原文来自微信公众号：YY科研学社
累效应值是指在进行案例研究时，将每个案例的效应值相加以得出总体效应值。这个值可以帮助我们了解整体研究的效应大小，从而评估研究结果的重要性，通过计算累效应值，可以更好地理解研究中各个案例的贡献，从而得出更全面的结论。累效应值也可以用来比较不同研究之间的效应大小，帮助我们进行跨研究的比较和分析。
计算所有案例研究的累效应值分别采用随机效应模型和混合效应模型计算所有案例研究的平均(累计)效应值，并依据对Qt的异质性检验判断是否要引入影响因素(解释变量)。
第1步：固定效应模型运算，指定method=“FE”，“FE"通常代表"固定效应”（Fixed Effects）；使用summary函数得到拟合模型的各种统计信息。
fixed1<-rma(yi,vi,data=d2,method=“FE”)
fixed
summary（fixed1）
第2步：展示单个案例的效应值和置信区间
首先使用forest函数来创建一个森林图，用于展示之前拟合的固定效应模型的结果。
forest(fixed1,annotate=FALSE,slab=NA,pch=20,font=2,cex=1,psize=1,lty=c(“solid”,“blank”),)
在图上绘制垂直于x轴的一条直线
abline(v=0,lty=“solid”,col=“red”)
在图上绘制一条红色的垂直于x轴的虚线，其位置由固定效应模型的系数确定
abline(v=coef(fixed1),lty=“dotted”,col=“red”)
kk<-1779
points(d2$yi,kk:1,pch=19,cex=0.5,col=“red”)
使用rma函数拟合了一个随机效应模型，然后使用summary函数对这个模型进行总结。
random1<-rma(yi,vi,data=d2,method=“REML”)
summary(random1)
设置作图区的下左上右边缘宽度
par(mar=c(5,6,2,3))
attach()d2
fd3<-d2[order(-yi),]
fd3
attach(fd3)
制作森林图
forest(yi,vi,annotate=FALSE,col=“grey”,slab=NA,xlab=“RR”,pch
=20,efac=0,cex=1,psize=1,xlim=c(-10,10),lty=c(“solid”,“blank”))
addpoly(random1,mlab=NA,efac=1,annotate=FALSE,cex=1)
addpoly(fixed1,mlab=NA,efac=1,annotate=FALSE,cex=1)
abline(v=coef(random1), lty=“solid”,col=“red”, lwd=2)
abline(v=coef(fixed1), lty=“solid”,col=“blue”, lwd=2)
abline(v=0, lty=“dotted”,col=“red”)