- read.table('chenggong.txt',header = T)
###3、样本率的估计方法的选择
##单个率资料的Meta分析要求率的分布应该尽量的服从正态分布。
##如原始率不服从正态分布可经过转换使其服从或接近正态分布，从而提高合并结果的可靠性。
##命令metaprop()进提供了5种样本率的估计方法，根据样本率的分布决定使用哪种合并方法，
rate <- transform(successs ,
                  p = success/total,##“PRAW”(没有转换的原始率), 
                  log=log(success/total),##”PLN”(对数转换)
                  logit=log((success/total)/(1-success/total)),##”PLOGIT“(logit转换)
                  arcsin.size=asin(sqrt(success/(total+1))),##“PAS”(反正弦转换)
                  darcsin=0.5*(asin(sqrt(success/(total+1)))+asin((sqrt(success+1)/(total+1)))))##“PFT“(Freeman-Tukey双重反正弦转换)
##success/total，分别表示成功例数和总数
rate

###4、选择最小的p_value
shapiro.test(rate$p)
shapiro.test(rate$log)
shapiro.test(rate$logit)
shapiro.test(rate$arcsin)
shapiro.test(rate$darcsin)
##综上，我们选择darcsin
##当然也可以试着选择其他的转换类型, 然后通过比较异质性的大小，选择一个合适的类型。
###5、效应量的合并metaprop()函数
meta1 <- metaprop (success,total, 
                   data=successs, 
                   studlab=paste(authors,year),
                   sm="PFT")
meta1

##结果显示，异质性检验Q=4.07 P=0.0042<0.05 I2 = 62.6% > 50%，因此,认为有统计学意义上的异质性，所以优先选用随机效用模型
##如果I2较小，说明10个原始研究间数据不存在一定的异致性，则选用固定效应模型。


###6、森林图的绘制
forest(meta1)


###7.1、绘制漏斗图
## 漏斗图是一种用主观定性的方法来判断有无偏倚
funnel(meta1)
###7.2 漏斗图的不对称性检验
##metabias是对漏斗图的不对称性进行统计学检验。
##运用Egger检验检测发表偏倚，发表偏倚的命令是metabias()
metabias(meta1,k.min=13,plotit = T)
##从结果中显示，t = 1.3607,p-value = 0.2107，因此认为不存在发表偏倚，


###8、敏感性分析
##目的是可以粗略地看出每个研究对总估计效应的影响有多大。
##meta包中的命令是metainf()。
##metainf(meta1),随机效应模型需要修改参数pooled=random，而这里默认是固定效应模型。
##而对其绘制敏感性分析的森林图，具体的代码是
metainf(meta1,pooled= "random")

forest(metainf(meta1,pooled= "random"), layout = "revman5")




##总结：Meta分析时，若I2<25%，则认为不存在异致性；
     ##若I2介于25%-50%之间，则认为异致性程度较小；
     ##若I2的值介于50%-75%之间，则认为存在一定的异致性；
     ##若I2>75%，则认为存在较大的异致性。