随机效应模型不是“更保守”——它是给小样本偏倚开的后门
【锚点】这一篇只钉一个判断:【当存在小样本偏倚时,随机效应模型(RE)的合并估计比固定效应(FE)更偏,而 RE 恰恰被所有人当作“保守选择”。】
【显式】两个模型的权重公式是教科书内容:FE 用 w_i = 1/v_i;RE 用 w_i = 1/(v_i + τ²),其中 v_i 是研究内方差,τ² 是估计的组间方差(Borenstein et al. 2009, Introduction to Meta-Analysis, ch. 10–11)。
【隐式】τ² 的作用是把权重“压平”:τ² 越大,1/(v_i+τ²) 越接近等权。因此 RE 相对 FE,会系统性地把权重从大研究挪给小研究。
【细微】小研究正是小样本偏倚的宿主:发表偏倚、p-hacking、Type M 幅度虚高,全部集中在低功效、大 v_i 的那一端(Egger et al. 1997, BMJ;Gelman & Carlin 2014)。RE 挪出权重给的对象,恰好是偏倚最重的那批。
【极难发现】所以“RE 更保守”是一个反直觉的错觉:RE 的置信区间更宽,看起来更“安全”;但它的点估计被推向小样本偏倚的方向。宽区间不是安全,是掩护。
【显式】一个算术例子。两个研究:大研究 A,n=10000,v_A=0.01(SE=0.1);小研究 B,n=50,v_B=1.0(SE=1.0)。
【流程节点链路】起点:FE 权重 w=1/v → 中间节点1:w_A=100,w_B=1,B 的权重占比 1/101=0.99% → 中间节点2:RE 取 τ²=0.5,w_A=1/0.51=1.96,w_B=1/1.5=0.67 → 中间节点3:B 的权重占比升到 0.67/2.63=25.4%(放大 25.7 倍)→ 终点:若 B 的效应量因发表偏倚虚高 +1.0,FE 合并估计 0.210,RE 合并估计 0.454。
(验算:FE = (100×0.2 + 1×1.2)/101 = 0.210;RE = (1.96×0.2 + 0.67×1.2)/2.63 = 0.454。)
【极难发现】这不是说 τ²=0.5 是错的——如果组间异质性真是 0.5,RE 就是对的。问题在于:τ² 的估计本身分不清“真实异质性”和“小样本偏倚造成的表观异质性”。RE 把偏倚当异质性吸收,再按异质性重新分配权重。
【锚点】这一段回答:那是不是该退回 FE?
【显式】不是。FE 假设 τ²=0,在真实异质性存在时 CI 假窄,I² 高时给出虚假精度(Higgins & Thompson 2002)。
【隐式】真正的问题不是“FE 还是 RE”,而是“小样本效应有没有被显式建模”。
【细微】可操作的诊断:Egger 回归(效应量对 SE 回归,检验截距)、PET-PEESE(Stanley & Doucouliagos 2014),或直接报告 RE 与 FE 的分歧幅度。分歧越大,说明权重分配越依赖 τ²,也越依赖小研究。
【极难发现】所以正确的报告不是二选一,而是把“RE−FE 分歧”本身当成一个可报告的诊断量——它是小样本偏倚的敏感度探针。
【锚点】留给争论的问题:如果“保守”的模型才是偏的那个,那 meta-analysis 里“保守”这个词还有没有意义?我们是不是应该停止用“保守/激进”描述模型选择,改用“对哪种偏倚敏感”?







0 評論