来源：微信公众号小侃数据

大家好，本教程将介绍如何使用R的gemtc包对连续变量进行贝叶斯网状Meta分析。

前提条件：

准备工作完成后，打开RStudio后，在console里输入install.packages(“gemtc”)

第一次安装的时候，安装速度可能比较慢，耐心等待一下。

等安装完成后，设置我们的工作目录，后面可以把待分析的数据放入这个工作目录，敲入：

setwd("D:\\R网状教程")  #你可以更改为自己的工作目录，在后面环境变量增多的时候，在这一步前可以加一个rm(list=ls())清除环境变量。

然后敲入：

library(gemtc)     #装载gemtc包

将我们的数据准备成如下格式(与stata做网状的格式相同)：

其中每一行代表研究的一个臂，study代表研究，treatment代表干预名称，mean代表连续变量的均值，std.dev代表连续变量的标准差，sampleSize代表每一个研究中每一个臂的样本量。注意，以上英文单词必须准确无误，大小写都要一致，不然等会分析无法进行。

大家可以在excel里准备要分析的数据，然后另存为csv文件(以逗号为分隔符的表格文件)，在这里，我把数据文件存为data.csv(你可以更改为自己想要的名字)。然后把这个文件放到我们的工作目录之下。

把刚刚准备好的数据导入到R里，敲入：

data

把数据弄成gemtc的网络格式，敲入：

network

输入：plot(network)

可以看到网状图如下：

当然了，这些大小、颜色、字体等等的参数都是可以调整的，但是跟stata做网状图相比还是太麻烦了。Stata几乎不用调整一步到位，大家可以参考我之前制作的stata教程做网状图。

然后开始建立模型：

model

其中，圆括号里的第一个参数为我们刚刚新建的gemtc网络类型的变量network，第二个参数type="consistency"，是指我们的模型为一致性模型，n.chain指的是马尔科夫蒙特卡洛MCMC的链条数目，一般为2-4均可。因为我们进行的是连续变量的网状分析，所以likelihood="normal", link="identity"。linearModel=”random”指的是我们使用的模型为随机效应，当然也可以指定fixed作为固定效应模型。这一步可能会跳出一些红色的warning，强迫症的同学看到可能会感到不安，但不用紧张，不影响后续的分析，不管它即可。

现在可以进行迭代了，敲入：

results

其中，model是我们上一步建立的模型名称，n.adapt为退火次数，n.iter为迭代次数。这个时候我们耐心等待，RStudio界面如下所示：

敲入：summary(results)可以看到如下结果：

其中结果包括DIC，DIC可以进一步与不一致性模型的DIC作比较，如果相差在5以内，就说明数据基本符合一致性的前提。DIC的绝对值没有任何意义，只用于相对比较。以及I2的总体异质性参数。

敲入：

forest(relative.effect(results, "Placebo"))

可以看到每个干预相对于Placebo的森林图：

大家可以与之前我们用stata频率学和用OpenBugs贝叶斯做的网状结果对比一下，结果是不是差不多。

敲入：plot(results)  #可以看到每个指标的收敛情况以及密度图

敲入：gelman.plot(results)   # 收敛性诊断

进行排序，敲入：

ranks

print(ranks)

堆积排序图：plot(ranks)

单个排序等级图：plot(ranks, beside = TRUE)

制作联赛表：

a

write.csv(a, "leaguetable.csv")

以上步骤可以在工作目录中导出这个表格。

不一致模型

很多同学不知道如何做不一致模型，想当然的以为将type="inconsistency"就OK了，其实并非如此。而应是在模型那一步中将type=”ume”或者”use”。如下：

modelume

resultsume

summary(resultsume)    #查看不一致模型的DIC，然后与一致性模型进行比较。

用节点劈裂法探索局部不一致：

resultnodesplit

这里当然也可以写成复杂版的形式：resultnodesplit

里面的参数都可以进行设定。这里之所以可以写成简写版，是因为gemtc可以自动识别我们要分析的是连续变量，然后可以对里面的参数进行默认的设定。多说一句，如果我们要分析的是分类变量，我们也无需像在WINBUGS软件里对初始值进行繁琐的设定，这一点是我非常喜欢R软件gemtc包的地方。

b

print(b)

plot(b)

异质性分析：

resultanohe

这里当然也可以写成复杂版的形式：resultanohe

c

print(c)

plot(c)

至此，主分析的步骤基本已经完成。注意本教程的效应量为MD，目前R的gemtc包并不支持SMD。同样的步骤可以用来分析二分类数据，只是准备的数据以及likelihood和link的值设置的不同而已。此外，gemtc还支持对协变量进行回归分析，限于篇幅原因，本教程不再讲述这些内容，后面再讲。

最后，讲一下如何把在RStudio中产生的图片导出来。

第一种方法，针对看到代码就头痛的同学，可以点击export->save as image，如下图：

第二种方法：

敲入代码：

tiff(file= "networkplot.tiff ")

plot(network)

dev.off()

这样在工作目录就会有一个networkplot.tiff的文件了。