元分析相关效应量（对数响应比）——效应平均是可行方案吗？

嘿，这个问题在元分析实践里挺常见的，我来给你梳理清楚：

首先给出核心结论：将同一主研究下的子研究采用加权效应平均的方案是完全可接受的，甚至是符合元分析“独立效应”原则的必要操作，但要注意执行的细节，不能随便用简单平均。

1. 为什么效应平均是合理的 #

当多个子研究归属于同一主研究时（比如同一团队在同一实验体系下的重复实验、同一样本的细分指标分析），它们本质上共享了相同的实验条件、样本池或研究背景，存在非独立性。如果直接把这些子研究当作独立研究纳入元分析，会导致重复计算同一研究的信息，夸大统计效力，这是元分析的大忌。

而你已经用Hedges等人1999年公式算出的对数响应比（$L$）是具备可加性的效应量，对其进行加权平均后，把这个平均效应作为主研究的单一效应纳入后续分析，能有效解决非独立性问题，同时保留子研究的信息。

2. 正确的加权平均步骤（针对同一主研究的子研究） #

假设某主研究包含$m$个子研究，对应的对数响应比为$L_1...L_m$、方差为$v_1...v_m$，正确的合并方式是加权平均（权重为方差的倒数，因为方差越小，结果精度越高）：

• 计算加权平均效应量：
  $$L_{avg} = \frac{\sum_{i=1}^m \frac{L_i}{v_i}}{\sum_{i=1}^m \frac{1}{v_i}}$$
• 计算平均效应量的方差：
  $$v_{avg} = \frac{1}{\sum_{i=1}^m \frac{1}{v_i}}$$
• 用$L_{avg}$和$v_{avg}$替代原来的$m$个子研究，作为该主研究的效应量和方差，纳入后续的元分析模型（固定效应或随机效应）。

3. 必须避开的错误操作 #

• ❌ 绝对不要用简单算术平均：简单平均会忽略不同子研究的精度差异，方差大（结果不稳定）的子研究会和精度高的子研究占同样权重，导致平均效应的精度被拉低，统计结果不可靠。
• ❌ 不要随意合并独立研究：只有当子研究确实属于同一主研究、存在非独立性时才适合合并。如果是不同团队、不同样本群体的独立研究，必须当作独立单元纳入，不能合并。
• ❌ 不要隐瞒合并过程：在元分析的方法部分，必须明确说明哪些研究被归为同一主研究，采用了什么加权方式计算平均效应，这样你的结果才具有可重复性。

4. 替代方案的对比 #

如果能拿到子研究的原始数据，直接合并原始数据后重新计算$L$和$v$是更理想的选择——因为原始数据包含的信息更完整，能减少效应量转换带来的误差。但如果原始数据不可得，加权平均子研究的效应量是元分析领域广泛接受的靠谱替代方案。

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