轮廓增强漏斗图

说明

下面是一个有时被称为轮廓增强漏斗图的例子(Peters等人，2008年)。请注意，漏斗的中心位置不是模型估计值(绘制漏斗图时通常是这样)，而是在0处(即，在无效果的零假设下的值)。点/研究的不同统计意义级别由阴影区域表示。特别地，中间的无阴影(即白色)区域对应于大于.10的p值，深灰色阴影区域对应于介于.10和.05之间的p值，中等灰色阴影区域对应于介于0.05和0.01之间的p值，并且漏斗外部区域对应于低于0.01的p值。以这种方式绘制的漏斗图对于检测由于抑制了不重要的发现而导致的发表偏差更有用。见彼得斯等人。(2008)了解更多细节。注意，根据Sterne和Egger(2001)，垂直轴代表标准误差(与Peters等人，2008年相比，他们在垂直轴上使用标准误差的倒数)。

图例

代码

library(metafor)
 
### fit random-effects model
res <- rma(measure="RR", ai=tpos, bi=tneg, ci=cpos, di=cneg, data=dat.bcg)
 
### create contour enhanced funnel plot (with funnel centered at 0)
funnel(res, level=c(90, 95, 99), shade=c("white", "gray55", "gray75"), refline=0, legend=TRUE)

参考文献

Peters, J. L., Sutton, A. J., Jones, D. R., Abrams, K. R., & Rushton, L. (2008). Contour-enhanced meta-analysis funnel plots help distinguish publication bias from other causes of asymmetry. Journal of Clinical Epidemiology, 61(10), 991–996.

Sterne, J. A. C., & Egger, M. (2001). Funnel plots for detecting bias in meta-analysis: Guidelines on choice of axis. Journal of Clinical Epidemiology, 54(10), 1046–1055.

简介

Algolia是为你的 APP 或者网站添加搜索的最佳方式。 开发人员可以使用 API 上传并同步希望搜索的数据，然后可以进行相关的配置，比如产品转化率等等。可以使用 InstantSearch 等前端框架进行自定义搜索，为用户创造最佳的搜索体验。

注册

前往官方网站https://www.algolia.com/ 使用 GitHub 或 Google 帐号登录。登录完成后根据提示信息填写一些基本的信息即可，注册完成后前往 Dashboard，我们可以发现 Algolia 会默认给我们生成一个 app。

选择 Indices，添加一个新的索引，我们这里命名为qikqiak-blog，创建成功后，我们可以看到提示中还没有任何记录。