连续型数据meta初步分析在STATA中的实现
1 数据提取
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）。
1）WMD是对均数进行加权，
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
2）SMD
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
2 模型的选择
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。
3 在STATA中的实现
1）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n1, mean1, sd1； n2, mean2, sd2 分别代表暴露组和对照组的样本量、均值、标准差。
2）数据分析及森林图绘制：
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：
首先使用的是固定效应模型，语句中label(namevar=study)用于在结果和森林图中添加作者姓名和发表年份；texts(180)用于调整森林图中文字的大小。
结果显示：
Q=2.51,p=0.868>0.05,表明研究间同质性较好，因为p>0.1,I2<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绘制的森林图如下图所示：
3）绘制漏斗图：
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
二分类数据meta分析在STATA软件中的实现
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。
（2）在STATA中的实现
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：
2）数据分析及森林图绘制
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,I2<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。
其他类型数据meta分析在STATA中的实现
多分类变量
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。
效应量和可信区间
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,I2=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：