Wie berechnet man den Standardfehler der Quotenverhältnisse?

Ich habe zwei Datensätze aus genomweiten Assoziationsstudien. Die einzigen verfügbaren Informationen sind das Odds Ratio und der p-Wert für den ersten Datensatz. Für den zweiten Datensatz habe ich das Odds Ratio, den p-Wert und die Allelfrequenzen (AFD = Krankheit, AFC = Kontrollen) (zB: 0,321). Ich versuche, eine Metaanalyse dieser Daten durchzuführen, habe jedoch nicht den Effektgrößenparameter, um dies durchzuführen. Gibt es eine Möglichkeit, die SE- und OR-Konfidenzintervalle für jede dieser Daten nur anhand der bereitgestellten Informationen zu berechnen?
Vielen Dank im Voraus

Beispiel: Daten verfügbar:

    Study     SNP ID      P        OR    Allele   AFD    AFC
    1         rs12345    0.023    0.85
    2         rs12345    0.014    0.91     C      0.32   0.25

Kann ich mit diesen Daten die SE und CI95% OR berechnen? Vielen Dank

Sie können die Standardfehler über die p-Werte berechnen / approximieren. Konvertieren Sie zunächst die zweiseitigen p-Werte in einseitige p-Werte, indem Sie sie durch 2 teilen. Sie erhalten also und . Konvertieren Sie dann diese p-Werte in die entsprechenden z-Werte. Für ist dies und für ist dies (sie sind negativ, da die Quotenverhältnisse unter 1 liegen). Diese z-Werte sind tatsächlich die Teststatistiken, die berechnet werden, indem das Protokoll der Quotenverhältnisse geteilt durch die entsprechenden Standardfehler (dh ) genommen wird. Daraus folgt, dass , was ergibtp = .007 p = 0,0115 Z = - 2,273 p = 0,007 z = - 2.457 z = l o g ( O R ) / S E S E = l o g ( O R ) / Z S E = 0,071 S E = $p = .0115$$p = .007$$p = .0115$$z = -2.273$$p = .007$$z = -2.457$$z = log(OR) / SE$$SE = log(OR) / z$$SE = 0.071$für die erste und für die zweite Studie.$SE = .038$

Jetzt haben Sie alles, um eine Metaanalyse durchzuführen. Ich werde veranschaulichen, wie Sie die Berechnungen mit R mithilfe des metafor-Pakets durchführen können:

library(metafor)
yi  <- log(c(.85, .91))     ### the log odds ratios
sei <- c(0.071, .038)       ### the corresponding standard errors
res <- rma(yi=yi, sei=sei)  ### fit a random-effects model to these data
res

Random-Effects Model (k = 2; tau^2 estimator: REML)

tau^2 (estimate of total amount of heterogeneity): 0 (SE = 0.0046)
tau (sqrt of the estimate of total heterogeneity): 0
I^2 (% of total variability due to heterogeneity): 0.00%
H^2 (total variability / within-study variance):   1.00

Test for Heterogeneity: 
Q(df = 1) = 0.7174, p-val = 0.3970

Model Results:

estimate       se     zval     pval    ci.lb    ci.ub          
 -0.1095   0.0335  -3.2683   0.0011  -0.1752  -0.0438       ** 

Beachten Sie, dass die Metaanalyse unter Verwendung der Log Odds Ratios durchgeführt wird. Also, ist der geschätzte gepoolt log Odds Ratio auf Basis dieser beiden Studien. Lassen Sie uns dies wieder in ein Quotenverhältnis umwandeln:$-0.1095$

predict(res, transf=exp, digits=2)

 pred  se ci.lb ci.ub cr.lb cr.ub
 0.90  NA  0.84  0.96  0.84  0.96

Das gepoolte Quotenverhältnis beträgt also 0,90 mit 95% CI: 0,84 bis 0,96.