meta回歸

Meta回歸是一種套用於亞組分析的統計方法。

基本介紹

• 中文名：Meta回歸
• 適用領域：統計學、醫學
• 所屬學科：統計學

概念

1.基本概念

Meta回歸是一種統計分析方法。在Meta分析時，如果把研究分入不同的亞組，通過Meta回歸可以看到分類研究特徵與干預效應的相關程度。Meta回歸是亞組分析的擴展，可以對連續或分類特徵的效應進行分析，並且在原則上可以同時對多個因素的效應進行分析，但這通常會由於研究數量不夠而無法實現。

2.涉及到的變數

（1）解釋變數

可能影響干預效應大小的研究特徵，通常被稱為“潛在效應修飾因子”或“協變數”。

（2）結局變數

為效應估計值，如均數差MD、率差RD、比值比的對數值log OR（OR：Odds Ratio）或相對危險度的對數值log RR（RR：Relative Risk）。

3.Meta回歸與簡單回歸

（1）相同點

Meta回歸與簡單回歸相似，結局變數均可根據一個或多個解釋變數的值進行預測。

（2）差異

• 在Meta回歸中，各個研究根據其效應估計的精確度被賦予權重，即較大樣本的研究與較小樣本的研究相比，對相關性的影響更大。
• Meta回歸保留了未由解釋變數得到的干預效應間的殘差異質性。這就隨之產生了一個術語為“隨機效應Meta回歸”，因為附加變異並未以與隨機效應Meta分析中同樣的方式被處理。

4.回歸係數

從Meta回歸分析中獲得的回歸係數用於描述結局變數（干預效應）如何隨解釋變數（潛在效應修飾因子）的增加而變化，回歸係數的大小即為解釋變數每增加一個單位，結局變數相應改變的估計值。回歸係數的統計學顯著性是對結局變數和解釋變數之間是否存線上性關係的檢驗。如果結局變數是比值指標，則在回歸模型中通常使用其對數值。

套用

1.套用條件

當Meta分析中少於10個研究時，一般不考慮Meta回歸。

2.套用範圍

（1）Meta回歸用於不同亞組的分類研究特徵與干預效應的相關程度分析。

（2）Meta回歸可用於分析亞組分析中引入的分類解釋變數的差異。如果有J個亞組，則這J個亞組的從屬關係在Meta回歸模型中（例如在標準線性回歸模型）可以使用J-1個啞變數（只能取0和1）來顯示。回歸係數將估計每個亞組的干預效應與指定的參考亞組存在的差異。每個回歸係數的P值將顯示該差異是否有統計學意義。

3.技術實現

Meta回歸可以使用Stata統計軟體中的“metareg”來完成，或者使用R的“metafor”，以及其他軟體。

注意事項

1.研究數量足夠

進行Meta分析需要有足夠數量的研究，否則由Meta回歸進行異質性分析很難得出有用的結果。對於每一個特徵變數，都應該至少獲得10個觀察結果，即Meta分析中至少要有10個研究。但是當協變數分布不均衡時，10個研究也不夠的。

2.事先確定研究特徵

作者應儘可能在計畫書中事先確定隨後將用於Meta回歸的研究特徵。在執行時應遵循計畫書中的方案（在數據允許的情況下），不過分強調任何特定的發現。事先確定研究特徵可減少出現假結果的可能性，這通過限制分析的亞組數、防止知道研究結果而影像要分析的亞組而實現。在系統評價中真正實現事先確定很難，因為一些相關研究的結果往往在起草計畫書時就已經獲知。如果在計畫書中忽略了一個被外部證據所證實的重要研究特徵，作者難免會進行分析，但這樣的事後分析應給出交代。

3.選擇少量研究特徵

Meta回歸出現假陽性結果的可能性會隨著被分析的研究特徵數的增加而增加。要對最多可關注多少個研究特徵給出建議很困難，尤其當事先並不知道可獲得的研究數時。如果要分析超過1～2個研究特徵，需要調整顯著性水平來對多重比較進行解釋。

4.確保每一個研究特徵都有科學理論的支撐

選擇的研究特徵應由生物學或臨床假設所啟發，在理想情況下應有來自被納入研究以外的研究證據所支持，因此要避免不可信或臨床不相關特徵的亞組分析。

預後因素是預測疾病或病情結局的因素，而效應修飾因素是影響干預措施對結局影響程度的因素。在計畫進行亞組分析時，尤其在計畫書階段，預後因素和效應修飾因素常常容易被混淆。對套用Meta回歸的亞組分析而言，預後因素並不是理想的選擇，除非它們被認為可以調整干預效應。潛在的效應調整因素可能包括明確的干預措施，如活性治療劑量、比較治療的選擇；研究如何實施，如隨訪時長；或方法學，如設計和質量。

5.並非總能找出研究特徵的效應

許多可能對干預措施的作用程度有重要效應的研究特徵不能通過亞組分析或Meta回歸進行分析。儘管這些受試者特徵在研究內可能變化很大，但其僅能在研究的水平上匯總。例如，收集包括18-60歲的成年人的臨床試驗。在每個研究內年齡和干預效應之間可能有強相關性。然而，如果接受試驗者的平均年齡相似，通過觀察試驗平均年齡和試驗水平的效應估計值將無相關性。這是將個體結果整合到一起帶來的問題之一，並被稱為聚集偏倚、生態學偏倚或生態謬誤。甚至有可能，跨研究的關係方向與每個研究中觀察到的關係方向相反。

6.考慮研究特徵間的混雜

混雜使亞組分析和Meta回歸的解釋錯綜複雜，並可能導致不正確的結論。如果兩個研究特徵對干預效應的影響不能被分開，那么它們將被混雜在一起。例如，如果實施了加強轉胎位術治療的研究恰好是納入更嚴重疾病患者的研究，那么則不能判斷何種因素是這些研究和其他研究間效應估計值的差異的原因。 計算研究特徵間的相關性將給出關於哪些研究特徵可能彼此混淆的一些信息。

對結果的解讀

1.Meta回歸的結果是觀察性的

亞組分析和Meta回歸在本質上是觀察性的，這些分析調查了研究之間的差異。即使個體在一個臨床試驗內可以被隨機分組，但他們不能被隨機分入一個試驗或另一個試驗。因此，亞組分析存在任何觀察性研究都有的局限性，包括其他研究水平特徵的混雜而帶來的偏倚。而且，亞組間的真實差異並不一定歸因於亞組分類。 例如，骨髓移植治療白血病的亞組分析可能顯示兄弟姐妹捐贈者的年齡和移植成功之間有很強的關聯。然而，這可能並不意味著捐獻者的年齡很重要。事實上，接受者的年齡可能是一個關鍵因素，亞組的發現僅僅是由於接受者的年齡和他們的兄弟姐妹的年齡之間的強關聯。

2.事先確定的分析可靠性更高

若進行大量的事後亞組分析來解釋數據的異質性是數據捕撈。數據捕撈是應該避免的，因為通過分析大量不同的特徵通常可能找到明顯的，但確是錯誤的異質性解釋。

3.結果需要其他證據支持

如果亞組間的差異要具有說服力的話，那么這種差異應具有臨床合理性並被其他外部或間接證據所支持。

4.正確看待差異的大小

如果亞組間的差異大小不能對不同的亞組作出不同的推薦意見，那么僅呈現總分析結果可能更好。

5.亞組效應無統計學差異

為證實在不同的情況下，一種干預措施是否有不同的效應，應該對不同亞組效應的大小直接進行比較。而不應對不同亞組分析內的結果的統計學顯著性進行比較。

6.研究內的亞組差異比研究間更可靠

對患者和干預特徵，在研究內觀察到的亞組差異比研究層面的亞組分析更可靠。如果這種研究內的關係在研究間得到重複，則其可增加結果的可靠性。