㈠ 怎麼對discrete變數和continuous變數作相關
continuous data為連續數據，discrete data為離散數據。把離散轉化為連續，或者把連續轉化為離散就可作相關。
離散數據是在一個變數只能取某些固定值時產生的，連續數據是在一個變數可以在兩個值間取任意值時產生。比如1、2、3這樣的自然數就是離散數據，因為它是特定的自然數值，而比如[1,2]這個區間就是連續的，因為它可以取一到二之間的任意值。
(1)連續型變數漏斗圖命令擴展閱讀：
在統計學中，變數按變數值是否連續可分為連續變數與離散變數兩種。在一定區間內可以任意取值的變數叫連續變數，其數值是連續不斷的，相鄰兩個數值可作無限分割,即可取無限個數值。例如，生產零件的規格尺寸，人體測量的身高、體重、胸圍等為連續變數,其數值只能用測量或計量的方法取得。
反之，其數值只能用自然數或整數單位計算的則為離散變數。例如，企業個數，職工人數，設備台數等，只能按計量單位數計數，這種變數的數值一般用計數方法取得。
㈡ 如何用STATA對連續性變數進行meta回歸分析
在stata中有個metareg命令，好像可以對連續變數進行回歸分析。
附件中是一篇pdf文檔，主要介紹stata中關於meta分析的命令。跟大家分享一下。
裡面在提到metareg命令時，列舉了以下三個列子：
1：metareg logor covariate1 covariate2, wsse(selogor)
2: metareg logor r,wsvar(vlor) bs(eb)noit
3: metareg meandiff qual avchol, wsse(sediff)bs(ml)tol(5)l(90)
㈢ echarts圖表——漏斗圖&散點圖
漏斗圖是一個簡單的散點圖，反映研究在一定樣本量或精確性下單個研究的干預效應估計值。漏斗圖最常見的是在橫軸為各研究效應估計值，縱軸為研究樣本量。
漏斗圖結合相關的統計檢驗，在系統評價中檢查研究是否存在報告偏倚的可能性。
散點圖是指在回歸分析中，數據點在直角坐標系平面上的分布圖，散點圖表示因變數隨自變數而變化的大致趨勢，據此可以選擇合適的函數對數據點進行擬合。
當要在不考慮時間的情況下比較大量數據點時，請使用散點圖。散點圖中包含的數據越多，比較的效果就越好。
默認情況下，散點圖以圓圈顯示數據點。如果在散點圖中有多個序列，請考慮將每個點的標記形狀更改為方形、三角形、菱形或其他形狀。
㈣ 連續型隨機變數是指什麼
連續型變數一般指連續型隨機變數。
連續型隨機變數是指如果隨機變數X的所有可能取值不可以逐個列舉出來，而是取數軸上某一區間內的任一點的隨機變數。例如，一批電子元件的壽命、實際中常遇到的測量誤差等都是連續型隨機變數。
而能按一定次序一一列出，其值域為一個或若干個有限或無限區間，這樣的隨機變數稱為離散型隨機變數。離散型隨機變數與連續型隨機變數也是由隨機變數取值范圍（或說成取值的形式）確定，變數取值只能取離散型的自然數，就是離散型隨機變數。
連續變數的性質
符號x如果能夠表示對象集合S中的任意元素，就是變數。如果變數的域(即對象的集合S)是離散的，該變數就是離散變數；如果它的域是連續的，它就是連續變數。
連續變數由於不能一一列舉其變數值，只能採用組距式的分組方式，且相鄰的組限必須重疊。如以總產值、商品銷售額、勞動生產率、工資等為標志進行分組，就只能是相鄰組限重疊的組距式分組。
以上內容參考 網路-連續型變數；網路-連續變數
㈤ 連續型隨機變數的漏斗圖用stata怎麼做
做meta分析的時候就可以繪制了
㈥ Meta分析入門工具介紹
主要目的是先能夠簡單的復現一些論文的研究方法，按照計劃是了解Revman，stata與R語言的相關分析方法即可。
錨定復現的論文信息為：
論文名稱：Clinical evaluation of prophylactic abdominal aortic balloon occlusion in patients with placenta accreta: a systematic review and meta-analysis
論文地址： https://link.springer.com/article/10.1186%2Fs12884-019-2175-0
針對連續型變數主要使用的數據為關於AABO手術中的失血量的數據：
針對二分類數據，使用AABO手術過程中是否進行子宮切除術（hysterectomy_rate）的相關數據：
RevMan使用上很簡單，簡單記錄下步驟：
Summary產生如下結果：
亞組分析的漏斗圖：
個人安裝的版本為Stata14， 需要安裝相應的包，
如果提示缺少對應的模塊，直接ssc install xxx xxx即可，一般如果網路比較慢，使用手機熱點會比較快點。
在user-Meta Analysis中的括弧中都是模塊名字，可以按照這個名字安裝，比如
相應命令例子：
metan var3 var4 var5 var6 var7 var8, label(namevar=var1, yearvar=var2) random nostandard
相應命令例子：
metan var3 var4 var5 var6, label(namevar=var1, yearvar=var2) by(var1) random nostandard
相應命令例子：
metaninf var3 var4 var5 var6 var7 var8, label(namevar=var1, yearvar=var2) fixed cohen
相應命令例子：
metabias _ES _seES, egger graph
相應命令例子：
metabias _ES _seES, begg
相應命令例子：
metafunnel _ES _seES
相應命令例子：
metareg ES var2 var10 var12, wsse( seES) bsest(reml)
相應命令例子：
metan var3 var4 var5 var6, label(namevar=var1, yearvar=var2) fixed rr
相應命令例子：
metan var3 var4 var5 var6, label(namevar=var1, yearvar=var2) by(var7) fixed rr
相應命令例子：
metaninf var3 var4 var5 var6, label(namevar=var1, yearvar=var2) fixed rr
首先切換數據為log
gen logRR=log(_ES)
相應命令例子：
metabias logRR _selogES , egger graph
相應命令例子：
metabias logRR _selogES, begg
相應命令例子：
metafunnel logRR _selogES
相應命令例子：
回歸過程中變數只能是數字
metareg logRR var2 var8 var10, wsse(_selogES) bsest(reml)
㈦ 各種數據類型meta在stata中的實現
要對連續性數據進行meta分析，需要提取每篇文章的分組情況、樣本量、均值、標准差。需要初步整理為如下格式，如下圖所示：
對文章效應指標的選擇，目前使用較多的是加權均數差（WMD）和標准均數差（SMD）。
讓原始研究效應估計的精度性決定其在meta分析中的權重，消除了絕對值的大小對分析結果的影響。
WMD在STATA軟體中的計算語句為：nostandard
則表示暴露組和對照組觀察變數的相對大小，可以消除研究中不同測量單位帶來的影響，適用於不同指標來衡量相同結果的meta分析。
SMD在STATA軟體中的計算語句為：Cohen, Hedge, Glass
理論上應該先判斷研究異質性的大小，再根據異質性來選擇分析模型，但在實際操作中，常常先選擇固定效應模型，然後計算異質性，如果異質性不接受，則再選擇隨機效應模型。
1)STATA 軟體為 固定效應模型 提供的演算法為倒方差法，實施語句為fixed。
2）STATA 軟體為 隨機效應模型 提供的演算法為I-V heterogeneity法，實施語句為random。
打開STATA軟體的數據錄入界面，將之前收集好的原始數據錄入，如下圖所示
固定效應模型分析語句：
metan n1 mean1 sd1 n2 mean2 sd2, label(namevar=study) texts(180) fixed nostandard
隨機效應模型分析語句：
metan n1 mean1 sd1 n2 mean2 sd2, label(namevar=study) texts(180) random nostandard
將語句輸入STATA的命令對話框，點擊回車後，命令的結果會呈現如下，並自動彈出森林圖。結果如下圖所示：
STATA語句：
metafunnel _ES _seES
將語句輸入STATA的命令對話框，點擊回車後，會自動彈出漏斗圖。結果如圖5所示：
完結
文章研究的結局指標是二分類變數時，頻數可以用2×2的表格呈現，如圖1所示：
對於文章的效應指標的選擇，通常有OR值（比值比），RR值（相對危險度）和RD值（率差）。根據納入文章的研究設計類型選擇合適的分析指標。
1）數據錄入：打開STATA軟體中的數據錄入界面，完成對納入研究數據的錄入。其中a,b,c,d分別代表二分類表中的頻數，如圖2所示：
分析STATA 語句：
固定效應模型：
metan a b c d, or fixed
隨機效應模型：
metan a b c d, or random
將語句輸入STATA的命令對話框，點擊回車後，命令的結果會呈現如下，並自動彈出森林圖。結果如圖3所示：
首先使用的是固定效應模型，語句中lcols(study)用於在森林圖中添加作者姓名和發表年份。結果顯示：Q=5.1, p =0.404>0.05,表明研究間同質性較好，因為 p >0.1,I 2 <40%,故採用固定效應模型分析。最終的分析結果為 p <0.001,表明結果有統計學意義。
STATA繪制的森林圖如圖4所示：
3）繪制漏斗圖
STATA語句：
metafunnel _ES _selogES
將語句輸入STATA的命令對話框，點擊回車後，會自動彈出漏斗圖。結果如圖5所示：
每個散點代表納入的研究，漏斗圖可以直觀地提示發表偏倚。
這就是二分類數據meta初步分析操作流程。
在醫學研究中，多分類數據很常見，例如血型（A型、B型、AB型和O型）。對於無序分類數據的研究，也可進行meta分析，但是 需要將多分類進行重新歸納整理成二分類的數據。 然後採用二分類數據meta分析的方法進行操作，具體過程請筒子們看看文前。
相信大家在面對臨床研究中，遇到過 只有效應量和置信區間的結果數據 ，沒有其他具體描述的，但是郵件又無法聯系原文作者；或者該研究就是源於交叉實驗的效應量、時間事件分析（HR）的研究。面對想好的idea，是不是有點抓狂？不用怕，STATA軟體也可以整合這樣的數據，進行meta分析，下面將向大家介紹。
以 只有HR及其置信區間 的數據為例：
1）首先，關於效應模型的選擇。與前文類似。
2）數據錄入：打開STATA軟體的數據錄入界面，將之前收集好的原始數據錄入，如下圖所示：
其中hr代表文章的風險比（HR）效應值，ll代表HR的95%可信區間的下限，ul代表HR的95%可信區間的上限。
3）數據分析及森林圖繪制：
首先要計算HR和95%可信區間的對數值。因為在meta分析中，通常要求效應差異度量的對應樣本統計量服從正態分布，效應指標是HR，則效應差異度量為HR的對數值。
STATA語句命令為：
等數據轉換完成後，就可以進行meta分析了。STATA的實行語句為：
metan lnhr lnll lnul, eform label(namevar=study) texts(180) effect(HR)
將語句輸入STATA的命令對話框，點擊回車後，命令的結果會呈現如下，並自動彈出森林圖。結果如圖2所示：
其中eform代表結果從HR對數值返回HR值；label(namevar=study)則在表格和森林圖中註明研究信息；texts(180)用於調整森林圖中文字的大小。
結果顯示：
Q=12.88, p =0.116>0.05, 表明研究間同質性較好，因為 p >0.1,I 2 =37.9%,故採用固定效應模型分析。最終的分析結果為 p =0.126>0.05,表明結果無有統計學意義。
彈出的森林圖如圖3所示：
