Как рассчитать стандартную ошибку коэффициентов шансов?

У меня есть два набора данных из общих исследований генома ассоциации. Единственная доступная информация - это отношение шансов и значение p для первого набора данных. Для второго набора данных у меня есть отношение шансов, р-значение и частоты аллелей (AFD = болезнь, AFC = контроль) (например, 0,321). Я пытаюсь выполнить мета-анализ этих данных, но у меня нет параметра размера эффекта для этого. Есть ли возможность рассчитать доверительные интервалы SE и OR для каждого из этих данных только с использованием предоставленной информации?
заранее спасибо

пример: данные доступны:

    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

С этими данными я могу рассчитать SE и CI95% ИЛИ? Спасибо

Вы можете рассчитать / приблизить стандартные ошибки с помощью p-значений. Сначала преобразуйте двусторонние p-значения в односторонние p-значения, разделив их на 2. Таким образом, вы получите и p = .007 . Затем преобразуйте эти p-значения в соответствующие z-значения. Для p = .0115 это z = - 2.273, а для p = .007 это z = - $p = .0115$$p = .007$$p = .0115$$z = -2.273$$p = .007$$z = -2.457$(они отрицательны, так как коэффициенты шансов ниже 1). Эти z-значения на самом деле представляют собой статистику теста, рассчитанную путем взятия логарифма отношений шансов, разделенных на соответствующие стандартные ошибки (т. Е. ). Таким образом, отсюда следует , что S Е = л о г ( О Р ) / г , что дает S E = 0,071 для первого и S E = .038 для второго исследования.$z = log(OR) / SE$$SE = log(OR) / z$$SE = 0.071$$SE = .038$

Теперь у вас есть все, чтобы сделать метаанализ. Я проиллюстрирую, как вы можете выполнять вычисления с помощью R, используя пакет metafor:

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       ** 

Обратите внимание, что метаанализ проводится с использованием коэффициентов шансов. Итак, - это расчетное соотношение логарифмических шансов, основанное на этих двух исследованиях. Давайте преобразуем это обратно в отношение шансов:$-0.1095$

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

Таким образом, объединенное соотношение шансов составляет 0,90 с 95% ДИ: от 0,84 до 0,96.