相关系数的元分析中的回归分析（元分析）（R）

#object: 元分析中的回归模型
#writer: mike1
#time: 2020,11,16


data <- read.csv("C:\Users\mike1\Desktop\大三人格与幸福感\dataOfTotal.csv",header = T,sep=",")
print(colnames(data))

#返回整体数据的缺失值的坐标
print(sum(is.na(data[,'内外倾'])))

#返回某一列数据的缺失值的坐标，这里没有纵坐标
print(which(is.na(data[,"内外倾"]),arr.ind = T))

#这是建立了一个副本，并且只有一列
data2 <- na.omit(data[,"内外倾"])
head(data2)

#删除一行数据，负数后面只能用数字表示，不能用字符串表示
data3 <- data[-15,]
print(rownames(data3))

library("meta")

#查看是否有缺失值
print(sum(is.na(data3[,"样本特征"])))

#查看数据的长度
length(data3[,"内外倾"])

#执行具体的函数，在这里变量不能有引号
res <- metacor(n=被试数,cor=内外倾,sm="ZCOR",data=data3)
print(res)

#进行回归分析,这里不用加上data,因为，上一个结果中已经有了数据集
regression <- metareg(res,回归变量)
print(regression)

#画出回归图形
bubble(regression)


#画出关于调节变量的回归系数的图
pdf(file="C:\users\mike1\desktop\forest3.pdf", width = 20, height = 20)
forest(res)
dev.off()

产生的结果是: 

Mixed-Effects Model (k = 40; tau^2 estimator: DL)

tau^2 (estimated amount of residual heterogeneity): 0.0179 (SE = 0.0057)
tau (square root of estimated tau^2 value): 0.1336
I^2 (residual heterogeneity / unaccounted variability): 87.74%
H^2 (unaccounted variability / sampling variability): 8.15
R^2 (amount of heterogeneity accounted for): 0.00%

Test for Residual Heterogeneity:
QE(df = 38) = 309.8582, p-val < .0001

Test of Moderators (coefficient 2):
QM(df = 1) = 0.0068, p-val = 0.9342           这两个异质性检验是什么意思？

Model Results:

estimate se zval pval ci.lb ci.ub
intrcpt 0.3432 0.0262 13.1090 <.0001 0.2919 0.3945 ***
回归变量 -0.0000 0.0001 -0.0826 0.9342 -0.0002 0.0002

---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

有结果可以看出，回归系数是不显著的，  估计值 几乎为0

图形的结果为：