Vous pouvez calculer / approximer les erreurs standard via les valeurs de p. Tout d'abord, convertissez les valeurs p bilatérales en valeurs p unilatérales en les divisant par 2. Vous obtenez donc et p = 0,007 . Convertissez ensuite ces valeurs p en valeurs z correspondantes. Pour p = .0115 , c'est z = - 2.273 et pour p = .007 , c'est z = - 2.457.p = 0,0115p = .007p = 0,0115z= - 2,273p = .007z= - 2,457(ils sont négatifs, car les rapports de cotes sont inférieurs à 1). Ces valeurs z sont en fait les statistiques de test calculées en prenant le logarithme des rapports de cotes divisé par les erreurs types correspondantes (c.-à-d. ). Il s'ensuit donc que S E = l o g ( O R ) / z , ce qui donne S E = 0,071 pour la première et S E = 0,038 pour la deuxième étude.z= l o g( O R ) / SESE= l o g( O R ) / zSE= 0,071SE= 0,038
Vous avez maintenant tout pour faire une méta-analyse. Je vais illustrer comment vous pouvez faire les calculs avec R, en utilisant le package metafor:
library(metafor)
yi <- log(c(.85, .91)) ### the log odds ratios
sei <- c(0.071, .038) ### the corresponding standard errors
res <- rma(yi=yi, sei=sei) ### fit a random-effects model to these data
res
Random-Effects Model (k = 2; tau^2 estimator: REML)
tau^2 (estimate of total amount of heterogeneity): 0 (SE = 0.0046)
tau (sqrt of the estimate of total heterogeneity): 0
I^2 (% of total variability due to heterogeneity): 0.00%
H^2 (total variability / within-study variance): 1.00
Test for Heterogeneity:
Q(df = 1) = 0.7174, p-val = 0.3970
Model Results:
estimate se zval pval ci.lb ci.ub
-0.1095 0.0335 -3.2683 0.0011 -0.1752 -0.0438 **
Notez que la méta-analyse est effectuée à l'aide des rapports de cotes logarithmiques. Ainsi, est le rapport de cotes logarithmique estimé basé sur ces deux études. Convertissons cela en un rapport de cotes:- 0,1095
predict(res, transf=exp, digits=2)
pred se ci.lb ci.ub cr.lb cr.ub
0.90 NA 0.84 0.96 0.84 0.96
Ainsi, le rapport de cotes combiné est de 0,90 avec un IC à 95%: 0,84 à 0,96.