lnRR vs. SMD 在統合分析中的選擇

在統合分析（meta-analysis）中，選擇適當的效應量指標至關重要。本篇比較 對數反應比（log response ratio, lnRR） 與 標準化均數差（standardized mean difference, SMD），並根據統計特性與適用情境探討其優缺點。

一、統計特性比較

1. 尺度無關性與解釋直觀性

lnRR（對數反應比）

• 基於比例尺度（ratio scale），直接反映兩組均值的相對變化（如實驗組均值為對照組的1.2倍）。

• 自然對數轉換 使效應量對稱化，避免原始比例的偏態問題。解讀時可轉換為百分比變化（如：e^0.182 ≈ 20%增加），適合生物醫學與生態學研究中的自然測量（如體重、存活率、細胞計數）。

• 適用於數據無負值、具自然零點的變數。

SMD（標準化均數差）

• 依賴標準差標準化，易受標準化方法不一致影響，例如使用變化分數標準差（change score SD）而非基線標準差（baseline SD），可能導致效應量高估或異質性增加。

• 跨研究的標準差變異可能引入人工異質性，影響分析的穩健性。

• 適用於無比例概念的數據，如心理測驗分數、問卷量表等。

2. 偏誤與異質性控制

SMD 的潛在問題

• 標準化標準差的選擇影響效應量：

• 使用變化分數 SD：可能高估效應，例如某研究 SMD = 1.03。

• 改用基線 SD：修正後 SMD = 0.37，顯示標準化方式對結果影響顯著。

• 不同研究間的標準差變異會導致人工異質性，增加統合分析的不確定性。

lnRR 的穩健性

• 無需標準化，避免因標準差選擇不當引入的偏誤。

• 對乘性變化具有線性特性，可應用於不同單位的測量（如公分 vs. 英吋）。

• 對技術誤差較為穩健，特別適用於測量誤差可能影響標準差的研究場景。

二、適用情境與限制

1. lnRR 適用情境

✅ 適合比例尺度數據：當變數具自然零點且關心相對變化時，如：

• 體重變化

• 代謝速率

• 細胞增殖率

• 存活時間

✅ 適用於跨研究單位不一致的情況，如不同研究測量單位不同但需合併分析（如公克與毫克）。

✅ 適合避免標準化偏誤，特別是在基線標準差難以準確估計或存在重複測量（如交叉試驗）。

2. SMD 適用情境

✅ 適合無比例尺度的數據，如：

• 心理量表

• 問卷分數

✅ 當異質性來源明確且不同研究群體變異性已知時，適用於標準化比較（如教育干預對標準化測驗的影響）。

三、方法學建議與實證支持

1. 雙變量模型（Bivariate Model）

最新研究建議同時合成 lnRR 與 SMD，利用兩者互補性提升估計精度並降低假陽性率。

方法 假陽性率 標準誤減少幅度

傳統 SMD 模型 40% -

雙變量模型（lnRR+SMD） 顯著降低 29%

2. 效應量比較的實例

• 在 75 項環境科學統合分析中，單獨使用 SMD 或 lnRR 可能導致 18% 的顯著性結論不同，甚至 9% 的符號相反。

• 使用 lnRR 可避免標準差選擇不當導致的效應量扭曲，如某案例 SMD 從 2.43 修正為 0.37。

四、結論

• lnRR 的優勢在於對比例尺度數據的直觀解釋、避免標準化偏誤，以及對乘性變化的穩健性。

• SMD 則適用於無比例概念的測量，但易受標準差選擇影響。

• 最佳策略：根據數據特性選擇效應量，或採用雙變量模型整合兩者優勢。

### **實務建議**

- **優先使用 lnRR**：當數據為比例尺度且需直觀解釋百分比變化時。

- **謹慎使用 SMD**：確保標準化方法一致（如使用基線 SD），並報告臨床意義閾值。

- **進階應用**：採用雙變量模型結合 lnRR 與 SMD，提升估計精度與可重現性。