如何利用stata比较两组数据的相关性？

建议你计算Pearson相关系数来看两组数据的相关性：

具体命令格式：correlate（简写：cor或corr）[varlist] [if] [in] [weight] [,options]   

在Stata中，命令corr用于计算一组变量间的协方差或相关系数矩阵；

命令pwcorr可用于计算一组变量中两两变量的相关系数，同时还可以对相关系数的显著性进行检验；option选项中加上sig可显示显著性水平：pwcorr[varlist] ,sig

命令pcorr 用于计算一组变量中两两变量的偏相关系数并进行显著性检验。 

在 meta 分析中，异质性是指研究间存在的变异性。如果异质性较大，可能影响到整体的效应估计和统计显著性。您的想法是通过影像学结果解释术后评分的异质性，这是一个可行的思路。下面是一个初步的分析过程供您参考：

绘制散点图

首先，可以绘制一张散点图，用影像学结果和术后评分的比率来表示每个研究。具体来说，对于每个研究，可以计算出 A/B 对应的比率和影像学结果/术后评分对应的比率。然后将这两个比率作为横纵坐标，画出散点图。如果两个变量之间存在相关性，则可以看到散点图中的点大致沿着某条直线分布。

计算相关系数

为了更精确地描述影像学结果和术后评分之间的关系，可以计算它们之间的相关系数。可以使用 Pearson 相关系数或 Spearman 相关系数。Pearson 相关系数适用于两个变量都是连续变量的情况，而 Spearman 相关系数适用于两个变量中至少有一个是顺序变量的情况。如果相关系数为正，则表示两个变量呈正相关关系；如果相关系数为负，则表示两个变量呈负相关关系。

进行 meta 回归分析

最后，可以进行 meta 回归分析来探究影像学结果和术后评分之间的关系，并考虑其他可能影响异质性的因素。在进行 meta 回归分析时，需要将每个研究的影像学结果和术后评分比率作为自变量和因变量，并且需要控制其他可能的混杂因素，如年龄、性别、治疗方案等。可以使用 STATA、R 等统计软件来进行 meta回归分析。

需要注意的是，由于您只有每组数据的均值和标准差，这会影响到一些统计分析方法的可行性。例如，如果数据不服从正态分布，则需要进行转换或使用非参数方法。此外，均值和标准差的计算也可能存在误差，因此需要谨慎处理数据。