没问题，这个场景其实是meta分析里最基础的情况之一，咱们用逆方差加权法就能解决，完全不需要样本量——刚好匹配你只有估计值和标准误的条件，具体步骤我给你拆解清楚：

核心思路 #

逆方差加权的逻辑很简单：给**更精确的研究（标准误更小）**分配更高的权重，因为这类结果的可信度更高。

具体步骤 #

假设你有两个独立研究的结果：

• 研究1：回归斜率估计值 β₁，标准误 SE₁
• 研究2：回归斜率估计值 β₂，标准误 SE₂

1. 计算每个研究的权重
   权重与标准误的平方（也就是方差）成反比，公式为：

   w₁ = 1 / (SE₁²)
   w₂ = 1 / (SE₂²)
   

2. 计算合并的加权均值
   用权重对两个估计值做加权平均，得到合并后的斜率均值：

   β_pooled = (w₁*β₁ + w₂*β₂) / (w₁ + w₂)
   

3. 计算合并均值的标准误
   合并后的方差是权重和的倒数，取平方根就是标准误：

   SE_pooled = sqrt(1 / (w₁ + w₂))
   

举个实际例子 #

假设：

• 研究1：β=2.3，SE=0.4
• 研究2：β=2.7，SE=0.5

计算过程：

1. 权重：w₁=1/(0.4²)=6.25，w₂=1/(0.5²)=4
2. 合并均值：(6.25*2.3 + 4*2.7)/(6.25+4) = (14.375+10.8)/10.25 ≈ 2.36
3. 合并标准误：sqrt(1/(6.25+4)) ≈ sqrt(0.0976) ≈ 0.31

这样你就得到了合并后的斜率估计值和它的标准误，整个过程完全不需要样本量~

内容的提问来源于stack exchange，提问作者user3844454