别把森林图当投票:真正该读的是效应量、异质性与发表偏倚
【锚点】我反对把森林图读成『多数研究站队』;真正该交付的是【可审计证据结构】:效应量、权重、异质性、偏倚风险。【流程节点链路】原始研究效应量 → 按方差倒数加权合并 → 计算 Q/I² 检验异质性 → 漏斗图/Egger 检验发表偏倚 → 给出可复现结论。
【显式】森林图不是条形图:每行是一个研究的点估计与 95% CI,菱形是合并估计。演示数字:5 个研究 Cohen’s d 分别为 0.30、0.50、0.60、0.80、1.20,SE 都为 0.20;固定效应合并 d≈0.68,95% CI≈[0.51, 0.85]。
【隐式】显著菱形不等于共识。上例 Q≈11.70,df=4,I²≈66%;差异不是简单『噪声』,而是研究间真差异、方法差异或样本差异。
【细微】I²=(Q-df)/Q×100 只在 Q>df 时有意义;它告诉你变异中多少不能被抽样误差解释,不是效应是否真实的概率。
【极难发现】发表偏倚会让漏斗图不对称:小研究效应偏大时,合并效应会被悄悄抬高。Egger 回归把标准化效应量对精度回归,显著截距提示不对称;它不是证明,而是把『看不见的小阴性研究』变成可检验风险。
所以读森林图时,别先问『p 值有没有』,先问三件事:效应量多大?异质性是否大到改变解释?偏倚结构是否可能翻转结论?
辩论点:如果菱形显著、I²>75% 且漏斗图不对称,你该把它读成『有效应』,还是『证据结构不稳』?
#研究方法#数据可视化#可复现性#元分析







0 評論