Forest-Plot-Generator für Metaanalysen
Ein Forest-Plot-Generator für systematische Reviews, Abschlussarbeiten und Einreichungen bei Fachzeitschriften: Geben Sie ihm Schätzer und Konfidenzintervall jeder Studie, und er zeichnet Quadrate, Whisker und gepoolte Raute mit Gewichten, I², τ² und Test auf Gesamteffekt berechnet statt geschätzt. Odds Ratios, relative Risiken, Hazard Ratios und Mittelwertdifferenzen, mit Subgruppen.
Journal-Stile im Forest-Plot-Generator
Fünf Journal-Vorgaben, jede vom Forest-Plot-Generator an einer anderen Metaanalyse gezeichnet: ein Review mit relativen Risiken im RevMan-Stil, eine heterogene Odds-Ratio-Analyse, standardisierte Mittelwertdifferenzen, die Subgruppen einer einzelnen Studie und ein Plot mit beiden Pooling-Modellen. Klicken Sie eine Karte, um Prompt und Studien zu laden.
Forest-Plot-Beispiele
Vier Forest-Plot-Beispiele aus dem Forest-Plot-Generator, jedes ein Rendering des Prompts und der Studien auf seiner Karte (alles illustrative Daten). Klicken Sie eine Karte, um sie in das Feld oben zu laden, und ersetzen Sie die Zahlen durch Ihre eigenen.
Was ist ein Forest-Plot?
Ein Forest-Plot ist die Abbildung einer Metaanalyse: Der Effektschätzer jeder Studie ist ein Quadrat, ihr Konfidenzintervall eine waagerechte Linie und der über alle Studien gepoolte Schätzer eine Raute unten. Eine senkrechte Linie markiert den fehlenden Effekt, 1 für ein Verhältnis wie Odds Ratio, relatives Risiko oder Hazard Ratio und 0 für eine Mittelwertdifferenz. Die Größe jedes Quadrats ist das Gewicht der Studie im gepoolten Ergebnis, sodass die präzisesten Studien zuerst ins Auge fallen. Liest man die Zeilen von oben nach unten, sieht man auf einen Blick, ob die Studien übereinstimmen, welche dominieren und ob das kombinierte Ergebnis einen fehlenden Effekt ausschließt. Der Name kommt von den Linienreihen, die wie ein Wald aussehen; ältere Arbeiten nennen ihn Blobbogramm.
Über diesen Forest-Plot-Generator
- Tippen Sie jede Studie als Smith 2019 OR 0.82 (0.61 to 1.10) ein, optional mit Gewicht oder n, oder hängen Sie eine .csv-, .tsv- oder .xlsx-Tabelle mit Schätzern und KI-Grenzen an. Der Forest-Plot-Generator liest auch einen Export im RevMan-Format mit Subgruppenüberschriften und Total-Zeile.
- Der Forest-Plot-Generator berechnet per Code den Standardfehler jeder Studie aus ihrem Intervall, die Inverse-Varianz-Gewichte, die gepoolten Schätzer nach Fixed-Effect- und DerSimonian-Laird-Random-Effects-Modell, Q, I², τ² und den z-Test; das Bildmodell platziert nur, was es bekommt.
- Der Forest-Plot-Generator setzt Verhältnisse auf eine Log-Achse mit den symmetrischen Skalen von RevMan (0.5–2, 0.2–5, 0.1–10 …) und Mittelwertdifferenzen oder standardisierte Mittelwertdifferenzen auf eine lineare Achse um 0.
- Der Forest-Plot-Generator nimmt bis zu 40 Zeilen pro Abbildung, mit Subgruppenüberschriften, einer Teilsummen-Raute je Subgruppe und dem Test auf Subgruppenunterschiede.
- Die Journal-Vorgaben im Forest-Plot-Generator für Cochrane, JAMA, BMJ, The Lancet und NEJM legen die Farben fest und wie jedes Intervall gedruckt wird, von 0.82 [0.61, 1.10] bis 0·82 (0·61–1·10).
So lesen Sie einen Forest-Plot
Sieben illustrative Studien zur Frühmobilisation nach Hüftfrakturoperation, jede mit einem relativen Risiko für die 30-Tage-Mortalität. Das ist das erste Beispiel oben, angeordnet vom selben Code, den der Forest-Plot-Generator ausführt. Lesen Sie ihn in der Reihenfolge der Ziffern.
- 1
Studienzeilen
Eine Zeile pro Studie, meist Erstautor und Jahr, in der Reihenfolge des Reviews (nach Jahr, nach Gewicht oder nach Effektgröße). Subgruppenüberschriften stehen, falls vorhanden, ohne Markierung über ihren Zeilen.
- 2
Das Quadrat: der Schätzer der Studie
Die Mitte jedes Quadrats ist der Punktschätzer der Studie. Tanaka 2019 liegt bei 0.93, ein um 7 % geringeres Sterberisiko mit Frühmobilisation. Die Fläche des Quadrats ist das Gewicht der Studie, daher ist Tanakas Quadrat das größte, denn sein Intervall ist das schmalste.
- 3
Der Whisker: das Konfidenzintervall
Die waagerechte Linie ist das 95%-Konfidenzintervall. Brennan 2020 reicht von 0.37 bis 0.91. Breite Whisker stammen von kleinen Studien oder seltenen Ereignissen; ein Pfeil am Ende bedeutet, dass das Intervall über die Achse hinausläuft.
- 4
Die Nulleffektlinie
Die senkrechte Linie bei 1 (bei 0 für eine Mittelwertdifferenz). Ein Whisker, der sie kreuzt, gehört zu einer Studie, deren eigenes Ergebnis mit fehlendem Effekt vereinbar ist: fünf der sieben hier. Das heißt nicht, dass die Studie nichts gefunden hat, sondern nur, dass sie allein zu klein war, um es zu entscheiden.
- 5
Die Raute: der gepoolte Schätzer
Ihre Mitte ist das gepoolte relative Risiko, 0.83, ihre linke und rechte Spitze das gepoolte 95%-KI, 0.73 bis 0.95. Die Raute bleibt frei von der Nulleffektlinie, obwohl die meisten Einzelstudien es nicht sind: Das Poolen der Studien verengt das Intervall.
- 6
Gewicht und die gedruckten Spalten
Die Spalten rechts drucken das Gewicht jeder Studie und ihren Schätzer mit Intervall, sodass sich der Plot ohne Nachmessen lesen lässt; der Forest-Plot-Generator druckt beides standardmäßig. Die Gewichte ergeben zusammen 100 % und stammen aus dem Kehrwert der Varianz jeder Studie (plus τ² bei zufälligen Effekten).
- 7
Heterogenität und der Gesamttest
Unter dem Plot sagt I² = 26 %, dass etwa ein Viertel der Streuung zwischen den Studien über das hinausgeht, was der Zufall ergäbe; τ² = 0.008 ist die Varianz zwischen den Studien auf der Log-Skala; Z = 2.72 (P = 0.007) testet den gepoolten Effekt gegen fehlenden Effekt.
- 8
Beschriftungen für „zugunsten“
Die Wörter unter der Achse sagen, welche Seite die gute Nachricht ist. Bei der Mortalität spricht ein relatives Risiko unter 1 zugunsten der Frühmobilisation, also gehört diese Beschriftung nach links. Prüfen Sie sie, bevor Sie irgendeinen Forest-Plot lesen: Bei einem Endpunkt wie Genesung tauschen die Seiten.
Laden Sie dieses Beispiel in den Forest-Plot-Generator und ändern Sie eine Studie, etwa Kowalski 2022 auf RR 1.40 (1.05 to 1.87), um zu sehen, wie sich Gewichte, Raute und I² verschieben.
So erstellen Sie einen Forest-Plot mit dem Forest-Plot-Generator
Geben Sie dem Forest-Plot-Generator Ihre Studien
Eine Studie pro Zeile oder durch Kommas getrennt: Bezeichnung, Maß, Schätzer und 95%-KI, etwa Lee 2020 RR 0.75 (0.55 to 1.02). Ergänzen Sie weight 18% oder n = 240, wenn vorhanden, und Subgroup Adults: vor einer Gruppe von Zeilen. Oder hängen Sie die Tabelle an, die Ihre Software exportiert hat, und der Forest-Plot-Generator liest die Spalten.
Sagen Sie, wie gepoolt wird und was in den Plot gehört
Zufällige Effekte sind die Standardeinstellung des Forest-Plot-Generators; schreiben Sie fixed-effect, both models oder no pooled estimate für einen Regressions- oder Subgruppen-Plot einer einzelnen Studie. Nennen Sie die Beschriftungen für „zugunsten“ (zugunsten Frühmobilisation links, zugunsten Standardversorgung rechts) und das Konfidenzniveau, falls es nicht 95 % ist.
Journal-Stil wählen und rendern
Wählen Sie Cochrane, JAMA, BMJ, The Lancet oder NEJM und generieren Sie. Quadrate, Whisker, Rauten und gedruckte Zahlen bleiben genau die, die der Forest-Plot-Generator berechnet hat; der Stil ändert Farben, Schrift und die Schreibweise der Intervalle.
Wie der Forest-Plot-Generator eine Metaanalyse poolt
Ein Forest-Plot für eine Metaanalyse ist nur so gut wie die gepoolte Zeile darunter. Das sind die Inverse-Varianz-Formeln, die der Forest-Plot-Generator bei jeder Anfrage anwendet, dieselben, die RevMan, metafor und Statas meta-Befehl für Schätzer mit angegebenem Konfidenzintervall verwenden.
Standardfehler aus dem 95%-KI
Verhältnisse: SE = (ln U − ln L) ÷ 3.92
Differenzen: SE = (U − L) ÷ 3.92
Odds Ratios, relative Risiken und Hazard Ratios werden auf der Log-Skala gepoolt, wo ihre Intervalle symmetrisch sind; 3.92 ist 2 × 1.96 für ein 95%-Intervall, und der Forest-Plot-Generator verwendet 3.29 für 90 % oder 5.15 für 99 %, wenn die Anfrage das verlangt.
Fixed-Effect-Schätzer (gemeinsamer Effekt)
wᵢ = 1 ÷ SEᵢ²
θ̂ = Σ wᵢ yᵢ ÷ Σ wᵢ
SE(θ̂) = 1 ÷ √Σ wᵢ
Jede Studie zählt im Verhältnis zu ihrer Präzision. Das setzt voraus, dass jede Studie denselben wahren Effekt schätzt.
Heterogenität: Q, I² und τ²
Q = Σ wᵢ (yᵢ − θ̂)²
I² = max(0, (Q − df) ÷ Q)
τ² = max(0, (Q − df) ÷ (Σ wᵢ − Σ wᵢ² ÷ Σ wᵢ))
Q wird für das Heterogenitäts-P mit χ² bei k − 1 Freiheitsgraden verglichen; I² ist der Anteil der Variation jenseits des Zufalls; τ² ist die Varianz zwischen den Studien nach DerSimonian-Laird.
Random-Effects-Schätzer
wᵢ* = 1 ÷ (SEᵢ² + τ²)
θ̂* = Σ wᵢ* yᵢ ÷ Σ wᵢ*
Z = θ̂* ÷ SE(θ̂*)
Wird τ² zu jeder Varianz addiert, gleichen sich die Gewichte an, kleine Studien zählen mehr, und die Raute wird breiter, wenn die Studien sich widersprechen. Das ist das Standardmodell des Forest-Plot-Generators.
Geprüft an den BCG-Impfstudien (13 Studien, Colditz 1994), dem Lehrbuch-Datensatz des R-Pakets metafor: Der Forest-Plot-Generator reproduziert Q = 152.23, I² = 92.12 %, τ² = 0.3088 und ein Random-Effects-Log-Risikoverhältnis von −0.7141, die publizierten Ergebnisse.
Feste oder zufällige Effekte im Forest-Plot-Generator
Dieselben Studien, vom Forest-Plot-Generator auf beide Arten gepoolt. Stimmen die Studien überein (das Hüftfraktur-Beispiel, I² = 26 %), fallen die beiden Rauten fast zusammen. Widersprechen sie sich, verlagert das Random-Effects-Modell Gewicht zu den kleinen Studien und verbreitert das Intervall, hier so weit, dass es die 1 kreuzt.
| Studien | Modell | Gepooltes RR [95%-KI] | Größtes Gewicht | Kleinstes Gewicht |
|---|---|---|---|---|
| Hüftfraktur-Studien, I² = 26 % | Feste Effekte | 0.84 [0.76, 0.94] | Tanaka 2019, 26.8% | Brennan 2020, 6.0% |
| Zufällige Effekte | 0.83 [0.73, 0.95] | Tanaka 2019, 22.8% | Brennan 2020, 7.6% | |
| Fünf widersprüchliche Studien, I² = 91 % | Feste Effekte | 0.88 [0.79, 0.97] | Ennis 2021, 27.9% | Adler 2015, 9.0% |
| Zufällige Effekte | 0.77 [0.54, 1.10] | Ennis 2021, 20.9% | Adler 2015, 18.4% |
Was berichten? Zufällige Effekte, wenn sich die Studien in Population, Dosis oder Design unterscheiden, also bei den meisten klinischen Reviews; feste Effekte, wenn sie enge Replikationen sind oder zu wenige Studien vorliegen, um τ² zu schätzen. Viele Reviews zeigen beides. Schreiben Sie "both models", und der Forest-Plot-Generator zeichnet eine Common-Effect- und eine Random-Effects-Raute mit je einer Gewichtsspalte.
Forest-Plots, die der Forest-Plot-Generator zeichnet, nach Effektmaß
Was einen Forest-Plot mit relativen Risiken, einen mit Hazard Ratios und einen mit Mittelwertdifferenzen unterscheidet, sind die Achse, die Nulleffektlinie und die Art des Poolens. Nennen Sie das Maß in der Anfrage, und der Forest-Plot-Generator legt alle drei fest.
Odds-Ratio-Forest-Plot
Für binäre Endpunkte, aus Fall-Kontroll-Studien und aus Studien, die Odds berichten. Log-Achse, Nulleffektlinie bei 1. Tippen Sie jede Studie als Name Jahr OR 0.62 (0.41 to 0.94) ein; der Forest-Plot-Generator poolt auf ln(OR) und druckt die Raute zurück auf der Verhältnisskala. Eine OR unter 1 bedeutet geringere Odds für den Endpunkt in der ersten Gruppe.
Forest-Plot mit relativem Risiko
Relative Risiken (Risk Ratios) für Kohortenstudien und Studien, die das Risiko selbst berichten. Dieselbe Log-Achse wie bei Odds Ratios, und beide liegen nur bei seltenen Ereignissen nah beieinander. Schreiben Sie RR oder risk ratio; der Forest-Plot-Generator beschriftet die Spalte mit Risk Ratio und hält die Verhältnisskala symmetrisch um 1, sodass 0.5 und 2 gleich weit davon entfernt liegen.
Hazard-Ratio-Forest-Plot
Ereigniszeit-Endpunkte: Überleben, Rezidiv, Zeit bis zur Wiederaufnahme. Hazard Ratios stammen aus Cox-Modellen und werden aus ihren berichteten Intervallen auf der Log-Skala gepoolt. Ergänzen Sie das berichtete Gewicht jeder Studie, falls vorhanden; der Forest-Plot-Generator skaliert die Quadrate danach und poolt die Hazard Ratios dennoch selbst.
Forest-Plot mit Mittelwertdifferenz und SMD
Stetige Endpunkte wie Blutdruck, Schmerzscores oder HbA1c. Eine Mittelwertdifferenz (MD) behält die Einheit, mmHg oder Punkte, wenn alle Studien dieselbe Skala verwendet haben; eine standardisierte Mittelwertdifferenz (SMD, Hedges' g) teilt durch die SD, wenn sich die Skalen unterscheiden. Beide erhalten eine lineare Achse um 0, die der Forest-Plot-Generator symmetrisch wählt, damit 0 in der Mitte liegt.
Subgruppen-Forest-Plot
Eine Metaanalyse, aufgeteilt nach Population, Dosis oder Design. Schreiben Sie Subgroup Adults: und Subgroup Children: vor ihre Zeilen, und der Forest-Plot-Generator teilt die Tabelle. Jede Subgruppe erhält eine Überschrift, eine Teilsummen-Raute und ein eigenes I², und die Fußzeile ergänzt den Test auf Subgruppenunterschiede, das χ², das angibt, ob sich die Subgruppeneffekte stärker unterscheiden als durch Zufall.
Forest-Plot für logistische Regression oder die Subgruppen einer Studie
Adjustierte Odds Ratios je Kovariate aus einem Regressionsmodell oder die Hazard Ratios einer Studie nach Alter, Geschlecht und Begleiterkrankung. Diese Zeilen sind keine unabhängigen Studien und werden daher nie gepoolt. Der Forest-Plot-Generator erkennt Anfragen zu Regression und Subgruppen einer einzelnen Studie, zeichnet keine Raute für die Zeilen und das Gesamtergebnis nur, wenn Sie es angeben.
Forest-Plot interpretieren: wie I² aussieht
Drei illustrative Metaanalysen mit je fünf Studien, vom Forest-Plot-Generator mit zufälligen Effekten gepoolt, mit fast demselben mittleren Effekt. Was sie unterscheidet, ist, wie weit die Quadrate um die Raute streuen, und genau das misst I². Die grobe Orientierung des Cochrane Handbook: 0–40 % möglicherweise unbedeutend, 30–60 % moderat, 50–90 % substanziell, 75–100 % erheblich.
Geringe Heterogenität
I² = 0 %, τ² = 0.000, gepooltes RR 0.79 [0.70, 0.88]
Die Intervalle überlappen fast vollständig, und jedes Quadrat liegt nahe der Raute. Die Studien erzählen eine Geschichte; feste und zufällige Effekte stimmen überein.
Moderate Heterogenität
I² = 58 %, τ² = 0.023, gepooltes RR 0.81 [0.68, 0.97]
Zwei Studien liegen nahe 1 und zwei deutlich darunter. Das verdient einen Satz im Ergebnisteil und einen Blick darauf, was sie unterscheidet, vor oder nach dem gepoolten Schätzer.
Erhebliche Heterogenität
I² = 91 %, τ² = 0.145, gepooltes RR 0.77 [0.54, 1.10]
Manche Intervalle überlappen gar nicht, zu beiden Seiten der 1. Die Random-Effects-Raute verbreitert sich über die Nulleffektlinie: Eine gepoolte Zahl verbirgt hier mehr, als sie sagt, und Subgruppen oder Metaregression sind der nächste Schritt.
I² wächst nicht wie Q mit der Zahl der Studien, deshalb berichten Reviews es, aber bei weniger als etwa zehn Studien ist seine eigene Unsicherheit groß. Berichten Sie τ² daneben; der Forest-Plot-Generator druckt beides.
Forest-Plot-Generator im Vergleich mit Excel, R, Stata, RevMan und SPSS
Die meisten Forest-Plots entstehen in der Review-Software oder in R. Hier sehen Sie, was jedes Werkzeug von Ihnen braucht, woher das Poolen kommt und wo der Forest-Plot-Generator passt.
| Kriterium | So entsteht der Forest-Plot | Poolt und liefert I² | Was Sie brauchen |
|---|---|---|---|
| Forest-Plot-Generator | Studien eintippen oder anhängen; der Forest-Plot-Generator zeichnet die Abbildung im Journal-Stil | Ja: feste, zufällige (DerSimonian-Laird) oder beide, mit Subgruppen | Schätzer und KI jeder Studie |
| Excel | Ein Punkt (XY)-Diagramm mit benutzerdefinierten horizontalen Fehlerbalken, logarithmischer x-Achse und einer Hilfsreihe für die Beschriftungen | Nein; Q, I² und Raute werden von Hand in Zellen berechnet | Eine Stunde Diagrammformatierung pro Abbildung |
| R (metafor, meta) | forest(rma(yi, vi)) in metafor oder forest(metagen(...)) in meta; ggplot2 mit geom_pointrange für einen eigenen Look | Ja: DL, REML, Paule-Mandel und mehr, mit Prädiktionsintervallen | R und der Code zum Gestalten des Plots |
| Stata | meta set, dann meta forestplot (ab Stata 16) oder das nutzergeschriebene metan | Ja | Eine Stata-Lizenz und die Befehle |
| RevMan | Automatisch aus den in einem Cochrane-Review eingegebenen Daten gezeichnet | Ja: Mantel-Haenszel, Peto oder inverse Varianz | Das in RevMan angelegte Review; Export als Bild |
| SPSS, SAS, Prism | Metaanalyse-Prozeduren ab SPSS 28; SAS PROC SGPLOT mit HIGHLOW; Prism als horizontales Fehlerbalkendiagramm | SPSS ja; SAS mit eigenem Code; Prism nein | Eine Lizenz und die jeweilige Prozedur |
Haben Sie die Analyse schon in R, Stata oder RevMan gerechnet? Fügen Sie die Studienzeilen und die gepoolte Zeile ein, die Ihre Software ausgegeben hat: Der Forest-Plot-Generator zeichnet Ihr gepooltes Ergebnis wie angegeben, berechnet die Heterogenitätszeile aus den Intervallen und lässt Ihre Gewichte unverändert.
Fragen zum Forest-Plot-Generator und zur Metaanalyse
Was bedeutet die Raute im Forest-Plot?
Die Raute ist der gepoolte Schätzer: Ihre Mitte ist der kombinierte Effekt aller Studien, ihre linke und rechte Spitze das Konfidenzintervall dieses Schätzers. Berührt die Raute die Nulleffektlinie nicht, ist das gepoolte Ergebnis auf dem gewählten Niveau statistisch signifikant. Subgruppen-Forest-Plots haben je Subgruppe eine kleinere Raute und die Gesamt-Raute unten. Der Forest-Plot-Generator berechnet die Ecken jeder Raute aus den Studien, ihre Breite ist also das echte gepoolte Intervall.
Was bedeutet es, wenn ein Konfidenzintervall die Nulleffektlinie kreuzt?
Das Ergebnis dieser Studie ist auf dem 95-%-Niveau mit fehlendem Effekt vereinbar: Ihr Intervall schließt eine Odds Ratio, ein relatives Risiko oder eine Hazard Ratio von 1 bzw. eine Differenz von 0 ein. Das ist kein Beleg für fehlenden Effekt; kleine Studien kreuzen die Linie auch dann, wenn der wahre Effekt real ist, deshalb werden sie gepoolt. Der Forest-Plot-Generator druckt jedes Intervall neben seine Zeile, sodass Sie sehen, welche die 1 einschließen. Lesen Sie an der Raute die kombinierte Antwort ab und an der Breite jedes Whiskers, wie viel jede Studie wusste.
Warum verwendet ein Forest-Plot eine logarithmische Skala?
Weil Verhältnisse auf der Log-Skala symmetrisch sind: Eine Odds Ratio von 0.5 liegt so weit unter 1 wie 2 darüber. Auf einer linearen Achse läge 0.5 nur halb so weit von 1 entfernt wie 2, und die Intervalle sähen schief aus. Verhältnisse werden außerdem auf der Log-Skala gepoolt, also ist auch die Raute dort symmetrisch. Mittelwertdifferenzen behalten eine lineare Achse; der Forest-Plot-Generator wechselt je nach genanntem Maß zwischen beiden.
Was bedeutet die Größe des Quadrats im Forest-Plot?
Die Fläche des Quadrats ist proportional zum Gewicht der Studie in der Metaanalyse, das aus dem Kehrwert ihrer Varianz stammt: Große Studien mit schmalen Intervallen erhalten große Quadrate. Über die Größe des Effekts sagt die Fläche nichts. Im Forest-Plot-Generator ist die Seitenlänge jedes Quadrats die Quadratwurzel seines Gewichts relativ zum größten, sodass die Fläche dem Gewicht folgt, mit einer Untergrenze, damit die kleinste Studie sichtbar bleibt.
Wie erstelle ich einen Forest-Plot in Excel?
Excel hat kein Forest-Plot-Diagramm, also baut man ihn aus einem Punkt (XY)-Diagramm: Schätzer auf x, Zeilennummern auf y, horizontale Fehlerbalken mit benutzerdefinierten Plus- und Minuswerten (obere Grenze minus Schätzer, Schätzer minus untere Grenze), die x-Achse bei Verhältnissen logarithmisch skalieren, die y-Achse umkehren, ihre Zahlen ausblenden und die Studiennamen über eine zweite Datenreihe oder Datenbeschriftungen ergänzen. Die gepoolte Raute muss in Zellen berechnet und als Form gezeichnet werden. Um die Formatierung zu sparen, fügen Sie dieselben Spalten in den Forest-Plot-Generator ein.
Wie erstelle ich einen Forest-Plot in R?
Mit metafor: res <- rma(yi, vi, data = dat, method = "DL"); forest(res). Dabei ist yi jedes Log-Verhältnis und vi seine Varianz (escalc() berechnet beide aus Häufigkeiten). Das Paket meta macht dasselbe mit forest(metagen(TE, seTE, studlab)), und forestplot oder geom_pointrange aus ggplot2 liefern einen eigenen Look. R ist der flexibelste Weg; der Forest-Plot-Generator ist der schnelle, wenn Sie Schätzer und Intervalle haben und eine Abbildung im Journal-Stil ohne Plot-Code wollen.
Ist ein Random-Forest-Plot dasselbe wie ein Forest-Plot?
Nein. Ein Random Forest ist ein Machine-Learning-Modell aus vielen Entscheidungsbäumen, und mit einem Random-Forest-Plot ist meist sein Balkendiagramm der Variablenwichtigkeit oder ein Partial-Dependence-Plot gemeint. Ein Forest-Plot ist die Metaanalyse-Abbildung aus Schätzern und Konfidenzintervallen. Das gemeinsame Wort ist Zufall; der Forest-Plot-Generator zeichnet die Metaanalyse-Abbildung.
Was ist der Unterschied zwischen einem Forest-Plot und einem Funnel Plot?
Ein Forest-Plot zeigt den Effekt jeder Studie und das gepoolte Ergebnis; ein Funnel Plot trägt den Effekt jeder Studie gegen ihren Standardfehler auf, um Small-Study-Effekte und Publikationsbias zu erkennen. Der Forest-Plot-Generator zeichnet den ersten; Reviews enthalten meist beide: den Forest-Plot für die Antwort, den Funnel Plot (ab zehn Studien) dafür, wie weit man ihr trauen kann.
Berechnet der Forest-Plot-Generator den gepoolten Schätzer für mich?
Ja, der Forest-Plot-Generator poolt die Studien selbst mit Inverse-Varianz-Gewichten aus jedem Konfidenzintervall: zufällige Effekte (DerSimonian-Laird), sofern Sie nicht feste Effekte oder beides verlangen. Er druckt den gepoolten Schätzer, sein Intervall, die Gewichte, I², τ², das Heterogenitäts-χ² mit P und den Test auf Gesamteffekt. Das Bildmodell bekommt diese Zahlen übergeben und berechnet nie selbst eine.
Kann ich stattdessen das gepoolte Ergebnis aus RevMan, Stata oder R verwenden?
Ja, der Forest-Plot-Generator zeichnet eine gepoolte Zeile, die Sie angeben, genau wie angegeben. Tippen Sie sie als Overall 0.70 (0.59 to 0.82) oder Total (95% CI) 0.70 [0.59, 0.82] ein oder liefern Sie sie als Total-Zeile einer angehängten Tabelle mit. So bleibt ein Mantel-Haenszel- oder REML-Ergebnis Ihrer Software auf der Abbildung; die Heterogenitätszeile wird dann aus den Studienintervallen berechnet.
Was, wenn meine Studien 90- oder 99-%-Konfidenzintervalle berichten?
Schreiben Sie 90% CI oder 99% CI in die Anfrage, und der Forest-Plot-Generator verwendet 1.645 bzw. 2.576 statt 1.96, wenn er die Intervalle in Standardfehler umrechnet, und druckt das gepoolte Intervall auf demselben Niveau. Gemischte Niveaus in einem Forest-Plot werden nicht unterstützt: Rechnen Sie sie vorher auf ein Niveau um.
Warum braucht der Forest-Plot-Generator jeden Punktschätzer?
Weil jede Zahl auf der Abbildung eine sein muss, die Sie angegeben haben oder die aus Ihren Angaben berechnet wurde. Ein Intervall allein legt den Punktschätzer nicht exakt fest, sobald gerundet wurde, deshalb fragt der Forest-Plot-Generator nach dem Schätzer, statt ihn zu raten. Dasselbe gilt für ein Gewicht oder ein gepooltes Ergebnis: Es wird nur gedruckt, wenn Sie es angeben oder der Code es berechnet.
Quellen
- Chapter 10: Analysing data and undertaking meta-analyses — Cochrane Handbook for Systematic Reviews of Interventions
- Forest plots: trying to see the wood and the trees (Lewis and Clarke, 2001) — The BMJ
- Measuring inconsistency in meta-analyses (Higgins et al., 2003) — The BMJ
- Meta-analysis in clinical trials (DerSimonian and Laird, 1986) — Controlled Clinical Trials
- dat.bcg: Studies on the effectiveness of the BCG vaccine against tuberculosis — metadat (R package documentation)
Mehr entdecken
Unsere übrigen Diagramm-Werkzeuge und die Anleitungen dazu.
Werkzeuge
Ihre Studien in den Forest-Plot-Generator
Tippen Sie Schätzer und Konfidenzintervall jeder Studie ein oder hängen Sie sie an, und der Forest-Plot-Generator liefert einen Forest-Plot im Journal-Stil mit gepoolter Raute, Gewichten und I² für Sie berechnet.
Forest-Plot-Generator öffnen