SPSS 命令: SPSS META BINARY

在浏览器中做二分类结局 Meta 分析

二分类结局 Meta 分析用于合并各自报告处理组和对照组事件数与非事件数的研究。

免费 · 无需注册 · 文件留在本机 · 更新于 2026年10月18日

计算示例结果

总体效应量 · Mantel-Haenszel

Z / t = −2.85

p = .004 · 效应量 = −0.124

模型	效应量	标准误	Z / t
Mantel-Haenszel	−0.393	0.138	−2.85
随机效应	−0.387	0.139	−2.78

总体效应量

查看完整计算示例

能告诉你什么

Crosstabs 在你的设备上运行与 SPSS META BINARY 对应的过程：优势比、风险比、风险差或 Peto 优势比，Mantel-Haenszel 或逆方差固定效应，含七种 τ² 估计方法和可选 Knapp-Hartung 校正的随机效应，异质性统计量、Egger 检验以及森林图。

以优势比、风险比或风险差表示的合并处理效应，附置信区间和 p 值。
每项研究的效应、置信区间及其在合并估计中的权重。
真实效应在研究间的变异程度：Q 检验、τ²、H² 及 I² 及其置信区间。
小样本研究是否系统性地报告更大的效应（检验漏斗图不对称的 Egger 回归检验）。

适用场景

适合使用

对按组报告是/否结局的试验或队列研究进行系统综述。
合并针对同一改动、各自报告访客数与转化数的多个 A/B 测试。
含零单元格的罕见事件：Peto 优势比无需加 0.5 即可处理。

改用其他方法

研究报告的是均值和标准差而非计数：使用连续结局 Meta 分析。
希望用研究特征解释异质性：先计算对数优势比及其标准误，再使用 Meta 回归。
拥有所有研究的个体层面数据：分层或混合效应 logistic 模型能利用更多信息。

在 Crosstabs 中如何操作

01
每项研究录入一行
准备每项研究一行、包含四个计数列的文件：处理组成功数与失败数、对照组成功数与失败数。打开文件并切换到“统计”模式。
02
选择二分类 Meta 分析
在“一致性与诊断”组中选择“Meta 分析：二分类结局”（META BINARY）。
03
指定四个计数
设置“处理组：成功数”“处理组：失败数”“对照组：成功数”“对照组：失败数”，可选择“研究标签（可选）”；未选择时以行号标记研究。
04
选择效应量和模型
将“效应量”设为优势比、风险比、风险差或 Peto 优势比。将“模型”设为随机效应（选择“研究间方差（τ²）估计方法”，可勾选“Knapp-Hartung 校正”）或固定效应（选择“固定效应方法”：Mantel-Haenszel 或逆方差）。
05
运行
设置“置信水平（%）”并点击“运行”。工作区权重不会被使用，因为每行代表一项研究，按其方差倒数加权。

在浏览器中运行 Meta 分析：二分类结局

计算示例

以下结果由 Crosstabs 引擎在构建本页时根据模拟数据实际计算得出，并非手工填写。

数据

七项假设的随机对照试验，每项一行，包含四个计数：处理组事件数与非事件数、对照组事件数与非事件数。事件为不良结局，因此优势比小于 1 有利于处理组。计数为录入的原始数据，下方所有统计量均据此计算。

输入数据预览

输入：每项试验一行

研究	处理组：成功数	处理组：失败数	对照组：成功数	对照组：失败数
Trial 1	14	86	22	78
Trial 2	9	51	15	47
Trial 3	31	169	42	160
Trial 4	3	37	8	33
Trial 5	20	130	21	125
Trial 6	7	73	16	66
Trial 7	25	95	28	94

“成功数”是面板对事件列的称呼，此处指不良结局。

效应量估计

研究	效应量	标准误	95% 置信区间	优势比	权重 %
Trial 1	−0.550	0.376	−1.286 – 0.187	0.577	13.7
Trial 2	−0.593	0.468	−1.509 – 0.324	0.553	8.9
Trial 3	−0.358	0.261	−0.870 – 0.154	0.699	28.4
Trial 4	−1.095	0.718	−2.503 – 0.312	0.334	3.8
Trial 5	−0.088	0.337	−0.748 – 0.572	0.916	17.1
Trial 6	−0.927	0.484	−1.876 – 0.021	0.396	8.3
Trial 7	−0.124	0.311	−0.734 – 0.486	0.883	20.0

对数尺度；取指数后的列为比值尺度。权重为随机效应权重。

总体效应量

模型	效应量	标准误	Z / t	显著性	95% 置信区间	优势比	95% 置信区间
Mantel-Haenszel	−0.393	0.138	−2.85	.004	−0.664 – −0.123	0.675	0.515 – 0.884
随机效应	−0.387	0.139	−2.78	.005	−0.660 – −0.114	0.679	0.517 – 0.892

随机效应：τ² 由限制性最大似然（REML）估计。

异质性

Q	df	显著性	τ²	H²	I² (%)	I² 95% CI
4.118	6	.661	0.0000	0.686	0.0	0.0 – 57.5

Q 为共同效应估计的 Cochran 同质性统计量；H² = Q/df，I² = (Q − df)/Q。

结果解读

随机效应合并优势比为 0.679（95% 置信区间 0.517 – 0.892，p = .005）：处理使不良结局的优势降低约 32%。Mantel-Haenszel 固定效应估计（OR 0.675）与之接近，这与 Q = 4.12（自由度 6，p = .661）和 I² = 0.0% 所示的低异质性一致。仅有七项试验时，I² 的置信区间（0.0% 至 57.5%）很宽。

输出表格说明

效应量估计: 每项研究在对数尺度（或风险差尺度）上的效应、标准误、置信区间、比值尺度上的效应及其权重百分比。
总体效应量: 固定效应估计（Mantel-Haenszel、逆方差或 Peto），以及随机效应模型下的随机效应估计，均附标准误、Z 或 t、显著性、区间以及反变换后的比值及其上下限。
异质性: Cochran Q 及其自由度和显著性、τ²、H² 和 I² 及其置信区间。I² 表示总变异中由研究间真实差异造成的比例。
Egger 回归检验: 以效应/SE 对 1/SE 回归所得的截距、标准误、t、自由度和显著性；研究数不少于三项时显示。截距不为零提示漏斗图不对称。

前提假设与注意事项

各研究估计的是同一干预对同一结局的可比效应。
含零单元格的研究每个单元格加 0.5（Peto 法除外）；对于比值类指标，两组均无事件或全部发生事件的研究会被排除。
随机效应模型假设各研究的真实效应围绕合并均值呈正态分布。
至少需要两项可用研究；研究很少时，τ² 与 I² 的估计非常不精确。

结果如何验证

在八项研究的参考数据上，优势比、风险比和风险差的效应量及方差与 R metafor 5.2.1 escalc 一致到 1e-12；Mantel-Haenszel 估计与 rma.mh 一致到 1e-10（对于 metafor 采用不同方差公式的 MH 风险差标准误，则与按 SPSS 公式独立实现的结果对照）；逆方差固定效应和 Q 一致到 1e-10；七种 τ² 估计在内点解时与 rma 一致到 1e-6；Peto 法与 rma.peto 一致到 1e-10。验证证据（英文）

常见问题

选优势比还是风险比？

风险比更易解释，事件常见时更受推荐。优势比的数学性质更好，并与 logistic 回归及病例对照设计相对应。事件罕见时两者几乎相等。

固定效应还是随机效应？

固定效应假设所有研究共享同一个真实效应；随机效应允许真实效应在研究间变化。若研究在人群或方案上有差异，通常选择随机效应；研究较少时，Knapp-Hartung 校正给出的区间更可靠。

应选择哪种 τ² 估计方法？

默认的 REML 是稳妥的通用选择。DerSimonian-Laird 是许多早期综述采用的经典方法；经验贝叶斯、Sidik-Jonkman 及列表中的其他方法可用于敏感性分析。

森林图看起来很分散，为什么 I² 为 0%？

当各研究区间较宽时，分散程度并未超过抽样误差的预期，因此 Q 不大于其自由度，I² 被截断为 0。其置信区间通常表明不能排除较大的异质性。

用你自己的数据运行 Meta 分析：二分类结局

打开 .sav、CSV 或 Excel 文件。所有计算都在浏览器中完成，文件不会离开你的设备。

打开分析工作区

SPSS 是 IBM Corp. 的商标。Crosstabs 与 IBM 无关联，也未获得 IBM 认可。