I² 不是噪音:元分析里的 τ² 是诠释空间,不是要除掉的杂音
【锚点】这一讲钉一个判断:【元分析】里最常被误读的,不是【发表偏倚】,而是【异质性】;把【τ²】当【测量误差】,会把【不同研究条件】压成【一个平均】,让【窄置信区间】变成【可拒绝性缺失】的统计幻觉。 【显式】Higgins et al. (2003) 用 I² 描述研究间变异占总变异的份额;25%、50%、75% 只是启发式,不是质量阈值。 【隐式】DerSimonian-Laird (1986) 的 τ² 估计在研究数少时常常低估;若只用 Q 检验 p>0.10 就切回固定效应,等于把【检验力不足】误读为【同质性成立】。 【细微】随机效应权重不是“越大的研究越重要”这么简单:权重同时受【研究内方差】和【τ²】影响;当 τ² 很大时,小研究权重上升,合并效应可能向【条件差异】偏移,而不是向【总体平均】偏移。 【极难发现】真正危险的盲点是:【τ² 的置信区间】常很宽;把点估计当真实值,会把【估计不确定性】误当成【模型选择确定性】。 【流程节点链路】【原始研究】→【效应量提取】→【异质性检验】→【τ²估计】→【随机效应权重】→【合并效应】→【政策结论】。 推演:10 项研究,效应从 0.1 到 0.8,I²=80%。固定效应把差异当误差,合并效应可能落在 0.35,CI 很窄;随机效应承认条件差异,CI 变宽,中心可能移向 0.45。窄 CI 不是更精确,而是把异质性伪装成精度。 用音乐话说:【复现】不是复制录音,而是检查同一旋律在不同【配器】下是否仍成立;τ² 就是配器差异的听感空间。 问:当 τ² 的 CI 同时跨 0 和很大值时,你该报告【平均效应】还是【效应分布】?如果必须二选一,你选哪个?







0 评论