元套件现在支持相关系数的元分析（MA）。支持所有标准的元分析功能，如森林图和亚组分析。该功能是 StataNow 的一部分。
传统上，MA 主要针对二进制或连续数据的两个样本，在这两个样本中，所关注的结果是通过通常被称为治疗组和对照组的两组来衡量的。例如， MA 可以比较一种新药与安慰剂的疗效，或者两种不同的教育干预措施对学生成绩的影响。
有时，我们可能想调查多项研究中变量之间关系的强度和方向。这就是相关性原理发挥作用的地方。例如，研究人员可能有兴趣综合多项研究的结果，以了解数字设备使用与睡眠质量之间的相关性。或者，经济学家可能会进行相关性分析，从不同的研究中分析不同guo家的市场波动与投资者行为之间的关系。在这些情况下，可以使用 MA 来综合不同研究的相关系数。
数据集示例：豆类消费与减肥之间的相关性
与未来岳父母的会面取得了巨大成功，这部分归功于你对美国素食主义者比例的精明MA。你未来的婆婆现在充满了创业精神，她对扩大自己网上餐馆的菜单充满了好奇。这一次，她想知道豆类的摄入量是否与减肥有关。作为常驻统计员，你又要上场了。
您提议进行一项相关性分析，探索全美豆类消费与减肥之间的关系。有了这些见解，这家网上餐厅就可以在菜单中加入豆类食谱，以推广更健康的生活方式，从而提高其吸引力。假设您已经确定了 13 项研究。
. 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:
相关数据的元分析
变量 corr 和 ntotal 分别表示每项研究中的相关性和受试者总数。我们使用 meta esize 来计算每个研究的 Fisher
变换相关性。此 Fisher
变换是一种方差稳定变换，当相关性接近 −1 或 1 时特别优选。
通过元大小将数据声明为元数据
. 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
您可以使用相关性选项指定未经转换的（原始）相关性作为效应大小。由于未转换相关性的方差取决于相关性本身，因此这种效应大小的 MA 往往会人为地为相关性接近-1 或 1 的研究赋予较大的权重。
. 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
森林图和其他荟萃分析技术
让我们继续看元效应大小的di一个规范。在计算出感兴趣的效应大小并将数据声明为元数据后，您可以像往常一样使用任何 MA 技术。例如，要构建森林图，我们键入
. meta forestplot, correlationEffect-size label: CorrelationEffect size: _meta_esStd. err.: _meta_seStudy label: studylbl
correlation 选项指定将结果报告为相关性，而不是 Fisher
值。这等效于使用 transform（“Correlation”：tanh） 选项应用双曲正切变换。豆类消费与体重减轻之间的总体（平均）相关性为0.70，置信区间（CI）为[0.63,0.76]。
您可以进行分组分析，研究脉搏组之间的相关性是否有显著差异：
. meta forestplot, subgroup(pulse) esrefline insidemarker correlationEffect-size label: CorrelationEffect size: _meta_esStd. err.: _meta_seStudy label: studylbl
上述森林图显示了每个脉搏类别中的实质性差异。耐人寻味的是，在每种脉搏中，某些研究显示出更强的相关性，这可能与在改变饮食的同时补充体育锻炼计划有关。我们没有任何证据表明亚组相关性之间存在差异
您对豆类的潜在健康益处充满信心，可以建议您的婆婆将菜单多样化，烹制一系列以豆类为基础的菜肴，而不必在餐厅食谱中将一种豆类置于另一种豆类之上。
