Meta分析总体可分为以下几步：

选题，文献检索、数据提取、质量评估、数据整合及结果解读。

一，选题

对一些大样本，多中心临床合作已经得到明确结论的的，没必要做meta分析。

二、文献检索

在制定文献检索策略时，总体的要求就是查全和查准。

需要考虑如下几个方面：

1.  圈定搜索数据库（外文有：MEDLINE、the Cochrane library、医学文摘、TOXLINE、OVID、EMBASE、ISI Web of Science、EBSCO等；国内有：维普全文VIP、CNKI、万方数据库）

2.  确定语言类型：包括所有英语和非英语的文献；

3. 明确需要包含的研究类型：仅包含RCT，还是病例对照试验，队列研究等。

4.  明确暴露因素/治疗方法

5.  筛选关键词：这将直接影响文献检索的准确性和敏感性，也关系到指定检索策略。

    - 关键词需要根据研究问题本身来确定；

    - 对于每一个关键词尽量包含所有可能的表述形式；

    - 可以尝试几种关键词组合以搜最合适的文献。

6.  检索获取摘要和全文：其中联系专家是一种很好的方式，不仅可以获取全文，甚至可以询问文献中的细节帮助后续使用文献。建议搜索文献引用名单，可以增加文献搜索的全面性。

 

在文献筛选过程中，首先，需要由两位研究者独立通过对文献的题目和摘要进行初筛，初筛后的文献通过阅读全文进行二次筛选，然后交叉核对筛选结果，如果有分歧则通过共同讨论决定是否纳入，必要时可有第三位研究者协助解决。如果文中信息不全或信息不清楚，与原始研究作者联系获取信息。在筛选过程中，需要记录你每个步骤的选择和排除原因。至于被排除的文章，则需要在灵敏度分析中进行分析。

 

三、数据提取

资料提取是从符合纳入要求的文献中摘录用于系统评价的数据信息，所提取信息必须是可靠、有效、无偏的。

一般提取的信息有：研究编号，发表年限，纳入研究者的一般信息，样本量，设计方法，干预/暴露因素，研究结局……例子如下

 



 

 

这是一项别人的研究，举例如下

 



四：纳入研究的质量评价

1. 随机对照试验的质量评价工具：

  Cochrane风险偏倚评估工具（最常用）、PEDro量表、Delphi清单、CASP清单、Jadad量表、Chalmers量表、CONSORT声明（不专用，但可以用）。

2. 观察性研究的质量评价工具：

（1）NOS量表（最常用）：病例对照研究和队列研究；

（2）CASP清单：病例对照研究和队列研究；

（3）JBI标准：横断面研究；经验总结、案例分析及专家意见；

（4）AHRQ；

（5）Combie横断面研究评价工具；

（6）STROBE声明；

（7）STREGA声明。

3. 非随机对照实验性研究的质量评价工具：MINORS条目、Reisch评价工具、TREND声明。

4. 诊断性研究：QUADAS工具、CASP清单、STARD声明。

5. 动物试验：STAIR清单、CAMARADES清单、ARRIV指南。

第五步：数据整合

系统评价过程中，对上述数据进行定量统计合并的流行病学方法称为Meta分析(Meta analysis) 。Meta意思是more comprehensive，即更加全面综合。

对数据的整合分为描述性整合和定量整合：

对于描述性整合，应考虑：

•  建立干预/暴露因素是如何导致结果的假说，包括原因和适用人群；

•  初步综合纳入的研究，以文本形式或者制表和／或图形显示；

•  探讨各研究内或各研究间的关系；

•  评估证据的稳定性；

•  评估meta分析的重要性。

对于定量整合，则可以：

1. 提高了统计检验的power和精度；

2. 统计结合各研究结果给出一个“平均”干预效果的合并估计值，改进对作用效应的估计；

3. 评价结果一致性，解决单个研究间的矛盾;

4. 解决以往单个研究未明确的新问题。

那么如何进行meta分析呢？

a．异质性检验（齐性检验）

由于纳入文献存在临床异质性、方法学异质性和统计学异质性，所以在对结果数据进行统计合并之前，首先应该进行异质性检验，保证现有的各独立研究间的结果的不同仅仅是由于抽样误差造成的。否则，就要进入亚组分析，或取消合并。


	
Q检验，若同时I2<50%和P≥0.1时，纳入文献被认为是同质的，采用固定效应模型（fixed effect model）分析；反之说明研究间存在实际异质性，需要查找一致性的来源，之后采用随机效应模型（random effect model）。
	
	

	
如果存在较大的临床异质性，那将无法进行meta分析，只能进行描述性整合。
	
b．统计合并效应量（加权合并，计算效应尺度及95％的置信区间）并进行统计推断

通常在考虑采用哪些效应指标（effect size）时需要考虑结局指标的类型，通常两组间比较时，如果是连续性变量用加权均数差（weighted mean difference, WMD）、标准化均数差值（standardized mean differences, SMD）表示效应大小；二分类变量则用率差（rate difference, RD）、比数比（odds ratio, OR）、相对危险度（relative risk, RR）、相对危险度降低值（relative risk reduction, RRR）等来表示效应的大小。回归系数的比较用β表示效应值的大小。

c．图示单个试验的结果和合并后的结果：森林图（Forrest plot）

 

d．敏感性分析：用来评估meta分析结果的稳定性

1）按研究质量评价标准从纳入文献中去除尚有争议的研究、排除低质量的研究、早期研究、根据研究结果的分布去掉extreme10%其他已知因素不同的研究；

2）采用不同统计方法/模型；

3）根据样本量大小进行分层分析；

4）改变纳入／排除标准时，重新对同一资料进行分析时，如果观察到合并指标点估计和区间估计的变化存在较大差异，则说明meta分析的结果不稳定。比如，当排除一篇低质量文献时，合并指标变化很大，说明该文献对合并指标敏感。

敏感性分析是必要的，无论是采用不同的统计模型或进行亚组分析，都可以帮助我们找到可能的偏倚来源，更加正确的理解获得的结论。

e．通过“失安全数”的计算或采用“倒漏斗图”对入选文献进行潜在的发表偏倚（publication bias）的评估。

如需要科研绘图及详细meta分析资料，可访问我的淘宝店铺：店铺名：R语言绘图，不仅可以提供绘图帮助还可以提供科研问题（如meta分析的咨询）



 

当我们想了解不同年级的学习态度是否有区别，进而提供有针对性的教学方案，又或者分析不同职业对某产品的购买意愿是否有差异，进而根据分析结果精准投放广告。以上这些分析两个及两个数据之间的差异情况都可以使用同一种分析方法——方差分析。

 

01. 概念

方差分析用于定类数据（X）与定量数据（Y）之间的差异分析，例如研究三组学生（X）的智商平均值（Y）是否有显著差异。其中X的组别数量至少为2，也可以分析三个或三个以上组别的数据。

 

定类数据是指数字大小代表分类的数据（如1=男，2=女；1=第一组，2=第二组，3=第三组），定量数据是指数字大小具有比较意义（如量表题：非常不满意，比较不满意，中立,比较满意，非常满意）

 

如果X为定类，Y为定量；且X分为两组，比如男和女；此时也可使用t检验进行差异对比。T检验与单因素方差分析的区别在于T检验只能对比两组数据的差异。
	
如果X和Y均为定类数据，想对比差异性，此时需要使用卡方分析。
 

02. 格式要求

在分析前首先需要按正确格式录入、上传才能得到有效的分析结果。针对方差分析，正确的录入格式如下图所示：

 

03. 方差分析的基本前提

进行方差分析需要数据满足以下两个基本前提：

各观测变量总体要服从正态分布
	
各观测变量的总体满足方差齐
这是方差分析的两个基本前提条件，理论上讲，数据必须满足以上两个条件才能进行方差分析，如不满足，则使用非参数检验。

但现实研究中，数据多数情况下无法到达理想状态。正态性检验要求严格通常无法满足，实际研究中，若峰度绝对值小于10并且偏度绝对值小于3，或正态图基本上呈现出钟形，则说明数据虽然不是绝对正态，但基本可接受为正态分布，此时也可使用方差分析进行分析。

 



SPSSAU正态图分析

 

方差齐性检验是用于判断不同组别下的数据波动情况是否一致，即方差齐。若P值呈现出显著性（p <0.05）则说明，不同组别数据波动不一致，即说明方差不齐；反之p值没有呈现出显著性（p>0.05）则说明方差齐。

同样的，方差分析前也需要进行方差齐性检验，理论上数据进行方差齐检验没有呈现出明显显著性（即P>0.05），才可使用方差分析，但一般来讲如果不满足方差齐条件，检验性能也较好，因而多数时候并没有进行方差齐检验就直接使用方差分析（方差齐检验可在SPSSAU通用方法->方差中使用）。



 

04. 操作步骤

以上面“服务满意度”、“快递满意度”和“价格满意度”之间的差异比较为例，进行方差分析。

 

操作步骤如图所示：

将X组别放于上方分析框内，Y满意度放于下方分析框内，点击“开始方差分析”。



 

05. 结果分析



输出结果

1）首先关注P值，分析X与Y之间是否呈现出显著性。上表中可以看出，不同组别样本下的满意度均呈现出显著性(P<0.05)，说明“服务满意度”、“快递满意度”和“价格满意度”之间确实存在差异性。

*备注：F值为计算过程值，用于计算P值，通常不需要单独对其进行分析。

 



2）红线部分是每个分组下（X），满意度（Y）的平均值±标准差，用于在数据呈现出现显著性差异（P<0.05）后进一步了解差异情况。平均值呈现数据总体得分情况，标准差呈现数据波动情况。平均值±标准差即可代表数据总体特征。

此数据中，通过平均值得分对比发现，“快递满意度”相比“服务满意度”和“价格满意度”有较高的满意度，即“快递满意度>服务满意度；快递满意度>价格满意度”。

 

3）同时系统会生成可视化图形，可根据需要选择图形类型（折线图、柱状图、条形图、雷达图）



 

06. 事后多重比较

方差分析可用来多组数据的比较，如果不同水平下X对Y确实存在显著差异，此时还想进一步了解两两组别间数据的差异，该如何操作呢？

事后多重检验正是解决这一问题的方法。

事后检验的方法有多种，但功能均一致，只是在个别点或使用场景上有小区别。SPSSAU目前共提供LSD，Scheffe，Tukey，Bonferroni校正，Tamhane T2常见的五种方法，其中LSD方法最常使用。



需要注意的是，事后多重比较是基于方差分析基础上进行的，因此首先要满足方差分析确实存在显著性差异，接着才来比较两两的差异。如果本身只有两组数据做比较或者方差分析显示P值大于0.05各个组别之间没有差异性，此时则不需要进行事后检验。

 



 

07. 其他常用指标

方差分析如果呈现出显著性差异(P<0.05)，可通过平均值对比具体差异，同时还可使用效应量(Effect size)研究差异幅度大小。



偏Eta方表示效应量，偏Eta方值介于0~1之间，该值越大说明差异幅度越大，比如Eta方为0.1，即说明数据的差异有10%是来源于不同组别之间的差异，一般情况下Eta值非常小，通常只需报告该值即可，没有固定标准。

 

更多干货内容可登录SPSSAU官网查看，在线体验快速数据分析

遵循科学的需求分析步骤可以使需求分析工作更高效。需求分析的一般步骤如图2-3所示。
                                                                  

需求涉及的方面有很多。
     在功能方面，需求包括系统要做什么，相对于原系统目标系统需要进行哪些修改，目标用户有哪些，以及不同用户需要通过系统完成何种操作等。
在性能方面，需求包括用户对于系统执行速度、响应时间、吞吐量和并发度等指标的要求。
在运行环境方面，需求包括目标系统对于网络设置、硬件设备、温度和湿度等周围环境的要求，以及对操作系统、数据库和浏览器等软件配置的要求。
在界面方面，需求涉及数据的输入/输出格式的限制及方式、数据的存储介质和显示器的分辨率要求等问题。
1. 获取需求，识别问题
       开发人员从功能、性能、界面和运行环境等多个方面识别目标系统要解决哪些问题，要满足哪些限制条件，这个过程就是对需求的获取。开发人员通过调查研究，要理解当前系统的工作模型和用户对新系统的设想与要求。
此外，在需求的获取时，还要明确用户对系统的安全性、可移植性和容错能力等其他要求。比如，多长时间需要对系统做一次备份，系统对运行的操作系统平台有何要求，发生错误后重启系统允许的最长时间是多少等。
       遗漏需求是最难修订的需求错误。  --Robert L. Glass
       获取需求是需求分析的基础。为了能有效地获取需求，开发人员应该采取科学的需求获取方法。在实践中，获取需求的方法有很多种，比如，问卷调查、访谈、实地操作、建立原型和研究资料等。
       问卷调查法是采用调查问卷的形式来进行需求分析的一种方法。通过对用户填写的调查问卷进行汇总、统计和分析，开发人员便可以得到一些有用的信息。采用这种方法时，调查问卷的设计很重要。一般在设计调查问卷时，要合理地控制开放式问题和封闭式问题的比例。
      开放式问题的回答不受限制，自由灵活，能够激发用户的思维，使他们能尽可能地阐述自己的真实想法。但是，对开放式问题进行汇总和分析的工作会比较复杂。
封闭式问题的答案是预先设定的，用户从若干答案中进行选择。封闭式问题便于对问卷信息进行归纳与整理，但是会限制用户的思维。
      访谈通过开发人员与特定的用户代表进行座谈，进而了解到用户的意见，是最直接的需求获取方法。为了使访谈有效，在进行访谈之前，开发人员要首先确定访谈的目的，进而准备一个问题列表，预先准备好希望通过访谈解决的问题。在访谈的过程中，开发人员要注意态度诚恳，并保持虚心求教的姿态，同时还要对重点问题进行深入的讨论。由于被访谈的用户身份可能多种多样，开发人员要根据用户的身份特点，进行提问，给予启发。当然，进行详细的记录也是访谈过程中必不可少的工作。访谈完成后，开发人员要对访谈的收获进行总结，澄清已解决的和有待进一步解决的问题。
      关注用户的行为而不是他们的言语。--Jakob Nielsen
      为了深入地了解用户需求，有时候开发人员还会以用户的身份直接参与到现有系统的使用过程中，在亲身实践的基础上，更直接地体会现有系统的弊端以及新系统应该解决的问题，这种需求获取方法就是实地操作。通过实地操作得到的信息会更加准确和真实，但是这种方法会比较费时间。
       当用户本身对需求的了解不太清晰的时候，开发人员通常采用建立原型系统的方法对用户需求进行挖掘。原型系统就是目标系统的一个可操作的模型。在初步获取需求后，开发人员会快速地开发一个原型系统。通过对原型系统进行模拟操作，开发人员能及时获得用户的意见，从而对需求进行明确。利用原型系统获取需求的方法的示意图如图2-4所示。
  

（点击查看大图）图2-4　利用原型系统获取需求
2. 分析需求，建立目标系统的逻辑模型
      在获得需求后，开发人员应该对问题进行分析抽象，并在此基础上从高层建立目标系统的逻辑模型。模型是对事物高层次的抽象，通常由一组符号和组织这些符号的规则组成。常用的模型图有数据流图、E-R图、用例图和状态转换图等，不同的模型从不同的角度或不同的侧重点描述目标系统。绘制模型图的过程，既是开发人员进行逻辑思考的过程，也是开发人员更进一步认识目标系统的过程。
3. 将需求文档化
    获得需求后要将其描述出来，即将需求文档化。对于大型的软件系统，需求阶段一般会输出三个文档：
    系统定义文档（用户需求报告）；
    系统需求文档（系统需求规格说明书）；
    软件需求文档（软件需求规格说明书）。
   对于简单的软件系统而言，需求阶段只需要输出软件需求文档（即软件需求规格说明书）就可以了。软件需求规格说明书主要描述软件的需求，从开发人员的角度对目标系统的业务模型、功能模型和数据模型等内容进行描述。作为后续的软件设计和测试的重要依据，需求阶段的输出文档应该具有清晰性、无二义性和准确性，并且能够全面和确切地描述用户需求。
4. 需求验证
      需求验证是对需求分析的成果进行评估和验证的过程。为了确保需求分析的正确性、一致性、完整性和有效性，提高软件开发的效率，为后续的软件开发做好准备，需求验证的工作非常必要。
     在需求验证的过程中，可以对需求阶段的输出文档进行多种检查，比如，一致性检查、完整性检查和有效性检查等。同时，需求评审也是在这个阶段进行的。

基于图像的目标检测和语义分割已进入后半程，基于视频的内容分析正在逐渐成为主流，理由很简单视频可以拿到更多有价值可分析的信息。
一个视频在它的生命周期内可能涉及到许多处理技术。从摄像头捕获开始，然后是编解码，这个阶段还涉及到传输、存储，然后是编辑与处理，比如剪辑、背景分割。随后是信息提取，包括物体识别、场景检测、人物分析、行为识别、主题提取、事件检测。以上步骤完成后，我们拿到了海量视频，还可做视频的检索。它有两部分作用，一是通过给定的视频，来检索其中是否有我们想要的内容；另一个是通过给定的视频在海量的数据库中检索出相似视频。
而后可对视频进行两方面的操作，一个是做工具化的功能，一个是基于内容的分析。工具化指对视频人物的美化，背景的替换，各种特效的实现。内容分析就是标签化，比如识别视频中的物体，检测视频中的场景，还有对用户行为的一些检测。下图是XX公司的内容分析与检索平台应用架构



首先最简单的，我们看到一个视频后，第一反应是它的色调、纹理、风格、画质如何。再更进一步，我们需要了解这个视频包含了哪些物体，发生的场景在哪里，有哪些人物特征，包括性别、年龄、特征、服饰，同时这个内容是否违规。另外，还有更深层次的对视频内容的识别、检测，比如学术界较为前沿的研究就是行为识别。



多媒体内容分析平台包含信息如上图所示。
短视频内容分析最终落地点多为 视频的标签，将视频正确分类才能更好的为用户推荐。所以如何有效的定义一套标签体系，是短视频前期最重要的事情。比如实际中可能会给视频制定像搞笑和幽默这样的一些标签，但一个视频是否算搞笑、幽默，无法仅从视觉或声音、语音等一些信息进行准确判定。要将这几个因素结合在一起进行一个综合的制定。
通常一个视频，最多给四到五个维度的标签。以业务标签作为指引，拿视频数据和文本数据（伴随视频的标题、评论相关信息）去提取视频特征、音频特征进行聚类，然后对聚类进行抽象定义，得出相应的视觉标签元素。这个标签元素就是我们用来训练的标签。最后训练标签输出的结果会反过来映射到业务标签，用这种方法定义的标签是多层级多维度的。
视频的特征提取通常是抽帧，如一秒一帧，15秒的短视频抽取15帧，进行视频的描述。这样的话，时间复杂度会降低。对于推荐或者检索类似的视频会更加有效。