我正在做一个多层次的荟萃分析。许多研究有几个亚组。当我绘制森林图时，研究是以子群的形式呈现的。其中有60项，然而，我想根据研究规划研究，然后是25项研究，这将更合适。有人知道如何绘制这个森林图吗？
我是这样做的：
full.model <- rma.mv(yi = yi,
V = vi,
slab = Author,
data = df,
random = ~ 1 | Author/Study,
test = "t",
method = "REML")
forest(full.model)
我不清楚您是想聚合到Author级别还是Study级别。如果特定研究有多行数据，那么模型并不是真正完整的，你可能需要为研究中的估计水平添加另一个随机截距。从本质上讲，最低随机效应在输出中的nlvls值应该与估计值(k(一样多。
让我们首先处理这样一种情况，即我们有一个多层次结构，包括两个层次、研究和研究中的多个估计(出于一些技术原因，有些人可能会称之为三层次模型，但我们不要深入讨论(。我将使用一个完全可复制的例子进行说明，使用dat.konstantopoulos2011数据集，其中我们有地区和地区内的学校。我们适合您所拥有的类型的多级模型：
library(metafor)
dat <- dat.konstantopoulos2011
res <- rma.mv(yi, vi, random = ~ 1 | district/school, data=dat)
res
我们可以使用aggregate()函数将估计值聚合到地区级别，指定模型估计值的边际var cov矩阵，以说明它们的非独立性(注意，这使用了仅适用于escalc对象的aggregate.escalc()，因此如果不是，则需要将数据集转换为一个数据集-有关详细信息，请参阅help(aggregate.escalc)(：
agg <- aggregate(dat, cluster=dat$district, V=vcov(res, type="obs"))
agg
你会发现，如果你根据汇总数据将等效应模型拟合到这些估计中，结果与你从多水平模型中获得的结果相同(我们使用等效应模型，因为多水平模型所解释的异质性已经封装在vcov(res, type="obs")中(：
rma(yi, vi, method="EE", data=agg)
因此，我们现在可以在森林图中使用这些聚合值：
with(agg, forest(yi, vi, slab=district))
根据您的描述，我的猜测是，您实际上有一个额外的级别，应该包括在模型中，并且您希望聚合到中间级别。这有点复杂，因为aggregate()并不适用于此。只是为了说明的目的，假设我们使用year作为另一个(更高(级别，我会对数据进行一些处理，使所有三个方差分量都为非零(同样，只是为了说明目的(：
dat$yi[dat$year == 1976] <- dat$yi[dat$year == 1976] + 0.8
res <- rma.mv(yi, vi, random = ~ 1 | year/district/school, data=dat)
res
现在，我们可以使用多元模型来代替aggregate()，包括中间水平作为因子，并再次使用vcov(res, type="obs")作为var cov矩阵：
agg <- rma.mv(yi, V=vcov(res, type="obs"), mods = ~ 0 + factor(district), data=dat)
agg
现在这个模型的模型系数是聚合值，模型系数的var cov矩阵是这些聚合值的var cow矩阵：
coef(agg)
vcov(agg)
它们并不都是独立的(因为我们还没有聚合到最高级别(，所以如果我们想检查我们是否可以获得与多级模型相同的结果，我们必须考虑这种依赖性：
rma.mv(coef(agg), V=vcov(agg), method="EE")
同样，结果完全相同。因此，现在我们使用这些系数和vcov(agg)的对角线作为它们在森林图中的采样方差：
forest(coef(agg), diag(vcov(agg)), slab=names(coef(agg)))
林图无法指示这些值中仍然存在的依赖性，因此，如果仅使用diag(vcov(agg))作为采样方差对这些聚合值进行元分析，结果将与从完整多级模型中获得的结果不相同。但实际上没有办法解决这一问题，该图只是汇总估计的可视化，显示的CI是正确的。
您需要在data的新列中指定自己的分组，并将其用作新的随机效果：
df$study_group <- c(1,1,1,2,2,3,4,5,5,5) # example
full.model <- rma.mv(yi = yi,
V = vi,
slab = Author,
data = df,
random = ~ 1 | study_group,
test = "t",
method = "REML")
forest(full.model)