网状Meta分析之R语言‘gemtc’包实战（2）

昨天和大家分享了使用‘gemtc’这个R包去读取和汇总网状meta分析数据的方法。今天主要想和大家介绍一下如何在这个包里使用固定效应模型（fixed effect model, FEM）去计算网状meta分析的结果。在这之前，我们需要简单认识并区分固定效应模型和随机效应模型。

在meta分析合并效应量（effect size）时，通常有两种模型可供选择，一种是固定效应模型（FEM），另一种是随机效应模型（random effect model，REM）。固定效应模型多用于各个研究之间误差和异质性相对较小的，其前提是只考虑不同研究之间存在有抽样误差（sampling error）而无其他误差，其估计值比较精确；随机效应模型则在异质性较大的时候使用，它的前提是各个试验之间存在有除抽样误差以外的其它误差（人群的年龄、升高的差异等），其估计值没有随机效应模型的准确，但适用范围更广。

一般来说，在异质性较小的情况下，尽量使用固定效应模型，对于异质性较大的情况，则应先试着去除异质性，然后使用固定效应模型；对于存在较大异质性且这种异质性难以去除时，可以考虑使用随机效应模型。

第一步，利用昨天生成的mtc.network结果并建立mtc.model，昨天的内容参见网状Meta分析之R语言‘gemtc’包实战（1）

model_b_bin_fe <- mtc.model(network_b_bin, linearModel='fixed', n.chain=4)

这里第一个参数就是mtc.network，第二个参数是选择的模型，第三个参数是使用Markov Chain Monte Carlo （MCMC）算法是设置的链数。

第二步，进行MCMC模拟

mcmc_b_bin_fe <- mtc.run(model_b_bin_fe, n.adapt=5000, n.iter=10000, thin=20)

这里第二个参数‘n.adapt’是指去除的初始的迭代数，5000表示将前5000次迭代的结果去除，这样是为了有效避免初值对最终结果的影响，第三个参数’n.iter’表示的是迭代次数，最后一个参数‘thin’是指每次提取第20个数值（如5020，5040，5060等等）。

第三步，绘图并总结MCMC的模拟结果

plot(mcmc_b_bin_fe)

gelman.diag(mcmc_b_bin_fe) gelman.plot(mcmc_b_bin_fe) summary(mcmc_b_bin_fe)

这里的trace plot和density plot都是用来评估模拟结果的收敛性的，如果trace plot的图像整体比较平坦且density plot图像曲线较为平滑，则说明MCMC模拟结果的收敛性较好。

第四步，修改MCMC模拟的参数重新运行并观察结果

mcmc_b_bin_fe <- mtc.run(model_b_bin_fe, n.adapt=5000, n.iter=10000, thin=10) plot(mcmc_b_bin_fe) gelman.diag(mcmc_b_bin_fe) gelman.plot(mcmc_b_bin_fe) summary(mcmc_b_bin_fe)

第五步，比较不同参属下MCMC模拟的结果，选择最佳参数作为最终的结果

summary(mcmc_b_bin_fe) forest(relative.effect(mcmc_b_bin_fe, t1="A"), digits=3)

上图显示的是和A相比不同疗法的效果，森林图的解读和一般的meta没有什么区别。（最后我们选择n.adapt=5000, n.iter=10000, thin=10这个参数最为最终的结果，因为其收敛性较好。）

这期的内容中可能涉及到的数学概念比较多，比如数据模拟、收敛性、迭代等，有兴趣的朋友可以自行查阅相关资料，在后期的内容中会为大家介绍一点简单的统计知识。