2017年8月份，方法学组推出了用于剂量-反应数据的合并新方法，Robust-error meta-regression (REMR) method，新方法推出了之后得到了很多学术界朋友的支持，在国际证据合并方法学领域受到了较大的关注，收获了良好的学术声誉。在之后的几年里，我们一直在推进整个剂量-反应证据合并方法学生态体系的建立，其中较为重要的一环为针对不同统计分析软件开发对应的REMR程序模块。REMR最开始给出的操作代码很长、很多、很也复杂，而且不同数据类型的代码不一样，例如二分类结局数据和连续性结局数据代码差别较大，实现起来比较困难。在REMR方法学组的努力下，实现了Stata软件REMR程序模块的开发，这将使剂量-反应数据合并过程变得简单方便。经过一个月的反复内部测试之后，第一版本于2020年6月1日正式发布。为方便大家的使用，本文简单介绍REMR模块的操作。
我们提供了两种方法进行安装。第一种方法是Stata常用的命令安装方法：
第二种方法是人工下载remr程序包，将其放置在Stata安装路径下，如：D:Program Files (x86)Stata14adobase
https://econpapers.repec.org/software/bocbocode/S458793.htm
(图片中间位置，Downloads处给出了主程序和帮助程序的下载连接)
语法是很唬人的词，无论是什么语言，提到语法，曾经那种挣扎还历历在目。不过REMR语法很简单，开发它的目的是方便大家的使用，不是唬大家的。我们提供了两种数据的模式：A：使用效应量和标准误进行分析; B: 使用四格表数据进行分析。
remr ES se dose, id(varname) category(varname) options
主程序命令是“remr”，作用是让Stata知道我们要使用“remr”这个程序来搞事情。其后有三个变量，分别是：效应量、效应量的标准误、剂量。这里效应量不简单，可以是OR、RR，也可以是Mean、MD、SMD，当然还可以是Prevelance/Incidence。效应量的标准误se，指的是以上效应量的标准误，用于计算权重，倒方差加权。dose指示的是每个研究内的每个剂量分层对应的平均剂量。“id”对应纳入的研究，category对应每篇研究内dose的分层，值得注意的是category从0开始，也就是程序将0识别为reference。
Options是可选功能，包括是否中心化，指定合并后结果的reference（默认浮动效应，也即不设定reference），使用线性还是非线性模型（默认线性），呈现哪些结果，呈现那种图等等。对于原始reference不一致的情况，需要指定进行中心化，center(#)，“#”表示中心化的起始值，也就是把所有的reference都“变换”到这个值。对于需要拟合非线性的数据，使用rcs(#)来指定，“#”用于指定插入的随机节点个数，最小个数是3；也可用knots()来指定，直接指定固定节点的位置，如knots(5 25 50 75 95)。请注意，rcs是指定随机节点，knots是指定固定节点。如需要呈现表格结果，可使用table选项，将呈现每个剂量对于的效应量的结果；如果需要绘制剂量趋势图，命令默认给出普通图，还可以指定bplot绘制气泡图。
remr cases no_cases total dose, id(varname) category(varname) options
同样，首先指定主程序命令是“remr”。其次指定所使用的数据：cases no_cases total。分别表示发生例数、未发生例数、总例数，请注意，这是对应每篇研究内每个剂量分层的发生例数、未发生例数、总例数。该方式的目的是方便使用随机对照试验的数据进行剂量-反应Meta分析。其余语法与2.1部分一致，故不再赘述。
remr提供了数据储存功能，方便随时对数据进行调用。这项功能对大部分研究人员作用不大，但是对方法学家有巨大作用。例如在进行模拟研究时，需要调用并保存每一次模拟的结果，数据储存功能将极大的节省精力。我们提供了三个数据矩阵：1）结果矩阵：剂量-效应-区间；2）回归系数矩阵：beta-covariance；3)剂量矩阵（无关紧要，考虑在下一版本删除）。运行完remr程序后，即可使用该功能调出数据，例如第一和第二个矩阵调出方式如下：
我们使用一个经典的例子进行演示remr的操作。该实例探讨了BMI与肾癌发生的风险的剂量-反应关系，共纳入了8篇研究。使用命令下载数据：
use http://nicolaorsini.altervista.org/data/bmi_rc, clear
下载完成后，Stata数据窗口将会加载相关数据，界面如下：
对应的变量含义为：id表示纳入研究id，从1-8分别为第一篇到第8篇研究;author变量指第一作者和发表年份;interval变量指示剂量分层的范围，bmi表示每个分层的平均剂量; case、control、n分别表示发生例数，未发生例数，总例数；rr、lb、ub表示效应量RR及其置信区间上限下限；logor表示效应量的对数（这里变量名有问题，应该是logrr），selogor表示对数变换后效应量的标准误。
该示例数据提供了第二部分介绍的两种数据。我们首先使用效应量/标准误的数据进行演示。首先检查每篇研究里的剂量是否是从小到大的顺序排列，如果不是，请按照以下代码进行排序：
接下来就可以进行数据分析了，先用固定节点knots设置样条函数：
remr logor selogor bmi, id(id) cat(cat) knots(25 50 75) table bplot
remr logor selogor bmi, id(id) cat(cat) rcs(3) table bplot
此处给出了2张表，第一张表展示了数据类型、拟合模型（非线性）、节点个数（3个），节点的分位点（25% 50% 75%）、研究个数、R-squared等重要信息，该表为默认输出。第二张表展示了详细回归分析结果，值得注意的是，第二张表需要”table”选项才能调出。同时，第二张表给出了每个剂量对应的效应量的结果：
我们再使用四格表数据进行演示。同样，首先检查每篇研究里的剂量是否是从小到大的顺序排列，如果不是，请按照以下代码进行排序：
接着进行数据分析，用固定节点knots设置样条函数：
remr case control n bmi, id(id) cat(cat) knots(25 50 75) table bplot
remr logor selogor bmi, id(id) cat(cat) rcs(3) table bplot
请注意，对于观察性研究，四格表数据是未经过变量校正的，因此结果有诸多混杂因素。因此我们建议对于观察性研究，应使用校正后的效应量及标准误方式进行分析；对于随机对照试验，可以用四格表数据方式进行分析。
亚组分析是remr命令的特色功能，因此进行单独介绍。使用if选项可实现亚组分析。假设指定亚组的变量为age, age=1表示0-18岁，age=2表示19-65岁，age=3表示66岁及以上。我们现在想看看成年人群的结果，可以使用以下命令：
remr logor selogor bmi if age==2, id(id) cat(cat) knots(25 50 75) table bplot
第二版本将加入更多功能，这些包括但不限于：分段线性模型、非线性检验、异质性检测、categorical合并等等，敬请期待！
欢迎各位朋友、老师、同仁提出批评，您的宝贵建议将使我们做的更好！非常感谢！
1. Xu C, Doi SAR. 2018. The robust error meta-regression method for dose–response meta-analysis. Int J Evid Based Healthc 16:138-144.
2. Furuya-Kanamori L, Xu C, Doi SAR. REMR: Stata module to implement robust error meta-regression method for dose–response meta-analysis. 2020.https://EconPapers.repec.org/RePEc:boc:bocode:s458793.
