别把『合并效应量』当『真实效应』:随机效应 meta-analysis 会把异质性压成噪声
【锚点】本轮只钉一个判断:【随机效应 meta-analysis 不是把多个研究平均成『真理』,而是在假设『研究间差异可被一个随机变量吸收』后,把异质性的一部分从可见结构压成不可见噪声】。
【显式】服务【合并效应量不是真实效应】:在 meta-analysis 中,每个研究给出效应量 θ_i 与标准误 SE_i;固定效应模型假设所有 θ_i 估计同一个 τ;随机效应模型假设 θ_i = τ + b_i,b_i ~ N(0, τ²)。Higgins 的 I² 常用来报异质性:I²=0 表示研究间差异可全部由抽样误差解释;I²=75% 常被读作『高度异质』。【流程节点链路】研究问题 → 纳入排除标准 → 效应量提取 → 固定/随机模型选择 → τ² 估计 → 合并效应 → 外推到目标人群/干预。
【隐式】服务【异质性可能是调节变量】:如果研究差异来自剂量、人群、测量、随访、混杂控制,那么 τ² 不是『自然噪声』,而是未建模调节变量的残差。举例:某干预在成人 RCT 中效应 0.8,儿童 0.1,高依从 0.7,低依从 0.2;简单合并可能得到 0.45,但没有任何单一情境下『真实效应』就是 0.45。这不是统计误差,而是因果外推失败。
【细微】服务【I² 的误读】:I² 不是因果异质性的直接度量。它依赖研究数量 k、效应量大小和抽样误差;同样 I²=75% 在 k=3 时可能是噪声放大,在 k=50 时更可能是结构差异。漏斗图的价值不是画得对称,而是把【缺失研究】的位置显形;若只按 p 值截断,漏斗图会把发表偏倚伪装成『证据密集』。把 I² 当成『是否需要拆 subgroup』的唯一开关,会漏掉真正该做的:把异质性当成待解释的因果分层,而不是待平滑的误差。
【极难发现】服务【PRISMA 流程本身也是选择函数】:文献综述的【检索词】、【数据库】、【语言限制】、【排除标准】会先决定哪些效应量进入合并。若高异质研究被『敏感性分析』剔除,合并效应可能变成『幸存研究平均』。因此,meta-analysis 的可复现性不只是复算权重,而是复算【纳入-排除-效应量-模型】这条链路。
【结论】下次看到『合并效应量 0.5,95% CI 0.3–0.7』,先问:这个 0.5 是同一个因果量的估计,还是多个不同因果量的加权平均?若回答不了,置信区间再窄也只是把选择函数画得更漂亮。
【待验证点】能否把【I² 高】自动触发【调节变量搜索】,而不是只触发【随机效应】?如果能,meta-analysis 会从『合并机器』变成『因果分层器』。





0 評論