拆分身体/面部研究Meta分析：R中SMD分母选择及后续步骤咨询

一、标准化均数差（SMD）的分母选择 #

核心取决于纳入研究的设计类型：

1. 独立样本设计（如不同研究分别报道身体、面部指标，或同一研究中身体组与面部组为独立受试者）
   此时选用**合并标准差（pooled SD）**作为分母，公式为：
   pooled SD = sqrt[((n1-1)*SD1² + (n2-1)*SD2²)/(n1+n2-2)]
   对应的SMD计算为：(均数1 - 均数2) / pooled SD，即常规的Cohen's d。

2. 配对/重复测量设计（如同一受试者同时测量身体和面部的同一指标，属于配对数据）
   此时必须选用**差值标准差（SD of the difference）**作为分母，因为配对数据的变异应基于个体内的差值。差值标准差的计算需结合两组的标准差及相关系数（若研究未直接报告，可通过其他统计量推导）：
   SD of difference = sqrt(SD1² + SD2² - 2*r*SD1*SD2)
   对应的SMD为：(差值均数) / SD of difference，也称为Cohen's d_z。

二、后续分析步骤（基于R语言） #

• 数据标准化与整理：统一所有纳入研究的结局指标定义与方向（如将“越低越好”的指标转换为“越高越好”），整理出每个研究的均数、标准差、样本量（配对研究需额外记录相关系数或差值统计量）。
• 单个研究效应量计算：使用metafor包的escalc()函数批量计算SMD及标准误：
  • 独立样本：escalc(measure = "SMD", m1i = 身体均数, m2i = 面部均数, sd1i = 身体SD, sd2i = 面部SD, n1i = 身体样本量, n2i = 面部样本量)
  • 配对样本：先计算差值均数md = 身体均数 - 面部均数、差值SDsd_diff，再用escalc(measure = "SMD", m1i = md, m2i = 0, sd1i = sd_diff, n1i = 样本量)
• 异质性评估：通过Q检验（p值）和I²统计量判断研究间异质性：I²≤50%提示低异质性，>50%提示中高度异质性。可使用metafor::rma()拟合模型后直接获取结果。
• 合并模型选择：低异质性用固定效应模型（rma(yi, vi, method = "FE")），中高度异质性用随机效应模型（method = "DL"或"REML"）。
• 异质性探索：若存在高异质性，开展亚组分析（如按研究设计、人群特征分组）或meta回归（纳入协变量如样本量、研究质量），定位异质性来源。
• 发表偏倚检验：当纳入研究≥10项时，绘制漏斗图（metafor::funnel()）并做Egger检验（metafor::regtest()），判断是否存在小样本研究效应。
• 敏感性分析：逐一剔除单个研究后重新合并效应量，或更换合并模型，验证结果的稳定性。
• 结果解读与报告：报告合并SMD值、95%置信区间、异质性指标、发表偏倚结果，结合Cohen's d的效应大小标准（0.2=小效应，0.5=中效应，0.8=大效应）解释临床意义。

内容的提问来源于stack exchange，提问作者john gomez