1.如何进行meta分析的具体操作
1
在R命令框输入以下命令：
install.packages("rmeta") #安装rmeta程序包
library(rmeta)
data(cochrane) #加载演示数据库
cochrane #显示数据库cochrane
2
计算fixed effect model 固定效应模型，输入以下命令：
model.FE <- meta.MH(n.trt,n.ctrl,ev.trt,ev.ctrl, names=name,data=cochrane)
summary(model.FE)
3
计算random effect model 随机效应模型，输入以下命令：
model.RE <- meta.DSL(n.trt,n.ctrl,ev.trt,ev.ctrl, names=name,data=cochrane)
summary(model.RE)
4
绘制森林图，输入以下命令：
tabletext<-cbind(c("","Study",model.FE$names,NA,"Summary"),c("Deaths","(steroid)",cochrane$ev.trt,NA,NA), c("Deaths","(placebo)", cochrane$ev.ctrl, NA,NA), c("","OR",format(exp(model.FE$logOR),digits=2),NA,format(exp(model.FE$logMH),digits=2)))
#上面的命令帮我们构建森林图需要的文字描述部分，包括1、name， 2、治疗组死亡人数，3、对照组死亡人数，4、单个研究的OR值。
m<- c(NA,NA,model.FE$logOR,NA,model.FE$logMH)
l<- m-c(NA,NA,model.FE$selogOR,NA,model.FE$selogMH)*2
u<- m+c(NA,NA,model.FE$selogOR,NA,model.FE$selogMH)*2
#上面三行命令是准备森林图需要的参数包括OR值和OR值95%CI区间的上下限
forestplot(tabletext,m,l,u,zero=0,is.summary=c(TRUE,TRUE,rep(FALSE,8),TRUE), clip=c(log(0.1),log(2.5)), xlog=TRUE, col=meta.colors(box="royalblue",line="darkblue", summary="royalblue"))
#上面的命令是最后绘制森林图
2.最近写了篇meta分析，但查重率太高了，怎么解决
根据查重报告标红的地方进行修改，毕竟查重系统是写的程序，文字比对。系统不会根据个人更改，那就只能修改降重了。
3.描述性资料的meta分析怎么做
Meta 分析的基本步骤 (1)明确简洁地提出需要解决的问题。 (2)制定检索策略，全面广泛地收集随机对照试验。 (3)确定纳入和排除标准，剔除不符合要求的文献。 (4)资料选择和提取。 (5)各试验的质量评估和特征描述。 (6)统计学处理。 a．异质性检验（齐性检验）。 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。 c．图示单个试验的结果和合并后的结果。 d．敏感性分析。 e．通过“失安全数”的计算或采用“倒漏斗图”了解潜在的发表偏倚。 (7)结果解释、作出结论及评价。 (8)维护和更新资料。
4.meta分析p值怎么分析
特别是新开的p值的分析是中国就像一个人完成他的数据
这是一个非常高深的知识。我觉得这个东西可以学一些数据分析这方
虽然我们可以通过他的这个数字越大，那他们分析的这个数字，这个功能范围就越大。
Me贴也分析被直这个你可以具体的分析一下
利用这款软件在分析数据的过程中需要采取数据建模的方式通过数学建模才能够得到比较理论的数值。
5.
1、首先就是要多看期刊，评估期刊的档次，有些SCI期刊虽然影响因子很高，但是属于灌水的产物，有的所谓TOP期刊，但是命中率相对高，所以对业内期刊有所了解，看看文章质量，再和自己的期刊对比，看看适不适合该影响因子范畴。 2、其次就是要主题对应。一些期刊对主题要求都比较鲜明，如果主题不符只追求高质量期刊很容易悲剧，这是个人经验，很多良心主编据了你的稿件后会一些适合的期刊，但是有的可能直接就据稿了，所以一定要仔细看期刊主页提供的要求，别做无用功，因为很多SCI期刊一审稿就要按月算，千万别去浪费时间，你拖不起。 3、IDEA，现在论文都追求创新，在写论文之前要构建良好的思路，确定自己不是在重复别人的工作，或者在别人的基础上提升了个人的内容，一般越好的期刊对创新的要求就越高