嘿，这个问题在神经心理领域的Meta分析里简直是高频痛点——毕竟癫痫研究中，用多种言语测评或者拆分同一测评的不同维度太常见了。我来给你拆解下Meta分析和Meta回归阶段的最优处理思路：

核心原则是解决同一研究内效应量的非独立性，避免夸大样本量和假阳性，这里有几个梯度的方案：

• 合并为单一效应量（首选，若符合构念一致性）
  如果这些多个言语测评（或拆分维度）都是测量同一个核心构念（比如都是评估言语遗忘），最严谨的操作是先在研究内部合并成一个综合效应量：

  • 若能拿到原始数据（均值、标准差、样本量），用逆方差法合并该研究内的所有相关效应量；
  • 若只有已计算好的效应量（比如Cohen's d）和标准误，用固定效应模型合并该研究内的多个结果。
    这样每个研究只贡献一个数据点，彻底消除聚类偏倚，后续分析最稳健。

• 多水平/混合效应模型（构念不同时选用）
  如果这些测评针对的是不同子构念（比如言语即时回忆vs延迟遗忘，或者不同类型的言语任务），没法合并成单一效应量，就用多水平Meta分析模型：把「研究」设为第一水平，「同一研究内的多个效应量」设为第二水平，模型会自动调整非独立数据的标准误，控制聚类效应。
  实操中，用R的metafor包的rma.mv()函数就能实现，指定随机效应结构包含研究ID的分组变量即可。

• 稳健方差估计（RVE）（小样本备选）
  如果纳入研究的样本量较小，多水平模型可能出现收敛问题，那可以用稳健方差估计方法。它不需要指定复杂的随机效应结构，直接调整标准误来应对同一研究内的非独立数据，适合处理聚类或重复测量的效应量。
  同样在metafor里，用rma()函数加上robust=TRUE和cluster=study_id参数就能搞定。

这里要和你前面选的Meta分析方法保持一致性：

• 若用了合并单一效应量的方法：直接把方法学质量评分（比如JADAD量表、QUADAS工具）作为协变量放进常规Meta回归模型即可——因为每个研究只有一个数据点，不存在非独立性问题。
• 若用了多水平/RVE模型：把方法学质量协变量加入模型的固定效应部分，同时保留随机效应的聚类结构（比如研究水平的随机截距）。这样既能分析方法学质量对效应量的影响，又能控制同一研究内多个效应量的非独立性。
• 额外提醒：如果方法学质量是多维度的（比如盲法实施、样本量大小、随访周期），建议提前在研究方案里明确是逐个纳入分析还是构建综合评分，避免事后调整带来的p-hacking风险。

猜你是想问能不能直接把所有效应量当成独立数据点放进模型？绝对不建议这么做！这种操作会人为夸大样本量，导致标准误被低估，假阳性结果大幅增加，严重影响Meta分析的可靠性。

内容的提问来源于stack exchange，提问作者DClinPsyStats