元回归中当yi=1时如何估算95%预测区间上限(pi.ub)

你的需求核心是找到对应预测均值yi=1的协变量ablat取值，再计算该取值下yi的95%预测区间上限。具体步骤如下：

1. 推导对应ablat值
   根据你的元回归模型公式 yi = β₀ + β₁*ablat，令预测均值yi=1，反解得到ablat的取值：

ablat_target <- (1 - res$beta[1]) / res$beta[2]

代入你的模型参数（β₀=0.2515，β₁=-0.0291），计算得到ablat_target约为(1-0.2515)/(-0.0291) ≈ -25.72。

2. 计算该ablat值下的95%预测区间上限
   使用metafor包的predict.rma()函数，传入目标ablat值并指定计算预测区间：

# 生成预测结果，包含预测区间
pred_result <- predict(res, newmods = ablat_target, interval = "prediction")

# 提取95%预测区间上限
pi_ub <- pred_result$pi.ub
pi_ub

补充说明 #

• 这里的预测区间同时考虑了模型参数估计的不确定性，以及研究间的异质性（τ²）。
• 如果你的需求是已知yi=1，反推ablat的预测区间上限（逆预测），可以用以下代码计算：

# 提取模型关键参数
beta0 <- res$beta[1]
beta1 <- res$beta[2]
tau2 <- res$tau2
vcov_mat <- vcov(res)
target_yi <- 1

# 计算ablat的点估计
ablat_pred <- (beta0 - target_yi) / beta1

# 计算逆预测的标准误（包含参数估计误差和随机误差）
se_param <- sqrt( (vcov_mat[1,1] + target_yi^2*vcov_mat[2,2] - 2*target_yi*vcov_mat[1,2]) / beta1^2 )
se_random <- sqrt( (tau2 + mean(dat$vi)) / beta1^2 )
se_total <- sqrt(se_param^2 + se_random^2)

# 95%预测区间上限
pi_ub_ablat <- ablat_pred + qnorm(0.975)*se_total

内容的提问来源于stack exchange，提问作者nwan5905