比例Meta分析疑问：材料作为调节变量的分析逻辑困惑

嘿，我太懂你这种困惑了！你本来是想对比不同随访时长下各类材料的保留情况，先按随访时长分组算汇总比例，但用“材料”做调节变量时，发现结果像是把各类材料和总汇总比例对比，而不是你预期的“同随访时长下材料间的对比”对吧？这大概率是模型设定的问题，咱们一步步拆解来看：

核心问题出在哪？ #

你当前的调节分析可能只把“材料”作为单独的调节变量纳入，却没考虑随访时长和材料的交互作用，也没控制随访时长的分层效应。举个例子，如果你用的是Meta回归，当前模型可能是这样的：

logit(保留率) = 截距 + β(材料类型)

或者只加了随访时长的主效应：

logit(保留率) = 截距 + β1(材料类型) + β2(随访时长)

这两种模型里，β1代表的是所有随访时长合并后，不同材料和参照材料的差异，自然看起来是和总汇总比例对比，而不是你想要的“同随访时长下材料间的差异”。

怎么调整到你想要的分析逻辑？ #

1. 优先考虑分层Meta分析（对应你最初的分组思路）

既然你已经按相似随访时长分了组，那可以直接做分层Meta分析：

• 把数据按随访时长分成若干层（比如<6个月、6-12个月、>12个月）
• 在每一层内，单独计算不同材料的保留率汇总值，然后对比同层内各材料的效应量
• 最后通过Q检验或I²统计量，判断不同层之间的材料效应是否存在显著差异（这就是调节分析的核心：看随访时长是否调节了材料的保留率差异）

2. 用带交互项的Meta回归模型

如果你想用回归框架做调节分析，必须加入材料类型×随访时长的交互项，模型应该是：

logit(保留率) = 截距 + β1(材料类型) + β2(随访时长) + β3(材料类型×随访时长)

这里的β3就是关键的调节效应：它能告诉你“不同材料的保留率随随访时长变化的趋势是否不一样”。比如，材料A的保留率随时间下降慢，材料B下降快，β3就会显著不为0。

3. 别忘控制混杂

还要注意：如果不同材料的研究在随访时长上分布不均（比如某类材料的研究大多是短随访，另一类大多是长随访），一定要在模型里控制随访时长的主效应，不然会把随访时长的效应混淆成材料的效应。

总结一下 #

你最初的思路是对的——要在相同随访时长下对比材料，但调节分析的模型没跟上这个思路。要么用分层分析直接在同随访时长组内对比，要么用带交互项的回归模型来捕捉“随访时长如何调节材料的保留率差异”。

内容的提问来源于stack exchange，提问作者JayZ