你已经从每一篇纳入研究里提取出效应量，算好了合并估计值，现在你需要的是在多数读者眼里"就等于" Meta 分析的那张图：森林图（forest plot）。传统路线要走 R 的 metafor、meta，或者 RevMan，而把各列、菱形和权重对齐，往往能耗掉你一整个下午。这篇指南教你只用大白话做出 Meta 分析的森林图：行、置信区间和合并菱形都由 AI 来拼，你把精力留给证据合成本身。
读完这篇指南，你将能够：
- 做出 Meta 分析森林图，每篇研究一行，带点估计值和置信区间——无需写代码。
- 绘制比值比、风险比、均数差或风险比（HR），并把无效应线放在正确位置。
- 加上研究权重、合并汇总菱形，以及审稿人期待看到的异质性统计量（I²、τ²）。
- 构建亚组森林图，并导出可印刷的图用于你的系统综述或期刊投稿。
下面所有操作都在 SciDraw AI 编辑器 里、用 森林图生成器 完成——你提供研究和效应量，AI 把图画出来，你再用文字打磨。
森林图在传达什么
森林图把众多研究汇总进一个纵向堆叠里。每一行是一篇研究：一个方块标出它的效应估计值，一条水平线表示置信区间，方块的大小反映它在 Meta 分析里的权重。一条竖直的无效应线（比值类在 1 处，差值类在 0 处）让读者一眼看出哪些研究是显著的。底部一个菱形展示合并估计值——它的中心是汇总效应，它的宽度是合并置信区间。
这张图必须把三件事讲清楚：每篇研究的效应与精度、各自贡献了多少、它们合在一起说明了什么。这三点做对，图就把整个故事讲完了。
第一步：描述你想要的森林图
打开 编辑器，先告诉 AI 效应指标、研究和结构。效应指标决定了无效应线落在哪里、横轴是否用对数刻度，所以一开始就要讲明。
模板： "为一项纳入 [N] 篇研究的 Meta 分析做一张森林图。效应指标：[比值比 / 风险比 / 均数差 / 风险比 HR]。每篇研究画出点估计值和 95% 置信区间，方块大小按权重，无效应竖线在 [1 / 0] 处，底部一个合并汇总菱形。横轴用 [对数] 刻度。"
一个填好的例子：
- "为一项纳入 8 项随机试验的 Meta 分析做一张森林图。效应指标：比值比，横轴对数刻度。每篇研究一行，右侧用文字标出研究名称、OR 和 95% CI，方块大小按研究权重，无效应竖直虚线在 OR = 1 处。底部加一个随机效应合并菱形，标注为 'Overall'。"
第二步：录入研究和效应量
每一行都需要一个标签和一个带区间的效应估计值。你可以把一张小表交给 AI，也可以直接列在对话里。
- "把这些研究加为行：Smith 2019，OR 1.42（1.10–1.84）；Lee 2020，OR 0.88（0.61–1.27）；Garcia 2021，OR 1.95（1.30–2.93）……"
- "在右侧一列里按行对齐显示数值 OR 和 95% CI。"
- "在左侧加一列，列出每篇研究的第一作者和年份。"
如果你的效应指标是连续型的，就换一种说法："用均数差，无效应线在 0 处，横轴用线性刻度。"
第三步：加上权重、合并菱形和异质性
把森林图和"一排误差棒"区分开来的，正是这些 Meta 分析的细节。要明确地提出来：
- "让每篇研究的方块大小与其权重成比例，并在右侧加一列 'Weight (%)'。"
- "底部加一个随机效应合并菱形；它的宽度是汇总估计值的 95% CI。"
- "在菱形下方加异质性统计量：I² = 38%，τ² = 0.04，p = 0.12。"
- "把合并那一行标注为 'Overall (random effects)'。"
讲清楚你的合并是固定效应还是随机效应——它会改变权重和菱形，审稿人也会核对。
第四步：加上亚组和方向标签
很多综述会按亚组（如剂量、地区、偏倚风险）拆分研究。AI 可以把行分组，并为每个亚组配一个小计菱形。
- "把研究分成两个亚组——'High dose' 和 'Low dose'——各自带一个小计菱形，然后在最底部放一个总菱形。"
- "在两个小计之间加一个亚组异质性检验。"
- "加上坐标轴方向标签：左侧 'Favors treatment'，右侧 'Favors control'。"
坐标轴下方的方向标签虽是个小细节，却能防止读者误判哪一侧更有利。之后若要打磨任意一个单独的标签，见 如何编辑 AI 图中的文字与标签。
常见错误（以及如何修正）
- 无效应线放错。 在均数差图上把无效应线放在 1 处是毫无意义的。修正： "均数差用无效应线 0，比值类指标用 1。"
- 比值类用了线性轴。 比值比和风险比在线性刻度上是偏斜的。修正： "横轴用对数刻度，让置信区间看起来对称。"
- 缺少研究权重。 等大的方块会掩盖哪些研究在主导结果。修正： "方块大小按权重，并加一列权重。"
- 没有合并菱形。 一堆研究却没有汇总，那就不是一张 Meta 分析图。修正： "在底部加合并汇总菱形。"
- 省略了异质性。 读者需要 I² 和 τ² 来判断合成结果。修正： "在菱形下方加 I²、τ² 和异质性 p 值。"
- 各列没对齐。 研究名、估计值和 CI 没对齐看着很潦草。修正： "把研究、估计值、CI 和权重各列对齐成整齐的纵向通道。"
导出与使用
图做好后，按你的目标导出：
- "把这张图导出成 300 DPI 的 PNG，尺寸适配整页期刊宽度。"
- "给我一个 SVG，方便我投稿前在 Illustrator 里编辑。"
- "导出高分辨率、白色背景，用于补充材料。"
森林图通常是更大的系统综述包里的一张图。可以把它和 如何制作 PRISMA 流程图（用于研究筛选流程）搭配；如果你同时也在报告试验本身，再配上 如何制作 CONSORT 流程图。继续用 如何编辑 AI 图中的文字与标签 打磨文字。所有内容在 SciDraw AI 编辑器 里始终可编辑。
常见问题
不用 R 或 RevMan 怎么做 Meta 分析森林图？
打开 森林图生成器，说明你的效应指标（比值比、风险比、均数差或 HR），逐篇列出研究及其估计值和 95% CI，AI 就会把行、权重和合并菱形都搭出来。一切都通过打字来调整——不需要 metafor 或 RevMan。
比值比森林图和风险比森林图有什么区别？ 两者都是比值类指标，画在对数横轴上、无效应线在 1 处，所以布局完全一样。区别在于底层计算和解读方式；只要告诉生成器你的数据用的是哪种指标，它就会相应标注坐标轴。
无效应线应该放在哪？ 比值类指标（比值比、风险比、HR）在对数刻度上放在 1 处；差值类指标（均数差、标准化均数差）在线性刻度上放在 0 处。一开始就讲明效应指标，它就能放对。
怎么在森林图上展示研究权重？ 让 AI 把每篇研究的方块大小与其权重成比例，并加一列 "Weight (%)"。方块越大，表示该研究对合并估计值的贡献越大——这是 Meta 分析图的核心惯例。
可以做亚组森林图吗？ 可以。告诉 森林图生成器 该如何分组，它就会建立各个亚组、每组配一个小计菱形，再加一个总菱形，还可选地加上亚组异质性检验。
现在就做你的森林图
跳过 RevMan 的繁琐设置。列出你的研究，说明效应指标，让 AI 拼出一张干净、加权、带合并菱形、可发表的森林图。打开 森林图生成器，或直接前往 SciDraw AI 编辑器，现在就开始做。
