Możesz obliczyć / aproksymować standardowe błędy za pomocą wartości p. Po pierwsze, przekształcić dwustronne wartości p do jednostronnych wartości p przez podzielenie ich przez 2. Więc masz i . Następnie przekonwertuj te wartości p na odpowiednie wartości Z. Dla jest to a dla jest to (są ujemne, ponieważ szans wynosi poniżej 1). Te wartości Z są w rzeczywistości statystykami testowymi obliczonymi na podstawie logarytmu ilorazów szans podzielonych przez odpowiednie błędy standardowe (tj. ). Wynika z tego, że , co dajep=.0115p = 0,007p = 0,0115z=−2.273p=.007z=−2.457z=log(OR)/SESE=log(OR)/zSE=0.071dla pierwszego i dla drugiego badania.SE=.038
Teraz masz wszystko do wykonania metaanalizy. Zilustruję, w jaki sposób możesz wykonać obliczenia za pomocą R, używając pakietu 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 **
Zauważ, że metaanaliza jest wykonywana przy użyciu ilorazów logarytmicznych. Tak więc, jest szacowanym łącznym ilorazem szans logarytmicznych na podstawie tych dwóch badań. Przekształćmy to z powrotem w iloraz szans:−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
Tak więc łączny iloraz szans wynosi 0,90 przy 95% CI: 0,84 do 0,96.