meta分析中异质性检验浅析
Meta分析异质性大？这都不是事！
Meta分析异质性大？这都不是事！美景欣赏完了，咱们该干正事了。
审稿人嫌弃异质性太高？让做meta回归？这个因素也有影响，那个因素也有影响，怎么办？有发表偏倚？都是什么乱七八糟的，到底是什么意思呢？今天我们就来理一理，异质性/meta回归/发表偏倚/亚组分析/敏感性分析之间的关系。
我们知道，meta分析是把不同的研究汇总到一起分析的，这其中必然是有异质性的，是不能避免的。
但是异质性如果超出了接收范围的话，我们把他硬拉到一起分析，得到的结论就是不可靠，没有意义的。
所以异质性是必然存在的，但要在合理的范围。
因此，异质性分析是就是必不可少的。
一般来说I square<50%，p>0.05是被认为可接受的。
而超出这一范围也是常见的。
如果真的非常大应该怎么办呢？不妨试试这两种方法：Meta回归Meta回归，看到底是哪个因素导致的异质性，当然了，如果影响因素很明显或者涉及因素很少的话，也没有必要做meta回归，直接做亚组分析就好了。
亚组分析亚组分析可以把研究对象细分，得出更为准确的结论。
看看是不是还很大，判断是哪些因素影响结果稳定性。
到这里就有人问了：我怎么知道以哪些因素为基础进行亚组分析呢？1) 根据临床经验，判断哪个因素可能对结果有较大影响。
2) 其实我想说，把原始文献中分了组的都分析一下就好了。
您可能觉得这样太粗放，太不严谨了。
那就试试第三种方法咯。
3) 第三种方法是啥？就是上面讲到的meta回归啊！那么审稿人觉得结果不稳定怎么办呢？敏感性分析啊。
敏感性分析一般有三种方法：1）逐个剔除纳入文献，看看结果是否发生较大变化（一般看是否逆转），如果逆转就说明结果不稳定，那么恭喜你，这篇文章对结果产生较大影响，需要细致讨论了（还在担心讨论不知道写什么吗）；如果结果未发生较大变化，那么同样恭喜你，你的结果是稳定的，你可以自信的在你的结果部分说（chui）明（niu）了。
那么发表偏倚又是怎么回事呢？这个其实很好理解啦。
Meta分析中的异质性检验方法
> 50 月
4
61652
01084
541901
11489 (21588～01857)
21511 (11886～31344)
1 研究年份
2
4
61327
01097
521584
11452 (21526～01835)
5
241524
01001
831689
21476 (31723～11647)
21268 (11118～41601) 31370 (21646～41294)
P < 0101 , H 统计量及其 95 % 可信区间为 21024 和 (21807～11459) , I2 = 751579 ,三个统计量检验结果都
果不一致 ,是由于研究数少 , Q 检验和区间范围估计 往往不准确〔7〕。 Q 检验结果受研究文献多少影响很
表明研究间存在明显异质性 。对随访时间 、研究年份 、 大 ,因为 Q 值的大小取决于合并方差 、效应量的离散
法确定是否存在异质性 , 若没包含 1 则可认为存在异
质性 。
统计量 I2 值为 0 %时表示各个研究是同质来源 ,
若 I2 > 56 %提示研究间存在异质性 , I2 < 31 %则提示
可认为各个研究是同质 。
结果与分析
11 文献中的数据整理 为了便于对上述统计量的异质性检验方法说明 , 引用可手术乳腺癌骨髓播散与远处转移相关性 Meta 分析〔8〕资料进行实例分析 。数据整理如表 1 所示 ,其 中研究年份 、随访时间 、染色技术和抗原等是研究中考 虑可能对异质性影响的因素 ,这里归类是为了进一步 分层分析的需要 。 21 各种方法的异质性检验结果 该 Meta 分析中 ,全部 9 篇研究间的异质性检验 P < 0101 ,而 H 值及 95 % CI 可信区间为 21024 ( 21807
Meta分析中的异质性评价、敏感性分析和发表偏倚及漏斗图不对称性检测
Meta分析中的异质性评价What is heterogeneity? Variation or differences•Meta分析中异质性分类三类•Clinical•Methodological•StatisticalClinical diversity•participants•e.g. condition, age, gender, location, study eligibility criteria •interventions•intensity/dose, duration, delivery, additional components,experience of practitioners, control (placebo, none,standard care)•outcomes•follow‐up duration, ways of measuring, definition of anevent, cut‐off pointsMethodological diversity•design•e.g. randomised vs non‐randomised, crossover vs parallel,individual vs cluster randomised•conduct•e.g. risk of bias (allocation concealment, blinding, etc.),approach to analysisStatistical heterogeneity•there will always be some random (sampling) variation between the results of different studies •heterogeneity is variation between the effects beingevaluated in the different studies•caused by clinical and methodological diversity•alternative to homogeneity (identical true effects underlyingevery study)•study results will be more different from each other than ifrandom variation is the only reason for the differencesbetween the estimated intervention effectsHow to detect the heterogeneity?I 2统计量I 2统计量是描述由研究间变异占总变异的百分比，计算公式为：⎪⎩⎪⎨⎧≤>-=dfQ df Q Qdf Q I 如果如果02其中，Q 为I 2统计量，df 是它的自由度（即研究总数-1）‐Fixed‐effect vs.random‐effects•Two models for meta‐analysis available in RevMan& Stata software•Make different assumptions about heterogeneity •Pre‐specify your planned approach in your protocolFixed ‐effect model•Assumes all studies are measuring the same treatment effect•Estimates that one effect •If not for random (sampling) error, all results would be identicalCommon Random (sampling)errortrue effectStudy resultSource: Julian HigginsRandom ‐effects model•Assumes the treatment effect varies between studies•Estimates the mean of the distribution of effects •Weighted for both within ‐study (SE) and between ‐study variation (tau 2, 2)Random errorStudy-specific effectMean of true effectsSource: Julian HigginsNo heterogeneityAdapted from Ohlsson A, Aher SM. Early erythropoietin for preventing red blood cell transfusion in preterm and/or low birth weight infants. Cochrane Database of Systematic Reviews 2006, Issue 3.FixedRandomSome heterogeneityFixed RandomAdapted from Adams CE, Awad G, Rathbone J, Thornley B. Chlorpromazine versusplacebo for schizophrenia. Cochrane Database of Systematic Reviews2007, Issue 2.Small study effectsFixed RandomAdapted from Li J, Zhang Q, Zhang M, Egger M. Intravenous magnesium for acutemyocardial infarction. Cochrane Database of Systematic Reviews 2007, Issue 2.Which to choose?•Plan your approach at the protocol stage•Do you expect your results to be very diverse?•Consider the underlying assumptions of the model •fixed‐effects•may be unrealistic –ignores heterogeneity•random‐effects•allows for heterogeneity•estimate of distribution of studies may not be accurate if biasesare present, few studies or few eventsIdentifying heterogeneity•Visual inspection of the forest plots •chi‐squared (c2) test (Q test)•I2statistic to quantify heterogeneityVisual inspectionForest plot A Forest plot BThe chi‐squared (c2) test•Tests the null hypothesis of homogeneity•low power with few studies•may detect clinically unimportant differences with manystudies•narrow question (yes/no) not useful if heterogeneity isinevitable•Calculated automatically by RevManThe I2statistic•I2statistic describes the percentage of variability due to heterogeneity rather than chance(0% to 100%)•low values indicate no, or little, heterogeneity•high values indicate a lot of heterogeneity •Calculated automatically by RevMan•Be cautious in interpretingThe I2statisticchi2= 29.55 df= 13 P = 0.0055 chi2= 6.14 df= 3 P = 0.11I2= 56% I2= 51%Source: Julian HigginsWhat to do about heterogeneity •check that the data are correct•consider in your interpretation•especially if the direction of effect varies•if heterogeneity is very high•interpret fixed‐effect results with caution•consider sensitivity analysis –would random‐effects have made animportant difference?•may choose not to meta‐analyse•average result may be meaningless in practice•consider clinical & methodological comparability of studies •avoid•changing your effect measure or analysis model•excluding outlying studies•explore heterogeneityExploring your results•what factors appear to modify the effect?•clinical diversity (population, interventions, outcomes)•methodological diversity (study design, risk of bias)•plan your strategy in your protocol•identify a limited number of important factors to investigate •have a scientific rationale for each factor chosen•declare any post‐hoc investigationsTwo methods available•subgroup analysis•Group studies by pre‐specified factors•look for differences in results and heterogeneity•meta‐regression•examine interaction with categorical and continuous variables •not available in RevManProceed with caution•results are observational, not randomised•be wary of multiple and post hoc comparisons •may not be useful with few studies•may not be able to investigate aggregate data •look for confounding factors•follow the plan specified in the protocol without over‐emphasising particular findingsResults are rarely definitiveInterpreting subgroup analyses•look at results and heterogeneity within subgroups •are the subgroups genuinely different?•if only 2 subgroups –do the confidence intervals overlap?•statistical tests for subgroup difference•can be more confident about:•pre‐specified analyses•within‐study analyses•effect is clinically plausible and supported by indirect evidence •effect is clinically important and will alter recommendationsParticipant subgroupsBased on Stead LF, Perera R, Bullen C, Mant D, Lancaster T. Nicotine replacement therapy for smoking cessation. Cochrane Database of Systematic Reviews 2008, Issue 1. Art. No.: CD000146. DOI: 10.1002/14651858.CD000146.pub3.Intervention subgroupsSensitivity analysis•not the same as subgroup analysis•testing the impact of decisions made during the review •inclusion of studies in the review•definition of low risk of bias•choice of effect measure•assumptions about missing data•cut‐off points for dichotomised ordinal scales•correlation coefficients•repeat analysis using an alternative method orassumption•don’t present multiple forest plots –just report the results•if difference is minimal, can be more confident of conclusions •if difference is large, interpret results with cautionWhat to include in your protocol •Assessment of heterogeneity•assessment of comparability of studies before meta‐analysis •visual inspection and use of statistics such as I2•Data synthesis•fixed‐effect or random‐effects model (or both)•Subgroup analyses and investigation of heterogeneity •planned subgroup analyses•any other strategies for investigating heterogeneityTake home message•statistical heterogeneity is the presence of differencesbetween estimated intervention effects greater than expected because of random (sampling) variation alone•it can be caused by clinical and methodological diversity•fixed and random‐effects models make different assumptions about heterogeneity•explore any heterogeneity you findStata进行异质性评价Stata进行异质性评价•图示法•拉贝图（labbe）•Galbraith星状图（galbr）•定量判断•亚组分析•Meta回归（metareg）•hetredL’Abbe图•拉贝图是以每项研究中的干预组事件发生率相对于对照组事件发生率作图，若研究间同质，则所有点呈直线分布，或者说不能偏离效应线太远•具有主观性，偏离多远算远？•以例5_数据为例•首先执行metan命令，计算合并效应量metan ntdeath ntalive ncdeath ncalive, label(namevar=study, yearvar=year) random or nograph•绘制拉贝图labbe ntdeath ntalive ncdeath ncalive, percent null or(0.851)Galbraith星状图•Galbraith星状图是以标准化估计值（如logor/lnrr）相对于其标准误的倒数作图，若散点斜率较为接近则说明研究间同质•主观性较大•以例5_数据为例•首先执行metan命令，计算合并效应量，生成中间变量_ES, _selogESmetan ntdeath ntalive ncdeath ncalive, label(namevar=study, yearvar=year) random or nograph•计算logor,selogorgen logor=log(_ES)gen selogor=_selogES•绘制Galbraith星状图galbr logor selogorStata实现亚组分析•亚组分析是探索异质性来源的一个重要方法•如何确定亚组？需要从专业角度寻找•应避免过度的亚组分析•合理的亚组分析应该在研究的设计阶段就确定，写在研究方案中•以例6_数据为例命令语句•metan a b c d, label(namevar=authors, yearvar=year) by(lati_grp)random rr counts group1(experiment)group2(control) xlabel(0.03,1,5) force texts(140) boxsca(60)结果。
Meta分析中的异质性及其处理方法
Meta分析中的异质性及其处理方法一、本文概述Meta分析是一种重要的统计方法，它通过综合多个独立研究的结果，以提高效应估计的精确性和可靠性。
然而，在Meta分析过程中，异质性是一个常见且重要的问题。
异质性指的是各个独立研究间结果的不一致性，这种不一致性可能源于研究设计、样本特征、干预措施、测量方法等多种因素。
异质性的存在会影响Meta分析结果的可靠性和有效性，因此，对异质性进行恰当的识别和处理是Meta分析过程中的关键步骤。
本文旨在深入探讨Meta分析中的异质性问题，包括其来源、识别方法以及处理策略。
我们将概述异质性的定义、来源和分类，以帮助读者理解其本质和重要性。
我们将介绍常用的异质性识别方法，包括图形展示和统计检验等，以帮助读者识别并量化异质性。
我们将详细讨论处理异质性的各种策略，包括敏感性分析、亚组分析、元回归分析以及随机效应模型等，以帮助读者根据实际情况选择合适的处理方法。
通过本文的阅读，读者将能够对Meta分析中的异质性有更深入的理解，并掌握有效的异质性处理方法，从而提高Meta分析的质量和可靠性。
二、异质性的定义与来源在Meta分析中，异质性（Heterogeneity）是一个核心概念，它描述了不同研究结果之间的一致性或差异性。
简单来说，异质性就是指在多个研究之间存在的差异，这些差异可能是由于各种因素造成的，例如研究设计、样本特征、干预措施、测量方法以及研究环境等。
异质性可以分为两类：临床异质性和方法学异质性。
临床异质性主要源于参与者的不同特征、疾病的严重程度、干预措施的差异等；而方法学异质性则主要与研究的设计、执行和分析方式有关，如不同的随机化方法、盲法使用、数据收集和处理方式等。
在临床实践中，异质性的存在可能会导致Meta分析结果的解释变得复杂和困难。
如果忽视异质性，可能会得出误导性的结论，甚至误导临床决策。
因此，在进行Meta分析时，对异质性的识别、量化和处理至关重要。
为了更准确地理解和处理异质性，研究者需要深入探究其来源，并在分析过程中采取相应的措施。
Meta分析中的异质性(heterogeneity)及其处理原则和方法全文
可编辑修改精选全文完整版Meta分析中的异质性（heterogeneity）及其处理原则和方法Meta 分析又称荟萃分析、汇总分析、整合分析，是对具有相同研究题目的多个医学研究进行综合分析。
meta分析的目的在于增大样本含量，减少随机误差所致的差异，增大检验效能。
一个高质量的Meta 分析相当于开展了一个多中心的研究，理想情况下，Meta分析纳入的各项研究均指向同一个结果，即各研究间具有同质性。
尽管，我们试图通过严格的入选和排除标准，以保证纳入研究的同质性。
然而，实际情况往往不尽如意。
会造成“合并萝卜、白菜、西红柿”的错误，就算是勉强合并统计量，得出的结论也不可信。
meta就没有意义了。
所以，合并效应量之前，一定要进行异质性检验。
可以明确的说，纳入Meta分析的所有研究都存在异质性。
当异质性较大时，超出了随机误差，Meta分析的结果就不太可靠。
我们需要通过适当的方法识别它，对其进行检验，以决定后续的处理策略。
梅斯医学提供有关异质性处理的策略。
我们在做meta分析前，必须要做的事有两件：A 确定文献的纳入和排除标准；B 纳入文章的质量评分，例如jadad评分、QUADAS评分等。
临床异质性、方法学异质性和统计学异质性三者是相互独立又相互关联的，临床或方法学上的异质，不一定在统计学上就有异质性表现，反之亦然。
统计学异质性是指：不同试验间被估计的治疗效应的变异。
其实，我们可以这样理解，A“严格执行文献的纳入和排除标准”可以减少临床异质性的来源；B “纳入文章的质量评分”可以减少方法学异质性的来源。
异质性检验方法异质性检验方法主要有图示法和统计学检验。
比如，大家熟悉的森林图，森林图可显示单项研究和合并效应量及其置信区间，如果单项研究结果的置信区间有很少的重叠或者不重叠，则提示研究间可能存在异质性。
如图，第1项研究和第2、第4项研究的置信区间无重叠，提示研究间可能存在异质性。
统计学异质性的六种检验方法，三种是检验，三种图示，即Q统计量、I2统计量、H统计量、Galbraith图法、L’Abbe图、漏斗图）。
收藏Meta分析步骤详解，以及常见问题解析（二）
收藏Meta分析步骤详解，以及常见问题解析（二）前几日的《收藏|Meta分析步骤详解，以及常见问题解析（一）》中已经介绍了Meta分析步骤中的前三步：选题和立意、文献检索、对文献的质量评价和数据收集。
今天我们继续第三步，从统计分析的指标开始讲起：统计分析的指标（一）、异质性检验1检验原理：meta 分析的原理首先是假定各个不同研究都是来自非同一个总体(H0:各个不同样本来自不同总体，存在异质性,备择假设H1，如果p>0.1，拒绝H0, 接受H1,，即来自同一总体)这样就要求不同研究间的统计量应该接近总体参数真实值,所以各个不同文献研究结果是比较接近,就是要符合同质性,这时候将所有文献的效应值合并可以采用固定效应模型的有些算法,如倒方差法,mantel haenszel 法,peto法等。
2分类：异质性检验，包括三个方面：临床异质性，统计学异质性和方法学异质性，作meta分析首先应当保证临床同质性，比如研究的设计类型、实验目的、干预措施等相同，否则就要进入亚组分析，或者取消合并，在满足临床同质性的前提下（非常重要，不能一味追求统计学同质性，首先考虑专业和临床同质性），我们进一步观测统计学同质性。
临床异质性较大时不能行meta分析，随机效应模型也不行。
只能行描述性系统综述（systemic reviews,SR）或分成亚组消除临床异质性.解决临床异质后再考虑统计学异质性的问题。
如果各个文献研究间结果不存在异质性（p>0.1），选用固定效应模型（fixed model），这时其实选用随即效应模型的结果与固定效应模型相同；如果不符合同质性要求，即异质性检验有显著性意义(p<>此外，这里要说明的是，采用的模型不同，和合并效应值的方法不同，都会导致异质性检验P值存在变动,这个可以从算法原理上证明,不过P值变动不会很大，一般在小数点后第三位的改变。
异质性检验的Q 值在固定模型中采用倒方差法和Mantel-haenszel法中也会不同。
meta分析中异质性检验浅析
Meta 分析中的异质性检验一、Meta 分析原理假定各个不同研究都是来自同一个总体，要求不同研究间的统计量应该接近总体参数真实值，所以各个不同文献研究结果是比较接近，就要符合同质性，这时候将所有文献的效应值合并可以采用固定效应模型的有些算法，如倒方差法，mantel haenszel 法，peto法等。
二、异质性的概念2.1广义：描述参与者、干预措施和一系列研究间测量结果的差异和多样性，或那些研究间的内在真实性的变异。
2.2狭义：专指统计学异质性，用来描述一系列研究中效应量的变异程度，也表明除可预见的偶然机会之外的研究间存在的差异性。
三、异质性的分类3.1临床异质性：包含试验对象的差异，如纳入及排除标准的不同；试验条件的差异，如干预剂量、剂型、方法不同；定义指标的差异，如试验定义的暴露、结局、测量工具不同，等等。
3.2方法学异质性：包含研究设计的差异，如前瞻性、回顾性、随机化对照试验；偏倚风险，如盲法；结局完整性，如随访时间长短不同。
3.3统计学异质性：是指不同试验间被估计的效应指标的变异，它是研究间临床和方法学上多样性的直接结果。
统计学计算一致性以数据为基础，其原理是各研究间可信区间的重合程度越，则各研究间存在统计学同质性的可能性越大，相反，可信区间的重合程度越小，各研究间存在统计学异质性的可能性越大。
临床异质性、方法学异质性和统计学异质性三种是相互独立又相互关联的，临床或方法学上的异质，不一定在统计学上就有异质性的表现，反之亦然。
但寻找临床和方法学上的异质性可以提示统计学异质性的来源。
四、异质性检验方法4.1概念：又叫统计量的齐性检验（一致性检验），目的是检查各个独立研究的结果是否具有可合并性。
4.2常见方法：4.2.1 Q检验（1）计算公式及解释?注：Wi ：第i个研究的权重，Yi ：第i个研究的效应量，M ：所有研究的平均效应量。
Q为效应量的标准化平方和，因此服从自由度为（k-1）的χ2分布。
异质性及其衡量
1、异质性不可避免的纳入同一meta分析的所有研究都存在差异，我们将meta 分析中不同研究间的各种变异，称之为异质性。
异质性指的是一系列研究中效应量的变异程度。
This statistic tests whether the effects found by the different studies are caused by a sampling error or by a systematic difference between the studies in addition to a sampling error.异质性检验的是通过不同研究得出的结果是由于采样误差引起的还是除了采样误差以外，不同研究间的系统差异引起的。
进行异质性检验以确定效应量大小分布的一致性。
有可能是效应量的真实异质性也有可能是有的研究有错误。
The most common means of testing heterogeneity and determining whether theheterogeneity is statistically signifificant is the Q (df) statistic based on the χ2test测试异质性和确定异质性是否具有统计学意义的最常用的方法是基于χ2检验的Q值异质性的分类：临床异质性、统计学异质性、方法学异质性2、衡量异质性的指标统计法：异质性检验（I2检验，Q检验、H检验）、统计合并效应量图示法：森林图一个有用的定量衡量异质性的指标是I2，I2= [(Q –df)/Q] x 100%，此处的Q是卡方检验的统计值，df 是其自由度，这个I2值代表了由于异质性而不是抽样误差（机会）导致的效应占总效应估计值的百分率。
I2值大于50％时，可以认为有明显的异质性。
3、相对危险度和比值比的森林图相对危险度(relative risk,RR)、比值比(odds ration,OR)。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Meta 分析中的异质性检验
一、Meta 分析原理
假定各个不同研究都是来自同一个总体，要求不同研究间的统计量应该接近总体参数真实值，所以各个不同文献研究结果是比较接近，就要符合同质性，这时候将所有文献的效应值合并可以采用固定效应模型的有些算法，如倒方差法，mantel haenszel 法，peto法等。
二、异质性的概念
2.1广义：描述参与者、干预措施和一系列研究间测量结果的差异和多样性，或那些研究间的内在真实性的变异。
2.2狭义：专指统计学异质性，用来描述一系列研究中效应量的变异程度，也表明除可预见的偶然机会之外的研究间存在的差异性。
三、异质性的分类
3.1临床异质性：包含试验对象的差异，如纳入及排除标准的不同；试验条件的差异，如干预剂量、剂型、方法不同；定义指标的差异，如试验定义的暴露、结局、测量工具不同，等等。
3.2方法学异质性：包含研究设计的差异，如前瞻性、回顾性、随机化对照试验；偏倚风险，如盲法；结局完整性，如随访时间长短不同。
3.3统计学异质性：是指不同试验间被估计的效应指标的变异，它是研究间临床和方法学上多样性的直接结果。
统计学计算一致性以数据为基础，其原理是各研究间可信区间的重合程度越，则各研究间存在统计学同质性的可能性越大，相反，可信区间的重合程度越小，各研究间存在统计学异质性的可能性越大。
临床异质性、方法学异质性和统计学异质性三种是相互独立又相互关联的，临床或方法学上的异质，不一定在统计学上就有异质性的表现，反之亦然。
但寻找临床和方法学上的异质性可以提示统计学异质性的来源。
四、异质性检验方法
4.1概念：又叫统计量的齐性检验（一致性检验），目的是检查各个独立研究的
结果是否具有可合并性。
4.2常见方法：
4.2.1 Q检验
（1）计算公式及解释
k
Q=∑W i(Y i−M)2
i=1
注：Wi ：第i个研究的权重，Yi ：第i个研究的效应量，M ：所有研究的平均效应量。
Q为效应量的标准化平方和，因此服从自由度为（k-1）的χ²分布。
Q值越大，则p值越小（无效假设为纳入研究的效应量均相同），则异质性越大。
（2）Q检验的缺陷：
①对研究个数敏感：当研究个数越少时，检验效能越低，其越容易出现假阴性；反之，当研究个数越多时，检验效能越高，越容易出现假阳性。
②只能检验是否存在异质性及异质性的大小，而不能检验异质性的分布。
4.2.2 I ²检验
（1）计算公式及解释
I 2=(Q −df Q
)×100% I²反映异质性部分在效应量总的变异种所占的比重。
I²的取值范围：0-100%；取值越大，异质性越大；根据I² 可将异质性分为四个程度：0:(当I²为负值时，我们将其设为0）表明没有异质性；0-40%:轻度异质性；40%-60%:中度异质性；50%-90%：较大的异质性；75%-100%：很大的异质性。
2。
3 H 检验
（1）计算公式及解释
通过对统计量Q 进行自由度（研究个数）的校正，结果方差分布的参数估计可得：
H =√(Q k −1) H 值为1表示各研究间无异质性;
H ＜1。
2则认为研究同质；
H ＞1。
5则提示研究间存在异质性；
H 为1。
2-1。
5之间，当H 值95%置信区间包含1，在α=0。
05的检验水准下无法确定是否存在异质性，若不包含1，则可认为存在异质性。
此外，除了常见的统计量法外，还有森林图法、星状图（radial plot ）、贝拉图（L ’abbe plot ）、加布尔雷斯图等异质性检验方法。
总之，应用Q 及I²统计量，既可检测是否存在异质性，也可检测异质性的程度，但是，应用适当应用图示法，可以帮助找到引起异质性的异常点（某个或某几个研究）。
五、异质性处理方案
一般来说判断异质性大小的方法是根据I 2及P 值来确定。
即根据I 2值及P 值来决定模型的使用，大部分认为I²＜50%且P ＞0.1时，存在异质性，使用随机效应模型；当I²≥50%或P ＜0.1时，用固定效应模型。
有了异质性，通过敏感性分析，或者亚亚组分析，去探求异质性的来源。
异质性的处理忽略异质性固定效应模型检验异质性有异质性
不合并合并随机效应模型解释亚组分析Meta 回归
meta分析中，异质性是天然存在的。
如果异质性较小，选择固定效应模型更可靠；如果异质性较大，则建议选择随机效应模型。
但仍然需要通过敏感性分析，寻找到异质性根据，以消除其影响。
但是，在异质性较大时，随机效应模型主要是校正合并效应值的算法，使得结果更加接近无偏估计，即结果更为准确，但其得出的结论偏向于保守，置信区间较大，更难以发现差异，如果各个试验的结果差异很大的时候，是否需要把各个试验合并需要慎重考虑，作出结论的时候就要更加小心。
六、异质性来源探索
在做完异质性检验后，我们需要进一步对异质性的来源进行探索。
异质性可能来源于人群、试验方法、种族等等因素，可通过敏感性分析、亚组分析和meta 回归等方法来查找异质性来源。
比如，异质性的来源可以来源于研究的各阶段：研究人群-研究设计-数据分析-结果报道。
按照不同人群（如男女，欧亚非，白人黑人等）、不同设计类型（如队列研究，RCT，病例-对照）、不同的统计模型（cox，poisson等）、不同结果（肺癌的新发病、现患病例、死亡）来做亚组分析即分层分析。
目前，国内外对meta分析存在异质性，尤其是异质性检验P值很小的时候，学术届有着不同的争论，很多人认为这个时候做meta分析是没有意义，相当于合并了一些来自不同总体的统计结果。
也有人认为，这些异质性的存在可能是由于文献发表的时间，研究的分组，研究对象的特征等因素引起，只要采用亚组分析或meta回归分析可以将异质性进行控制或解释，还是可以进行meta分析，至少运用随机效应模型可以相对无偏的估计总体。
总之，异质性检验P值较小时候，最好能对异质性来源进行分析和说明。