01ภาพรวมของกราฟนี้
Forest plot วางผลของแต่ละการศึกษาพร้อมช่วงความเชื่อมั่นเรียงกัน โดยขนาดของจุดแปรตามน้ำหนักและมีค่าสรุปรวมด้านล่าง เป็นมาตรฐานของการสังเคราะห์งานวิจัย จุดที่ต้องระวังคือค่าสรุปจะเชื่อถือได้ก็ต่อเมื่อการศึกษาที่รวมกันเทียบกันได้จริง
เปรียบเทียบให้เห็นภาพ
เหมือนการฟังความเห็นของพยานหลายคนแล้วชั่งน้ำหนักตามความน่าเชื่อถือของแต่ละคน ก่อนจะสรุป
ใช้ที่ไหนบ้าง — การสังเคราะห์งานวิจัยทางการแพทย์ การรวมผลการทดลอง A/B หลายรอบ หรือการสรุปผลจากหลายสาขาขององค์กร
สร้างอย่างไร
- ขั้นที่ 1รวบรวมผลและช่วงความเชื่อมั่นของแต่ละการศึกษา
- ขั้นที่ 2ให้ขนาดจุดแปรตามน้ำหนักซึ่งมักคือขนาดตัวอย่าง
- ขั้นที่ 3คำนวณค่าสรุปรวมและวาดเป็นเพชรด้านล่าง
- ขั้นที่ 4ทำเส้นตั้งที่ค่าที่แปลว่าไม่มีผล
ตัวอย่างคลาสสิก · Forest plot ในการทบทวนวรรณกรรมอย่างเป็นระบบ
Cochrane Collaboration ใช้ forest plot เป็นภาพหลักในการทบทวนวรรณกรรมทางการแพทย์มาตั้งแต่ทศวรรษ 1990 จนกลายเป็นมาตรฐานสากล เพราะมันแสดงทั้งหลักฐานรายชิ้นและข้อสรุปรวมพร้อมกัน ทำให้ผู้อ่านตรวจสอบได้เองว่าข้อสรุปมาจากไหน แทนที่จะต้องเชื่อผู้เขียน
02อธิบายภาษาคนเข้าใจง่าย ๆ
เมื่อมีงานวิจัยหลายชิ้นถามคำถามเดียวกันแล้วได้คำตอบไม่ตรงกัน คำถามคือจะสรุปอย่างไร
การนับว่ากี่ชิ้นบอกว่าได้ผลเป็นวิธีที่แย่ เพราะงานที่ทำกับคนสามหมื่นคนกับงานที่ทำกับคนสามสิบคนไม่ควรมีน้ำหนักเท่ากัน
Forest plot แสดงทุกการศึกษาพร้อมช่วงความเชื่อมั่น และให้ขนาดของจุดแปรตามน้ำหนัก ทำให้ตาเห็นทันทีว่างานไหนมีน้ำหนักมากและงานไหนมีช่วงกว้างจนแทบไม่บอกอะไร
ด้านล่างสุดคือเพชรที่แทนค่าสรุปรวม ซึ่งถ่วงน้ำหนักตามความแม่นของแต่ละงาน ไม่ใช่การเฉลี่ยเฉย ๆ
ข้อควรระวังที่สำคัญที่สุดคือการรวมผลมีความหมายก็ต่อเมื่อการศึกษาเหล่านั้นถามคำถามเดียวกันจริง ๆ ในประชากรที่เทียบกันได้
ถ้ารวมสิ่งที่ต่างกันเกินไป ค่าสรุปที่ได้ก็เป็นตัวเลขที่ดูน่าเชื่อถือแต่ไม่มีความหมาย ซึ่งเป็นอันตรายมากกว่าการไม่สรุปเลย
03ข้อมูลที่ต้องใช้
คอลัมน์ที่ต้องเตรียม
| คอลัมน์ | ทำหน้าที่ | ชนิด | เข้ารหัสด้วย | จำนวนค่าที่เหมาะ | หมายเหตุ |
|---|---|---|---|---|---|
study | ชื่อการศึกษา | หมวดหมู่ | y | 3–40 การศึกษา | เรียงตามปีหรือตามขนาดผล |
estimate | ขนาดของผล | ตัวเลขต่อเนื่อง | x | ต่อเนื่อง | หน่วยเดียวกันทุกการศึกษา |
low | ขอบล่างของช่วง | ช่วงค่า | x | น้อยกว่า estimate | ช่วงความเชื่อมั่น 95% |
high | ขอบบนของช่วง | ช่วงค่า | x | มากกว่า estimate | ช่วงความเชื่อมั่น 95% |
n | ขนาดตัวอย่าง | จำนวนนับ | size | บวกเท่านั้น | ★ กำหนดน้ำหนักและขนาดจุด |
ต้องเตรียมข้อมูลอย่างไรก่อนวาด
- ★ ตรวจว่าการศึกษาทั้งหมดเทียบกันได้จริงก่อนรวม
- แปลงผลให้อยู่ในหน่วยเดียวกัน
- 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
- ดูว่าช่วงของแต่ละการศึกษาคร่อมเส้นไม่มีผลหรือไม่
- ดูขนาดจุดเพื่อรู้ว่างานไหนมีน้ำหนัก
- อ่านเพชรด้านล่างซึ่งคือค่าสรุปรวม
คำถามที่ตอบได้
- หลักฐานโดยรวมบอกอะไร
- การศึกษาสอดคล้องกันแค่ไหน
- งานชิ้นไหนมีน้ำหนักมากที่สุด
สัญญาณว่ามีอะไรผิด
- รวมการศึกษาที่ต่างกันเกินไป
- ไม่แสดงน้ำหนักของแต่ละการศึกษา
- ใช้แกนเชิงเส้นกับผลที่เป็นอัตราส่วน
05เหมาะกับการนำเสนอแบบไหน
ทำอย่างไรให้คนอ่านได้ข้อสรุปโดยไม่ต้องบรรยาย
- ★ เขียนเกณฑ์ที่ใช้คัดการศึกษาเข้ามารวม
- ติดค่าและช่วงเป็นตัวเลขทางขวาของทุกแถว
- 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")07ลองเล่นเพื่อเข้าใจ
ดูข้อมูลเป็นตาราง (7 แถว)
| การศึกษา | ผล | ขอบล่าง | ขอบบน | n | น้ำหนัก |
|---|---|---|---|---|---|
| การทดลองที่ 1 | 3.37 | 0.57 | 6.17 | 630 | 17.0% |
| การทดลองที่ 2 | 9.91 | 4.94 | 14.9 | 647 | 17.5% |
| การทดลองที่ 3 | 11.4 | 6.26 | 16.5 | 668 | 18.0% |
| การทดลองที่ 4 | 11.3 | 7.10 | 15.5 | 245 | 6.6% |
| การทดลองที่ 5 | 1.91 | -1.41 | 5.23 | 242 | 6.5% |
| การทดลองที่ 6 | 1.52 | -4.00 | 7.04 | 769 | 20.8% |
| การทดลองที่ 7 | 8.60 | 4.55 | 12.7 | 502 | 13.6% |
ลองแล้วจะเห็นอะไร
- สังเกตอะไร: สังเกตว่างานที่มีช่วงแคบมักมีจุดใหญ่ — ทั้งสองอย่างมาจากขนาดตัวอย่างที่มากเหมือนกัน
ข้อควรระวัง
- ★ รวมการศึกษาที่ต่างกันเกินไป ทำให้ค่าสรุปดูน่าเชื่อถือแต่ไม่มีความหมาย
- ไม่แสดงน้ำหนัก ทำให้งานเล็กดูสำคัญเท่างานใหญ่
- ใช้แกนเชิงเส้นกับผลที่เป็นอัตราส่วน
- ไม่ระบุเกณฑ์คัดเลือกการศึกษา ทำให้ตรวจสอบอคติในการคัดไม่ได้
เมื่อไหร่ไม่ควรใช้กราฟนี้
- มีการศึกษาเดียว→ใช้แทน: error-bars
- ต้องตรวจอคติจากการตีพิมพ์→ใช้แทน: funnel-plot
- สนใจว่าผลใหญ่พอจะสำคัญในทางปฏิบัติไหม→ใช้แทน: effect-size-plot