元套件現在支持相關系數的元分析（MA）。支持所有標準的元分析功能，如森林圖和亞組分析。該功能是 StataNow 的一部分。
傳統上，MA 主要針對二進制或連續數據的兩個樣本，在這兩個樣本中，所關注的結果是通過通常被稱為治療組和對照組的兩組來衡量的。例如， MA 可以比較一種新藥與安慰劑的療效，或者兩種不同的教育干預措施對學生成績的影響。
有時，我們可能想調查多項研究中變量之間關系的強度和方向。這就是相關性原理發揮作用的地方。例如，研究人員可能有興趣綜合多項研究的結果，以了解數字設備使用與睡眠質量之間的相關性?；蛘?，經濟學家可能會進行相關性分析，從不同的研究中分析不同guo家的市場波動與投資者行為之間的關系。在這些情況下，可以使用 MA 來綜合不同研究的相關系數。
數據集示例：豆類消費與減肥之間的相關性
與未來岳父母的會面取得了巨大成功，這部分歸功于你對美國素食主義者比例的精明MA。你未來的婆婆現在充滿了創業精神，她對擴大自己網上餐館的菜單充滿了好奇。這一次，她想知道豆類的攝入量是否與減肥有關。作為常駐統計員，你又要上場了。
您提議進行一項相關性分析，探索全美豆類消費與減肥之間的關系。有了這些見解，這家網上餐廳就可以在菜單中加入豆類食譜，以推廣更健康的生活方式，從而提高其吸引力。假設您已經確定了 13 項研究。
. describeContains data from legumes.dtaObservations: 13 Fictional data of correlationsbetween legume consumption andweight lossVariables: 4 10 Apr 2024 14:09Variable Storage Display Valuename typeformat label Variable label studylbl str22 %22s Study labelcorr float%9.0g Correlation valuentotal int %9.0g Study sample sizepulse byte %9.0g pulsetype Pulse typeSorted by:
相關數據的元分析
變量 corr 和 ntotal 分別表示每項研究中的相關性和受試者總數。我們使用 meta esize 來計算每個研究的 Fisher
變換相關性。此 Fisher
變換是一種方差穩定變換，當相關性接近 ?1 或 1 時特別優選。
通過元大小將數據聲明為元數據
. meta esize corr ntotal, fisherz studylabel(studylbl)Meta-analysis setting informationStudy informationNo. of studies: 13Study label: studylblStudy size: _meta_studysizeSummary data: corr ntotalEffect sizeType: fisherzLabel: Fisher's zVariable: _meta_esPrecisionStd. err.: _meta_seCI: [_meta_cil, _meta_ciu]CI level: 95%Model and methodModel: Random effectsMethod: REML
您可以使用相關性選項指定未經轉換的（原始）相關性作為效應大小。由于未轉換相關性的方差取決于相關性本身，因此這種效應大小的 MA 往往會人為地為相關性接近-1 或 1 的研究賦予較大的權重。
. meta update, correlation-> meta esize corr ntotal , correlation studylabel(studylbl)Meta-analysis setting information from meta esizeStudy informationNo. of studies: 13Study label: studylblStudy size: _meta_studysizeSummary data: corr ntotalEffect sizeType: correlationLabel: CorrelationVariable: _meta_esPrecisionStd. err.: _meta_seCI: [_meta_cil, _meta_ciu]CI level: 95%Model and methodModel: Random effectsMethod: REML
森林圖和其他薈萃分析技術
讓我們繼續看元效應大小的di一個規范。在計算出感興趣的效應大小并將數據聲明為元數據后，您可以像往常一樣使用任何 MA 技術。例如，要構建森林圖，我們鍵入
. meta forestplot, correlationEffect-size label: CorrelationEffect size: _meta_esStd. err.: _meta_seStudy label: studylbl
correlation 選項指定將結果報告為相關性，而不是 Fisher
值。這等效于使用 transform（“Correlation”：tanh） 選項應用雙曲正切變換。豆類消費與體重減輕之間的總體（平均）相關性為0.70，置信區間（CI）為[0.63,0.76]。
您可以進行分組分析，研究脈搏組之間的相關性是否有顯著差異：
. meta forestplot, subgroup(pulse) esrefline insidemarker correlationEffect-size label: CorrelationEffect size: _meta_esStd. err.: _meta_seStudy label: studylbl
上述森林圖顯示了每個脈搏類別中的實質性差異。耐人尋味的是，在每種脈搏中，某些研究顯示出更強的相關性，這可能與在改變飲食的同時補充體育鍛煉計劃有關。我們沒有任何證據表明亞組相關性之間存在差異
您對豆類的潛在健康益處充滿信心，可以建議您的婆婆將菜單多樣化，烹制一系列以豆類為基礎的菜肴，而不必在餐廳食譜中將一種豆類置于另一種豆類之上。
