คุณสามารถคำนวณ / ประมาณข้อผิดพลาดมาตรฐานผ่านค่า p ครั้งแรกที่แปลงค่า P-สองด้านเป็นหนึ่งในด้านค่า P-โดยการหารพวกเขาโดย 2. เพื่อให้คุณได้และ0.007 จากนั้นแปลงค่า p เหล่านี้เป็นค่า z ที่สอดคล้องกัน สำหรับนี่คือและสำหรับนี่คือ (พวกมันเป็นลบเนื่องจากอัตราส่วนอัตราต่อรองต่ำกว่า 1) ค่า z เหล่านี้เป็นจริงสถิติทดสอบที่คำนวณโดยการบันทึกของอัตราส่วนอัตราต่อรองหารด้วยข้อผิดพลาดมาตรฐานที่สอดคล้องกัน (เช่น ) ดังนั้นจึงเป็นไปตามนั้นซึ่งให้ผลp=.0115p=.007p=.0115z=−2.273p=.007z=−2.457z=log(OR)/SESE=log(OR)/zSE=0.071สำหรับครั้งแรกและสำหรับการศึกษาที่สองSE=.038
ตอนนี้คุณมีทุกอย่างที่จะทำการวิเคราะห์เมตาดาต้า ฉันจะแสดงวิธีการคำนวณด้วย R โดยใช้แพ็คเกจ metafor:
library(metafor)
yi <- log(c(.85, .91)) ### the log odds ratios
sei <- c(0.071, .038) ### the corresponding standard errors
res <- rma(yi=yi, sei=sei) ### fit a random-effects model to these data
res
Random-Effects Model (k = 2; tau^2 estimator: REML)
tau^2 (estimate of total amount of heterogeneity): 0 (SE = 0.0046)
tau (sqrt of the estimate of total heterogeneity): 0
I^2 (% of total variability due to heterogeneity): 0.00%
H^2 (total variability / within-study variance): 1.00
Test for Heterogeneity:
Q(df = 1) = 0.7174, p-val = 0.3970
Model Results:
estimate se zval pval ci.lb ci.ub
-0.1095 0.0335 -3.2683 0.0011 -0.1752 -0.0438 **
โปรดทราบว่าการวิเคราะห์เมตาดาต้าทำได้โดยใช้อัตราส่วนอัตราต่อรอง ดังนั้นเป็นอัตราส่วนอัตราต่อรองของบันทึกโดยประมาณที่ได้จากการศึกษาทั้งสองนี้ ลองแปลงกลับเป็นอัตราต่อรอง:−0.1095
predict(res, transf=exp, digits=2)
pred se ci.lb ci.ub cr.lb cr.ub
0.90 NA 0.84 0.96 0.84 0.96
ดังนั้นอัตราต่อรองที่รวมกันคือ. 90 กับ 95% CI: .84 ถึง .96