1. 基本信息
| 项目 | 内容 |
|---|---|
| 名称 | forest-funnel-plots-gptomics-bioskills |
| 项目自述名称 | bio-data-visualization-forest-funnel-plots（SKILL.md 内部 name 字段） |
| 作者/维护者 | GPTomics Organization |
| 来源链接 | https://github.com/GPTomics/bioSkills/tree/main/data-visualization/forest-funnel-plots |
| 许可证 | MIT（数据来源：GitHub API，仓库级） |
| GitHub Stars / Forks | 所属合集仓库 bioSkills 整体 1,143 / 195（数据来源：GitHub API；⚠️ 为整个合集的数字，不代表本技能自身热度） |
| 最新版本 | 本子技能内容最近一次提交于 2026-05-29（数据来源：GitHub API commits，按该子目录路径查询） |
| 安装方式 | 复制 data-visualization/forest-funnel-plots/ 整个目录（含 SKILL.md、examples/、usage-guide.md）到 agent 的 skills 目录，或用仓库自带安装脚本按分类批量安装 |
2. 功能介绍与亮点
- 系统化封装森林图（forest plot）与漏斗图（funnel plot）的正确产出方法：R 生态下
metafor::forest、forestplot::forestplot、survminer::ggforest（Cox 亚组森林图）、MendelianRandomization::mr_forest四类工具的选型与调用模式 - 把“异质性优先”立为森林图产出的第一原则：强制要求 I²、τ²、Q 检验一并标注，明确固定效应与随机效应模型的适用边界，默认采用 REML 随机效应模型
- 覆盖小样本（k<5）与低把握度（k<10）场景的统计陷阱：k<5 时用 Hartung-Knapp-Sidik-Jonkman 调整替代标准 REML 置信区间，k<10 时不轻信 Egger 检验的显著性结论
- 系统整理 7 类具体失败模式对照表（高异质性下未解释即合并、比值比用线性坐标轴、亚组森林图缺交互检验、trim-and-fill 结果被误当主结果等），逐条给出触发条件、成因与修复代码
- 附可运行的 R 示例脚本（
examples/forest_phd.R）与独立usage-guide.md，并列出 17 篇统计方法学参考文献（Higgins-Thompson 异质性统计量、Egger 发表偏倚检验、Cochrane Handbook 解读区间等）
3. 适用场景
所属分类：数据分析与可视化
面向需要汇总多研究效应量的生物统计学家、临床研究人员与做孟德尔随机化分析的因果推断研究者，典型场景包括：多中心临床试验的 HR/OR/RR 汇总森林图、Cox 模型亚组效应展示、系统综述的发表偏倚漏斗图诊断、孟德尔随机化多方法一致性检验。这类图表的统计陷阱（如未处理异质性直接合并、比值比用线性坐标轴）往往在图面上看不出问题，只有审稿人追问时才暴露——该技能把这些陷阱前置成检查清单。
4. 跨 Agent 兼容性
- Claude Code：原生支持——仓库提供
install-claude.sh，标准 SKILL.md（YAML front matter + 指令正文）可直接安装 - Codex：原生支持——仓库提供
install-codex.sh，用法与 Claude Code 版本一致 - OpenClaw：原生支持——仓库提供专用
install-openclaw.sh，保留原始目录结构 - Hermes Agent：未验证——该技能未见于 Hermes 官方生物信息学网关已索引的清单中；SKILL.md 遵循同一套通用格式，理论上可手动安装，但缺乏官方网关层面的确认
5. 推荐理由
森林图与漏斗图看似是“画个点加条线”的简单图表，但背后是一整套容易出错的统计判断：异质性该不该合并、固定效应还是随机效应、小样本时置信区间会不会失真、发表偏倚检验在几个研究以下不可信。该技能把这些判断整理成决策树、失败模式表与可直接调用的 R 代码模板，帮助 agent 产出既能画图、又经得起统计审查的森林/漏斗图分析。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 5 | 所属合集仓库整体 1,143 stars 不代表本技能自身热度；本技能未见于 Hermes 官方网关索引，所属仓库当前公开 Issue 为 0，未检索到针对该子技能的具名第三方评价或独立采用数据 |
| 可用性 | 8 | SKILL.md（15.8KB）+ 独立 usage-guide.md + 可运行 R 示例脚本，内容详尽且给出依赖包版本核验方法；依赖为 install.packages() 一条命令可装好的开源 R 包（metafor/forestplot/survminer/MendelianRandomization），无付费依赖；本子技能内容最近一次提交为 2026-05-29 |
| 安全性 | 9 | 纯提示词模板 + 本地 R 统计与绘图代码，无 shell 命令执行，无任何网络外发，处理全部在本地完成；MIT 许可证明确；通读全文与示例脚本未见混淆逻辑或可疑指令 |
安全检查清单：①无 shell 命令执行，内容为 R 统计分析与绘图代码及配置示例 ②不主动联网外发数据，全部处理在本地完成 ③无凭据或 API key 要求 ④SKILL.md 与示例脚本均为公开的 metafor/forestplot 用法，未见可疑指令 ⑤GPTomics 为持续维护该开源合集的组织账号，未见刷星等造假迹象 ⑥MIT 许可证清晰 ⑦最近一次提交为 2026-05-29
7. 跟同类 Skills 相比的优势
| 维度 | 本技能（forest-funnel-plots） | aipoch/medical-research-skills（meta-funnel-plot） | htlin222/meta-pipe（ma-meta-analysis） |
|---|---|---|---|
| 定位 | R 生态下森林图+漏斗图正确产出的方法论封装，覆盖异质性判断与多种森林图变体 | Python 脚本化的漏斗图专项工具，CSV 输入直出 PNG | renv 管理的端到端 R 元分析流水线的其中一环 |
| 覆盖范围 | 森林图（含 Cox 亚组、孟德尔随机化）+ 漏斗图，仅这一环 | 仅漏斗图与 Egger/Begg 发表偏倚检验，不含森林图 | 从效应量计算、模型拟合到亚组/元回归/敏感性分析/表格导出的完整 9 步分析链，森林图只是其中一步输出 |
| 统计深度 | 详细解释异质性统计量、小样本 HKSJ 调整、trim-and-fill 局限性，附方法学文献引用 | 说明性内容较薄，聚焦脚本调用而非统计判断依据 | 统计规范写死在流水线脚本里（如强制 REML+Hartung-Knapp），但需配合其上游 5 个流水线阶段一起使用才完整 |
本技能是聚焦森林/漏斗图本身的深度参考；meta-funnel-plot 更适合只需要快速出一张漏斗图的轻量场景；meta-pipe 则面向已经在用其完整系统综述流水线（文献筛选到成稿）的用户，森林图只是其产出链条上的一环，不单独适用于只想画一张森林图的场景。
8. 用户评价
该技能目前在第三方平台尚无具名用户评价；所属仓库当前公开 Issue 数为 0，未见针对本子技能的具名反馈。
9. 其他补充
SKILL.md 的「Related Skills」交叉引用同合集内的 clinical-biostatistics/effect-measures（HR/OR/RR 定义）、clinical-biostatistics/subgroup-analysis（亚组交互检验）、causal-genomics/mendelian-randomization（MR 专项敏感性分析）、clinical-biostatistics/trial-reporting（CONSORT 与元分析报告规范）与 data-visualization/color-palettes，可见本技能定位为该合集“效应量汇总可视化”这一环节的统计正确性把关。
10. 安装使用方式
- 从 GitHub 下载或克隆仓库子目录：
data-visualization/forest-funnel-plots/ - 复制整个目录（含
SKILL.md、examples/forest_phd.R、usage-guide.md）到所用 agent 的 skills 目录（如 Claude Code 的~/.claude/skills/或项目内.claude/skills/）；也可克隆整个仓库后用./install-claude.sh --categories "data-visualization"批量安装同分类下全部技能 - 安装依赖：R 环境下执行
install.packages(c('metafor', 'forestplot', 'survminer', 'MendelianRandomization')) - 无需重启 agent，安装后下次对话即可通过自然语言描述需求触发（如“对这 12 项试验的二分类结局做 REML 随机效应元分析，森林图用对数坐标 OR 轴，标注 I²/τ²/Q 检验并加 95% 预测区间”）
11. 注意事项
- k<5 时直接用标准 REML 置信区间会严重偏乐观，需显式加
test='knha'启用 Hartung-Knapp 调整；k<3 时不建议做汇总，只展示各研究独立效应 - I² 在 k<5 时不具解释力（Borenstein 2017），不应在小样本场景下报告该指标
- Egger 发表偏倚检验要求 k≥10，样本更少时应改用可视化漏斗图或增强轮廓漏斗图判断
- 比值比类指标（OR/HR/RR）森林图必须用对数坐标轴，线性坐标轴会视觉扭曲 <1 与 >1 效应的对称性
- 仓库为社区维护的生物信息学技能合集，非任何厂商官方出品，选用前建议自行核对示例代码与当前 R 包版本是否匹配