连续型变量漏斗图命令

㈠ 怎么对discrete变量和continuous变量作相关

continuous data为连续数据，discrete data为离散数据。把离散转化为连续，或者把连续转化为离散就可作相关。

离散数据是在一个变量只能取某些固定值时产生的，连续数据是在一个变量可以在两个值间取任意值时产生。比如1、2、3这样的自然数就是离散数据，因为它是特定的自然数值，而比如[1,2]这个区间就是连续的，因为它可以取一到二之间的任意值。

(1)连续型变量漏斗图命令扩展阅读：

在统计学中，变量按变量值是否连续可分为连续变量与离散变量两种。在一定区间内可以任意取值的变量叫连续变量，其数值是连续不断的，相邻两个数值可作无限分割,即可取无限个数值。例如，生产零件的规格尺寸，人体测量的身高、体重、胸围等为连续变量,其数值只能用测量或计量的方法取得。

反之，其数值只能用自然数或整数单位计算的则为离散变量。例如，企业个数，职工人数，设备台数等，只能按计量单位数计数，这种变量的数值一般用计数方法取得。

㈡ 如何用STATA对连续性变量进行meta回归分析

在stata中有个metareg命令，好像可以对连续变量进行回归分析。

附件中是一篇pdf文档，主要介绍stata中关于meta分析的命令。跟大家分享一下。

里面在提到metareg命令时，列举了以下三个列子：

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图表——漏斗图&散点图

漏斗图是一个简单的散点图，反映研究在一定样本量或精确性下单个研究的干预效应估计值。漏斗图最常见的是在横轴为各研究效应估计值，纵轴为研究样本量。
漏斗图结合相关的统计检验，在系统评价中检查研究是否存在报告偏倚的可能性。

散点图是指在回归分析中，数据点在直角坐标系平面上的分布图，散点图表示因变量随自变量而变化的大致趋势，据此可以选择合适的函数对数据点进行拟合。
当要在不考虑时间的情况下比较大量数据点时，请使用散点图。散点图中包含的数据越多，比较的效果就越好。
默认情况下，散点图以圆圈显示数据点。如果在散点图中有多个序列，请考虑将每个点的标记形状更改为方形、三角形、菱形或其他形状。

㈣ 连续型随机变量是指什么

连续型变量一般指连续型随机变量。

连续型随机变量是指如果随机变量X的所有可能取值不可以逐个列举出来，而是取数轴上某一区间内的任一点的随机变量。例如，一批电子元件的寿命、实际中常遇到的测量误差等都是连续型随机变量。

而能按一定次序一一列出，其值域为一个或若干个有限或无限区间，这样的随机变量称为离散型随机变量。离散型随机变量与连续型随机变量也是由随机变量取值范围（或说成取值的形式）确定，变量取值只能取离散型的自然数，就是离散型随机变量。

连续变量的性质

符号x如果能够表示对象集合S中的任意元素，就是变量。如果变量的域(即对象的集合S)是离散的，该变量就是离散变量；如果它的域是连续的，它就是连续变量。

连续变量由于不能一一列举其变量值，只能采用组距式的分组方式，且相邻的组限必须重叠。如以总产值、商品销售额、劳动生产率、工资等为标志进行分组，就只能是相邻组限重叠的组距式分组。

以上内容参考 网络-连续型变量；网络-连续变量

㈤ 连续型随机变量的漏斗图用stata怎么做

做meta分析的时候就可以绘制了

㈥ Meta分析入门工具介绍

主要目的是先能够简单的复现一些论文的研究方法，按照计划是了解Revman，stata与R语言的相关分析方法即可。

锚定复现的论文信息为：

论文名称：Clinical evaluation of prophylactic abdominal aortic balloon occlusion in patients with placenta accreta: a systematic review and meta-analysis

论文地址： https://link.springer.com/article/10.1186%2Fs12884-019-2175-0

针对连续型变量主要使用的数据为关于AABO手术中的失血量的数据：

针对二分类数据，使用AABO手术过程中是否进行子宫切除术（hysterectomy_rate）的相关数据：

RevMan使用上很简单，简单记录下步骤：

Summary产生如下结果：

亚组分析的漏斗图：

个人安装的版本为Stata14， 需要安装相应的包，

如果提示缺少对应的模块，直接ssc install xxx xxx即可，一般如果网络比较慢，使用手机热点会比较快点。

在user-Meta Analysis中的括号中都是模块名字，可以按照这个名字安装，比如

相应命令例子：

metan var3 var4 var5 var6 var7 var8, label(namevar=var1, yearvar=var2) random nostandard

相应命令例子：

metan var3 var4 var5 var6, label(namevar=var1, yearvar=var2) by(var1) random nostandard

相应命令例子：

metaninf var3 var4 var5 var6 var7 var8, label(namevar=var1, yearvar=var2) fixed cohen

相应命令例子：

metabias _ES _seES, egger graph

相应命令例子：

metabias _ES _seES, begg

相应命令例子：

metafunnel _ES _seES

相应命令例子：

metareg ES var2 var10 var12, wsse( seES) bsest(reml)

相应命令例子：

metan var3 var4 var5 var6, label(namevar=var1, yearvar=var2) fixed rr

相应命令例子：

metan var3 var4 var5 var6, label(namevar=var1, yearvar=var2) by(var7) fixed rr

相应命令例子：

metaninf var3 var4 var5 var6, label(namevar=var1, yearvar=var2) fixed rr

首先切换数据为log

gen logRR=log(_ES)

相应命令例子：

metabias logRR _selogES , egger graph

相应命令例子：

metabias logRR _selogES, begg

相应命令例子：

metafunnel logRR _selogES

相应命令例子：

回归过程中变量只能是数字

metareg logRR var2 var8 var10, wsse(_selogES) bsest(reml)

㈦ 各种数据类型meta在stata中的实现

要对连续性数据进行meta分析，需要提取每篇文章的分组情况、样本量、均值、标准差。需要初步整理为如下格式，如下图所示：

对文章效应指标的选择，目前使用较多的是加权均数差（WMD）和标准均数差（SMD）。

让原始研究效应估计的精度性决定其在meta分析中的权重，消除了绝对值的大小对分析结果的影响。
WMD在STATA软件中的计算语句为：nostandard

则表示暴露组和对照组观察变量的相对大小，可以消除研究中不同测量单位带来的影响，适用于不同指标来衡量相同结果的meta分析。
SMD在STATA软件中的计算语句为：Cohen, Hedge, Glass

理论上应该先判断研究异质性的大小，再根据异质性来选择分析模型，但在实际操作中，常常先选择固定效应模型，然后计算异质性，如果异质性不接受，则再选择随机效应模型。
1)STATA 软件为 固定效应模型 提供的算法为倒方差法，实施语句为fixed。
2）STATA 软件为 随机效应模型 提供的算法为I-V heterogeneity法，实施语句为random。

打开STATA软件的数据录入界面，将之前收集好的原始数据录入，如下图所示

固定效应模型分析语句：
metan n1 mean1 sd1 n2 mean2 sd2, label(namevar=study) texts(180) fixed nostandard
随机效应模型分析语句：
metan n1 mean1 sd1 n2 mean2 sd2, label(namevar=study) texts(180) random nostandard
将语句输入STATA的命令对话框，点击回车后，命令的结果会呈现如下，并自动弹出森林图。结果如下图所示：

STATA语句：
metafunnel _ES _seES
将语句输入STATA的命令对话框，点击回车后，会自动弹出漏斗图。结果如图5所示：

完结

文章研究的结局指标是二分类变量时，频数可以用2×2的表格呈现，如图1所示：

对于文章的效应指标的选择，通常有OR值（比值比），RR值（相对危险度）和RD值（率差）。根据纳入文章的研究设计类型选择合适的分析指标。

1）数据录入：打开STATA软件中的数据录入界面，完成对纳入研究数据的录入。其中a,b,c,d分别代表二分类表中的频数，如图2所示：

分析STATA 语句：

固定效应模型：

metan a b c d, or fixed

随机效应模型：

metan a b c d, or random

将语句输入STATA的命令对话框，点击回车后，命令的结果会呈现如下，并自动弹出森林图。结果如图3所示：

首先使用的是固定效应模型，语句中lcols(study)用于在森林图中添加作者姓名和发表年份。结果显示：Q=5.1, p =0.404>0.05,表明研究间同质性较好，因为 p >0.1,I ² <40%,故采用固定效应模型分析。最终的分析结果为 p <0.001,表明结果有统计学意义。

STATA绘制的森林图如图4所示：

3）绘制漏斗图

STATA语句：

metafunnel _ES _selogES

将语句输入STATA的命令对话框，点击回车后，会自动弹出漏斗图。结果如图5所示：

每个散点代表纳入的研究，漏斗图可以直观地提示发表偏倚。

这就是二分类数据meta初步分析操作流程。

在医学研究中，多分类数据很常见，例如血型（A型、B型、AB型和O型）。对于无序分类数据的研究，也可进行meta分析，但是 需要将多分类进行重新归纳整理成二分类的数据。 然后采用二分类数据meta分析的方法进行操作，具体过程请筒子们看看文前。

相信大家在面对临床研究中，遇到过 只有效应量和置信区间的结果数据 ，没有其他具体描述的，但是邮件又无法联系原文作者；或者该研究就是源于交叉实验的效应量、时间事件分析（HR）的研究。面对想好的idea，是不是有点抓狂？不用怕，STATA软件也可以整合这样的数据，进行meta分析，下面将向大家介绍。
以 只有HR及其置信区间 的数据为例：
1）首先，关于效应模型的选择。与前文类似。
2）数据录入：打开STATA软件的数据录入界面，将之前收集好的原始数据录入，如下图所示：

其中hr代表文章的风险比（HR）效应值，ll代表HR的95%可信区间的下限，ul代表HR的95%可信区间的上限。

3）数据分析及森林图绘制：

首先要计算HR和95%可信区间的对数值。因为在meta分析中，通常要求效应差异度量的对应样本统计量服从正态分布，效应指标是HR，则效应差异度量为HR的对数值。

STATA语句命令为：

等数据转换完成后，就可以进行meta分析了。STATA的实行语句为：

metan lnhr lnll lnul, eform label(namevar=study) texts(180) effect(HR)

将语句输入STATA的命令对话框，点击回车后，命令的结果会呈现如下，并自动弹出森林图。结果如图2所示：

其中eform代表结果从HR对数值返回HR值；label(namevar=study)则在表格和森林图中注明研究信息；texts(180)用于调整森林图中文字的大小。

结果显示：

Q=12.88, p =0.116>0.05, 表明研究间同质性较好，因为 p >0.1,I ² =37.9%,故采用固定效应模型分析。最终的分析结果为 p =0.126>0.05,表明结果无有统计学意义。

弹出的森林图如图3所示：