เทคนิคที่ 098 · PYTHON / JAVASCRIPT

ฟอเรสต์พล็อตForest Plot

รวมผลจากหลายงานวิจัยไว้ในภาพเดียว

4
ขั้นสูงควรรู้ก่อน · เข้าใจช่วงความเชื่อมั่น
ลองเล่น

01ภาพรวมของกราฟนี้

Forest plot วางผลของแต่ละการศึกษาพร้อมช่วงความเชื่อมั่นเรียงกัน โดยขนาดของจุดแปรตามน้ำหนักและมีค่าสรุปรวมด้านล่าง เป็นมาตรฐานของการสังเคราะห์งานวิจัย จุดที่ต้องระวังคือค่าสรุปจะเชื่อถือได้ก็ต่อเมื่อการศึกษาที่รวมกันเทียบกันได้จริง

เปรียบเทียบให้เห็นภาพ

เหมือนการฟังความเห็นของพยานหลายคนแล้วชั่งน้ำหนักตามความน่าเชื่อถือของแต่ละคน ก่อนจะสรุป

ใช้ที่ไหนบ้าง — การสังเคราะห์งานวิจัยทางการแพทย์ การรวมผลการทดลอง A/B หลายรอบ หรือการสรุปผลจากหลายสาขาขององค์กร

สร้างอย่างไร

  1. ขั้นที่ 1รวบรวมผลและช่วงความเชื่อมั่นของแต่ละการศึกษา
  2. ขั้นที่ 2ให้ขนาดจุดแปรตามน้ำหนักซึ่งมักคือขนาดตัวอย่าง
  3. ขั้นที่ 3คำนวณค่าสรุปรวมและวาดเป็นเพชรด้านล่าง
  4. ขั้นที่ 4ทำเส้นตั้งที่ค่าที่แปลว่าไม่มีผล

ตัวอย่างคลาสสิก · Forest plot ในการทบทวนวรรณกรรมอย่างเป็นระบบ

Cochrane Collaboration ใช้ forest plot เป็นภาพหลักในการทบทวนวรรณกรรมทางการแพทย์มาตั้งแต่ทศวรรษ 1990 จนกลายเป็นมาตรฐานสากล เพราะมันแสดงทั้งหลักฐานรายชิ้นและข้อสรุปรวมพร้อมกัน ทำให้ผู้อ่านตรวจสอบได้เองว่าข้อสรุปมาจากไหน แทนที่จะต้องเชื่อผู้เขียน

Wikipedia · Forest plot ↗

02อธิบายภาษาคนเข้าใจง่าย ๆ

เมื่อมีงานวิจัยหลายชิ้นถามคำถามเดียวกันแล้วได้คำตอบไม่ตรงกัน คำถามคือจะสรุปอย่างไร

การนับว่ากี่ชิ้นบอกว่าได้ผลเป็นวิธีที่แย่ เพราะงานที่ทำกับคนสามหมื่นคนกับงานที่ทำกับคนสามสิบคนไม่ควรมีน้ำหนักเท่ากัน

Forest plot แสดงทุกการศึกษาพร้อมช่วงความเชื่อมั่น และให้ขนาดของจุดแปรตามน้ำหนัก ทำให้ตาเห็นทันทีว่างานไหนมีน้ำหนักมากและงานไหนมีช่วงกว้างจนแทบไม่บอกอะไร

ด้านล่างสุดคือเพชรที่แทนค่าสรุปรวม ซึ่งถ่วงน้ำหนักตามความแม่นของแต่ละงาน ไม่ใช่การเฉลี่ยเฉย ๆ

ข้อควรระวังที่สำคัญที่สุดคือการรวมผลมีความหมายก็ต่อเมื่อการศึกษาเหล่านั้นถามคำถามเดียวกันจริง ๆ ในประชากรที่เทียบกันได้

ถ้ารวมสิ่งที่ต่างกันเกินไป ค่าสรุปที่ได้ก็เป็นตัวเลขที่ดูน่าเชื่อถือแต่ไม่มีความหมาย ซึ่งเป็นอันตรายมากกว่าการไม่สรุปเลย

03ข้อมูลที่ต้องใช้

รูปทรงของข้อมูลตารางแบบยาว (หนึ่งแถวหนึ่งสังเกต)
จำนวนมิติที่เข้ารหัสได้4 มิติ
จำนวนแถวที่เหมาะ5–25 การศึกษาขั้นต่ำ 3 แถว
เส้นฐานศูนย์ไม่เกี่ยวข้องเส้นที่สำคัญคือเส้นที่แปลว่าไม่มีผล ซึ่งอาจเป็นศูนย์หรือหนึ่งแล้วแต่หน่วย

คอลัมน์ที่ต้องเตรียม

คอลัมน์ทำหน้าที่ชนิดเข้ารหัสด้วยจำนวนค่าที่เหมาะหมายเหตุ
studyชื่อการศึกษาหมวดหมู่y3–40 การศึกษาเรียงตามปีหรือตามขนาดผล
estimateขนาดของผลตัวเลขต่อเนื่องxต่อเนื่องหน่วยเดียวกันทุกการศึกษา
lowขอบล่างของช่วงช่วงค่าxน้อยกว่า estimateช่วงความเชื่อมั่น 95%
highขอบบนของช่วงช่วงค่าxมากกว่า estimateช่วงความเชื่อมั่น 95%
nขนาดตัวอย่างจำนวนนับsizeบวกเท่านั้น★ กำหนดน้ำหนักและขนาดจุด

ต้องเตรียมข้อมูลอย่างไรก่อนวาด

  1. ★ ตรวจว่าการศึกษาทั้งหมดเทียบกันได้จริงก่อนรวม
  2. แปลงผลให้อยู่ในหน่วยเดียวกัน
  3. คำนวณน้ำหนักและค่าสรุปรวมด้วยวิธีที่ระบุไว้

ค่าที่หายไป — การศึกษาที่ไม่มีช่วงความเชื่อมั่นต้องแสดงแยกและไม่นำเข้าการคำนวณค่าสรุป

สเกลของแกน — ถ้าผลเป็นอัตราส่วนควรใช้แกนลอการิทึม เพราะอัตราส่วนสองเท่ากับครึ่งหนึ่งควรห่างจากหนึ่งเท่ากัน

กราฟจะเริ่มพังเมื่อไร

เกิน 40 การศึกษา ต้องแบ่งกลุ่มย่อยแล้วแสดงค่าสรุปของแต่ละกลุ่ม

หน้าตาไฟล์ที่ต้องเตรียม

study,estimate,low,high,n
การทดลองที่ 1,3.37,0.57,6.17,630
การทดลองที่ 2,9.91,4.94,14.88,647
…

04อ่านแล้วเห็นอะไร

สิ่งที่เห็นได้จากภาพ

  • ความสอดคล้องหรือขัดแย้งกันระหว่างการศึกษา
  • การศึกษาที่มีน้ำหนักมากที่สุด
  • ค่าสรุปรวมและช่วงของมัน
  • การศึกษาที่ผลต่างจากชิ้นอื่นอย่างชัดเจน

สิ่งที่กราฟนี้ตอบไม่ได้

  • ★ ค่าสรุปเชื่อถือได้ก็ต่อเมื่อการศึกษาที่รวมกันเทียบกันได้จริง ซึ่งภาพไม่ได้บอก
  • อคติจากการตีพิมพ์ ซึ่งต้องดูจาก funnel plot
  • คุณภาพของแต่ละการศึกษา

อ่านตามลำดับนี้

  1. ดูว่าช่วงของแต่ละการศึกษาคร่อมเส้นไม่มีผลหรือไม่
  2. ดูขนาดจุดเพื่อรู้ว่างานไหนมีน้ำหนัก
  3. อ่านเพชรด้านล่างซึ่งคือค่าสรุปรวม

คำถามที่ตอบได้

  • หลักฐานโดยรวมบอกอะไร
  • การศึกษาสอดคล้องกันแค่ไหน
  • งานชิ้นไหนมีน้ำหนักมากที่สุด

สัญญาณว่ามีอะไรผิด

  • รวมการศึกษาที่ต่างกันเกินไป
  • ไม่แสดงน้ำหนักของแต่ละการศึกษา
  • ใช้แกนเชิงเส้นกับผลที่เป็นอัตราส่วน

05เหมาะกับการนำเสนอแบบไหน

ผู้ชมที่เหมาะผู้อ่านที่ต้องประเมินหลักฐานจากหลายแหล่ง
เวลาที่ผู้ชมต้องใช้ต้องอธิบาย
ขนาดเล็กสุดที่ยังอ่านได้520×320 px
รายงานเชิงวิเคราะห์
สิ่งพิมพ์
สไลด์ผู้บริหารข้อมูลหนาแน่นเกินกว่าจะอ่านในเวลาสั้น
มือถือชื่อการศึกษายาวและช่วงเบียด

ทำอย่างไรให้คนอ่านได้ข้อสรุปโดยไม่ต้องบรรยาย

  1. ★ เขียนเกณฑ์ที่ใช้คัดการศึกษาเข้ามารวม
  2. ติดค่าและช่วงเป็นตัวเลขทางขวาของทุกแถว
  3. ระบุวิธีคำนวณค่าสรุปรวม

รูปแบบชื่อกราฟที่ควรใช้

ผลรวมจาก <จำนวน> การศึกษา โดยค่าสรุปคือ <ค่า> (<ช่วง>)

06เอาไปใช้ต่อ

โค้ดทุกชิ้นอ่านไฟล์ forest-plot-sample.csv ชุดเดียวกับที่ Playground ใช้ และตัวเลขในโค้ดเปลี่ยนตามค่าที่คุณปรับด้านล่าง

# ติดตั้ง: pip install "matplotlib==3.10.*" "pandas==2.*"
# ดาวน์โหลด forest-plot-sample.csv จากหน้านี้ แล้ววางไว้ข้างสคริปต์
import matplotlib
matplotlib.use("Agg")   # รันแบบไม่มีหน้าจอ ถ้ารันในเครื่องตัวเองลบบรรทัดนี้ได้
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

C1, C2, C3 = "#2a78d6", "#eb6834", "#1baf7a"   # palette ของคลัง เปลี่ยนเป็นสีองค์กรได้
INK, SURFACE = "#0b0b0b", "#fcfcfb"

df = pd.read_csv("forest-plot-sample.csv")
df["estimate"] = pd.to_numeric(df["estimate"], errors="coerce")
df["low"] = pd.to_numeric(df["low"], errors="coerce")
df["high"] = pd.to_numeric(df["high"], errors="coerce")
df["n"] = pd.to_numeric(df["n"], errors="coerce")
NOTE = "weight"   # ← ค่าจาก Playground

fig, ax = plt.subplots(figsize=(7.6, 4.2), facecolor=SURFACE)
ax.set_facecolor(SURFACE)

d = df.sort_values("estimate").reset_index(drop=True)
w = d["n"] / d["n"].sum()                            # น้ำหนักจากขนาดตัวอย่าง
pooled = (d["estimate"] * w).sum()
ax.errorbar(d["estimate"], d.index,
            xerr=[d["estimate"] - d["low"], d["high"] - d["estimate"]],
            fmt="none", ecolor=C1, capsize=3, linewidth=1.6)
ax.scatter(d["estimate"], d.index, s=w * 2600, color=C1, zorder=3)   # ขนาด = น้ำหนัก
ax.axvline(0, color="#8c887e", linestyle="--", linewidth=1)
ax.plot([pooled], [-1], marker="D", markersize=12, color="#22201c")  # เพชร = ค่าสรุป
ax.set_yticks(list(d.index) + [-1], list(d["study"]) + ["ค่าสรุปรวม"])
ax.set_xlabel("ขนาดของผล (ช่วงความเชื่อมั่น 95%)")

ax.spines[["top", "right"]].set_visible(False)   # ลดเส้นที่ไม่ได้ให้ข้อมูล
fig.tight_layout()
fig.savefig("forest-plot.png", dpi=160)
print("เขียน forest-plot.png แล้ว ·", len(df), "แถว")

ติดตั้ง: pip install "matplotlib==3.10.*" "pandas==2.*" · ทดสอบกับเวอร์ชัน 3.10

07ลองเล่นเพื่อเข้าใจ

ข้อมูลตัวอย่าง · 7 แถว · seed 419● คำนวณใหม่ในเบราว์เซอร์ทันทีที่ปรับค่า
จุดใหญ่ = น้ำหนักมาก
-5.000.005.0010.015.020.0ขนาดของผลการทดลองที่ 13.37 [0.57, 6.17]การทดลองที่ 1 · 3.37 [0.57, 6.17] · n=630การทดลองที่ 29.91 [4.94, 14.9]การทดลองที่ 2 · 9.91 [4.94, 14.9] · n=647การทดลองที่ 311.4 [6.26, 16.5]การทดลองที่ 3 · 11.4 [6.26, 16.5] · n=668การทดลองที่ 411.3 [7.10, 15.5]การทดลองที่ 4 · 11.3 [7.10, 15.5] · n=245การทดลองที่ 51.91 [-1.41, 5.23]การทดลองที่ 5 · 1.91 [-1.41, 5.23] · n=242การทดลองที่ 61.52 [-4.00, 7.04]การทดลองที่ 6 · 1.52 [-4.00, 7.04] · n=769การทดลองที่ 78.60 [4.55, 12.7]การทดลองที่ 7 · 8.60 [4.55, 12.7] · n=502ค่ารวม
ค่ารวมถ่วงน้ำหนัก6.72
การศึกษาที่ช่วงคร่อมศูนย์2 จาก 7
การศึกษาที่หนักสุดการทดลองที่ 6
ดูข้อมูลเป็นตาราง (7 แถว)
forest plot 7 การศึกษา ค่ารวม 6.72
การศึกษาผลขอบล่างขอบบนnน้ำหนัก
การทดลองที่ 13.370.576.1763017.0%
การทดลองที่ 29.914.9414.964717.5%
การทดลองที่ 311.46.2616.566818.0%
การทดลองที่ 411.37.1015.52456.6%
การทดลองที่ 51.91-1.415.232426.5%
การทดลองที่ 61.52-4.007.0476920.8%
การทดลองที่ 78.604.5512.750213.6%

ลองแล้วจะเห็นอะไร

  • สังเกตอะไร: สังเกตว่างานที่มีช่วงแคบมักมีจุดใหญ่ — ทั้งสองอย่างมาจากขนาดตัวอย่างที่มากเหมือนกัน

ข้อควรระวัง

  1. ★ รวมการศึกษาที่ต่างกันเกินไป ทำให้ค่าสรุปดูน่าเชื่อถือแต่ไม่มีความหมาย
  2. ไม่แสดงน้ำหนัก ทำให้งานเล็กดูสำคัญเท่างานใหญ่
  3. ใช้แกนเชิงเส้นกับผลที่เป็นอัตราส่วน
  4. ไม่ระบุเกณฑ์คัดเลือกการศึกษา ทำให้ตรวจสอบอคติในการคัดไม่ได้

เมื่อไหร่ไม่ควรใช้กราฟนี้

  • มีการศึกษาเดียว→ใช้แทน: error-bars
  • ต้องตรวจอคติจากการตีพิมพ์→ใช้แทน: funnel-plot
  • สนใจว่าผลใหญ่พอจะสำคัญในทางปฏิบัติไหม→ใช้แทน: effect-size-plot

กราฟที่เกี่ยวข้อง

เทคนิคถัดไป · ฟันเนลพล็อต