PageSourceSearch

https://metareview-8c1.pages.dev/guides/meta-analysis-steps

html metareview-8c1.pages.dev collected 2026-10-03 05:25:57 UTC 29,633 bytes, 414 lines download raw bytes

1<!doctype html>
2<html lang="zh-CN">
3<head>
4  <meta charset="UTF-8" />
5  <meta name="viewport" content="width=device-width, initial-scale=1.0" />
6  <title>Meta 分析完整步骤:从研究问题到发表的全流程指南 | MetaReview</title>
7  <meta name="description" content="Meta 分析怎么做?本文详解 Meta 分析 9 个步骤:PICO 定义、检索策略、文献筛选、数据提取、质量评估、统计分析、森林图、亚组分析、结果撰写。附免费在线工具。" />
8  <meta name="keywords" content="meta分析步骤, 如何做meta分析, meta analysis步骤, 系统综述流程, meta分析怎么做, 循证医学, 森林图, PICO, meta-analysis tutorial" />
9  <meta name="author" content="MetaReview" />
10  <meta name="robots" content="index, follow" />
11  <link rel="canonical" href="https://metareview.cc/guides/meta-analysis-steps" />
12  <link rel="alternate" hreflang="zh-CN" href="https://metareview.cc/guides/meta-analysis-steps" />
13  <link rel="alternate" hreflang="en" href="https://metareview.cc/guides/how-to-meta-analysis" />
14  <link rel="alternate" hreflang="x-default" href="https://metareview.cc/guides/how-to-meta-analysis" />
15  <meta property="og:type" content="article" />
16  <meta property="og:url" content="https://metareview.cc/guides/meta-analysis-steps" />
17  <meta property="og:title" content="Meta 分析完整步骤:从研究问题到发表的全流程指南" />
18  <meta property="og:description" content="Meta 分析怎么做?9 步全流程指南,附免费在线工具 MetaReview。" />
19  <meta property="og:image" content="https://metareview.cc/og-image.png" />
20  <meta property="og:locale" content="zh_CN" />
21  <meta property="og:site_name" content="MetaReview" />
22  <meta name="twitter:card" content="summary_large_image" />
23  <meta name="twitter:title" content="Meta 分析完整步骤:从研究问题到发表的全流程指南" />
24  <meta name="twitter:description" content="Meta 分析怎么做?9 步全流程指南,附免费在线工具 MetaReview。" />
25  <meta name="twitter:image" content="https://metareview.cc/og-image.png" />
26  <link rel="icon" href="data:image/svg+xml,<svg xmlns=%22http://www.w3.org/2000/svg%22 viewBox=%220 0 100 100%22><text y=%22.9em%22 font-size=%2290%22>&#x1f52c;</text></svg>" />
27  <meta name="theme-color" content="#1e40af" />
28
29  
29<script type="application/ld+json">
30  {
31    "@context": "https://schema.org",
32    "@type": "BreadcrumbList",
33    "itemListElement": [
34      {"@type": "ListItem", "position": 1, "name": "MetaReview", "item": "https://metareview.cc/"},
35      {"@type": "ListItem", "position": 2, "name": "指南", "item": "https://metareview.cc/#guides"},
36      {"@type": "ListItem", "position": 3, "name": "Meta 分析完整步骤:从研究问题到发表的全流程指南"}
37    ]
38  }
39  </script>
39
40
41  
41<script type="application/ld+json">
42  {
43    "@context": "https://schema.org",
44    "@type": "HowTo",
45    "name": "Meta 分析完整步骤:从研究问题到发表",
46    "description": "详解 Meta 分析 9 个步骤的全流程指南,适合医学研究生和临床研究者。",
47    "totalTime": "PT30M",
48    "tool": {
49      "@type": "HowToTool",
50      "name": "MetaReview 免费在线 Meta 分析工具"
51    },
52    "step": [
53      {"@type": "HowToStep", "position": 1, "name": "PICO 框架定义研究问题", "text": "使用 PICO 框架(Patient/Population, Intervention, Comparison, Outcome)明确定义系统综述的研究问题,确保问题具体、可检索、可回答。"},
54      {"@type": "HowToStep", "position": 2, "name": "制定检索策略", "text": "基于 PICO 元素构建检索式,确定检索数据库(PubMed, Embase, Cochrane Library),使用布尔运算符(AND, OR, NOT)和 MeSH 主题词。"},
55      {"@type": "HowToStep", "position": 3, "name": "文献筛选", "text": "按 PRISMA 2020 流程进行两轮筛选:先根据标题和摘要初筛,再全文阅读复筛。推荐两人独立筛选并计算 Kappa 一致性。"},
56      {"@type": "HowToStep", "position": 4, "name": "数据提取", "text": "设计标准化数据提取表,提取每篇文献的效应量数据(事件数/总数或均值/标准差/样本量)、研究特征、质量评价信息。"},
57      {"@type": "HowToStep", "position": 5, "name": "质量评估", "text": "使用 RoB 2.0(RCT)或 NOS(观察性研究)评估纳入文献的偏倚风险,记录每个维度的评分。"},
58      {"@type": "HowToStep", "position": 6, "name": "统计分析", "text": "选择合适的效应量(OR/RR/MD/SMD)和分析模型(固定/随机效应),计算合并效应量、置信区间和异质性指标(I², Q, tau²)。"},
59      {"@type": "HowToStep", "position": 7, "name": "生成森林图与漏斗图", "text": "森林图展示各研究效应量及合并结果,漏斗图检测发表偏倚,辅以 Egger 检验定量判断。"},
60      {"@type": "HowToStep", "position": 8, "name": "亚组分析与敏感性分析", "text": "按预设变量(年龄、剂量、地区等)进行亚组分析探索异质性来源,逐一剔除法进行敏感性分析验证结果稳健性。"},
61      {"@type": "HowToStep", "position": 9, "name": "撰写结果段落", "text": "按 PRISMA 2020 规范撰写方法和结果部分,报告检索流程、纳入排除、合并效应量、异质性和亚组分析结果。"}
62    ]
63  }
64  </script>
64
65
66  <style>
67    * { margin: 0; padding: 0; box-sizing: border-box; }
68    body { font-family: -apple-system, BlinkMacSystemFont, 'Segoe UI', 'PingFang SC', 'Hiragino Sans GB', 'Microsoft YaHei', sans-serif; color: #374151; line-height: 1.8; background: #f9fafb; }
69    .header { background: #1e40af; color: white; padding: 16px 0; }
70    .header-inner { max-width: 800px; margin: 0 auto; padding: 0 24px; display: flex; justify-content: space-between; align-items: center; }
71    .header a { color: white; text-decoration: none; font-weight: 600; font-size: 18px; }
72    .header .nav-links a { font-weight: 400; font-size: 14px; margin-left: 20px; opacity: 0.9; }
73    .header .nav-links a:hover { opacity: 1; text-decoration: underline; }
74    .hero { background: linear-gradient(135deg, #1e40af 0%, #3b82f6 100%); color: white; padding: 60px 24px 48px; text-align: center; }
75    .hero h1 { font-size: 28px; font-weight: 700; max-width: 700px; margin: 0 auto 16px; line-height: 1.4; }
76    .hero p { font-size: 16px; opacity: 0.9; max-width: 600px; margin: 0 auto; }
77    .container { max-width: 800px; margin: 0 auto; padding: 40px 24px 60px; }
78    .toc { background: white; border-radius: 12px; padding: 24px 32px; margin-bottom: 40px; border: 1px solid #e5e7eb; }
79    .toc h2 { font-size: 18px; color: #111827; margin-bottom: 12px; }
80    .toc ol { padding-left: 20px; }
81    .toc li { margin-bottom: 6px; }
82    .toc a { color: #1e40af; text-decoration: none; font-size: 15px; }
83    .toc a:hover { text-decoration: underline; }
84    .step { background: white; border-radius: 12px; padding: 32px; margin-bottom: 24px; border: 1px solid #e5e7eb; }
85    .step-number { display: inline-block; background: #1e40af; color: white; width: 32px; height: 32px; border-radius: 50%; text-align: center; line-height: 32px; font-weight: 700; font-size: 14px; margin-right: 12px; }
86    .step h2 { display: inline; font-size: 20px; color: #111827; vertical-align: middle; }
87    .step h3 { font-size: 16px; color: #374151; margin: 20px 0 8px; }
88    .step p, .step li { font-size: 15px; color: #4b5563; }
89    .step ul, .step ol { padding-left: 20px; margin: 8px 0; }
90    .step li { margin-bottom: 4px; }
91    .tip { background: #eff6ff; border-left: 4px solid #3b82f6; padding: 12px 16px; border-radius: 0 8px 8px 0; margin: 16px 0; font-size: 14px; color: #1e40af; }
92    .data-table { width: 100%; border-collapse: collapse; margin: 16px 0; font-size: 14px; }
93    .data-table th, .data-table td { border: 1px solid #e5e7eb; padding: 8px 12px; text-align: left; }
94    .data-table th { background: #f3f4f6; font-weight: 600; color: #111827; }
95    .data-table td { color: #4b5563; }
96    .cta { background: linear-gradient(135deg, #1e40af 0%, #3b82f6 100%); border-radius: 12px; padding: 32px; text-align: center; margin: 40px 0; color: white; }
97    .cta h2 { font-size: 22px; margin-bottom: 12px; }
98    .cta p { opacity: 0.9; margin-bottom: 20px; }
99    .cta a { display: inline-block; background: white; color: #1e40af; padding: 12px 32px; border-radius: 8px; font-weight: 600; text-decoration: none; font-size: 16px; }
100    .cta a:hover { background: #f0f0f0; }
101    .related { background: white; border-radius: 12px; padding: 24px 32px; margin-top: 40px; border: 1px solid #e5e7eb; }
102    .related h2 { font-size: 18px; color: #111827; margin-bottom: 12px; }
103    .related ul { list-style: none; padding: 0; }
104    .related li { margin-bottom: 8px; }
105    .related a { color: #1e40af; text-decoration: none; font-size: 15px; }
106    .related a:hover { text-decoration: underline; }
107    .footer { text-align: center; padding: 32px 24px; color: #9ca3af; font-size: 13px; border-top: 1px solid #e5e7eb; margin-top: 40px; }
108    .footer a { color: #6b7280; text-decoration: none; }
109    .faq { background: white; border-radius: 12px; padding: 32px; margin-bottom: 24px; border: 1px solid #e5e7eb; }
110    .faq h2 { font-size: 20px; color: #111827; margin-bottom: 16px; }
111    .faq h3 { font-size: 16px; color: #1e40af; margin: 16px 0 8px; }
112    .faq p { font-size: 15px; color: #4b5563; }
113    @media (max-width: 640px) { .hero h1 { font-size: 22px; } .step, .toc, .faq, .related { padding: 20px; } }
114  </style>
115</head>
116<body>
117
118<div class="header">
119  <div class="header-inner">
120    <a href="/">MetaReview</a>
121    <div class="nav-links">
122      <a href="/">打开工具</a>
123      <a href="/guides/forest-plot-generator">森林图指南</a>
124      <a href="/guides/effect-size-selection">效应量选择</a>
125    </div>
126  </div>
127</div>
128
129<div class="hero">
130  <h1>Meta 分析完整步骤:从研究问题到发表的全流程指南</h1>
131  <p>9 个步骤,带你完成一篇完整的 Meta 分析。适合医学研究生和临床研究者。</p>
132</div>
133
134<div class="container">
135
136  <div class="toc">
137    <h2>目录</h2>
138    <ol>
139      <li><a href="#step1">PICO 框架定义研究问题</a></li>
140      <li><a href="#step2">制定检索策略与检索数据库</a></li>
141      <li><a href="#step3">文献筛选(标题摘要 + 全文)</a></li>
142      <li><a href="#step4">数据提取</a></li>
143      <li><a href="#step5">质量评估(RoB 2.0 / NOS)</a></li>
144      <li><a href="#step6">统计分析(效应量 + 模型 + 异质性)</a></li>
145      <li><a href="#step7">生成森林图与漏斗图</a></li>
146      <li><a href="#step8">亚组分析与敏感性分析</a></li>
147      <li><a href="#step9">撰写结果段落</a></li>
148      <li><a href="#faq">常见问题</a></li>
149    </ol>
150  </div>
151
152  <div class="step" id="step1">
153    <span class="step-number">1</span>
154    <h2>PICO 框架定义研究问题</h2>
155    <p style="margin-top:16px">做 Meta 分析的第一步是明确你的研究问题。PICO 框架是最广泛使用的结构化方法:</p>
156    <table class="data-table">
157      <tr><th>元素</th><th>含义</th><th>示例</th></tr>
158      <tr><td><strong>P</strong> (Population)</td><td>目标人群</td><td>2 型糖尿病成年患者</td></tr>
159      <tr><td><strong>I</strong> (Intervention)</td><td>干预措施</td><td>GLP-1 受体激动剂</td></tr>
160      <tr><td><strong>C</strong> (Comparison)</td><td>对照措施</td><td>安慰剂或常规治疗</td></tr>
161      <tr><td><strong>O</strong> (Outcome)</td><td>结局指标</td><td>HbA1c 变化、体重、不良事件</td></tr>
162    </table>
163    <div class="tip">好的 PICO 问题应该具体到可以直接转化为检索式ã€
163‚如果你的问题太宽泛(如"某药物有效吗"),筛出来的文献可能有几千篇。</div>
164    <h3>纳入排除标准</h3>
165    <p>基于 PICO 制定明确的纳入排除标准,常见维度包括:研究类型(仅 RCT?还是包括观察性研究?)、发表语言、发表时间、最低样本量、随访时间等。</p>
166  </div>
167
168  <div class="step" id="step2">
169    <span class="step-number">2</span>
170    <h2>制定检索策略与检索数据库</h2>
171    <p style="margin-top:16px">检索策略直接决定你能找到多少相关文献。核心原则是<strong>查全率优先</strong>——宁可多筛,不可漏检。</p>
172    <h3>推荐检索数据库</h3>
173    <ul>
174      <li><strong>PubMed / MEDLINE</strong> — 最大的生物医学文献库,必检</li>
175      <li><strong>Embase</strong> — 药物和毒理学文献更全,与 PubMed 重叠约 60%</li>
176      <li><strong>Cochrane Library</strong> — 系统综述和 RCT 注册库</li>
177      <li><strong>中国知网 / 万方</strong> — 中文文献,视研究主题决定是否检索</li>
178    </ul>
179    <h3>检索式构建</h3>
180    <p>将 PICO 各元素转化为检索词,使用 MeSH 主题词 + 自由词组合,用布尔运算符连接:</p>
181    <div class="tip">
182      示例检索式(PubMed):<br/>
183      <code>("diabetes mellitus, type 2"[MeSH] OR "type 2 diabetes") AND ("GLP-1 receptor agonists"[MeSH] OR "liraglutide" OR "semaglutide") AND ("randomized controlled trial"[pt])</code>
184    </div>
185    <p>MetaReview 内置 PubMed 检索功能,支持关键词搜索、年份范围、文献类型和语言筛选,可以直接在工具中完成检索。</p>
186  </div>
187
188  <div class="step" id="step3">
189    <span class="step-number">3</span>
190    <h2>文献筛选(标题摘要 + 全文)</h2>
191    <p style="margin-top:16px">按照 PRISMA 2020 流程,文献筛选分为两轮:</p>
192    <ol>
193      <li><strong>第一轮:标题和摘要筛选</strong> — 快速浏览,排除明显不相关的文献</li>
194      <li><strong>第二轮:全文阅读筛选</strong> — 仔细阅读全文,核对纳入排除标准</li>
195    </ol>
196    <h3>筛选原则</h3>
197    <ul>
198      <li>推荐两人<strong>独立筛选</strong>,计算 Cohen's Kappa 一致性系数(>0.8 为优)</li>
199      <li>有争议的文献由第三人裁决</li>
200      <li>记录每篇排除文献的排除原因(PRISMA 2020 要求)</li>
201    </ul>
202    <div class="tip">MetaReview 提供 AI 智能筛选功能:PICO 关键词匹配 + Llama 3.1 深度筛选,可以在几分钟内完成数百篇文献的初筛,并给出纳入/排除建议和置信度评分。</div>
203  </div>
204
205  <div class="step" id="step4">
206    <span class="step-number">4</span>
207    <h2>数据提取</h2>
208    <p style="margin-top:16px">从每篇纳入文献中提取标准化的数据。提取内容取决于你的效应量类型:</p>
209    <table class="data-table">
210      <tr><th>数据类型</th><th>需要提取的数据</th><th>适用场景</th></tr>
211      <tr><td>二分类数据</td><td>事件数(events)、总数(total),干预组和对照组各一组</td><td>死亡率、治愈率、不良事件发生率</td></tr>
212      <tr><td>连续性数据</td><td>均值(mean)、标准差(SD)、样本量(N),干预组和对照组各一组</td><td>血压变化、体重变化、量表评分</td></tr>
213    </table>
214    <h3>数据提取表常见字段</h3>
215    <ul>
216      <li>第一作者、发表年份</li>
217      <li>研究设计、国家/地区</li>
218      <li>样本量(干预组/对照组)</li>
219      <li>干预措施细节(药物、剂量、疗程)</li>
220      <li>结局指标数据</li>
221      <li>亚组信息(年龄、性别、基线严重程度等)</li>
222    </ul>
223    <div class="tip">MetaReview 的 PDF 数据提取功能可以自动从论文 PDF 中提取效应量数据(事件数、均值、SD、样本量),减少手动录入工作量。</div>
224  </div>
225
226  <div class="step" id="step5">
227    <span class="step-number">5</span>
228    <h2>质量评估(RoB 2.0 / NOS)</h2>
229    <p style="margin-top:16px">每篇纳入文献都需要进行偏倚风险评估。工具选择取决于研究类型:</p>
230    <table class="data-table">
231      <tr><th>评估工具</th><th>适用研究类型</th><th>评估维度</th></tr>
232      <tr><td>RoB 2.0</td><td>随机对照试验(RCT)</td><td>随机化过程、偏离预定干预、数据缺失、结局测量、选择性报告</td></tr>
233      <tr><td>NOS</td><td>队列研究、病例对照研究</td><td>选择(4分)、可比性(2分)、暴露/结局(3分),满分 9 分</td></tr>
234      <tr><td>ROBINS-I</td><td>非随机干预性研究</td><td>混杂、选择、干预分类、偏离、缺失、测量、报告</td></tr>
235    </table>
236    <div class="tip">质量评估结果直接影响 Meta 分析的可信度。审稿人最常问的问题之一就是"纳入研究的质量如何"。建议在敏感性分析中排除低质量研究,观察结果是否改变。</div>
237  </div>
238
239  <div class="step" id="step6">
240    <span class="step-number">6</span>
241    <h2>统计分析(效应量 + 模型 + 异质性)</h2>
242    <p style="margin-top:16px">这是 Meta 分析的核心计算环节。需要做三个关键决策:</p>
243    <h3>选择效应量</h3>
244    <ul>
245      <li><strong>OR(比值比)</strong>— 二分类数据,病例对照研究首选</li>
246      <li><strong>RR(风险比)</strong>— 二分类数据,队列研究和 RCT 首选</li>
247      <li><strong>MD(均数差)</strong>— 连续性数据,各研究使用相同量表</li>
248      <li><strong>SMD(标准化均数差)</strong>— 连续性数据,各研究使用不同量表</li>
249    </ul>
250    <p>详细的效应量选择指南请看:<a href="/guides/effect-size-selection">OR、RR、MD、SMD 怎么选?</a></p>
251    <h3>选择分析模型</h3>
252    <ul>
253      <li><strong>固定效应模型</strong> — 假设所有研究估计同一个真实效应值(适用于 I² < 25% 且研究方法高度同质的情况)</li>
254      <li><strong>随机效应模型</strong> — 假设各研究的真实效应值不同(大多数 Meta 分析的默认选择)</li>
255    </ul>
256    <h3>异质性评估</h3>
257    <table class="data-table">
258      <tr><th>指标</th><th>含义</th><th>判断标准</th></tr>
259      <tr><td>I²</td><td>异质性占总变异的百分比</td><td>25% 低、50% 中、75% 高</td></tr>
260      <tr><td>Q 检验</td><td>检验各研究效应量是否一致</td><td>p < 0.10 提示存在异质性</td></tr>
261      <tr><td>tau²</td><td>研究间方差的绝对值</td><td>越大异质性越强</td></tr>
262    </table>
263    <div class="tip">MetaReview 支持全部 4 种效应量和 2 种模型,自动计算 I²、Q 检验和 tau²,无需编写任何代码。</div>
264  </div>
265
266  <div class="step" id="step7">
267    <span class="step-number">7</span>
268    <h2>生成森林图与漏斗图</h2>
269    <p style="margin-top:16px"><strong>森林图(Forest Plot)</strong>是 Meta 分析最核心的可视化。它展示:</p>
270    <ul>
271      <li>每篇研究的效应量和 95% 置信区间(方块 + 横线)</li>
272      <li>方块大小代表研究权重</li>
273      <li>合并效应量(底部菱形)</li>
274      <li>无效线(OR/RR = 1 或 MD/SMD = 0)</li>
275    </ul>
276    <p><strong>漏斗图(Funnel Plot)</strong>用于检测发表偏倚:</p>
277    <ul>
278      <li>对称分布提示无明显发表偏倚</li>
279      <li>不对称分布可能存在发表偏倚</li>
280      <li>辅以 Egger 线性回归检验定量判断(p < 0.10 提示存在发表偏倚)</li>
281    </ul>
282    <p>详细的森林图制作指南请看:<a href="/guides/forest-plot-generator">森林图怎么画?在线生成完全指南</a></p>
283    <div class="tip">MetaReview 可一键生成高质量森林图和漏斗图(SVG 格式),支持亚组森林图展示,可直接用于论文投稿。</div>
284  </div>
285
286  <div class="step" id="step8">
287    <span class="step-number">8</span>
288    <h2>亚组分析与敏感性分析</h2>
289    <p style="margin-top:16px">
289这两种分析是审稿人最关注的部分之一:</p>
290    <h3>亚组分析(Subgroup Analysis)</h3>
291    <p>按预设的变量将研究分组,分别计算合并效应量,探索异质性来源。常见分组变量:</p>
292    <ul>
293      <li>年龄组(&lt;60 岁 vs &ge;60 岁)</li>
294      <li>药物剂量(低剂量 vs 高剂量)</li>
295      <li>地区(亚洲 vs 欧美)</li>
296      <li>研究质量(高质量 vs 低质量)</li>
297      <li>随访时间(短期 vs 长期)</li>
298    </ul>
299    <p>亚组间差异使用 Q-between 检验(p < 0.05 提示亚组间效应值有显著差异)。</p>
300    <h3>敏感性分析(Sensitivity Analysis)</h3>
301    <p>最常用的方法是<strong>逐一剔除法(Leave-one-out)</strong>:每次去掉一篇研究,重新计算合并效应量。如果去掉某篇研究后结果发生方向性改变(如从有效变为无效),说明该研究对结果有显著影响,需要在讨论部分重点阐述。</p>
302    <div class="tip">MetaReview 内置亚组分析(自动 Q-between 检验)和逐一剔除敏感性分析(自动高亮方向反转的研究)。</div>
303  </div>
304
305  <div class="step" id="step9">
306    <span class="step-number">9</span>
307    <h2>撰写结果段落</h2>
308    <p style="margin-top:16px">按 PRISMA 2020 规范撰写,Results 部分通常包含:</p>
309    <ol>
310      <li><strong>检索结果</strong>:检索到多少篇、去重后多少篇、最终纳入多少篇(配 PRISMA 流程图)</li>
311      <li><strong>纳入研究特征</strong>:表格汇总各研究的设计、样本量、干预细节</li>
312      <li><strong>Meta 分析结果</strong>:合并效应量 (95% CI)、p 值、异质性(I²、Q、tau²)</li>
313      <li><strong>亚组分析</strong>:各亚组结果及组间差异检验</li>
314      <li><strong>敏感性分析</strong>:结果是否稳健</li>
315      <li><strong>发表偏倚</strong>:漏斗图 + Egger 检验结果</li>
316    </ol>
317    <h3>撰写模板</h3>
318    <p>标准表述格式:</p>
319    <div class="tip">
320      "共 <em>k</em> 项研究纳入 Meta 分析(<em>n</em> = 总样本量)。随机效应模型分析显示,干预组 [结局指标] 显著 [优于/劣于] 对照组(OR/RR/MD = X.XX, 95% CI: X.XX–X.XX, <em>p</em> = X.XXX)。研究间存在 [低/中/高] 异质性(I² = XX%, Q = XX.XX, <em>p</em> = X.XXX)。"
321    </div>
322    <p>MetaReview 可自动生成英文结果段落,包含主分析、亚组分析和敏感性分析结论。</p>
323  </div>
324
325  <div class="cta">
326    <h2>立即开始你的 Meta 分析</h2>
327    <p>MetaReview 免费在线工具,从数据输入到森林图只需 5 分钟。无需安装,无需编程。</p>
328    <a href="/">打开 MetaReview</a>
329    <p style="margin-top:12px"><a href="/?s=6ae5971c" style="color:#2563eb;font-size:14px;text-decoration:underline;">查看在线示例:阿司匹林 vs 安慰剂 Meta 分析(7 篇 RCT)&rarr;</a></p>
330  </div>
331
332  <div id="email-section" style="max-width:520px;margin:0 auto 40px;padding:28px 24px;background:#f0f9ff;border-radius:16px;border:1px solid #bfdbfe;text-align:center;">
333    <h3 style="font-size:17px;font-weight:700;color:#111827;margin:0 0 8px;">获取更新通知</h3>
334    <p style="font-size:14px;color:#4b5563;margin:0 0 16px;line-height:1.5;">留下邮箱,第一时间获取新功能通知和 Meta 分析技巧。</p>
335    <form id="email-form" style="display:flex;gap:8px;justify-content:center;flex-wrap:wrap;">
336      <input id="email-input" type="email" placeholder="输入邮箱地址" required style="padding:10px 14px;border:1px solid #d1d5db;border-radius:8px;font-size:14px;width:240px;max-width:100%;outline:none;">
337      <button type="submit" style="padding:10px 24px;background:#2563eb;color:#fff;border:none;border-radius:8px;font-size:14px;font-weight:600;cursor:pointer;">订阅</button>
338    </form>
339    <div id="email-msg" style="display:none;margin-top:12px;padding:10px 14px;border-radius:8px;font-size:14px;font-weight:500;"></div>
340    <p style="font-size:12px;color:#9ca3af;margin:12px 0 0;">我们不会发送垃圾邮件,随时可退订。</p>
341  </div>
342  
342<script>
343  document.getElementById('email-form').addEventListener('submit',function(e){
344    e.preventDefault();
345    var email=document.getElementById('email-input').value;
346    var msg=document.getElementById('email-msg');
347    var btn=this.querySelector('button');
348    btn.textContent='提交中...';btn.disabled=true;
349    fetch('/api/emails/subscribe',{method:'POST',headers:{'Content-Type':'application/json'},body:JSON.stringify({email:email,source:'guide-steps',lang:'zh'})})
350    .then(function(r){return r.json()}).then(function(d){
351      msg.style.display='block';
352      if(d.ok){msg.style.background='#ecfdf5';msg.style.color='#065f46';msg.textContent=d.already?'你已经订阅过了!':'订阅成功!我们会在有新功能时通知你。';document.getElementById('email-form').style.display='none';}
353      else{msg.style.background='#fef2f2';msg.style.color='#dc2626';msg.textContent='请输入有效的邮箱地址。';btn.textContent='订阅';btn.disabled=false;}
354    }).catch(function(){msg.style.display='block';msg.style.background='#fef2f2';msg.style.color='#dc2626';msg.textContent='提交失败,请稍后重试。';btn.textContent='订阅';btn.disabled=false;});
355  });
356  </script>
356
357
358  <div class="faq" id="faq">
359    <h2>常见问题</h2>
360
361    <h3>Meta 分析至少需要多少篇文献?</h3>
362    <p>理论上 2 篇即可进行 Meta 分析,但一般建议至少 5 篇以上才能获得较稳定的合并效应量和有意义的异质性检验。如果少于 5 篇,审稿人可能会质疑合并的必要性。</p>
363
364    <h3>系统综述和 Meta 分析有什么区别?</h3>
365    <p>系统综述(Systematic Review)是按照规范流程全面检索和评价文献的过程;Meta 分析(Meta-Analysis)是在系统综述基础上,对多个研究结果进行定量合并的统计方法。简言之:系统综述 = 定性综合,Meta 分析 = 定量合并。可以做系统综述不做 Meta 分析,但不能只做 Meta 分析不做系统综述。</p>
366
367    <h3>什么时候不适合做 Meta 分析?</h3>
368    <p>当纳入研究的 PICO 差异过大(苹果和橙子放在一起比较)、数据类型不统一、异质性过高(I² > 90%)且无法通过亚组分析解释时,强行合并可能产生误导性结论。此时建议改为叙述性系统综述。</p>
369
370    <h3>不会 R/Stata 也能做 Meta 分析吗?</h3>
371    <p>可以。MetaReview 是完全在线的 Meta 分析工具,所有计算在浏览器内完成,无需安装任何软件或编写代码。支持 OR/RR/MD/SMD 四种效应量、固定和随机效应模型、亚组分析、敏感性分析、森林图和漏斗图生成。</p>
372
373    <h3>如何引用 MetaReview?</h3>
374    <p>目前 MetaReview 尚未发表方法学论文。你可以在方法部分注明"使用在线 Meta 分析工具 MetaReview (https://metareview.cc/) 进行数据分析和森林图生成"。</p>
375  </div>
376
377  <div class="related">
378    <h2>相关指南</h2>
379    <ul>
380      <li><a href="/guides/forest-plot-generator">森林图怎么画?在线生成森林图完全指南(免费工具)</a></li>
381      <li><a href="/guides/effect-size-selection">OR、RR、MD、SMD 怎么选?Meta 分析效应量完整指南</a></li>
382      <li><a href="/guides/prisma-flow-diagram">PRISMA 2020 流程图:在线制作模板与填写指南</a></li>
383      <li><a href="/guides/survival-analysis-meta">生存数据 Meta 分析:HR 的提取、计算与解读指南</a></li>
384      <li><a href="/guides/meta-analysis-software-comparison">Meta 分析软件对比:MetaReview vs RevMan vs R vs Stata</a></li>
385      <li><a href="/guides/tumor-meta-analysis">肿瘤 Meta 分析指南:从效应量选择到亚组分析</a></li>
386      <li><a href="/guides/cardiovascular-meta-analysis">心血管 Meta 分析完整指南</a></li>
387      <li><a href="/guides/diabetes-meta-analysis">糖尿病 Meta 分析完整指南</a></li>
388      <li><a href="/guides/covid-meta-analysis">COVID-19 Meta 分析指南</a></li>
389      <li><a href="/guides/psychiatric-meta-analysis">精神科 Meta 分析指南</a></li>
390      <li><a href="/guides/how-to-meta-analysis">How to Do a Meta-Analysis (English Tutorial)</a></li>
391      <li><a href="/guides/free-forest-plot-generator">Free Forest Plot Generator (English)</a></li>
392      <li><a href="/guides/free-funnel-plot-maker">Free Funnel Plot Maker (English)</a></li>
393      <li><a href="/guides/meta-analysis-calculator">Meta-Analysis Calculator Online (English)</a></li>
394      <li><a href="/guides/best-meta-analysis-software">Best Free Meta-Analysis Software (English)</a></li>
395      <li><a href="/guides/free-prisma-flow-diagram-generator">Free PRISMA Flow Diagram Generator (English)</a></li>
396      <li><a href="/guides/meta-analysis-effect-size-guide">Meta-Analysis Effect Size Guide: OR vs RR vs HR (English)</a></li>
397      <li><a href="/guides/hazard-ratio-meta-analysis-guide">Hazard Ratio Meta-Analysis Guide (English)</a></li>
398      <li><a href="/guides/cancer-meta-analysis-guide">Cancer & Oncology Meta-Analysis Guide (English)</a></li>
399      <li><a href="/guides/cardiovascular-meta-analysis-guide">Cardiovascular Meta-Analysis Guide (English)</a></li>
400      <li><a href="/guides/diabetes-meta-analysis-guide">Diabetes Meta-Analysis Guide (English)</a></li>
401      <li><a href="/guides/covid-meta-analysis-guide">COVID-19 Meta-Analysis Guide (English)</a></li>
402      <li><a href="/guides/psychiatric-meta-analysis-guide">Psychiatry Meta-Analysis Guide (English)</a></li>
403    </ul>
404  </div>
405
406  <div class="footer">
407    <p><a href="/">MetaReview</a> — 免费在线 Meta 分析工具</p>
408    <p style="margin-top:8px">&copy; 2026 MetaReview. All rights reserved.</p>
409  </div>
410
411</div>
412
413</body>
414</html>

Line numbers count LF bytes from the start of the resource, as the search results do. Vendor segments are library code the classifier recognised; they are stored but not indexed. Bytes are shown as Latin1 characters, one per byte.