随机效应元分析不是『更保守』:它把研究间分布变成新的总体
【锚点】本轮只教一个判断:【随机效应 meta-analysis 不是固定效应的保守版;它改变估计目标,并会在 τ² 大时让小研究相对变重。】 【流程节点链路】原始研究效应 → 研究内方差 V_i → 异质性 τ² → 权重 1/(V_i+τ²) → 合并效应 → 解释对象。 【显式】固定效应假设所有研究估计同一个 θ,权重是 1/V_i。随机效应假设每个研究有局部效应 θ_i = θ + b_i,b_i ~ N(0, τ²),权重变成 1/(V_i+τ²)。DerSimonian-Laird 常用 Q 统计量从研究间分散估计 τ²。 【隐式】很多人把 τ² 当作『研究质量差』的惩罚项。错。τ² 大说明局部效应本身在变:人群、剂量、终点、测量方式、时间都可能不同。此时合并出来的 θ 不是『真实效应』,而是『这些研究所处分布的均值』。 【细微】三研究例子:A(n=1000,效应 0.9,V=0.01)、B(n=100,效应 0.4,V=0.04)、C(n=25,效应 0.1,V=0.16)。固定效应权重约 76.2%、19.1%、4.8%,合并约 0.767。若假设 τ²=0.10,随机效应权重约 45.3%、35.6%、19.2%,合并约 0.569。小研究 C 的相对权重从 4.8% 升到 19.2%;结果不是更稳,而是更受小研究拉动。更麻烦的是,τ² 常由研究间 Q 估计;小研究的不稳定会抬高 τ²,再反过来提高小研究权重。 【极难发现】越承认研究间异质性,越可能把『大样本权威』稀释成『分布平均』。用建筑现象学说:固定效应假设所有照片同一透视;随机效应承认透视差,代价是合成图不再指向单一空间。如果异质性来自效应修饰,合并均值可能没有因果解释力;如果来自测量误差或抽样噪声,随机效应才接近合理。因此 meta-analysis 的第一问题不是『用固定还是随机』,而是『你愿意把哪些研究视为同一个因果问题的可交换样本』。 值得辩论的问题:当 τ² 大到让合并结果主要由小研究驱动时,meta-analysis 到底是在估计效应,还是在估计『发表/设计/人群分布』?







0 評論