森林图与 Meta 分析：实用指南
森林图展示每项研究的效应量及其置信区间，并用一个菱形表示合并估计值，让你在一张图中看出各研究是否一致、合并效应有多大。本指南介绍所需的数据、固定效应与随机效应、异质性和小样本研究效应，以及如何在 LabTools 中免费绘制森林图。
本指南内容
八项研究的比值比及 95% CI；固定效应合并比值比为 0.74（95% CI 0.68–0.80）。 查看完整示例
森林图展示什么
每一行是一项研究：一个标记表示其效应估计值，一条横线表示其置信区间。一条竖直的无效线位于 1（用于比值类指标：比值比、相对危险度、风险比）或 0（用于差值类指标：均数差、标准化均数差、率差）。底部的菱形表示合并估计值：其中心是合并效应，宽度是置信区间。
比值类指标画在对数坐标轴上，因为比值比 0.5 与 2 距离无效值同样远，而且合并也是在对数尺度上进行的。
所需数据
每项研究一行，包含各论文报告的效应量及其置信区间的下限和上限。权重列是可选的：如果没有，权重会根据区间宽度计算（逆方差法），因此精度越高的研究占比越大。
森林图示例包含八项以比值比表示的研究，并提供可下载的 CSV，方便你跟着操作。
固定效应还是随机效应
固定效应模型假设所有研究估计的是同一个真实效应，差异仅来自随机误差。随机效应模型假设真实效应在研究间有所不同，会估计这一方差（τ²），并给出更宽、更保守的区间。当各研究在人群、剂量或设计上存在差异时，随机效应通常是更诚实的选择。同时画出两个菱形，可以看出这一选择影响有多大。
异质性通过 Cochran’s Q（检验研究间的分歧是否超出随机误差所能解释的范围）、I²（真实差异所占变异的比例，0–100%）和 τ²（研究间方差本身）来概括。
在 LabTools 中制作森林图
- 在 Charts & Plots 中点击 Upload File 载入你的表格（CSV 或 Excel），或用 Paste Data 粘贴。
- 在 Chart 选项中选择 Forest Plot。
- 在 Columns 中选择 Study/Label Column、Effect Size Column、CI Lower Bound Column 和 CI Upper Bound Column（也可选择 Weight Column）。研究下拉列表目前只列出数值列，因此请给研究编号。
- 在 Statistical Analysis 中设置 Effect Size Type（OR、RR 和 HR 会切换为对数坐标轴，无效线位于 1）、Meta-Analysis Model（Fixed Effects、Random Effects 或 Both）以及 Confidence Level。
- 在 Layout & Typography 中设置“Favours”标签和 Sort Studies By；在 Publication Features 中选择 Journal Style（APA、Nature、JAMA 或 Cochrane）以及统计表格的位置。
- Export（Ctrl+E）为 PNG、SVG 或 PDF。
该图使用 DerSimonian–Laird 法合并随机效应。如需 REML、预测区间和 Egger 检验，请在命令行运行 labtools stats meta，或让通过 MCP 连接到 LabTools 的 AI 助手来完成。
小样本研究效应与发表偏倚
如果小型研究报告的效应大于大型研究，合并估计值可能被高估，原因往往是小型的阴性结果没有发表。漏斗图可以直观地显示这一点；研究规模与效应之间的秩相关，或 Egger 回归检验，可以给出量化结果。在示例中，研究规模与 log(OR) 之间的 Kendall’s τ 为 0.143（p = 0.62）：没有小样本研究效应的迹象，不过仅八项研究时这些检验的统计功效很低。
需要报告的内容
- 效应指标及尺度（例如比值比，在对数尺度上合并）。
- 所用模型（固定效应或随机效应）以及 τ² 估计方法。
- 合并估计值及其置信区间，以及 Q、I² 和 τ²。
- 小样本研究效应或发表偏倚的评估结果，以及评估所基于的研究数量。
常见问题
森林图有什么用途？
用于并排展示针对同一问题的多项研究结果：每项研究的效应量和置信区间各占一行，合并（Meta 分析）估计值以菱形显示在底部。它是 Meta 分析和系统综述的标准图表。
如何解读森林图？
每一行是一项研究：标记是其估计值，横线是其置信区间。竖线表示“无效应”（比值类为 1，差值类为 0）；跨越这条线的区间本身不具有统计学显著性。菱形是合并估计值，其宽度即为置信区间。
如何从置信区间得到标准误？
对于差值的 95% CI：SE = (upper − lower) / (2 × 1.96)。对于比值（OR、RR、HR），需在对数尺度上计算：SE = (ln(upper) − ln(lower)) / (2 × 1.96)。LabTools 可以直接接受区间，并替你完成这一步。
I² 很高意味着什么？
意味着研究结果之间的大部分离散反映的是研究之间的真实差异（人群、剂量、方法），而不是随机误差。通常 75% 左右或以上被认为是高异质性。此时应报告随机效应估计值，寻找异质性的来源，并考虑给出预测区间，它显示一项新研究的效应可能落在什么范围。
DerSimonian–Laird 还是 REML？
两者都用于估计随机效应模型中的研究间方差 τ²。DerSimonian–Laird 是经典的默认方法（RevMan 使用此方法）；REML 通常更受推荐，尤其是在研究数量较少时。LabTools 森林图使用 DerSimonian–Laird；labtools stats meta 两者都提供，并支持预测区间和 Egger 检验。